Regressão Parametrizada

!
" " "

! #$ ! ! % # " %
&'
"
( ) * +
, - . / .+
000. . / .+ 12 ,
!) 13456
Universidade Federal de Pernambuco
Centro de Informática
Pós-graduação em Ciência da Computação
Leandro Carlos de Souza
AGRUPAMENTO E REGRESSÃO LINEAR DE DADOS SIMBÓLICOS

INTERVALARES BASEADOS EM NOVAS REPRESENTAÇÕES
Trabalho apresentado ao Programa de Pós-graduação em

Ciência da Computação do Centro de Informática da Univer-
sidade Federal de Pernambuco como requisito parcial para
obtenção do grau de Doutor em Ciência da Computação.
Orientador: Renata Maria Cardoso Rodrigues de Souza

Co-Orientador: Getúlio José Amorim do Amaral
RECIFE
2016
! "
"!# $ %
& ' ( ( )
( ' * +% $ , !- .
#. /
0 / $
1 23 4,5 6 ( 7 8
(' !- .
7 8 '8 9
7 8 (' ! & ( ) : &

' ( 7 $
2 4 77 1;
--. : 33 2!: 4 56 < <7 !- . -=

!
" # $%&'(&$')*!
++++++++++++++++++++++++++++++++++++++++++++++++++++++
! " " # $ %
$ &' #
+++++++++++++++++++++++++++++++++++++++++++++
,! ! " - . /
. , 0 & 1
++++++++++++++++++++++++++++++++++++++++++++++
,! ! 2 3
. , 0 & 1
+++++++++++++++++++++++++++++++++++++++++++++
,! ! 4 3
1 & 1
++++++++++++++++++++++++++++++++++++++++++++++
,! ! " 5
1 & 1
+++++++++++++++++++++++++++++++++++++++++++++
, ! !6 " " 7
1 8 & 1
+++++++++++++++++++++++++++++++++++++++++++++
,! ! 9 4 : ; 4
. , 0 & :
Agradecimentos
A Deus, por sempre me guiar nas escolhas que fiz e que me permitiram chegar até aqui.
Aos meus orientadores, Renata e Getúlio, por todo o tempo disponibilizado e auxílios
diversos.
À Dione, por suas palavras de perseverança e de apoio.
Aos familiares, pelo suporte oferecido.
Aos amigos que de alguma forma contribuíram para a realização deste trabalho. Em
especial a Andrey, Angélica, Bruno, Daniel, Danielle, Derzu, Francisca, Leonardo, Magno,
Pollyanna e Telmo.
À Capes, pelos apoios concedidos, e sem os quais este trabalho não poderia ter sido
realizado.
A tarefa não é tanto ver o que ninguém viu ainda, mas pensar o que ninguém
pensou sobre algo que todos vêem.
—ARTHUR SCHOPENHAUER
Resumo
Um intervalo é um tipo de dado complexo usado na agregação de informações ou na

representação de dados imprecisos. Este trabalho apresenta duas novas representações para
intervalos com o objetivo de se construir novos métodos de agrupamento e regressão linear para
este tipo de dado. O agrupamento por nuvens dinâmicas define partições nos dados e associa
protótipos a cada uma destas partições. Os protótipos resumem a informação das partições e são
usados na minimização de um critério que depende de uma distância, responsável por quantificar
a proximidade entre instâncias e protótipos. Neste sentido, propõe-se a formulação de uma nova
distância híbrida entre intervalos baseando-se em distâncias para pontos. Os pontos utilizados
são obtidos dos intervalos através de um mapeamento. Também são propostas duas versões com
pesos para a distância criada: uma com pesos no hibridismo e outra com pesos adaptativos. Na
regressão linear, propõe-se a representação dos intervalos através da equação paramétrica da reta.
Esta parametrização permite o ajuste dos pontos nas variáveis regressoras que dão as melhores
estimativas para os limites da variável resposta. Antes da realização da regressão, um critério é
calculado para a verificação da coerência matemática da predição, na qual o limite superior deve
ser maior ou igual ao inferior. Se o critério mostra que a coerência não é garantida, propõe-se a
aplicação de uma transformação sobre a variável resposta. Assim, este trabalho também propõe
algumas transformações que podem ser aplicadas a dados intervalares, no contexto de regressão.
Dados sintéticos e reais são utilizados para comparar os métodos provenientes das representações
propostas e aqueles presentes na literatura.
Palavras-chaves: Agrupamento por Nuvens Dinâmicas. Distâncias Híbridas para Intervalos.

Regressão Linear Intervalar. Método dos Intervalos Parametrizados.
Abstract
An interval is a complex data type used in the information aggregation or in the

representation of imprecise data. This work presents two new representations of intervals
in order to construct a new cluster method and a new linear regression method for this kind of
data. Dynamic clustering defines partitions into the data and it defines prototypes associated with
each one of these partitions. The prototypes summarize the information about the partitions and
they are used in a minimization criterion which depends on a distance, which is responsible for
quantifying the proximity between instances and prototypes. In this way, it is proposed a new hy-
brid distance between intervals based on a family of distances between points. Points are obtained
from the interval through a mapping. Also, it is proposed two versions of the hybrid distance,
both with weights: one with weights in hybridism and other with adaptive weights. In linear
regression, it is proposed to represent the intervals through the parametric equation of the line.
This parametrization allows to find the set of points in the regression variables corresponding to
the best estimates for the response variable limits. Before the regression construction, a criterion
is computed to verify the mathematical consistency of prediction, where the upper limit must
be greater than or equal to the lower. If the test shows that consistency is not guaranteed, then
the application proposes a transformation of the response variable. Therefore, this work also
proposes some transformations that can be applied to interval data in the regression context.
Synthetic and real data are used to compare the proposed methods and those one proposed on
literature.
Keywords: Dynamic Clustering. Interval Hybrid Distances. Interval Linear Regression.

Parametrized Interval Method.
Lista de Figuras
3.1 Exemplos de instâncias intervalares e seus vetores diagonais. . . . . . . . . . . 30

3.2 Centros de classes bem separadas (a) e de classes que se interceptam (b). . . . . 43
3.3 Dados intervalares para classes bem separadas. Configuração 1 (a). Configuração
2 (b). Configuração 3 (c). Configuração 4 (d). . . . . . . . . . . . . . . . . . . 45
3.4 Dados intervalares para classes que se interceptam. Configuração 5 (a). Configu-
ração 6 (b). Configuração 7 (c). Configuração 8 (d). . . . . . . . . . . . . . . . 46
3.5 Resultados para a configuração 1. q=1 (a). q=2 (b). q=∞ (c). . . . . . . . . . . 47
3.13 Instâncias intervalares que compõem o conjunto sementes. . . . . . . . . . . . 61
5.1 Fecho convexo construído a partir de um conjunto de pontos bidimensional. . . 89

5.2 Conjunto sintético gerado pela configuração 1. . . . . . . . . . . . . . . . . . . 92
5.3 Conjunto sintético gerado pela configuração 2. . . . . . . . . . . . . . . . . . . 92
5.4 Conjunto colesterol-idade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.5 Conjunto cogumelos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.6 Conjunto carros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.7 Conjunto basquete. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.8 Conjunto futebol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.9 Conjunto cardiologia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Lista de Tabelas
3.1 Distribuições que geram as amplitudes para as configurações 1 e 5. . . . . . . . 44

3.5 Valores do IRA para o conjunto dos climas mistos . . . . . . . . . . . . . . . . 55
3.6 Pesos do hibridismo para a distância WHL2 . . . . . . . . . . . . . . . . . . . 56
3.7 Valores do IRA para o conjunto dos clima da Europa Ocidental . . . . . . . . . 56
3.9 Valores do IRA para o conjunto de reconhecimento de atividade humana por
dados de aceleração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.11 Valores do IRA para o conjunto de fases de gestos . . . . . . . . . . . . . . . . 59
3.14 Valores do IRA para o conjunto de sementes . . . . . . . . . . . . . . . . . . . 61
3.16 Valores do IRA para o conjunto vinhos brancos com qualidades 4, 6 e 8 . . . . 63
3.18 Valores do IRA para o conjunto vinhos brancos com qualidades 6, 7 e 8 . . . . 64
3.20 Valores do IRA para o conjunto vinhos tintos com qualidades 4 e 7 . . . . . . . 65
3.21 Pesos do hibridismo para a distância WHL∞ . . . . . . . . . . . . . . . . . . . 65
3.22 Valores do IRA para o conjunto vinhos tintos com qualidades 5 e 6 . . . . . . . 66
3.23 Resumo dos resultados de agrupamento para os dados sintéticos . . . . . . . . 68
5.1 Intervalos de confiança do MMREE para configuração 1 . . . . . . . . . . . . 93

5.2 Intervalos de confiança do MMREE para a configuração 2 . . . . . . . . . . . 94
5.3 Resultados para o conjunto colesterol-idade . . . . . . . . . . . . . . . . . . . 95
5.4 Resultados para o conjunto cogumelos . . . . . . . . . . . . . . . . . . . . . . 97
5.5 Resultados para o conjunto carros . . . . . . . . . . . . . . . . . . . . . . . . 98
5.6 Resultados para o conjunto basquete . . . . . . . . . . . . . . . . . . . . . . . 100
5.7 Resultados para o conjunto morcegos. . . . . . . . . . . . . . . . . . . . . . . 101
5.8 Resultados para o conjunto futebol . . . . . . . . . . . . . . . . . . . . . . . . 102
5.9 Resultados para o conjunto cardiologia . . . . . . . . . . . . . . . . . . . . . . 104
5.10 Resultados para o conjunto íris . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Lista de Acrônimos
ADS análise de dados simbólicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

AL1 L1 adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
AL2 L2 adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
AL∞ L∞ adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
HLq Lq híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
HL1 L1 híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
HL2 L2 híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
HL∞ L∞ híbrida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
AHLq HLq adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
AHL1 HL1 adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
AHL2 HL2 adaptativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
WHLq HLq com pesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
WHL∞ HL∞ com pesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
IRA índice de Rand ajustado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
MC método do centro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
MinMax método do mínimo e máximo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
MCA método do centro e da amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
MCAR método do centro e da amplitude com restrições . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
MIC método da informação completa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
MIP método dos intervalos parametrizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
MREE magnitude relativa do erro da estimativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
MMREE média da magnitude relativa do erro da estimativa . . . . . . . . . . . . . . . . . . . . . . . . . . 90
SVD singular value descomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Sumário
1 Introdução 15
1.1 Análise de Agrupamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 Regressão Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Organização da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Agrupamento por Nuvens Dinâmicas para Intervalos 22

2.1 Distâncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Critério para Otimização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Distâncias L1 , L2 e L∞ para Intervalos . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Distâncias Adaptativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Protótipos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Agrupamento por Nuvens Dinâmicas para Intervalos Baseado em Mapeamento

Híbrido 29
3.1 Mapeamento Híbrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Distância Lq Híbrida para Intervalos . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Casos Usuais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Casos Usuais Adaptativos . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.3 Distância HLq com Pesos no Hibridismo . . . . . . . . . . . . . . . . 34
3.2.4 Determinação dos Protótipos . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.5 Agrupamento por Nuvens Dinâmicas para Distâncias Híbridas . . . . . 38
3.3 Avaliação Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.1 Validação Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.2 Avaliação da Qualidade do Agrupamento . . . . . . . . . . . . . . . . 41
3.3.3 Dados intervalares sintéticos . . . . . . . . . . . . . . . . . . . . . . . 42
3.3.4 Dados Intervalares Reais . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.4.1 Conjunto Climas . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.4.1.1 Conjunto Climas Mistos . . . . . . . . . . . . . . 55
3.3.4.1.2 Conjunto climas da Europa Ocidental . . . . . . . 56
3.3.4.2 Conjunto reconhecimento de atividade humana por dados de
aceleração . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.4.3 Conjunto fases de gestos . . . . . . . . . . . . . . . . . . . 58
3.3.4.4 Conjunto sementes . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.4.5 Conjunto vinhos . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.4.5.1 Conjunto vinhos brancos com qualidades 4, 6 e 8 . 62
3.3.4.5.2 Conjunto vinhos brancos com qualidades 6, 7 e 8 . 63
3.3.4.5.3 Conjunto vinhos tintos com qualidades 4 e 7 . . . . 64
3.3.4.5.4 Conjunto vinhos tintos com qualidades 5 e 6 . . . . 65
3.3.5 Discussão dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . 66
4 Regressão Linear para Intervalos 69

4.1 Método do Centro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.2 Método do Mínimo e Máximo . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3 Método do Centro e da Amplitude . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4 Método do Centro e da Amplitude com Restrições . . . . . . . . . . . . . . . . 75
4.5 Método da Informação Completa . . . . . . . . . . . . . . . . . . . . . . . . . 77
5 Regressão Linear com Parametrização 79

5.1 Parametrização Intervalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2 Especificação dos Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.3 Análise da Coerência Matemática . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.1 Transformações para Intervalos . . . . . . . . . . . . . . . . . . . . . 84
5.3.1.1 Transformação Box-Cox para Intervalos . . . . . . . . . . . 85
5.3.1.2 Transformação Exponencial para Intervalos . . . . . . . . . 86
5.3.1.3 Transformação de Potência para Intervalos . . . . . . . . . . 86
5.3.2 Predição das Amostras da Variável Resposta . . . . . . . . . . . . . . 87
5.3.3 Predição para Valores não Amostrados . . . . . . . . . . . . . . . . . . 88
5.4 Avaliação Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.4.1 Métrica de Avaliação . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.4.2 Validação Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.4.3 Dados Sintéticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.4.4 Dados Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.4.1 Conjunto Colesterol-idade . . . . . . . . . . . . . . . . . . . 94
5.4.4.2 Conjunto Cogumelos . . . . . . . . . . . . . . . . . . . . . 96
5.4.4.3 Conjunto Carros . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4.4.4 Conjunto Basquete . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.4.5 Conjunto Morcegos . . . . . . . . . . . . . . . . . . . . . . 100
5.4.4.6 Conjunto Futebol . . . . . . . . . . . . . . . . . . . . . . . 101
5.4.4.7 Conjunto Cardiologia . . . . . . . . . . . . . . . . . . . . . 103
5.4.4.8 Conjunto Íris . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.4.5 Discussão dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . 105
6 Conclusão e Trabalhos Futuros 106
Referências 109
Apêndice 113
A Demonstração da Proposição 3.1 114
B Demonstração da Proposição 3.2 116
C Demonstração da Proposição 3.3 120
D Demostração da Proposição 3.4 124
E Demonstração da Proposição 3.5 127
F Demonstração da Proposição 3.6 129
G Demonstração da Proposição 3.7 132
H Demonstração da Proposição 5.1 135
I Implementação do Agrupamento por Nuvens Dinâmicas 137
J Conjunto de reconhecimento de atividade humana por dados de aceleração 157
K Conjunto de fases de gestos 159
L Conjunto de sementes 162
M Conjunto vinhos brancos com qualidades 4, 6 e 8 163
N Conjunto vinhos brancos com qualidades 6, 7 e 8 166
O Conjunto vinhos tintos com qualidades 4 e 7 170
P Conjunto vinhos tintos com qualidades 5 e 6 172
Q Publicação no 5th Workshop on Symbolic Data Analysis (SDA2015) 175
Anexo 178
A Conjunto dos Climas Mistos 179
B Conjunto dos climas da Europa Ocidental 183
C Conjunto Colesterol-idade 188

D Conjunto Cogumelos 189
E Conjunto Carros 190
F Conjunto Basquete 191
G Conjunto Morcegos 192
H Conjunto Futebol 193
I Conjunto Cardiologia 194
J Conjunto Íris 196

15
1
Introdução
Com o surgimento de novas tecnologias para armazenamento e manipulação de dados,

verifica-se a criação de bases que apresentam grandes volumes. Com o crescimento das bases,
cria-se o desafio de se obter conhecimento que pode ser empregado na análise e na tomada de
decisões. Em virtude do grande volume de dados a ser processado, os métodos computacionais
tradicionais não conseguem ser aplicados em decorrência do baixo desempenho que oferecem
(DIDAY; NOIRHOMME-FRAITURE, 2008).
Uma forma de contornar o problema de escalabilidade dos dados é mudar a representação
deles para uma forma mais compacta. A condensação de várias informações em um mesmo
dado pode ser feita com a utilização de dados simbólicos. A análise de dados simbólicos (ADS)
propõe estratégias para a representação compacta de dados, com o uso de elementos complexos
que guardam as informações de várias instâncias. Estes elementos são exemplificados por
intervalos, histogramas ou distribuições de probabilidade. Além disso, a ADS também propõe
métodos para manipulação e obtenção de conhecimento desses elementos complexos. Em
geral, os métodos aplicados a dados pontuais são estendidos para esta nova abordagem (DIDAY;
NOIRHOMME-FRAITURE, 2008; BILLARD; DIDAY, 2006).
A ADS se originou pela influência de três principais áreas: da análise exploratória de da-
dos, da inteligência artificial e da taxonomia numérica (BILLARD; DIDAY, 2006). Os primeiros
trabalhos com os princípios básicos da abordagem simbólica apareceram no final dos anos 80
(DIDAY, 1987, 1989). Desde então, vários outros trabalhos foram feitos nesta área. Gowda e
Diday (1991) propuseram uma nova medida de dissimilaridade, baseada na posição, no alcance
e no conteúdo de objetos simbólicos para a realização de agrupamento hierárquico. De Carvalho
(1995) introduziu a noção de histogramas para dados simbólicos booleanos. Bock e Diday (2000)
apresentaram de maneira sólida os principais conceitos da análise de dados simbólicos e os prin-
cipais métodos estatísticos desenvolvidos para manipular dados desta natureza. Estes métodos
atuam na aplicação de estatística descritiva, que estuda medidas ou estruturas representativas
de um conjunto de dados, como média, variância, correlação, distribuição de probabilidades e
histogramas. Bertrand e Goupil (2000) introduziram métodos para calcular a distribuição de
frequência para uma variável simbólica e estenderam, para esse tipo de variável, os conceitos de
1.1. ANÁLISE DE AGRUPAMENTO 16
média, desvio padrão e mediana. Billard e Diday (2000b) estenderam os conceitos de função
de correlação e covariância, proporcionando a obtenção de uma equação de regressão linear
múltipla para dados simbólicos de natureza intervalar. Chavent e Lechevallier (2002) propuseram
a distância de Hausdorff para intervalos e construíram um algoritmo de agrupamento por nuvens
dinâmicas para dados simbólicos intervalares.
A ADS tem interesse em métodos para a obtenção de conhecimento em dados simbólicos.
Em termos específicos, duas grandes áreas que estão relacionadas com a obtenção de conheci-
mento são a análise de agrupamento e a regressão linear. A análise de agrupamento envolve
técnicas para a separação de um conjunto de dados em grupos cujos elementos apresentam
similaridade entre si. A análise de regressão envolve a modelagem da dependência linear do
valor esperado de uma variável resposta em relação a outras variáveis (chamadas regressoras). A
partir do modelo construído, é possível encontrar estimativas para a resposta utilizando valores
diversos e não-observados para a variável regressora. Os métodos de agrupamento e regressão
para dados simbólicos são muito variados por causa da complexidade que esses dados apresentam
(BILLARD; DIDAY, 2006).
Este trabalho foca no estudo de agrupamento e regressão linear para dados simbólicos
intervalares. Um intervalo γ é definido como uma das expressões apresentadas na Equação (1.1)
[γ, γ̄], ]γ, γ̄[, [γ, γ̄[, ou ]γ, γ̄], (1.1)

¯ ¯ ¯ ¯
em que γ ∈ ℜ, γ̄ ∈ ℜ e γ ≤ γ̄. Os intervalos podem ser construídos a partir de dados pontuais
¯ ¯
através de agregação (BILLARD; DIDAY, 2006). Sejam {z1 , . . . , zm } realizações de uma variável
aleatória Z, um intervalo simbólico é construído de acordo com a Equação (1.2)
(
γ = min{z1 , . . . , zm }
¯ (1.2)
γ̄ = max{z1 , . . . , zm }.
A agregação das realizações de uma variável aleatória em um intervalo implica na perda da

distribuição de probabilidade dos dados. Entretanto, a construção dos intervalos por agregação é
justificada pela representação simplificada do conjunto de valores.
1.1 Análise de Agrupamento

Os métodos de agrupamento são categorizados em duas classes principais: hierárquicos
e particionais (JAIN; MURTY; FLYNN, 1999; ANDERSON, 1984; MARDIA; KENT; BIBBY,
1979). Os hierárquicos aplicam sucessivos agrupamentos ou sucessivas divisões em porções do
conjunto de dados. As estruturas construídas são denominadas dendogramas. Por outro lado, os
métodos particionais utilizam pontos que se localizam no mesmo espaço dimensional dos dados
e que representam cada um dos grupos formados. Estes pontos são denominados protótipos.
Inicialmente, os métodos particionais atribuem de modo arbitrário cada elemento do conjunto a
1.2. REGRESSÃO LINEAR 17
um grupo. Em seguida, altera a composição dos grupos para obter a melhor partição.
Algoritmos de nuvem dinâmica (SOUZA; DE CARVALHO, 2005; DE CARVALHO;
LECHEVALLIER; SOUZA, 2004; CHAVENT et al., 2003; GOVAERT, 1975) englobam méto-
dos de agrupamento particionais para a separação de um conjunto em um número pré-definido de
grupos através da minimização de um critério. Este critério caracteriza o potencial de representa-
tividade que os protótipos têm com relação a seus respectivos grupos. Para isto, são utilizadas
distâncias a fim de se quantificar o grau de dissimilaridade entre um elemento do conjunto e os
protótipos dos grupos. Algoritmos de nuvem dinâmica também adotam distâncias adaptativas
(GOVAERT, 1975; DIDAY; GOVAERT, 1977), que incorporam pesos variando por grupo e por
dimensão. Estes pesos possibilitam um melhor ajuste para partições formadas por grupos com
formas e tamanhos diferentes.
Os métodos existentes na literatura para agrupamento de dados intervalares utilizam os
limites dos intervalos como pontos representativos. Com eles, são propostas as mais variadas
distâncias para medir a dissimilaridade entre os intervalos. Entretanto, esta abordagem ignora a
variação interna, uma característica inerente aos dados intervalares, ainda não discutida no con-
texto de agrupamento, mas utilizada no contexto de regressão (LIMA NETO; DE CARVALHO,
2008, 2010) através das amplitudes dos intervalos. Chavent e Lechevallier (2002) apresentaram
um algoritmo de nuvem dinâmica baseado no uso da distância de Hausdorff para intervalos e
mostraram também, como determinar os melhores protótipos, baseando-se no critério de adequa-
ção. Souza e De Carvalho (2004) propuseram o uso de distâncias City-Block, incluindo a versão
adaptativa para o agrupamento de intervalos por nuvem dinâmica. De Carvalho, Brito e Bock
(2006a) apresentaram o agrupamento com o uso de nuvem dinâmica associado com a distância
L2 para intervalos além de explorar técnicas de padronização para variáveis intervalares. De
Carvalho, Brito e Bock (2006b) propuseram o agrupamento por nuvem dinâmica com distâncias
de Hausdorff adaptativas, propiciando a criação de partições de grupos com formas e tamanhos
mais variados que a versão não adaptativa. De Carvalho e Lechevallier (2009a) apresentaram o
agrupamento por nuvem dinâmica para intervalos com o uso de distâncias quadráticas adaptati-
vas. De Carvalho e Lechevallier (2009b) sugeriram o uso das distâncias City-Block e Hausdorff
adaptativas, cujas formulações mudam a cada iteração, mas são iguais para todos os grupos,
para o agrupamento de intervalos por nuvens dinâmicas. Irpino e Verde (2008) propuseram
agrupamento por nuvens dinâmicas para dados intervalares utilizando a distância de Wasser-
sten, que supõe uma distribuição uniforme para os intervalos. A distância entre dois intervalos
corresponde à distância entre as duas respectivas funções de distribuição acumulada.
1.2 Regressão Linear

Regressão linear está relacionada com a construção de modelos que exploram a de-
pendência linear que existe entre variáveis. Dois tipos de variáveis estão envolvidas: uma
variável resposta (ou dependente) e uma ou mais variáveis regressoras (ou independentes). O
1.2. REGRESSÃO LINEAR 18
principal objetivo é encontrar uma equação linear nos parâmetros que represente a variável
resposta a partir das variáveis regressoras. O modelo é utilizado na predição de valores desco-
nhecidos ou não observados da variável resposta a partir de valores de interesse dos regressores
(RENCHER; SCHAALJE, 2008; MONTGOMERY; PECK; VINING, 2001; DRAPER; SMITH,
1981; SEBER, 1977).
Os métodos de regressão para variáveis intervalares, presentes na literatura, fixam pontos
ou parâmetros que representam os intervalos. Esta abordagem é limitativa, uma vez que os
pontos escolhidos podem não ser as melhores opções para ajuste de um modelo linear para um
conjunto de dados específico. Os métodos seguintes não supõem distribuições de probabilidades
para os erros e utilizam o método dos mínimos quadrados para a estimação de seus coeficientes.
Billard e Diday (2000b) propuseram o método do centro que constrói um modelo linear a partir
dos centros dos intervalos (para ambos, resposta e regressores). O modelo obtido é utilizado
para a predição dos limites da resposta a partir dos limites dos regressores. Billard e Diday
(2002) apresentaram o método do mínimo e do máximo que utiliza dois modelos para a regressão
intervalar, um para cada limite da variável resposta. O limite inferior da resposta depende dos
limites inferiores das variáveis regressoras, enquanto o limite superior depende dos limites
superiores dos regressores. Lima Neto e De Carvalho (2008) propuseram o método do centro
e da amplitude que, também, utiliza dois modelos: um que envolve os centros dos intervalos e
outro baseado na amplitude deles. Lima Neto e De Carvalho (2010) estenderam o método do
centro e da amplitude para incluir restrições nos coeficientes que modelam a amplitude, gerando
o método do centro e da amplitude com restrições, que garante a coerência matemática dos
limites estimados (onde o limite inferior é menor ou igual ao superior). Wang, Guan e Wu (2012)
apresentaram o método da informação completa que utiliza todos os pontos dos intervalos para
a realização da modelagem. Dois modelos de regressão são usados para estimar os limites da
variável resposta. Através da combinação linear de Moore (MOORE, 1966), os limites dos
regressores são utilizados de maneira alternada para estimar os limites inferiores e superiores da
variável resposta. Este método, também, garante a coerência matemática da predição.
Domingues, Souza e Cysneiros (2010) apresentaram um método de regressão linear
intervalar robusto a outliers. Para este método são ajustados dois modelos independentes de
regressão linear com erros simétricos para os centros e as amplitudes das variáveis envolvidas.
Lima Neto, Cordeiro e De Carvalho (2011) representaram variáveis intervalares como vetores
bivariados e propuseram a regressão simbólica bivariada para dados do tipo intervalo utilizando
a teoria de modelos lineares generalizados, com funções de ligação da família exponencial
bivariada. Souza, Queiroz e Cysneiros (2011) apresentaram classificadores de padrões para
dados intervalares utilizando modelos de regressão logística para intervalos. Quatro abordagens
são analisadas e para cada uma delas, foi utilizada uma representação diferente para os intervalos.
Fagundes, Souza e Cysneiros (2013) propuseram um modelo de regressão robusta para intervalos
que trata a presença de outliers nos conjuntos de dados. Nesta abordagem, os intervalos
são modelados através de dois modelos: um que relaciona os centros e outro que relaciona
1.3. OBJETIVOS 19
as amplitudes. Ambos os modelos incorporam robustez à presença de outliers. Fagundes,

Souza e Cysneiros (2014) apresentaram modelos de regressão para intervalos via kernel. Os
modelos dependem de funções não-paramétricas relacionadas com os centros e as amplitudes
dos intervalos. Também, são exploradas as combinações destas funções com o uso de misturas.
Giordani (2015) propôs o método Lasso-IR que utiliza dois modelos de regressão: um baseado
nos centros e outro nas amplitudes das variáveis envolvidas. Os coeficientes dos modelos são
relacionados entre si por um grau de diversidade entre eles (que é um parâmetro do método).
A soma dos quadrados dos erros é minimizada pelo método do operador da redução e seleção
mínima absoluta (Lasso) (TIBSHIRANI, 1994), que, também, inclui um limite para a soma dos
valores absolutos dos coeficientes.
1.3 Objetivos
Dados intervalares multivariados podem ser interpretados como hipercubos em um
espaço multidimensional (CHAVENT, 2004). Os hipercubos apresentam uma região interna
que denota uma variação que os intervalos representam (relacionada com uma incerteza). Como
avanço nesta área, este trabalho propõe um mapeamento de intervalos para pontos que preserva a
posição espacial e a variação interna. Também é construído um algoritmo de agrupamento por
nuvens dinâmicas baseado na distância Lq híbrida que utiliza os pontos obtidos no mapeamento.
O hibridismo está relacionado ao uso de dois componentes de dissimilaridade. Um deles é
direcionado na posição espacial enquanto o outro, na variação interna. Três casos usuais da
distância Lq híbrida são analisadas: L1 híbrida, L2 híbrida e L∞ híbrida. Em outra abordagem,
são adicionados pesos para balancear cada um dos componentes no cálculo da dissimilaridade
final. E ainda são exploradas as versões adaptativas das distâncias híbridas.
Este trabalho ainda propõe um novo método de regressão linear por meio de uma
representação paramétrica para intervalos. Esta parametrização permite que o próprio modelo de
regressão encontre os melhores pontos representativos nos intervalos das variáveis regressoras,
sem que eles sejam fixados previamente, o que torna a modelagem mais geral. Além disso,
propõe-se a utilização de transformações para intervalos como mecanismo de auxílio para garantir
a coerência matemática na predição da resposta, em que os limites inferiores dos intervalos são
menores ou iguais aos superiores. No método proposto não existe suposição de distribuição
para os erros e os coeficientes da regressão são estimados utilizando o método dos mínimos
quadrados.
1.4 Metodologia
A metodologia utilizada na investigação do agrupamento e da regressão propostos
envolve a comparação deles com alguns dos métodos presentes na literatura. Para análise de
agrupamento, é utilizado o índice de Rand ajustado (HUBERT; ARABIE, 1985), que quantifica
1.5. ORGANIZAÇÃO DA TESE 20
a qualidade de uma agrupamento, dado que se conhece a partição original dos dados. Para
a regressão, é avaliada a qualidade das estimativas produzidas pelo modelo para os limites
inferiores e superiores dos intervalos, com os modelos que não assumem distribuição para os
erros. Os índices usados para isso são a magnitude relativa do erro da estimativa e a média
da magnitude relativa do erro da estimativa (KITCHENHAM et al., 2001; FOSS et al., 2003).
Para uma comparação estatística entre os resultados, são gerados intervalos de confiança não-
paramétricos com algoritmo de bootstrap (MARTINEZ; MARTINEZ, 2007; EFRON, 1979).
Dados reais, também, são analisados e comparados.
1.5 Organização da Tese

Além deste capítulo de introdução, o texto da tese é dividido em mais cinco capítulos:
Capítulo 2 - Agrupamento por Nuvens Dinâmicas para Intervalos

Este capítulo apresenta os algoritmos de nuvem dinâmica para o agrupamento de interva-
los existentes na literatura. São apresentadas as distâncias intervalares que utilizam os limites dos
intervalos (inclusive as adaptativas) para o cálculo de dissimilaridade assim como a determinação
dos melhores protótipos.
Capítulo 3 - Agrupamento por Nuvens Dinâmicas para Intervalos Baseado em Mapea-

mento Híbrido
Aqui é definido o mapeamento híbrido de intervalos para pontos que preserva a posição
espacial e a variação interna. A partir da distância Lq para pontos é construída uma distância
híbrida para intervalos. Também são incorporados pesos no hibridismo, gerando a distância Lq
híbrida com pesos, além da versão adaptativa para a distância híbrida. Para todas as distâncias são
mostrados os cálculos necessários para a determinação dos melhores protótipos como, também,
a determinação dos pesos (tanto no hibridismo como na versão adaptativa da distância). Ainda é
apresentado um algoritmo de nuvem dinâmica que utiliza estas distâncias para o agrupamento
de dados intervalares. Por fim, uma avaliação experimental é apresentada para comparação dos
métodos através de dados sintéticos e reais.
Capítulo 4 - Regressão Linear para Intervalos

Neste capítulo, são apresentados os métodos de regressão linear para variáveis intervala-
res que não assumem distribuições para os erros e que estimam os coeficientes de regressão por
meio do método dos mínimos quadrados.
Capítulo 5 - Regressão Linear com Parametrização

Este capítulo apresenta a representação parametrizada de intervalos, bem como o método
de regressão linear que determina os melhores pontos a serem utilizados na construção dos
1.5. ORGANIZAÇÃO DA TESE 21
modelos. Também é mostrada uma análise que verifica a coerência matemática dos intervalos
preditos e a discussão de situações em que a utilização de transformações intervalares se torna
necessária. A comparação do entre os métodos de regressão intervalar é realizada pela construção
de intervalos de confiança bootstrap tanto para os dados sintéticos como para os reais.
Capítulo 6 - Conclusão
Este capítulo apresenta as conclusões para os métodos de agrupamento e de regressão
propostos para os dados intervalares. Também são apresentados direcionamentos para trabalhos
futuros.
22
2
Agrupamento por Nuvens Dinâmicas para
Intervalos
O agrupamento de objetos é uma habilidade humana muito utilizada na resolução de

problemas. Com o avanço dos sistemas computacionais, tornou-se possível a automatização
desta tarefa. Algoritmos utilizam características que descrevem objetos, tentando agrupá-los de
tal forma que os elementos de um mesmo grupo apresentem semelhanças entre si e que sejam
bem diferentes de elementos contidos por outros grupos. A análise de agrupamento é utilizada
para automatização da descoberta de conhecimento, definindo estratégias e algoritmos para obter
grupos (ou classes) de conjuntos de dados. Muitas áreas do conhecimento são beneficiadas por
ela, como, por exemplo, a mineração de dados, o reconhecimento de padrões e a bioinformática
(JAIN; MURTY; FLYNN, 1999; ANDERSON, 1984; JOHNSON; WICHERN, 1982).
O agrupamento por nuvens dinâmicas (DE CARVALHO; LECHEVALLIER, 2009a,b;
DE CARVALHO; BRITO; BOCK, 2006; DE CARVALHO et al., 2006; SOUZA; DE CAR-
VALHO, 2005, 2004; GOVAERT, 1975) engloba algoritmos que dividem um conjunto em
um número pré-definido de classes, considerando a otimização de um critério. Instâncias rep-
resentativas, denominadas protótipos, condensam a informação contida pelas classes. Esta
abordagem de agrupamento inclui duas etapas iterativas: em uma, os protótipos são obtidos
(etapa de representação); na outra, as instâncias são alocadas nos respectivos grupos (etapa de
alocação). Inicialmente, uma partição aleatória do conjunto é criada, seguindo-se do passo de
representação, em que as partições são fixadas e os protótipos determinados. Em seguida, ocorre
a etapa de alocação, em que os protótipos são fixados e cada instância é atribuída ao grupo cujo
protótipo é mais próximo. Esta escolha de proximidade é feita através de funções de distância. A
convergência ocorre quando o critério a ser otimizado assume um valor estacionário.
A versão adaptativa do agrupamento por nuvens dinâmicas (DE CARVALHO;
LECHEVALLIER, 2009a,b; GOVAERT, 1975) otimiza um critério baseado na configuração dos
grupos. A única diferença é o uso de distâncias adaptativas para a quantificação da proximidade
entre instâncias e protótipos. Estas distâncias têm pesos associados à sua formulação. Cada par
formado por uma classe e uma dimensão das instâncias (par classe-dimensão) determina um peso.
2.1. DISTÂNCIAS 23
Distâncias adaptativas permitem um cálculo de dissimilaridade mais adequado para grupos com
formas mais irregulares e tamanhos heterogêneos. Assim, a medida de dissimilaridade usada tem
um alto impacto na obtenção dos grupos finais. Este fato estimula o estudo de funções de distân-
cias que exploram toda a informação que certos tipos de dados têm (JOHNSON; WICHERN,
1982; ANDERSON, 1984).
Este capítulo apresenta a fundamentação teórica para agrupamento por nuvens dinâmicas,
dividido como se segue. A Seção 2.1 apresenta a definição de distâncias bem como a formulação
da distância Lq para dados pontuais. A Seção 2.2 apresenta o critério a ser minimizado na
construção das classes do agrupamento. A Seção 2.3 revela distâncias propostas na literatura
para quantificar a dissimilaridade de dados intervalares. A Seção 2.4 descreve a construção de
distâncias adaptativas. A Seção 2.5 está relacionada com a determinação dos protótipos para
distâncias propostas na literatura. A Seção 2.6 apresenta o algoritmo completo para a realização
de agrupamento por nuvens dinâmicas para dados intervalares, utilizando algumas distâncias
existentes na literatura.
2.1 Distâncias
Para obter partições em um conjunto, é necessária a definição de uma distância que
quantifique a dissimilaridade. Ela mostra o quão estão próximos dois elementos do conjunto. O
agrupamento por nuvens dinâmicas baseia-se no nível de dissimilaridade entre instâncias e os
protótipos das classes.
Dados quaisquer três elementos xn , xm e xl de um conjunto X, uma medida de distância é
uma função φ : X × X → R+ ∪ {0}, que apresenta as seguintes propriedades (GAN; MA; WU,
2007):
I. Não negatividade
φ (xm , xn ) ≥ 0.
II. Reflexividade
φ (xm , xn ) = 0 ⇐⇒ xm = xn .
III. Comutatividade
φ (xm , xn ) = φ (xn , xm ).
IV. Desigualdade triangular
φ (xn , xm ) ≤ φ (xn , xl ) + φ (xl , xm ).
O conjunto X é arbitrário, incluindo o que contém os dados intervalares. Entretanto, pode não ser
tão simples encontrar uma função que satisfaça as propriedades de distância e que explore toda a
informação contida pelas instâncias do conjunto de interesse (ANDERSON, 1984; JOHNSON;
WICHERN, 1982).
2.2. CRITÉRIO PARA OTIMIZAÇÃO 24
A distância Lq (q ≥ 1) (DE CARVALHO; LECHEVALLIER; SOUZA, 2004; JOHNSON;

WICHERN, 1982) para dados pontuais representa uma família de distâncias, cada uma delas
é obtida fixando um valor para o parâmetro q. Considerando dois pontos p-dimensionais, ou
seja, xn ∈ R p e xm ∈ R p , tais que xn = (xn1 , xn2 , · · · , xnp ) e xm = (xm
1 2
, xm , · · · , xmp ), a distância Lq é
definida pela Equação (2.1)
p
q
dLq (xn , xm ) = ∑ |xnj − xmj |q. (2.1)
j=1
Esta distância é muito utilizada por métodos de agrupamento propostos para dados pontuais.
Esta tese apresenta um mapeamento de intervalos para pontos. Novas distâncias são definidas
para dados intervalares, baseando-se na distância Lq e no resultado do mapeamento proposto.
2.2 Critério para Otimização

Seja um conjunto Γ com N observações de instâncias intervalares p-dimensionais, tal que
Γ = {γ1 , γ2 , · · · , γn , · · · , γN }. Uma instância γn ∈ Γ tem sua representação explicitada na Equação
(2.2)
1 1 2 2 p p
γn = [γn , γ̄n ], [γn , γ̄n ], · · · , [γn , γ̄n ] , (2.2)
¯ ¯ ¯
para n = 1, 2, · · · , N. Considere uma partição P = {C1 ,C2 , · · · ,CK } do conjunto Γ, composta por
K classes. Seja gk o protótipo intervalar p-dimensional da k-ésima classe, como definido na
Equação (2.3)

gk = [g1k , ḡ1k ], [g2k , ḡ2k ], · · · , [gkp , ḡkp ] . (2.3)
¯ ¯ ¯
O agrupamento baseado em nuvens dinâmicas sobre o conjunto Γ deve minimizar o critério Jφ ,
como proposto na Equação (2.4)
K N
Jφ (Γ, P) = ∑ ∑ φ (γn, gk ) 1k,n, (2.4)
k=1 n=1
em que φ é uma função de distância e 1k,n representa a função indicadora dada pela Equação
(2.5) (
1, se γn ∈ Ck ,
1k,n = (2.5)
0, se γn 6∈ Ck .
A solução ótima para a minimização deste critério pode ser obtida por análise combinatória.
Entretanto, esta solução é computacionalmente inviável uma vez que o número de configurações
a serem testadas aumenta rapidamente com o crescimento de N (MARDIA; KENT; BIBBY,
1979; JOHNSON; WICHERN, 1982). As próximas seções discutem distâncias para dados
intervalares e a determinação de protótipos para a minimização do critério de agrupamento.
2.3. DISTÂNCIAS L1 , L2 E L∞ PARA INTERVALOS 25
2.3 Distâncias L1, L2 e L∞ para Intervalos

Seja uma instância intervalar p-dimensional γn ∈ Γ e gk o protótipo da classe Ck , como
definido na Seção 2.2. A distância L1 para intervalos (SOUZA; DE CARVALHO, 2004) é
expressa pela Equação (2.6)
np o
j j
dL1 (γn , gk ) = | j
−
∑ n ¯k n k .
γ g | + |γ̄ j
− ḡ | (2.6)
j=1 ¯
Similarmente, a distância L2 para intervalos (DE CARVALHO; BRITO; BOCK, 2006) tem sua
expressão determinada de acordo com a Equação (2.7)
p n o
dL22 (γn , gk ) =
j 2 j 2
j j
∑ |γn − g¯ k | + |γ̄n − ḡk | . (2.7)
j=1 ¯
A distância L∞ (CHAVENT; LECHEVALLIER, 2002) é dada pela Equação (2.8)

p n o
j j
dL∞ (γn , gk ) = ∑ max |γ n
j
− g k |, |γ̄ n
j
− ḡk ,| (2.8)
j=1 ¯ ¯
em que max{·, ·} corresponde a função máximo. Estas distâncias utilizam apenas os limites
(inferiores e superiores) dos intervalos.
2.4 Distâncias Adaptativas

As distâncias adaptativas especificam pesos para cada par classe-dimensão. Sejam γn ∈ Γ,
j
gk o protótipo da k-ésima classe, o peso λk que está associado à classe k e à dimensão j e φ uma
função de distância (não-adaptativa). A distância adaptativa dAφ , baseada em φ , é definida de
acordo com a Equação (2.9)
p
j j j
dAφ (γn , Gk ) = ∑ k λ φ [γ j j
,
n n γ̄ ], [g k k ,
, ḡ ] (2.9)
j=1 ¯ ¯
p
j
com λk > 0 e ∏ λkj = 1 (DE CARVALHO et al., 2006; DE CARVALHO; LECHEVALLIER,
j=1
2009a,b). A distância φ pode ser qualquer uma daquelas definidas pelas Equações (2.6), (2.7)
ou (2.8). Os pesos podem ser calculados analiticamente usando multiplicadores de Lagrange
(DE CARVALHO et al., 2006), o que resulta na Equação (2.10)
n o 1
p N h h h h p
∏h=1 ∑n=1 φ [γn , γ̄n ], [gk , ḡk ] 1k,n
j
λk = ¯ ¯ , (2.10)
N j j j j
∑n=1 φ [γn , γ̄n ], [gk , ḡk ] 1k,n
¯ ¯
2.4. DISTÂNCIAS ADAPTATIVAS 26
em que 1k,n é a função indicadora dada pela Equação (2.5). Para a classe k e a dimensão j, o
denominador da fração é a medida da dispersão intra-classe (coesão), da respectiva dimensão
e classe em relação ao protótipo Gk . O numerador é sempre constante e equivale à média
geométrica das dispersões intra-classe de todas as dimensões. Como o numerador não muda, o
j
comportamento do peso λk depende apenas do denominador. Assim, o valor do peso aumenta
quando a respectiva dispersão intra-classe diminui (os elementos da respectiva dimensão estão
muito próximos do protótipo da classe).
A distância L1 adaptativa (AL1 ) para intervalos (SOUZA; DE CARVALHO, 2004) é
descrita pela Equação (2.11)
p
j j j
dAL1 (γn , gk ) = ∑ λk |γnj − gk | + |γ̄nj − ḡk | . (2.11)
j=1 ¯ ¯
O peso da classe k e da dimensão j são computados conforme a Equação (2.12)

h i 1
p N h − gh | + |γ̄ h − ḡh | 1 p
∏ h=1 ∑ n=1 | γn k n k k,n
j
λk = ¯ ¯ . (2.12)
j j j j
∑Nn=1 |γ n − g k | + |γ̄ n − ḡk | 1k,n
¯ ¯
A distância L2 adaptativa (AL2 ) para intervalos (DE CARVALHO; BRITO; BOCK, 2006) é
definida pela Equação (2.13)
p
∑ λkj |γnj − gk |2 + |γ̄nj − ḡk |2 ,
j j
dAL2 (γn , gk ) = (2.13)
j=1 ¯ ¯
cujos pesos são determinados pela Equação (2.14)

h i 1
p N h h 2 h
|γn − gk | + |γ̄n − ḡk | 1k,nh 2 p
∏h=1 ∑ n=1
j
λk = ¯ ¯ . (2.14)
j j 2 j j 2
∑N
n=1 |γ n − g k | + |γ̄ n − ḡk | 1 k,n
¯ ¯
A distância L∞ adaptativa (AL∞ ) (DE CARVALHO et al., 2006) é dada pela Equação (2.15)
p n o
j j j
dAL∞ (γn , gk ) = ∑ k λ max |γ n
j
− g k |, |γ̄ n
j
− ḡk .| (2.15)
j=1 ¯ ¯
Seus pesos são calculados pela Equação (2.16)

h n o i 1
p p
N
∏h=1 ∑n=1 max |γ h − gh |, |γ̄ h − ḡh | 1
n k n k k,n
j
λk = n ¯ ¯ o . (2.16)
j j j j
∑n=1 max |γn − gk |, |γ̄n − ḡk | 1k,n
N
¯ ¯
2.5. PROTÓTIPOS 27
2.5 Protótipos
Os representantes das classes, os protótipos, dependem da distância escolhida para a
realização do agrupamento. Quando a soma de todas as distâncias dos elementos da classe ao
respectivo protótipo é minimizada, tem-se a melhor representação. Souza e De Carvalho (2004)
mostraram que o melhor protótipo intervalar, quando a distância L1 é usada, equivale à mediana
dos limites (inferiores e superiores) dos intervalos alocados na classe de interesse. Desta forma,
considerando todos os elementos intervalares que pertencem à classe Ck , seu protótipo pode ser
calculado a partir da Equação (2.17)
n o
j j
gk = Me γnj e ḡk = Me γ̄nj , (2.17)
¯ γn ∈Ck ¯ γn ∈Ck
n o
em que Me γnj e Me γ̄nj são, respectivamente, as medianas dos limites inferiores e
γn ∈Ck ¯ γn ∈Ck
superiores dos intervalos da j-ésima dimensão das instâncias alocadas na classe Ck .
De Carvalho, Brito e Bock (2006) apresentaram a média dos limites dos intervalos como
o melhor protótipo quando a distância L2 é utilizada em agrupamento. Assim, o protótipo é
determinado conforme a Equação (2.18)
j 1 N j
j 1 N
gk = ∑ γ 1
n k,n e ḡ k = ∑ γ̄nj 1k,n , (2.18)
¯ |Ck | n=1 ¯ |Ck | n=1
em que |Ck | denota o número de elementos presentes na classe Ck .

De Carvalho et al. (2006) consideraram o uso dos centros e das amplitudes dos intervalos
para encontrar protótipos associados com a distância L∞ . Deste modo, dados o elemento γn e a
dimensão j, o centro do intervalo é determinado por mnj = (γnj + γ̄nj )/2 e a metade da amplitude
¯
é dada por lnj = (γ̄nj − γnj )/2. A dimensão j do protótipo da classe Ck é dada pela Equação (2.19)
¯
j j
gk = Me {mnj } − Me {lnj } e ḡk = Me {mnj } + Me {lnj }, (2.19)
¯ γn ∈Ck γn ∈Ck γn ∈Ck γn ∈Ck
onde Me {mnj } e Me {lnj } são, respectivamente, as medianas dos centros e das metades das
γn ∈Ck γn ∈Ck
amplitudes dos intervalos da j-ésima dimensão das instâncias alocadas na classe Ck .
As distâncias adaptativas têm os mesmo protótipos obtidos pela minimização das não-
adaptativas correspondentes. As versões adaptativas das distâncias intervalares L1 , L2 e L∞
apresentam os mesmos protótipos que L1 , L2 e L∞ , respectivamente (DE CARVALHO; BRITO;
BOCK, 2006; DE CARVALHO et al., 2006; SOUZA; DE CARVALHO, 2004).
2.6. ALGORITMO 28
2.6 Algoritmo
O Algoritmo 1 apresenta um resumo dos passos a serem executados para a realização de
agrupamento por nuvens dinâmicas. Ele engloba as abordagens não-adaptativa e adaptativa para
as distâncias intervalares.
Algoritmo 1 Algoritmo de agrupamento por nuvens dinâmicas para dados intervalares utilizado
distâncias não-adaptativas e adaptativas
Entrada Conjunto Γ (como definido na seção 2.2); Número de classes K; Distância φ ;
Saída Uma partição, composta por K classes (Ck , com 1 ≤ k ≤ K), que divide o conjunto Γ;
1: Atribua, de forma aleatória, os elementos de Γ às classes;
2: Encontre os melhores protótipos para as classes, utilizando a partição atual e a distância φ ;
3: Se (a distância é adaptativa) Então
4: Calcule os pesos adaptativos usando a Equação adequada ((2.12), (2.14) ou (2.16));
5: Fim Se
6: mudou ← falso;
7: Para n=1:N Faça
8: Catual ← classe em que o elemento γn está alocado;
9: Cnovo ← classe cujo protótipo é mais próximo de γn (de acordo com a distância φ );
10: Se (Catual 6= Cnovo ) Então
11: Mude a classe de γn para Cnovo ;
12: mudou ← verdadeiro;
13: Fim Se
14: Fim Para
15: Se (mudou é igual a verdadeiro) Então
16: Volte ao passo 2;
17: Fim Se
A implementação do Algoritmo 1 na linguagem C++ pode ser encontrada no Apêndice I.

29
3
Agrupamento por Nuvens Dinâmicas para
Intervalos Baseado em Mapeamento Híbrido
Várias distâncias são propostas na literatura para a realização de agrupamento de da-

dos intervalares utilizando nuvens dinâmicas (DE CARVALHO; LECHEVALLIER, 2009a,b;
DE CARVALHO; BRITO; BOCK, 2006; DE CARVALHO et al., 2006; DE CARVALHO;
LECHEVALLIER; SOUZA, 2004; CHAVENT; LECHEVALLIER, 2002; VERDE; DE CAR-
VALHO; LECHEVALLIER, 2000). Todas elas utilizam os limites inferiores e superiores dos
intervalos em suas formulações, esta abordagem compacta ignora informações presentes no
interior dos intervalos. Este capítulo apresenta uma família de distâncias, que usa a variação
de informação contida entre os limites dos intervalos, para serem utilizadas em algoritmos
de agrupamento por nuvens dinâmicas para dados intervalares. Desta forma, propõe-se um
mapeamento de intervalos para pontos que preserva a posição espacial e a variação no interior
dos intervalos. Estes dois componentes são combinados em uma distância híbrida, denominada
Lq híbrida, e três casos usuais para os valores de q são analisados: L1 híbrida, L2 híbrida e L∞
híbrida. Além disso, adota-se uma abordagem em que pesos são aplicados nos componentes,
alterando a contribuição deles no cálculo da dissimilaridade final, gerando a distância Lq híbrida
com pesos. Também é discutida a abordagem com a distância Lq híbrida adaptativa, em que são
propostos pesos para ponderar cada par classe-dimensão.
A Seção 3.1 propõe o mapeamento de intervalos para pontos que preserva a posição
espacial e a variação interna. A Seção 3.2 constrói distâncias híbridas, baseadas na distância
Lq para pontos, utilizando o mapeamento proposto. Além disso, descrevem-se as versões
adaptativas e com pesos no hibridismo, assim como a determinação dos melhores protótipos para
as partições, dependendo do valor do parâmetro q, escolhido para a distância híbrida. Por fim,
exibe o algoritmo de agrupamento por nuvens dinâmicas para distâncias híbridas. A Seção 3.3
apresenta uma métrica de avaliação dos métodos, o algoritmo bootstrap para a construção de
intervalos de confiança não-paramétricos e os intervalos de confiança para as médias dos índices
para as distâncias propostas e aquelas da literatura. As comparações são realizadas em dados
sintéticos e reais.
3.1. MAPEAMENTO HÍBRIDO 30
3.1 Mapeamento Híbrido

Um dado intervalar tem um tipo de informação extra que não se verifica em pontos. Ela
está associada com a variação que os intervalos representam. Uma forma de capturar este tipo de
informação é usando vetores diagonais para os intervalos multidimensionais. Eles representam
a variação completa entre os valores mínimo e máximo. Para uma instância intervalar γn de
dimensão p, definimos o vetor p-dimensional vn , conforme apresentado na Equação (3.1)
vn = (γ̄n1 , · · · , γ̄np ) − (γn1 , · · · , γnp ) = (γ̆n1 , · · · , γ̆np ), (3.1)

¯ ¯
em que γ̆nj é a amplitude do intervalo da j-ésima dimensão. A Figura 3.1 apresenta três instâncias
intervalares 2-dimensionais e seus respectivos vetores diagonais. Nota-se, por análise gráfica,
que um vetor caracteriza o formato da instância intervalar correspondente.
Figura 3.1: Exemplos de instâncias intervalares e seus vetores diagonais.
Fonte: do autor
Apenas a variação interna não é suficiente para se obter uma dissimilaridade entre
intervalos, uma vez que ela corresponde ao formato deles. A posição espacial é incorporada
e, neste caso, usamos os limites inferiores de todas as dimensões. Desta forma, propõe-se o
mapeamento de uma instância intervalar p-dimensional em dois pontos p-dimensionais. Um deles
está relacionado com a posição espacial dos intervalos, que corresponde aos limites inferiores
de todas as dimensões envolvidas; o outro representa a informação interna, definida pelo vetor
diagonal, como proposto na Equação (3.1).
Definição 3.1. Para uma instância intervalar p-dimensional γn (como definido pela Equação
(2.2)), o mapeamento híbrido, representado por M, que preserva sua posição espacial e sua
variação interna, gera um ponto e um vetor, ambos p-dimensionais, é descrito pela Equação
(3.2)
([γn1 , γ̄n1 ], · · · , [γnp , γ̄np ]) → {(γn1 , · · · , γnp ), (γ̆n1 , · · · , γ̆np )}. (3.2)
¯ ¯ M ¯ ¯
Como dois componentes distintos são obtidos pelo mapeamento M, um ponto e um vetor, existe
um hibridismo. A álgebra linear nos permite trabalhar com vetores como se eles fossem pontos
3.2. DISTÂNCIA LQ HÍBRIDA PARA INTERVALOS 31
quando distâncias estão envolvidas. No domínio vetorial, distâncias Lq são denominadas de

normas de vetores Lq (MEYER, 2000), e ambas têm as mesmas expressões. Como não existe
diferença de tratamento, quando distâncias e normas estão envolvidas, para evitar confusão, os
vetores diagonais são interpretados como pontos multidimensionais. O mapeamento proposto é
bijetivo, ou seja, a partir dos pontos mapeados é possível se obter o intervalo original.
Definição 3.2. O mapeamento híbrido inverso, representado por M −1 , é realizado como

descrito pela Equação (3.3)
{(γn1 , · · · , γnp ), (γ̆n1 , · · · , γ̆np )} → ([γn1 , γn1 + γ̆n1 ], · · · , [γnp , γnp + γ̆np ]). (3.3)
¯ ¯ M −1 ¯ ¯ ¯ ¯
3.2 Distância Lq Híbrida para Intervalos

Uma família de distâncias intervalares é proposta a partir do mapeamento híbrido de
instâncias intervalares multidimensionais, duas distâncias são geradas, cada uma corresponde a
um ponto do mapeamento. Elas são combinadas de forma aditiva para compor a dissimilaridade
final, uma é relacionada com a posição espacial enquanto a outra se refere à variação interna.
Considere γn uma instância intervalar p-dimensional e gk como o protótipo da classe Ck .
Definição 3.3. A distância Lq híbrida (HLq ) entre γn e gk é definida como na Equação (3.4)
p p
j j
dHLq (γn , gk ) = ∑ |γnj − g¯ k |q + ∑ |γ̆nj − ğk |q
j=1 ¯ j=1
p
j q j q
j j
= ∑ |γn − gk | + |γ̆n − ğk | . (3.4)
j=1 ¯ ¯
Proposição 3.1. As propriedades de distância apresentadas na Seção 2.1 são satisfeitas pela
distância HLq .
Demonstração 3.1. A demonstração é apresentada no Apêndice A.
Tem-se que dHLq (γn , gk ) = dLq ((γn1 , · · · , γnp ), (g1k , · · · , gkp ))+dLq ((γ̆n1 , · · · , γ̆np )), (ğ1k , · · · , ğkp )). Como
q q
¯ ¯ ¯ ¯
a distância Lq é não negativa, conclui-se que dHLq (γn , gk ) ≥ dLq ((γn1 , · · · , γnp ), (g1k , · · · , gkp )). As-
q
¯ ¯ ¯ ¯
sim, a distância HLq sempre é maior ou igual à distância Lq dos limites inferiores dos intervalos
envolvidos. Um caso particular ocorre quando os intervalos colapsam em pontos. A distância

HLq produz o mesmo resultado que a Lq aplicada aos respectivos pontos. Isto ocorre porque a
variação interna é 0.
Definição 3.4. A distância HLq adaptativa (AHLq ) é construída substituindo a Equação (3.4)
na Equação (2.9). Sua expressão é dada pela Equação (3.5)
p
dAHLq (γn , gk ) = ∑ λkj j j
|γnj − gk |q + |γ̆nj − ğk |q .
¯
(3.5)
j=1 ¯
Os pesos da distância AHLq são calculados da Equação (2.10) com φ igual à versão unidimen-
j j j j
sional da distância HLq , ou seja, φ ([γnj , γ̄nj ], [gk , ḡk ]) = |γnj − gk |q + |γ̆nj − ğk |q . A Equação (3.6)
¯ ¯ ¯ ¯
apresenta o cálculo dos pesos adaptativos da distância AHLq
h i 1
p N h − gh |q + |γ̆ h − γ̆ h |q 1 p
∏h=1 ∑ n=1 | γ n k n k k,n
j
λk = ¯ ¯ . (3.6)
N j j q j j q
∑n=1 |γ n − g k | + |γ̆ n − ğk | 1 k,n
¯ ¯
3.2.1 Casos Usuais

As distâncias usuais são obtidas fixando o valor de q na distância HLq , definida pela
Equação (3.4). Elas são definidas quando q assume os valores 1, 2 ou ∞.
Definição 3.5. A distância L1 híbrida (HL1 ) ocorre quando o parâmetro q da distância HLq
é igual a 1, sendo expressa pela Equação (3.7)
p
j j
j j
dHL1 (γn , gk ) = ∑ |γn − gk | + |γ̆n − ğk | . (3.7)
j=1 ¯ ¯
Definição 3.6. A distância L2 híbrida (HL2 ) é obtida a partir da distância HLq quando q = 2.
Sua formulação é apresentada na Equação (3.8)

p
j 2 j 2
j j
dHL2 (γn , gk ) = ∑ |γn − gk | + |γ̆n − ğk | . (3.8)
j=1 ¯ ¯
p
Quando q → ∞, q Lq converge para a função máximo, que é aplicada em todas as
dimensões envolvidas. A distância L∞ se origina deste limite (ANDERSON, 1984; GAN; MA;
WU, 2007). De modo similar, isto pode ser estendido para o mapeamento para construir a
distância L∞ híbrida (HL∞ ) explicitada pela Equação (3.9).
Definição 3.7. Aplicando o limite quando q → ∞ na Equação (3.4), a distância HL∞ é

especificada pela Equação (3.9)
p j p j
dHL∞ (γn , gk ) = max{|γnj − gk |} + max{|γ̆nj − ğk |}, (3.9)
j=1 ¯ ¯ j=1
em que max{·} é a função máximo.
As distâncias HL1 , HL2 e HL∞ têm expressões diferentes, quando comparadas com as
distâncias L1 , L2 e L∞ , propostas na literatura, apresentadas, respectivamente, nas Equações (2.6),
(2.7) e (2.8). A maior diferença é observada na distância HL∞ , em que o máximo é aplicado
de forma independente para a posição espacial e para a variação interna (considerando todas
as dimensões) e existe uma simples soma. A distância L∞ aplica a função máximo para cada
dimensão, usando os limites do intervalo, depois soma todos os resultados.
3.2.2 Casos Usuais Adaptativos

Os casos usuais da distância HLq são obtidos fixando o devido valor do parâmetro q
como 1, 2 ou ∞, na formulação geral, especificada na Equação (3.5).
Definição 3.8. A distância HL1 adaptativa (AHL1 ) ocorre quando q = 1 na Equação (3.5).
Sua expressão é explicitada pela Equação (3.10)
p
j j j
dAHL1 (γn , gk ) = ∑ λk j j
|γn − gk | + |γ̆n − ğk | . (3.10)
j=1 ¯ ¯
Definição 3.9. A distância HL2 adaptativa (AHL2 ) quando q = 2 na Equação (3.5). A

Expressão é especificada pela Equação (3.11)
p
|γnj − gk |2 + |γ̆nj − ğk |2 .
j j j
dHL2 (γn , gk ) = ∑ λk (3.11)
j=1 ¯ ¯
Os pesos das distâncias AHL1 e AHL2 podem ser calculados da Equação (3.6), com o 1 e 2,
como os valores de q, respectivamente.
Como a distância HL∞ possui uma formulação diferente, que não corresponde àquela
proposta na literatura de distâncias adaptativas, não é possível construir uma versão adaptativa
para ela. Isto ocorre porque as dimensões de HL∞ não são separáveis, como ocorre nas outras
distâncias.
3.2.3 Distância HLq com Pesos no Hibridismo

A combinação aditiva de dois componentes pode ser feita com a ponderação deles. Pesos
ajustam a importância de cada componente na quantificação da dissimilaridade final. Como
eles ponderam o hibridismo, são denominados pesos híbridos. A cada par classe-dimensão são
propostos dois pesos, um deles pondera a posição espacial, o outro pondera a variação interna.
Definição 3.10. A distância HLq com pesos (WHLq ) (para q ≥ 1 e q 6= ∞) é proposta como
na Equação (3.12)
p
j t j j q j t j j q
dW HLq (γn , Gk ) = (w )
∑ k,1 n ¯ k |γ − g | + (wk,2 ) |γ̆n − ğ k | , (3.12)
j=1 ¯
j j j j
com as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[.
Os valores dos pesos híbridos são determinados utilizando o método dos multiplicadores de
j j
Lagrange. Assim, wk,1 e wk,2 são, respectivamente, os pesos da posição espacial e da variação
interna. O parâmetro t relaciona o cálculo dos pesos sob a perspectiva de programação não-linear
e deve ser definido previamente. Com t ∈]1, ∞[, garante-se a integridade dos resultados obtidos
com os multiplicadores de Lagrange.
Proposição 3.2. Fixando a classe Ck e a dimensão j, os pesos do hibridismo da distância

j j j j j j
W HLq (wk,1 e wk,2 ), sob as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[, são
calculados utilizando multiplicadores de Lagrange. Sejam
N N
j j j q j j j q
ξk,1 = |
∑ n ¯k
γ − g | 1k,n e ξ k,2 = |
∑ n kγ̆ − ğ | 1k,n .
n=1 ¯ n=1
Os pesos do hibridismo são determinados por

 −1  −1
j ! t−1 j ! t−1
1 1
j  ξk,1  j  ξk,2 
wk,1 = 1 + j  e wk,2 = 1 + j  . (3.13)
ξk,2 ξk,1
Demonstração 3.2. A demonstração é apresentada no Apêndice B.
Definição 3.11. A distância HL∞ com pesos (WHL∞ ) é proposta pela Equação (3.14)
p j p j
dW HL∞ (γn , gk ) = (wk,1 )t max{|γnj − gk |} + (wk,2 )t max{|γ̆nj − ğk |}, (3.14)
j=1 ¯ ¯ j=1
com as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[.
Proposição 3.3. Fixando a classe Ck , os pesos do hibridismo da distância W HL∞ são calcula-
dos utilizando o método dos multiplicadores de Lagrange, com as restrições: wk,1 + wk,2 = 1;
wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[. Sejam
N N p
p j j
ξk,1 = ∑ max{|γn − gk |} 1k,n e ξk,2 = ∑ max{|γ̆n − ğk |} 1k,n .
j j
n=1 j=1 ¯ ¯ n=1 j=1
Os pesos do hibridismo são calculados pelas expressões

" 1 #−1
t−1 " 1 #−1
t−1
ξk,1 ξk,2
wk,1 = 1 + e wk,2 = 1 + . (3.15)
ξk,2 ξk,1
Demonstração 3.3. A demonstração é apresentada no Apêndice C.
1 1
1 ξk,2 t−1 ξk,1 t−1
Quando t → ∞, o valor de → 0. Desta forma, as expressões , ,
t −1 ξk,1 ξk,2
j ! j !
1 1
ξk,2 t−1 ξk,1 t−1 1
e tendem a 1. Em consequência, os pesos no hibridismo tendem a .
j
ξk,1
j
ξk,2 2
Assim, à medida que o valor de t aumenta o pesos tendem a ficar estabilizados, dando iguais
importâncias às posições espaciais e às variações internas dos intervalos. Por outro lado, se
1
t → 1+ (tende a 1 pela direita), o valor de → ∞ e dois resultados são possíveis. Se
t −1
j ! t−1
1
t−1
1
j j ξk,1 ξ k,1
ξk,1 > ξk,2 ou ξk,1 > ξk,2 , as expressões e j
tendem a ∞, em consequência,
ξk,2 ξ k,2
j j
wk,1 ewk,1 tendem a 1. Pelo mesmo raciocínio, wk,2 e wk,2 tendem
a 0. Os pesos no hibridismo
se comportam opostamente à medida que o valor do parâmetro t se aproxima de 1. Este último
comportamento é o mais desejável para o cálculo dos pesos uma vez que isto implica em
contribuições diferentes para cada uma das componentes. Assim, sugere-se o uso de valores
baixos para o parâmetro t.
3.2.4 Determinação dos Protótipos

Os protótipos têm um papel chave no agrupamento por nuvens dinâmicas. Eles são
usados, diretamente, para minimizar o critério do agrupamento. Para alguns valores de q, existem
soluções analíticas para os protótipos associados às distâncias HLq , AHLq e WHLq . Para os
outros valores de q, métodos numéricos devem ser utilizados.
Proposição 3.4. Fixando a classe Ck e a dimensão j, o protótipo para as distâncias HL1 e

HL∞ têm a mesma solução analítica, determinada pelas expressões
n o
j j j
gk= Me γnj e ḡk = gk + Me γ̆nj , (3.16)
¯ γn ∈Ck ¯ ¯ γn ∈Ck
sendo Me{·} a mediana.
Demonstração 3.4. A demonstração é apresentada no Apêndice D.
Proposição 3.5. Fixando a classe Ck e a dimensão j, o protótipo da distância HL2 tem uma
solução analítica. Ele é obtido pelas expressões
j 1 N j
j j 1 p
gk = ∑ γ n 1k,n e ḡk = gk + ∑ γ̆nj 1k,n , (3.17)
¯ |Ck | n=1 ¯ ¯ |Ck | j=1
em que |Ck | corresponde ao número de instâncias alocadas na classe Ck .
Demonstração 3.5. A demonstração é apresentada no Apêndice E.
Proposição 3.6. Fixando a classe Ck e a dimensão j, o protótipo da distância HLq (quando

q > 1 e q 6= ∞) pode ser calculado usando o método numérico de Newton-Raphson. Sejam
j j
os conjuntos Lk = {γnj |γn ∈ Ck } e Rk = {γ̆nj |γn ∈ Ck }, o Algoritmo 2 explica como determinar
¯ j j
os componentes do protótipo: γk e ğk . sgn(·) denota a função sinal, definida pela Equação
¯
(3.18) (
1, se x ≥ 0
sgn(x) = (3.18)
−1, caso contrário.
Algoritmo 2 Encontra a dimensão j do protótipo da classe Ck para a distância HLq

Entrada conjunto Lkj (para a posição espacial) ou o conjunto Rkj (para a informação interna); ε > 0;
e q > 1;
Saída gkj ou ğkj ;
¯ j j
1: X ← Lk ou Rk , de acordo com termo de interesse;
2: Ordene o conjunto X em ordem crescente, gerando X = {x1 , · · · , x|Ck | }, com xi ≤ xi+1 ;
3: v0 ← (x1 + x|Ck | )/2;
|Ck |
4: Defina a função f1 (v) = −q ∑ |xi − v|q−1 · sgn(xi − v);
i=1
|Ck |
5: Defina a função f2 (v) = q(q − 1) ∑ |xi − v|q−2 ;
i=1
6: i ← 0;
7: Repita
8: i ← i + 1;
f1 (vi−1 )
9: vi ← vi−1 − ;
f2 (vi−1 )
10: Até (|vi − vi−1 | < ε)
j
11: Se (Lk é usada) Então
12: gkj ← vi
¯
13: Senão
14: ğkj ← vi
15: Fim Se
Demonstração 3.6. A demonstração é apresentada no Apêndice F.
A implementação do Algoritmo 2 na linguagem C++ pode ser encontrada no Apêndice I. Os

limites superiores são obtidos por meio do mapeamento inverso, como apresentado na Equação
j j j
(3.3) resultando em ḡk = gk + ğk , para j = 1, · · · , p.
¯
Proposição 3.7. Fixando a classe Ck , a dimensão j e o parâmetro q, para q ≥ 1, o protótipo

das distâncias W HLq e AHLq é determinado de acordo com um dos três casos:
1. Se q = 1 ou q = ∞, o protótipo tem uma solução analítica dada por
n o
j j j
gk= Me γnj e ḡk = gk + Me γ̆nj ,
em que Me{·} é a mediana.
2. Se q = 2, o protótipo tem uma solução analítica expressa por
j 1 N j
j j 1 N
gk= ∑ γn 1k,n e ḡk = gk + ∑ γ̆nj 1k,n ,
¯ |Ck | n=1 ¯ ¯ |Ck | n=1
3.3. AVALIAÇÃO EXPERIMENTAL 38
em que |Ck | é o número de instâncias alocadas na classe Ck .
3. Se q 6= 1, q 6= 2 e q 6= ∞, o método numérico de Newton-Raphson deve ser usado,

j j
como descrito no Algoritmo 2. Os conjuntos Lk = {γnj |γn ∈ Ck } e Rk = {γ̆nj |γn ∈ Ck }
¯j j
são manipulados por ele, resultando nos valores de gk e ğk , respectivamente. O limite
¯ j j j
superior do protótipo é obtido por meio do mapeamento inverso tal que ḡk = gk + ğk ,
¯
como proposto na Equação (3.3).
Demonstração 3.7. A demonstração é apresentada no Apêndice G.
3.2.5 Agrupamento por Nuvens Dinâmicas para Distâncias Híbridas

O algoritmo de agrupamento por nuvens dinâmicas clássico (como mostrado no Algo-
ritmo 1) deve ser adaptado para processar distâncias com pesos no hibridismo. O Algoritmo 3
mostra as etapas para a realização de agrupamento por nuvens dinâmicas para dados intervalares
utilizando distâncias híbridas, incluindo as versões com pesos adaptativos e pesos no hibridismo.
3.3 Avaliação Experimental

Esta seção apresenta os resultados obtidos usando o agrupamento por nuvens dinâmicas
com distâncias híbridas. O agrupamento é aplicado em dados sintéticos e reais. As distâncias
intervalares propostas na literatura são comparadas com as híbridas, quanto a configuração das
classes produzidas por cada uma delas. Figuras e tabelas apresentam índices que revelam a
qualidade dos agrupamentos obtidos por cada distância intervalar.
3.3.1 Validação Bootstrap

O bootstrap (MARTINEZ; MARTINEZ, 2007; DAVISON; HINKLEY, 1997; EFRON;
TIBSHIRANI, 1993) é uma técnica computacional que estima valores para parâmetros popula-
cionais. Ele possibilita flexibilidade, rapidez e menos suposições na determinação de estimativas,
além de poder ser aplicado a qualquer tipo de estimador, por mais complicada que seja a sua
determinação, possibilitando a estimação de viés, de erros de predição e intervalos de confiança.
Seja um conjunto Φ = {r1 , r2 , · · · , rh }. Considere B amostras independentes {Φ∗1 , Φ∗2 , · · · ,
Φ∗B }, do conjunto Φ, todas de tamanho h, geradas aleatoriamente e com repetição. Cada amostra
Φ∗b , com b = 1, · · · , B, tenta reproduzir a ocorrência do conjunto original Φ. Dada uma estatís-
tica s(·), o bootstrap baseia-se na teoria de probabilidade para possibilitar inferências sobre Φ,
utilizando a estatística s(·) e o conjunto de amostras independentes gerado.
Algoritmo 3 Algoritmo de agrupamento por nuvens dinâmicas para dados intervalares, usando
distâncias híbridas
Entrada Conjunto Γ (como definido na seção 2.2); Número de classes: K; Distância híbrida HLq (não-
adaptativa ou adaptativa; com ou sem pesos no hibridismo); Parâmetro t para distâncias com pesos no
hibridismo;
Saída Uma partição, composta por K classes (Ck , com 1 ≤ k ≤ K), que divide o conjunto Γ;
1: Atribua, aleatoriamente, as instâncias de Γ para as classes;
2: Se (q = 1) ou (q = ∞) Então
3: Encontre os protótipos das classes de acordo com a partição atual, usando a Equação (3.16);
4: Senão Se (q = 2) Então
5: Encontre os protótipos das classes de acordo com a partição atual, usando a Equação (3.17);
6: Senão
7: Encontre os protótipos das classes de acordo com a partição atual, usando o Algoritmo 2;
8: Fim Se
9: Se (a distância tem pesos no hibridismo) Então
10: Se (q 6= ∞) Então
11: Calcule os pesos do hibridismo usando a Equação (3.13);
12: Senão
13: Calcule os pesos do hibridismo usando a Equação (3.15);
14: Fim Se
15: Senão Se (a distância é adaptativa) Então
16: Calcule os pesos adaptativos usando a Equação (3.6);
17: Fim Se
18: Para n=1:N Faça
19: Catual ← classe em que γn está alocada;
20: Cnovo ← classe cujo protótipo é o mais próximo de γn (de acordo com a distância escolhida);
21: Se (Catual 6= Cnovo ) Então
22: Aloque γn na classe Cnovo ;
23: Fim Se
24: Fim Para
25: Se (alguma classe foi alterada) Então
27: Fim Se
Considere uma estimativa θ̂ = s(Φ), para um parâmetro θ do conjunto Φ. Réplicas

bootstrap da estatística s(·) são obtidas aplicando-a a cada amostra bootstrap, gerando o conjunto
{θ̂ ∗1 , θ̂ ∗2 , · · · , θ̂ ∗B }, em que θ̂ ∗b = s(Φ∗b ), com b = 1, · · · , B. A estimativa bootstrap do erro
padronizado (se), ˆ equivalente ao desvio padronizado das replicações bootstrap, e é dado na
Equação (3.19)
" #1
2
1 B
∗b 2
ˆ=
se ∑ (θ̂ − µ(θ̂ )) , (3.19)
B − 1 b=1
1 B ∗b
em que µ(θ̂ ) = ∑ θ̂ . À medida que o valor de B cresce, a distribuição de θ̂ se aproxima
B b=1
ainda mais de uma normal com média próxima a θ e variância próxima de se ˆ 2 , ou seja, θ̂ ∼
ˆ 2 ). O intervalo de confiança padronizado para θ é calculado conforme apresentado na
N(θ , se
Equação (3.20)
[θ̂ − z(1−α/2) se,
ˆ θ̂ + z(1−α/2) se]
ˆ (3.20)
em que z(1−α/2) indica o ponto que equivale ao percentil 100 · (1 − α/2) da distribuição normal
com média 0 e variância 1, N(0, 1). O valor α é o nível de significância.
Uma outra abordagem para a construção de intervalos de confiança se baseia no percentis
da distribuição bootstrap de uma estatística. Isto representa uma generalização quando se
compara com intervalos de confiança construídos pela Normal padronizada. Para isso, os
percentis da distribuição acumulada (G) formada pelas réplicas bootstrap da estatística são
utilizados. O intervalo de percentis com α% de confiança é definido pelos percentis α/2 e
(1 − α/2) de G. Por definição, G−1 (α) = θ̂ ∗(α) , assim, o intervalo de confiança a partir dos
percentis da distribuição bootstrap para θ é dada na Equação (3.21)
[G−1 (α/2), G−1 (1 − α/2)] = [θ̂ ∗(α/2) , θ̂ ∗(1−α/2) ]. (3.21)
A comparação dos resultados se baseia na média de índices de desempenho. Assim, a

construção de intervalos de confiança para a média utilizando a proposta descrita pelo bootstrap,
deve seguir os passos seguintes. Seja o conjunto Φ = {r1 , r2 , · · · , rh } um conjunto de valores
reais. Um intervalo de confiança para a média de Φ é obtido com B replicações de Φ, todas
de tamanho h, construídas aleatoriamente e com reposição. Para cada replicação, a média é
calculada. As médias obtidas são ordenadas em ordem crescente. Com nível um de confiança
(1 − α) · 100% (com 0α ≤α ≤ 1), ointervalo
de confiança é construído pelas médias relativas
α
aos índices round B · e round B · 1 − da ordenação (correspondem aos percentis
2 2
bootstrap para os limites do intervalo). O Algoritmo 4 apresenta os passos para a construção de
intervalos de confiança utilizando os percentis bootstrap.
Algoritmo 4 Construção de intervalo de confiança usando bootstrap

Entrada Conjunto Φ = {r1 , r2 , · · · , rh } de valores reais; O número de amostras bootstrap: B; O erro de
confiança: α, com 0 ≤ α ≤ 1;
Saída Intervalo de confiança: [c, c̄].
¯
1: Para b=1:B Faça
2: amostrab ← uma amostra de Φ, com reposição e tamanho h;
3: mb ← média de amostrab ;
4: Fim Para
5: Ordene as médias
m1 , m2 , · · · , mB em ordem crescente;
α
6: z ← round B · ;
2 α
7: w ← round B · 1 − ;
2
8: c ← mz ;
¯
9: c̄ ← mw ;

Um intervalo de confiança é formado por um conjunto de valores que um determinado

parâmetro pode assumir, dado um erro fixado e controlado. Considere dois intervalos de confiança
bootstrap c1 e c2 , construídos para as médias µ1 e µ2 de dois conjuntos Φ1 e Φ2 . Testes de
hipóteses relacionados com estas médias podem ser analisados através dos intervalos construídos.
Caso o valor presente na hipótese nula não esteja presente no intervalo, ela deve ser rejeitada.
Por exemplo, considere o teste (
H0 : µ1 = µ2
. (3.22)
H1 : µ1 6= µ2
Caso os intervalos c1 e c2 se interceptem, então não se rejeita H0 , pois existem valores satisfeitos
pela hipótese dentro dos intervalos. Por outro lado, se eles não se interceptam, rejeita-se H0
(EFRON; TIBSHIRANI, 1993).
O relacionamento que existe entre intervalos de confiança e testes de hipóteses facilita
a comparação das médias de medidas de desempenho quando vários métodos são analisados
simultaneamente. Se os intervalos se interceptam, as médias são consideradas iguais. Se todos
os valores do intervalo c1 são maiores que todos os valores do intervalo c2 conclui-se que
µ1 > µ2 . Assim, os resultados simulados deste trabalho são apresentados através de intervalos de
confiança construídos a partir dos percentis bootstrap provenientes de distribuições de medidas
de desempenho, aplicadas na avaliação dos métodos presentes na literatura e aqui propostos.
3.3.2 Avaliação da Qualidade do Agrupamento

Para avaliar a qualidade do resultado do agrupamento é usado o índice de Rand ajustado
(IRA) (HUBERT; ARABIE, 1985). O IRA é um índice que mede a similaridade entre uma par-
tição conhecida e outra obtida por um método de agrupamento. Sejam U = {u1 , · · · , ui , · · · , uR }
e V = {v1 , · · · , v j , · · · , uQ } duas partições de um mesmo conjunto, com R e Q classes, respectiva-
mente. O valor do IRA é calculado de acordo com a Equação (3.23)
Q n n−1 R n Q n
∑Ri=1 ∑ j=1 2i j − 2 ∑i=1 2i ∑ j=1 2j
IRA = h i , (3.23)
1 ni Q n j −1 R ni Q n j
2 ∑R
i=1 2 + ∑ j=1 2 − n2 ∑i=1 2 ∑ j=1 2

n n(n − 1)
sendo = , ni j é o número de instâncias simultaneamente alocadas nos grupos ui e
2 2
v j , ni e n j são, respectivamente, o número de instâncias dos grupos ui e v j e n é o número de
instâncias de todo o conjunto.
Os valores do IRA variam no intervalo [−1, 1]. O valor 1 mostra que as partições U
e V são as mesmas. Valores próximos a 1 indicam uma forte concordância entre as partições
comparadas. Entretanto, valores próximos a 0, ou negativos, indicam a não concordância entre
as partições. Assim, o agrupamento apresenta um melhor desempenho à medida que o valor do
IRA aumenta.
3.3.3 Dados intervalares sintéticos

Oito configurações são consideradas para a geração dos dados intervalares sintéticos. Para
todas essas configurações, são sorteados valores aleatórios para os centros e para as amplitudes
dos intervalos. As configurações apresentam três classes, duas são elípticas (com 150 elementos),
e a outra é esférica (com 50 elementos). Para os centros, duas estratégias de geração são
consideradas: na primeira, as classes são bem separadas, e na segunda, elas se interceptam. Esta
abordagem para a geração de dados sintéticos é proposta em diversos trabalhos de agrupamento
por nuvem dinâmica (DE CARVALHO; LECHEVALLIER, 2009a,b; DE CARVALHO; BRITO;
BOCK, 2006; DE CARVALHO et al., 2006; SOUZA; DE CARVALHO, 2004). Os centros com
coordenadas (cx , cy )!seguem uma distribuição
! normal bivariada com parâmetros µ e Σ, tais que
2
µx σx 0
µ= eΣ= . As configurações 1, 2, 3 e 4 contém classes bem
µy 0 σy2
separadas. Seus centros são gerados utilizando os seguintes parâmetros:
Classe 1: µx = 25, µy = 10, σx2 = 100 e σy2 = 25;
Classe 3: µx = 20, µy = 40, σx2 = 16 e σy2 = 16.
As configurações 5, 6, 7 e 8 tem classes que se interceptam. Seus centros são gerados de acordo
com os parâmetros:
Classe 3: µx = 30, µy = 35, σx2 = 16 e σy2 = 16.
A Figura 3.2 apresenta um exemplo com centros gerados a partir de classes bem separadas e
outro gerado a partir de classes que se interceptam.
Figura 3.2: Centros de classes bem separadas (a) e de classes que se interceptam (b).
70
classe 1
60 classe 2
classe 3
50
40
y 30
20
10
−10
−10 0 10 20 30 40 50 60 70 80
x
(a)
70
classe 1
60 classe 2
classe 3
50
40
30
y
20
10
−10
0 10 20 30 40 50 60 70
x
(b)
Fonte: do autor
As amplitudes são geradas a partir de distribuições uniformes definidas em um intervalo

[v, u], representada por Un(v, u). O retângulo com coordenadas do centro no ponto (cxi , cyi ) tem
amplitudes representadas por ∆xi e ∆yi , para x e y, respectivamente. O intervalo correspondente é
construído de acordo com a Equação (3.24)
([cxi − ∆xi /2, cxi + ∆xi /2], [cyi − ∆yi /2, cyi + ∆yi /2]). (3.24)
Quatro formas para a geração dos tamanhos são consideradas. Na primeira, distribuições
uniformes iguais são usadas para todas as classes e dimensões. As distribuições uniformes
usadas para gerar os tamanhos dos intervalos para as configurações 1 e 5 são apresentadas na
Tabela 3.1.
Tabela 3.1: Distribuições que geram as amplitudes para as configurações 1 e 5.
Classe distribuição ∆x distribuição ∆y

1 Un(1, 10) Un(1, 10)
2 Un(1, 10) Un(1, 10)
3 Un(1, 10) Un(1, 10)
Na segunda, as distribuições uniformes são as mesmas para todas as classes e diferentes por
dimensão. A Tabela 3.2 apresenta as distribuições uniformes utilizadas pelas configurações 2 e 6.

1 Un(3, 7) Un(5, 8)
2 Un(3, 7) Un(5, 8)
3 Un(3, 7) Un(5, 8)
Na terceira, as distribuições uniformes são diferentes entre as classes mas igual nas dimensões.
A Tabela 3.3 apresenta as distribuições uniformes usadas pelas configurações 3 e 7.

1 Un(1, 4) Un(1, 4)
2 Un(3, 7) Un(3, 7)
3 Un(5, 10) Un(5, 10)
Na quarta, as distribuições uniformes são diferentes para as classes e dimensões. A Tabela 3.4
apresenta as distribuições uniformes que geram as configurações 4 e 8.

1 Un(4, 7) Un(1, 3)
2 Un(1, 2) Un(6, 9)
3 Un(2, 3) Un(3, 6)
A Figura 3.3 apresenta exemplos de dados intervalares gerados usando as configurações 1, 2, 3

e 4, nas quais as classes são bem separadas. A Figura 3.4 apresenta exemplos de conjuntos de
dados intervalares usando as configurações 5, 6, 7 e 8, em que as classes se interceptam.
Figura 3.3: Dados intervalares para classes bem separadas. Configuração 1 (a). Configuração 2 (b). Configuração
3 (c). Configuração 4 (d).
70 70
60 60
50 50
40 40
30 30
y
y
20 20
10 10
0 0
−10 −10
−10 0 10 20 30 40 50 60 70 80 −10 0 10 20 30 40 50 60 70 80
x x
(a) (b)
70 70
60 60
50 50
40 40
30 30
y
20 20
10 10
0 0
−10 −10
−10 0 10 20 30 40 50 60 70 80 −10 0 10 20 30 40 50 60 70 80
x x
(c) (d)
Fonte: do autor
Na literatura de ADS são apresentados apenas dados sintéticos que simulam a mesma
variação para os tamanhos dos intervalos, considerando todas as classes e as dimensões (assim
como revela as configurações 1 e 5). Esta abordagem é muito restritiva pois não é o comporta-
mento que se verifica nos dados reais, em geral, as classes possuem comportamentos diferentes
entre si. As configurações onde os tamanhos dos intervalos de classes e dimensões são diferentes
são mais gerais (como proposto nas configurações 4 e 8).
Para cada uma das configurações, os resultados são analisados por meio de intervalos de
confiança construídos a partir de valores do IRA. Para cada configuração, foram gerados 100
conjuntos de intervalos. Escolhe-se uma distância intervalar e para cada conjunto valores usuais
de q são analisados. O agrupamento por nuvens dinâmicas foi aplicado 100 vezes e o resultado
Figura 3.4: Dados intervalares para classes que se interceptam. Configuração 5 (a). Configuração 6 (b). Configu-
ração 7 (c). Configuração 8 (d).
70 70
60 60
50 50
40 40
30 30
y
y
20 20
10 10
0 0
−10 −10
−10 0 10 20 30 40 50 60 70 80 −10 0 10 20 30 40 50 60 70 80
x x
(a) (b)
70 70
60 60
50 50
40 40
30 30
y
20 20
10 10
0 0
−10 −10
−10 0 10 20 30 40 50 60 70 80 −10 0 10 20 30 40 50 60 70 80
x x
(c) (d)
Fonte: do autor
que apresentou o menor critério foi selecionado. Após isso, obtém-se 100 valores do IRA que
são utilizados na construção de um intervalo de confiança. Para isso, o algoritmo de bootstrap
foi aplicado a esses valores com B = 2.000 (número de réplicas bootstrap) e α = 5% (erro de
confiança). Para cada configuração, três gráficos são apresentados: para q = 1, q = 2 e q = ∞.
Para as distâncias com pesos no hibridismo, o parâmetro t é igual a 2.
A Figura 3.5 apresenta os intervalos de confiança para a configuração 1. Para q = 1, as
distâncias L1 , HL1 e WHL1 são estatisticamente iguais. As versões adaptativas AL1 e AHL1 ,
apresentam resultados piores e são estatisticamente iguais. Para q = 2, as distâncias adaptativas
e não-adaptativas apresentam os mesmos resultados. A distância WHL2 conduz a um resultado
melhor que L2 e AHL2 . Quando q = ∞, a distância L∞ superou as outras versões.
Figura 3.5: Resultados para a configuração 1. q=1 (a). q=2 (b). q=∞ (c).
0.975 0.975
0.97 0.97
0.965 0.965
IRA
IRA
0.96 0.96
0.955 0.955
0.95 0.95
0.945 0.945
0.94 0.94
L1 AL1 HL1 AHL1 WHL1 L2 AL2 HL2 AHL2 WHL2
(a) (b)
0.975
0.97
0.965
IRA
0.96
0.955
0.95
0.945
0.94
L AL HL WHL
(c)
Fonte: do autor
A Figura 3.6 apresenta os intervalos de confiança para as distâncias, considerando a

configuração 2. As mesmas conclusões tiradas na configuração 1 se repetem na configuração 2.
As versões não-adaptativas são iguais entre si, assim como as adaptativas também. As distâncias
HL∞ e WHL∞ obtém piores resultados quando comparadas com as distâncias L∞ e AL∞ .
1 1
0.9 0.9
0.8 0.8
0.7 0.7
IRA
IRA
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
(a) (b)
0.9
0.8
0.7
IRA
0.6
0.5
0.4
0.3
L∞ AL∞ HL∞ WHL∞
(c)
Fonte: do autor
A Figura 3.7 apresenta os intervalos de confiança obtidos com a configuração 3. Para

q = 1, as distâncias HL1 e WHL1 apresentam melhores resultados do que as distâncias L1 e AL1 .
Neste caso, a distância AHL1 se comportou melhor que a distância AL1 . Para q = 2, a distância
WHL2 se destaca com relação às outras e quando q = ∞, a distância WHL∞ é realçada em relação
as outras. As três distâncias híbridas com pesos no hibridismo obtiveram desempenhos iguais e
claramente se destacam em relação as outras, quanto à qualidade do agrupamento.
1 1
0.995 0.995
0.99 0.99
0.985 0.985
0.98 0.98
IRA
IRA
0.975 0.975
0.97 0.97
0.965 0.965
0.96 0.96
0.955 0.955
0.95 0.95
(a) (b)
0.995
0.99
0.985
0.98
IRA
0.975
0.97
0.965
0.96
0.955
0.95
(c)
Fonte: do autor
A Figura 3.8 apresenta os intervalos de confiança para a configuração 4. Para q = 1,

HL1 e AHL1 foram estatisticamente iguais e indicam melhores resultados. Para q = 2, todas as
distâncias proporcionam resultados iguais. A distância WHL∞ proveu o melhor resultado que
todas as outras.
1 1
0.99 0.99
0.98 0.98
0.97 0.97
IRA
IRA
0.96 0.96
0.95 0.95
0.94 0.94
0.93 0.93
0.92 0.92
(a) (b)
0.99
0.98
0.97
IRA
0.96
0.95
0.94
0.93
0.92
(c)
Fonte: do autor
A Figura 3.9 exibe os intervalos de confiança para a configuração 5. As distâncias

não-adaptativas apresentam o mesmo desempenho. O mesmo ocorre com as versões adaptativas.
Para q = 1 e q = 2, as distâncias com pesos no hibridismo não se obtiveram bons resultados.
Para q = ∞, as distâncias híbridas apresentam piores resultados.
0.8 0.8
0.75 0.75
0.7 0.7
0.65 0.65
IRA
IRA
0.6 0.6
0.55 0.55
0.5 0.5
0.45 0.45
0.4 0.4
(a) (b)
0.8
0.75
0.7
0.65
IRA
0.6
0.55
0.5
0.45
0.4
(c)
Fonte: do autor
A Figura 3.10 apresenta os intervalos de confiança para a configuração 6. Para q = 1 e

q = 2, as distâncias híbridas se comportaram de modo igual às propostas na literatura, exceto as
com pesos, que obtiveram piores resultados. Para q = ∞, as distâncias híbridas não obtiveram
um bom ajuste.
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
IRA
IRA
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
(a) (b)
0.8
0.7
0.6
0.5
IRA
0.4
0.3
0.2
0.1
0
(c)
Fonte: do autor
A Figura 3.11 apresenta os intervalos de confiança obtidos para a configuração 7. Para

q = 1, q = 2 e q = ∞, as distâncias com peso no hibridismo indicam os melhores desempenhos.
Além disso, para q = 1, todas as distâncias híbridas se destacam com melhores resultados que
aqueles obtidos com distâncias da literatura.
1 1
0.95 0.95
0.9 0.9
0.85 0.85
0.8 0.8
IRA
IRA
0.75 0.75
0.7 0.7
0.65 0.65
0.6 0.6
0.55 0.55
0.5 0.5
(a) (b)
0.95
0.9
0.85
0.8
IRA
0.75
0.7
0.65
0.6
0.55
0.5
(c)
Fonte: do autor
A Figura 3.12 apresenta intervalos de confiança para a configuração 8. Em todas as

versões, as distâncias híbridas com pesos indicam os melhores desempenhos. Para q = 1, todas
as distâncias híbridas são melhores que as outras. Para q = 2, as distâncias híbridas têm o mesmo
comportamento que as respectivas versões propostas na literatura (adaptativas e não-adaptativas).
Para q = ∞, a distância híbrida com pesos no hibridismo obteve o melhor resultado, quando
comparada com todas as outras distâncias.
1 1
0.95 0.95
0.9 0.9
0.85 0.85
0.8 0.8
IRA
IRA
0.75 0.75
0.7 0.7
0.65 0.65
0.6 0.6
0.55 0.55
0.5 0.5
(a) (b)
0.95
0.9
0.85
0.8
IRA
0.75
0.7
0.65
0.6
0.55
0.5
(c)
Fonte: do autor
3.3.4 Dados Intervalares Reais

O agrupamento por nuvens dinâmicas foi aplicado a dados intervalares reais, com as
distâncias presentes na literatura e as propostas neste trabalho. Para cada conjunto e distância o
agrupamento foi repetido 100 vezes. A partição correspondente ao menor critério foi selecionada
e seu IRA calculado. Tabelas apresentam estes valores do IRA para cada uma das distâncias.
3.3.4.1 Conjunto Climas
O conjunto climas é composto por observações oficiais do clima de cidades em vários

países. Esta informação climatológica está disponível no National Meteorological & Hydrologi-
cal Services (SILVA FILHO; SOUZA, 2013). O conjunto completo tem 1415 cidades com 16
variáveis intervalares. Elas são as temperaturas mínimas e máximas por mês (o que equivale
a 12 variáveis) e os mínimos e máximos de precipitação por estação (mais 4 variáveis). Para
cada cidade, seu clima é estabelecido. As classes são: úmido continental, deserto, equatorial,
mediterrâneo, monção, oceânico, savana, semi-árido, sub-ártico e úmido subtropical. Com essas
classes, são construídos dois conjuntos para aplicação do agrupamento. O conjunto de climas
misto envolve três climas: savana, equatorial e sub-ártico, com 280 instâncias. O conjunto
Europa ocidental tem 2 conjuntos: mediterrâneo e oceânico, com 324 instâncias. Para os dois, as
4 variáveis de precipitação são utilizadas.
3.3.4.1.1 Conjunto Climas Mistos
A Tabela 3.5 mostra os valores do IRA demonstrando o desempenhos das distâncias

intervalares sobre o conjunto de climas mistos. Este conjunto contém 280 instâncias e 3 classes:
savana, equatorial e sub-ártico. Este conjunto pode ser encontrado no Anexo A.
Tabela 3.5: Valores do IRA para o conjunto dos climas mistos
não-adaptativa adaptativa com pesos

L1 0.401 AL1 0.395 - -
L2 0.636 AL2 0.643 - -
L∞ 0.412 AL∞ 0.233 - -
HL1 0.433 AHL1 0.409 W HL1 0.623
HL2 0.647 AHL2 0.644 WHL2 0.624
HL∞ 0.408 - - W HL∞ 0.623
Em destaque, apresentam-se as distâncias correspondentes aos melhores desempenhos. A

comparação entre os valores do IRA da Tabela 3.5 mostra um aumento de desempenho no agru-
pamento quando distâncias híbridas são utilizadas. Todas elas apresentam resultados melhores
ou iguais que as suas correspondentes propostas na literatura. Para este conjunto, o melhor
desempenho ocorre para a distância HL2 . Os pesos finais da distância WHL2 são apresentados
na Tabela 3.6.
Tabela 3.6: Pesos do hibridismo para a distância WHL2
classe savana classe equatorial classe sub-ártico

posição variação posição variação posição variação
variável
espacial interna espacial interna espacial interna
precipitação
0.253696 0.746304 0.202713 0.797287 0.784161 0.215839
primavera
precipitação
0.505302 0.494698 0.142536 0.857464 0.558394 0.441606
verão
precipitação
0.291268 0.708732 0.18001 0.81999 0.655859 0.344141
outono
precipitação
0.15007 0.84993 0.14592 0.85408 0.904228 0.0957724
inverno
Os pesos dão importâncias diferentes para os componentes da distância híbrida. A classe

savana tem pesos baixos para a posição espacial, indicando que a variação da precipitação
é mais importante em sua determinação. O mesmo acontece com a classe equatorial. Na
classe sub-ártico, os pesos da posição espacial são altos, explicitando como a precipitação
mínima é significativa mais nesta classe (a variação da precipitação não tem alta importância na
determinação desta classe).
3.3.4.1.2 Conjunto climas da Europa Ocidental
A Tabela 3.7 apresenta os valores do IRA para o conjunto formado pelos climas da
Europa Ocidental. As classes que compõem este conjunto são mediterrâneo e oceânico. Ele
contém 324 instâncias (SILVA FILHO; SOUZA, 2013). Este conjunto pode ser encontrado no
Anexo B.
Tabela 3.7: Valores do IRA para o conjunto dos clima da Europa Ocidental

L1 −0.005 AL1 −0.006 - -
L2 −0.059 AL2 −0.064 - -
L∞ −0.004 AL∞ −0.014 - -
HL1 0.640 AHL1 0.776 WHL1 0.371
HL2 −0.059 AHL2 −0.050 W HL2 -0.064
HL∞ 0.669 - - W HL∞ 0.194
As distâncias híbridas correspondem aos melhores índices. As distâncias HL1 , HL∞ , AHL1 ,
WHL1 e aumentaram consideravelmente, a similaridade da partição do agrupamento com a
partição real. Dentre todas elas, a distância AHL∞ apresenta o melhor resultado. As distâncias da
literatura apresentam índices muito próximos a 0. Os pesos finais, calculados na última iteração
na distância WHL1 , são apresentados na Tabela 3.8.
classe mediterrâneo classe oceânico

posição variação posição variação
variável
espacial interna espacial interna
precipitação
0.685739 0.314261 0.435782 0.564218
primavera
precipitação
0.246278 0.753722 0.427338 0.572662
verão
precipitação
0.729962 0.270038 0.449698 0.550302
outono
precipitação
0.307038 0.692962 0.321163 0.678837
inverno
Os pesos no hibridismo exibem as diferenças que existem no comportamento dos climas. Para a
classe mediterrâneo, a precipitação mínima tem alta importância na determinação da primavera
e do outono, enquanto que para o verão e o inverno a variação da precipitação tem maior
importância. Para a classe oceânico, a variação da precipitação tem a maior importância durante
todas as estações.
3.3.4.2 Conjunto reconhecimento de atividade humana por dados de aceleração
O conjunto de reconhecimento de atividade humana por dados de aceler-

ação (CASALE; PUJOL; RADEVA, 2011), disponível na base de dados uci, no sí-
tio https://archive.ics.uci.edu/ml/datasets/Activity+Recognition+
from+Single+Chest-Mounted+Accelerometer (LICHMAN, 2013), é composto por
dados de aceleração de 15 participantes que realizam 7 atividades, com um total de 105 amostras
de atividades. O objetivo é identificar os padrões de locomoção para cada uma destas ativi-
dades. Os dados de aceleração são coletados através de um acelerômetro posto no tórax dos
participantes. Na duração de cada atividade, é colhida uma sequência de valores relativos às
acelerações nos eixos x, y e z. As atividades determinam as classes: trabalhando no computador;
em pé, caminhando, subindo e descendo escadas; parado; andando; subindo e descendo escadas;
andando e falando com alguém; e, parado e falando com alguém. Intervalos foram gerados a
partir destes dados. Para cada usuário e atividade, os valores mínimos e máximos de aceleração
foram determinados. Foram selecionadas 4 classes para a formação dos conjuntos: parado;
andando; andando e falando com alguém; e, parado e falando com alguém. O Apêndice J
apresenta o conjunto intervalar gerado. Ao todo, o conjunto contém 60 instâncias.
A Tabela 3.9 apresenta os valores do IRA para o conjunto de reconhecimento de atividade
humana por dados de aceleração.
Tabela 3.9: Valores do IRA para o conjunto de reconhecimento de atividade humana por dados de aceleração

L1 0.089 AL1 0.099 - -
L2 0.088 AL2 0.073 - -
L∞ 0.065 AL∞ 0.098 - -
HL1 0.108 AHL1 0.132 W HL1 0.116
HL2 0.122 AHL2 0.117 WHL2 0.167
HL∞ 0.158 - - W HL∞ 0.158
A Tabela 3.9 mostra que os melhores resultados, obtidos para este conjunto de dados, referem-se
ao uso de distâncias híbridas. As distâncias propostas na literatura possuem o IRA menor que
0.100, enquanto as híbridas possuem o IRA maior que 0.100. O melhor resultado foi obtido com
a distância W HL2 , cujos pesos são mostrados na Tabela 3.10.
classe classe
parado andando
variável
aceleração x 0.234676 0.765324 0.357068 0.642932
aceleração y 0.834825 0.165175 0.450722 0.549278
aceleração z 0.688707 0.311293 0.895602 0.104398
classe parado e classe andando e
falando com alguém falando com alguém
variável
aceleração x 0.410473 0.589527 0.383339 0.616661
aceleração y 0.815493 0.184507 0.570591 0.429409
aceleração z 0.684379 0.315621 0.487390 0.512610
Os pesos no hibridismo exibem as diferenças que existem no comportamento das atividades.

Para as classes parado e parado e falando com alguém, a aceleração mínima em y e em z têm
alta importância. Para a classe andando, a variação da aceleração têm maiores importâncias
para as acelerações em x e em y. Para a classe andando e falando com alguém as variações das
acelerações em x e z possuem altas importâncias. Nas classes nas quais o indivíduo está parado,
em pelo menos duas variáveis, a aceleração mínima possui maior importância. Para as classes
em que o indivíduo está andando, em pelo menos duas variáveis, a variação da aceleração tem
maior importância.
3.3.4.3 Conjunto fases de gestos
O conjunto de fases de gestos é composto por características extraídas de 7 vídeos em que

as pessoas gesticulam. Estas características correspondem às fases (ou unidades) que compõem
os gestos (MADEO; LIMA; PERES, 2013). O conjunto é composto por 50 variáveis e 9.900
instâncias e está disponível para download na base de dados uci (https://archive.ics.
uci.edu/ml/datasets/Gesture+Phase+Segmentation) (LICHMAN, 2013). As
fases que compõem os gestos são divididas em 5 classes: descanso; brusco; retração; preparação;
e, no aguardo. Um pré-processamento foi aplicado para a redução do conjunto e geração de
variáveis intervalares, uma vez que o conjunto original não as possui. Foram escolhidas 9
variáveis para a representação das fases: posição da mão esquerda em x (lhx); posição da mão
esquerda em y (lhy); posição da mão esquerda em z (lhz); posição da mão direita em x (rhx);
posição da mão direita em y (rhy); posição da mão direita em z (rhz); posição da cabeça em x
(hx); posição da cabeça em y (hy); e, posição da cabeça em z (hz). Para cada classe foi aplicado
o agrupamento por nuvens dinâmicas, gerando 40 subclasses, utilizando-se a distância L1 para
pontos. A partir de cada subclasse foi gerada uma instância intervalar computando-se os mínimos
e os máximos de cada uma das variáveis envolvidas, como descrito na Equação (1.2). O conjunto
intervalar resultante possui 5 classes, cada uma delas com 40 instâncias, e pode ser encontrado
no Apêndice K. A Tabela 3.11 apresenta os valores do IRA para o conjunto de fases de gestos.
Tabela 3.11: Valores do IRA para o conjunto de fases de gestos

L1 0.035 AL1 0.025 - -
L2 0.037 AL2 0.032 - -
L∞ 0.083 AL∞ 0.030 - -
HL1 0.104 AHL1 0.088 W HL1 0.124
HL2 0.119 AHL2 0.063 WHL2 0.130
HL∞ 0.118 - - W HL∞ 0.129
As distâncias híbridas apresentam os melhores resultados de agrupamento para o conjunto fases

de gestos. Todas elas estão relacionadas com valores de ARI maiores que 0.083, que é o melhor
valor de ARI obtido pelas distâncias presentes na literatura. A distância W HL2 obteve o melhor
resultado, cujos pesos são mostrados na Tabela 3.12.
classe classe classe

descanso brusco retração
variável
lhx 0.0393691 0.960631 0.142705 0.857295 0.115122 0.884878
lhy 0.0803448 0.919655 0.402467 0.597533 0.165932 0.834068
lhz 0.101433 0.898567 0.299089 0.700911 0.216384 0.783616
rhx 0.0527631 0.947237 0.063926 0.936074 0.114605 0.885395
rhy 0.0742393 0.925761 0.256981 0.743019 0.109349 0.890651
rhz 0.123753 0.876247 0.204882 0.795118 0.218384 0.781616
hx 0.0293994 0.970601 0.0255528 0.974447 0.040973 0.959027
hy 0.176099 0.823901 0.164387 0.835613 0.32554 0.67446
hz 0.0857567 0.914243 0.193953 0.806047 0.188343 0.811657
classe classe
preparação no aguardo
variável
lhx 0.114656 0.885344 0.00959063 0.990409
lhy 0.185082 0.814918 0.0396324 0.960368
lhz 0.324765 0.675235 0.215575 0.784425
rhx 0.0985168 0.901483 0.0188963 0.981104
rhy 0.712996 0.287004 0.0468248 0.953175
rhz 0.251532 0.748468 0.256755 0.743245
rx 0.0614835 0.938516 0.00317597 0.996824
ry 0.59481 0.40519 0.000712822 0.999287
rz 0.330675 0.669325 0.0734935 0.926507
Para as classes descanso, brusco, retração e no aguardo, todas as variáveis envolvidas têm maior
peso na variação de suas posições. Na classe preparação, as variáveis rhy e ry apresentam maior
importância em seus valores mínimos. Como o conjunto é formado por informações sobre gestos,
é compreensível que as variações das variáveis obtenham maior importância nas variáveis.
3.3.4.4 Conjunto sementes
O conjunto de sementes contém informações pontuais sobre as amêndoas de sementes de

3 tipos de trigo: Kama; Rosa e Canadian. Cada um destes tipos possui 70 amostras selecionadas
aleatoriamente. As informações disponíveis são: área; perímetro; compacticidade; comprimento
da amêndoa; largura da amêndoa; coeficiente de assimetria; e, tamanho do encaixe da amêndoa.
O conjunto original está disponível na base de dados uci, no sítio https://archive.ics.
uci.edu/ml/datasets/seeds (LICHMAN, 2013). Um pré-processamento foi aplicado
ao conjunto para a geração de variáveis intervalares. Foram escolhidas 2 variáveis: comprimento
da amêndoa e largura da amêndoa. Para cada tipo de semente foi aplicado o agrupamento
por nuvens dinâmicas, gerando 15 subclasses, utilizando-se a distância L1 para pontos. Cada
subclasse origina uma instância intervalar computando-se os mínimos e os máximos de cada
uma das variáveis envolvidas, como descrito na Equação (1.2). O conjunto intervalar resultante
possui 3 classes, cada uma delas com 15 instâncias, e pode ser encontrado no Apêndice L, e é
exibido na Figura 3.13.
Figura 3.13: Instâncias intervalares que compõem o conjunto sementes.
4.2
3.8
largura da amêndoa
3.6
3.4
3.2
2.8
2.6
5 5.2 5.4 5.6 5.8 6 6.2 6.4 6.6 6.8
comprimento da amêndoa
Fonte: do autor
A Tabela 3.14 apresenta os valores do IRA para o conjunto de sementes.
Tabela 3.14: Valores do IRA para o conjunto de sementes

L1 0.579 AL1 0.579 - -
L2 0.589 AL2 0.646 - -
L∞ 0.579 AL∞ 0.579 - -
HL1 0.579 AHL1 0.572 WHL1 0.035
HL2 0.687 AHL2 0.647 W HL2 0.007
HL∞ 0.635 - - W HL∞ -0.027
As distâncias HL2 e AHL2 obtiveram os melhores valores de ARI, sendo que HL2 obteve o
melhor resultado. Apesar do resultado, as distâncias com pesos no hibridismo não obtiveram
bons resultados. O pesos no hibridismo da distância W HL1 são apresentados na Tabela 3.15.

Kama Rosa Canadian
variável
comprimento da
0.00833482 0.991665 0.00661173 0.993388 0.0980541 0.901946
amêndoa
largura da
0.0775929 0.922407 0.00942775 0.990572 0.0778242 0.922176
amêndoa
Em todas as classes e variáveis, os pesos indicam uma maior importância para a variação do
comprimento e da largura. Entretanto, tais importâncias não são suficientes para melhorar o
resultado do agrupamento.
3.3.4.5 Conjunto vinhos
O conjunto vinhos é formado por dados amostrais de valores físicos e químicos de

vinhos brancos e tintos do tipo Vinho Verde, produzidos ao norte de Portugal. O objetivo é
classificar a qualidade dos vinhos, baseando-se nestes dados. A qualidade do vinho varia em
níveis de 0 a 10, totalizando 11 classes (CORTEZ et al., 2009). Para cada vinho, são amostrados
os níveis de 11 variáveis: acidez fixa; acidez volátil; acidez cítrica; açúcar residual; cloretos;
dióxido sulfúrico livre; dióxido sulfúrico total; densidade; pH; sulfatos; e, álcool. O conjunto
é formado por amostras pontuais e está disponível para download na base de dados uci, no
sítio http://archive.ics.uci.edu/ml/datasets/Wine+Quality (LICHMAN,
2013). O conjunto de vinhos brancos possui 4.898 instâncias pontuais, enquanto o conjunto de
vinhos tintos possui 1.599 instâncias. Processamentos foram aplicados às instâncias pontuais
a fim de ser gerar classes intervalares. Assim, 4 subconjuntos de vinhos, englobando algumas
classes do conjunto vinhos, foram geradas: conjunto vinho branco com qualidades 4, 6 e 8;
conjunto vinho branco com qualidades 6, 7 e 8; conjunto vinho tinto com qualidades 4 e 7; e,
conjunto vinho tinto com qualidades 6 e 7;
3.3.4.5.1 Conjunto vinhos brancos com qualidades 4, 6 e 8
O conjunto vinhos brancos com qualidades 4, 6 e 8 é formado por 3 classes, correspon-

dentes aos níveis de qualidade 4, 6 e 8. Para isto foram selecionadas 4 variáveis: açúcar residual,
densidade, pH e álcool. Considerando as variáveis selecionadas, para cada uma das classes, são
determinadas subclasses para os pontos através do agrupamento por nuvens dinâmicas, utilizando
a distância L1 para pontos. As subclasses obtidas geram instâncias intervalares computando-se
os mínimos e os máximos de cada uma das variáveis envolvidas, como descrito na Equação
(1.2). O conjunto resultante apresenta um total de 200 instâncias intervalares. As classes com
níveis de qualidade 4, 6 e 8 possuem, respectivamente, 40, 120 e 40 instâncias. Os intervalos que
compõem este conjunto são apresentados no Apêndice M. A Tabela 3.16 apresenta os valores do
IRA obtidos.
Tabela 3.16: Valores do IRA para o conjunto vinhos brancos com qualidades 4, 6 e 8

L1 0.004 AL1 −0.009 - -
L2 0.013 AL2 0.007 - -
L∞ 0.004 AL∞ −0.001 - -
HL1 0.027 AHL1 0.011 WHL1 0.426
HL2 0.009 AHL2 0.002 W HL2 0.407
HL∞ 0.009 - - W HL∞ 0.354
Os valores de ARI indicam melhores resultados obtidos com as distâncias híbridas. Apesar da
aparente separação entre as classes escolhidas, os agrupamentos obtidos com a maior parte das
distâncias não apresentam valores de ARI altos, indicando a dificuldade de separação das classes.
Por outro lado, as distâncias com pesos no hibridismo se destacam com valores de ARI elevados,
quando comparados com os das outras distâncias. A distância com melhor valor de ARI á a
W HL1 , cujos pesos são apresentados na Tabela 3.17.

nível de qualidade 4 nível de qualidade 6 nível de qualidade 8
variável
açúcar
0.0695709 0.930429 0.0426113 0.957389 0.988764 0.0112359
residual
densidade 0.30675 0.69325 0.233451 0.766549 0.94 0.06
pH 0.692222 0.307778 0.639531 0.360469 0.892857 0.107143
álcool 0.301773 0.698227 0.20192 0.79808 0.720588 0.279412
Para as classes com níveis de qualidade 4 e 6, as variações do açúcar residual, da densidade e

do álcool são mais representativas que seus valores mínimos, enquanto o valor mínimo do pH é
mais relevante. Por outro lado, para a classe nível de qualidade 8 o valor mínimo de todas as
variáveis tem maior relevância no cálculo de dissimilaridade.
3.3.4.5.2 Conjunto vinhos brancos com qualidades 6, 7 e 8
O conjunto vinhos brancos com qualidades 6, 7 e 8 é formado por 3 classes, correspon-

dentes aos níveis de qualidade 6, 7 e 8. Para isto foram selecionadas 4 variáveis: açúcar residual,
densidade, pH e álcool. Considerando as variáveis selecionadas, para cada uma das classes, são
determinadas subclasses para os pontos através do agrupamento por nuvens dinâmicas, utilizando
a distância L1 para pontos. As subclasses obtidas geram instâncias intervalares computando-se
os mínimos e os máximos de cada uma das variáveis envolvidas, como descrito na Equação
(1.2). O conjunto resultante apresenta um total de 220 instâncias intervalares. As classes com
níveis de qualidade 6, 7 e 8 possuem, respectivamente, 120, 60 e 40 instâncias. Este conjunto é
apresentado no Apêndice N. A Tabela 3.18 apresenta os valores do IRA obtidos.
Tabela 3.18: Valores do IRA para o conjunto vinhos brancos com qualidades 6, 7 e 8

L1 0 AL1 −0.007 - -
L2 0.014 AL2 0.005 - -
L∞ 0 AL∞ −0.001 - -
HL1 0.003 AHL1 0.005 W HL1 0.222
HL2 0.012 AHL2 0.002 WHL2 0.231
HL∞ −0.002 - - W HL∞ 0.117
Os valores baixos de ARI não indicam bons resultados nem para as distâncias propostas na
literatura nem para as distâncias híbridas. Entretanto, as distâncias com pesos no hibridismo se
destacam com valores de ARI significativamente maiores. A distância com melhor valor de ARI
é a W HL2 , cujos pesos são apresentados na Tabela 3.19.

nível de qualidade 6 nível de qualidade 7 nível de qualidade 8
variável
açúcar
0.0681988 0.931801 0.0439318 0.956068 0.962712 0.0372881
residual
densidade 0.29851 0.70149 0.321782 0.678218 0.857142 0.142858
pH 0.691099 0.308901 0.63986 0.36014 0.892857 0.107143
álcool 0.324827 0.675173 0.215205 0.784795 0.720588 0.279412
Para as classes com níveis de qualidade 6 e 7, as variações do açúcar residual, da densidade

e do álcool são mais relevantes, por outro lado, o valor mínimo do pH apresenta uma maior
importância. Para a classe nível de qualidade 8 apresentam maior peso na composição da
dissimilaridade, enquanto as variações podem ser consideradas menos importantes.
3.3.4.5.3 Conjunto vinhos tintos com qualidades 4 e 7
O conjunto vinhos tintos com qualidades 4 e 7 é formado por 2 classes do conjunto

vinhos tintos, correspondentes aos níveis de qualidade 4 e 7. Para isto foram selecionadas
4 variáveis: acidez fixa, pH, sulfatos e álcool. Considerando as variáveis selecionadas, para
cada uma das classes, são determinadas subclasses para os pontos através do agrupamento por
nuvens dinâmicas, utilizando a distância L1 para pontos. As subclasses obtidas geram instâncias
intervalares computando-se os mínimos e os máximos de cada uma das variáveis envolvidas,

como descrito na Equação (1.2). O conjunto resultante apresenta um total de 70 instâncias
intervalares. As classes com níveis de qualidade 4 e 7 possuem, respectivamente, 20 e 50
instâncias. O conjunto é apresentado no Apêndice O. A Tabela 3.20 apresenta os valores do IRA
obtidos.
Tabela 3.20: Valores do IRA para o conjunto vinhos tintos com qualidades 4 e 7

L1 −0.029 AL1 −0.020 - -
L2 0.014 AL2 0.005 - -
L∞ −0.020 AL∞ −0.011 - -
HL1 −0.024 AHL1 −0.011 W HL1 0.192
HL2 −0.036 AHL2 −0.005 W HL2 0.138
HL∞ −0.038 - - WHL∞ 0.218
O conjunto é formado por 2 classes que apresentam níveis de qualidades bem diferentes entre si.
Entretanto, a maioria das distâncias, tanto as presentes na literatura como a maioria das híbridas
apresentam valores muito baixos do ARI, indicam uma dificuldade na separação das classes.
As distâncias híbridas com pesos no hibridismo apresentaram um comportamento diferente das
outras, indicando uma melhor separação das classes. A distância com melhor valor de ARI é a
W HL∞ , cujos pesos são apresentados na Tabela 3.21.
Tabela 3.21: Pesos do hibridismo para a distância WHL∞
classe classe
nível de qualidade 4 nível de qualidade 7
0.24521 0.75479 0.191603 0.808397
Para as duas classes de vinhos, a variação máxima das variáveis é mais relevante do que o
máximo dos mínimos.
3.3.4.5.4 Conjunto vinhos tintos com qualidades 5 e 6
O conjunto vinhos tintos com qualidades 5 e 6 é formado por 2 classes do conjunto

vinhos tintos, correspondentes aos níveis de qualidade 5 e 6. Para isto foram selecionadas
4 variáveis: acidez fixa, pH, sulfatos e álcool. Considerando as variáveis selecionadas, para
cada uma das classes, são determinadas subclasses para os pontos através do agrupamento por
nuvens dinâmicas, utilizando a distância L1 para pontos. As subclasses obtidas geram instâncias
intervalares computando-se os mínimos e os máximos de cada uma das variáveis envolvidas,
como descrito na Equação (1.2). O conjunto resultante apresenta um total de 140 instâncias
intervalares. As classes com níveis de qualidade 5 e 6 possuem, respectivamente, 60 e 80
instâncias. O conjunto é apresentado no Apêndice P. A Tabela 3.22 apresenta os valores do IRA

obtidos.
Tabela 3.22: Valores do IRA para o conjunto vinhos tintos com qualidades 5 e 6

L1 0.003 AL1 0.003 - -
L2 0.012 AL2 0.005 - -
L∞ 0.009 AL∞ 0.003 - -
HL1 0.009 AHL1 0.009 W HL1 0.059
HL2 0.004 AHL2 0.005 W HL2 0.034
HL∞ 0.005 - - WHL∞ 0.067
As classes apresentam níveis de qualidades bem semelhantes. Todas as distâncias apresentam

baixos valores de ARI, indicando a dificuldade de separação das classes.
3.3.5 Discussão dos Resultados

A Tabela 3.23 apresenta um resumo dos resultados de agrupamento para os dados
sintéticos. Um ’X’ na tabela indica que a respectiva distância obteve o melhor resultado para a
configuração dada. As distâncias com valores diferentes de q não são comparadas entre si. Nos
casos em que mais de uma distância é selecionada para um mesmo valor de q indica que seus
desempenho foram estatisticamente iguai, com 95% de confiança.
Quando as classes estão afastadas e elas não possuem diferenças nas amplitudes dos
intervalos (configurações 1, 2), as distâncias HL1 e HL2 apresentam o mesmo desempenho
quando comparadas aos casos usuais propostos na literatura. Neste caso, as distância híbridas
para q = ∞ obtiveram os piores resultados. Por outro lado, quando existem diferenças no
comportamento das amplitudes dos intervalos (configurações 3 e 4) as distâncias híbridas
apresentam melhores resultados para q = 1 e q = ∞. Já para q = 2 todas elas apresentam o
mesmo desempenho. Para q = ∞,
Quando as classe se interceptam e elas não possuem diferenças nas amplitudes dos
intervalos (configurações 5 e 6), algumas distâncias híbridas apresentam os mesmos resultados
daquelas propostas na literatura. No entanto, quando as classes possuem diferenças nas ampli-
tudes de seus intervalos as distâncias híbridas com pesos no hibridismo possuem os melhores
resultados, para q = 1, q = 2 e q = ∞.
Dos dados sintéticos conclui-se que nos casos em que as classes apresentam diferenças
substanciais entre as amplitudes de seus intervalos (configurações 3, 4, 7 e 8), que é o caso geral,
as distâncias híbridas claramente aumentam o desempenho do agrupamento. A única exceção
ocorre na configuração 4, com q = 2, em que os desempenhos das distâncias híbridas são iguais
aos obtidos pelas distâncias presentes na literatura. Nestas configurações, a distância com pesos
no hibridismo se destaca em relação a todas as outras. É interessante observar o comportamento
da distância WHL∞ , cujos resultados apresentam oscilações bruscas. Quando as diferenças nas
amplitudes não são significativas entre as classes, ela apresenta os piores resultados. Entretanto,
quando as diferenças nas amplitudes são significativas, elas apresenta os melhores desempenhos.
Nos casos mais restritos, quando as classes possuem as mesmas configurações para as
amplitudes dos intervalos, as distâncias híbridas apresentam os mesmos resultados daquelas
propostas na literatura. Nos casos mais gerais, quando as classes possuem configurações
diferentes para as amplitudes dos intervalos, elas têm melhores resultados.
Os conjuntos de dados reais analisados confirmam as conclusões obtidas a partir dos
dados sintéticos. Na maioria dos conjuntos as distâncias híbridas melhoram o resultado do
agrupamento. No pior caso, as distâncias híbridas apresentam um desempenho igual àquelas
propostas na literatura. Desta forma, as distâncias híbridas surgem como boas opções de medida
de dissimilaridade para dados intervalares, quando utilizadas no contexto de agrupamento por
nuvens dinâmicas.
Tabela 3.23: Resumo dos resultados de agrupamento para os dados sintéticos
distância
3.3. AVALIAÇÃO EXPERIMENTAL
configuração L1 AL1 HL1 AHL1 W HL1 L2 AL2 HL2 AHL2 W HL2 L∞ AL∞ HL∞ W HL∞
1 X X X X X X X
2 X X X X X X X X X X
3 X X X
4 X X X X X X X X
5 X X X X X X X
6 X X X X X X X X
7 X X X
8 X X X
68
69
4
Regressão Linear para Intervalos
Em virtude da natureza complexa que os dados intervalares têm, não é tão simples
construir um modelo de regressão linear que relacione variáveis desse tipo. Como os intervalos
podem ser vistos como uma agregação de pontos, as propostas que existem na literatura sugerem
a escolha de alguns deles para a construção dos modelos de regressão. Os métodos presentes na
literatura diferem quanto ao conjunto de pontos utilizados na representação dos intervalos. Um
método de regressão linear para intervalos deve oferecer, de forma simultânea, duas estimativas:
os limites inferiores e superiores dos intervalos. Além disso, as estimativas dos limites devem
manter a coerência matemática dos intervalos, em que o limite superior é maior ou igual ao
inferior.
A seguinte notação para as variáveis envolvidas na regressão é utilizada: Y é a variá-
vel resposta (dependente) intervalar com n observações. Neste caso, Y = (y1 , y2 , · · · , yn )T ,
em que yi = [yi , ȳi ] (i = 1, · · · , n). São consideradas p variáveis regressoras (independentes
¯
ou explicativas) intervalares {X1 , X2 , · · · , X p }. Cada variável regressora possui n observações
intervalares. Desta forma, X j = (x j1 , x j2 , · · · , x jn )T ( j = 1, · · · , p), em que x ji = [x ji , x̄ ji ]. São
¯
definidos, também, um vetor p-dimensional de intervalos xφ , com xφ = (xφ 1 xφ 2 · · · xφ p ) e sua
respectiva estimativa intervalar obtida através de um modelo de regressão, ŷφ = [ŷφ , ȳˆφ ]. Os
in f ¯
vetores linha (pontuais) xφ = (1 xφ 1 xφ 2 · · · xφ p ) e xφsup = (1 x̄φ 1 x̄φ 2 · · · x̄φ p ), baseados em xφ ,
¯ ¯ ¯
são usados pelos modelos para estimar ŷφ .
Este capítulo apresenta os métodos de regressão linear para dados intervalares propostos
na literatura e que não supõem distribuições para os erros. A Seção 4.1 apresenta o método do
centro (MC), que utiliza os centros dos intervalos na construção da regressão linear. A Seção 4.2
discute o método do mínimo e máximo (MinMax), que propõe o uso de dois modelos distintos
para a modelagem de ambos os limites da variável resposta. A Seção 4.3 mostra o método
do centro e da amplitude (MCA) que utiliza os centros e as amplitudes dos intervalos para a
construção de dois modelos lineares independentes. A Seção 4.4 apresenta o método do centro e
da amplitude com restrições (MCAR), que é uma extensão do MCA, mas que impõe restrições
aos coeficientes na modelagem da amplitude. A Seção 4.5 descreve o método da informação
completa (MIC), que define um produto interno para variáveis intervalares multidimensionais
4.1. MÉTODO DO CENTRO 70
e, a partir dele, utiliza todos os pontos dentro dos intervalos na construção de um modelo.
Resultados comparando os métodos da literatura são descritos no Capítulo 5, que incorpora o
método proposto por este trabalho.
4.1 Método do Centro

Billard e Diday (2006) propuseram o MC que utiliza os centros dos intervalos, de ambos,
resposta e regressores, para construir o modelo de regressão linear. Os coeficientes do modelo
construído e os limites dos regressores são usados na predição dos limites da resposta. Os limites
inferiores dos regressores determinam o limite inferior da resposta. O mesmo ocorre com os
limites superiores. O modelo de regressão linear proposto pelo MC é especificado conforme a
Equação (4.1)  p

 c in f

 i y = β0 + ∑ β jc x ji + εi
¯ j=1 ¯
p (4.1)

 c c sup

 ȳi = β0 + ∑ β j x̄ ji + εi ,
j=1
in f
em que β jc ( j = 0, · · · , p) são os coeficientes da regressão. Os valores εi e εisup (i = 1, · · · , n)
são, respectivamente, os erros de estimação dos limites inferiores e superiores. Para o intervalo yi ,
in f
o erro de estimação do centro é definido por εic = (εi + εisup )/2. A estimação dos coeficientes
é feita pelo método dos mínimos quadrados, minimizando o somatório dos erros quadráticos do
centro, como especificado na Equação (4.2)
n
S = ∑ (εic )2 (4.2)
i=1
n p !2
yi + ȳi x ji + x̄ ji
=∑ ¯ − β0c − ∑ β jc ¯
i=1 2 j=1 2
!2
n p
= ∑ yci − β0c − ∑ β j xcji ,
i=1 j=1
em que yci = (yi + ȳi )/2 e xcji = (x ji + x̄ ji )/2, são, respectivamente os centros dos intervalos yi e
¯ ¯
x ji . A Equação (4.1) pode ser reescrita em um formato matricial, como mostrado na Equação
(4.3)
yc = X c β c + ε c , (4.3)
4.2. MÉTODO DO MÍNIMO E MÁXIMO 71
em que,
 
1 x11
c c
x21 · · · xcp1
 
 1 x12
c c
x22 · · · xcp2 
X =
c
 .. .. .. . ,

 . . . · · · .. 
1 x1n x2n
c c
· · · xcpn
T
β c = β0c β1c · · · β pc ,
T
yc = yc1 yc2 · · · ycn e
T
ε c = ε1c ε2c · · · εnc ,
sendo que a potência T denota o operador transposto para matrizes. A solução por mínimos
quadrados (BILLARD; DIDAY, 2006; DRAPER; SMITH, 1981) é dada pela Equação (4.4)
βˆc = ((X c )T X c )−1 (X c )T yc . (4.4)
A estimativa para o limite inferior da resposta para xφ é calculada conforme descrito na

Equação (4.5)
yˆφ = xφ βˆc .
in f
(4.5)
¯
A estimativa para o limite superior é dada pela Equação (4.6)
ȳˆφ = xφsup βˆc . (4.6)
A predição com MC é simples e segue os mesmos preceitos utilizados na regressão

para dados pontuais. Entretanto, pode surgir uma incoerência matemática na predição (WANG;
GUAN; WU, 2012), na qual o limite inferior da resposta é maior que o superior, visto que não
existe um controle sobre os valores estimados. Além disso, a regressão é muito restritiva, uma
vez que o mesmo modelo governa o comportamento dos dois limites.
4.2 Método do Mínimo e Máximo

Billard e Diday (2002) propuseram o MinMax que especifica dois modelos diferentes: em
um, o limite inferior da resposta se relaciona aos limites inferiores dos regressores, enquanto no
outro, o limite superior da resposta depende dos limites superiores dos regressores. A modelagem
para o limite inferior da resposta é descrito na Equação (4.7)
p
in f in f in f
yi = β0 + ∑ β j x ji + εi , (4.7)
¯ j=1 ¯
4.2. MÉTODO DO MÍNIMO E MÁXIMO 72
in f in f
sendo que εi (i = 1, · · · , n) são os erros do modelo e β j ( j = 0, . . . , p) são os coeficientes. O
limite superior da resposta tem o modelo especificado na Equação (4.8)
p
ȳi = β0sup + ∑ β jsupx̄ ji + εisup, (4.8)
j=1
em que εisup (i = 1, · · · , n) são os erros do modelo e β jsup ( j = 0, · · · , p) os coeficientes. A

Equação (4.7) pode ser reescrita em um formato matricial, como apresentado na Equação (4.9)
yin f = X in f β in f + ε in f , (4.9)
em que,
 
1 x11x21 · · · x p1
 ¯ ¯ ¯ 
 1 x12x22 · · · x p2 
X =
in f
.. ¯. ¯. ¯ ,

 . .. .. · · · ...  
1 x1n x2n · · · x pn
¯ ¯ ¯
T
in f in f in f
β = β0 β1 · · · β pin f ,
T
yin f = y1 y2 · · · yn e
¯ ¯ ¯ T
in f in f in f in f
ε = ε1 ε2 · · · εn .
A estimação por mínimos quadrados da Equação (4.9) é dada na Equação (4.10)
β̂ in f = ((X in f )T X in f )−1 (X in f )T yin f . (4.10)
A Equação (4.8) também pode ser expressa em um formato matricial, que segue na Equação
(4.11)
ysup = X sup β sup + ε sup , (4.11)
em que,
 
1 x̄11 x̄21 · · · x̄ p1
 
 1 x̄12 x̄22 · · · x̄ p2 
X sup
=
 .. .. .. . ,

 . . . · · · .. 
1 x̄1n x̄2n · · · x̄ pn
T
β sup = β0sup β1sup · · · β psup ,
T
ysup = ȳ1 ȳ2 · · · ȳn e
T
ε sup = ε1sup ε2sup · · · εnsup ,
4.3. MÉTODO DO CENTRO E DA AMPLITUDE 73
cuja solução por mínimos quadrados é dada na Equação (4.12)
β̂ sup = ((X sup )T X sup )−1 (X sup )T ysup . (4.12)
Para o vetor de intervalos xφ , a estimativa do limite inferior da resposta é dada pela

Equação (4.13)
in f
yˆφ = xφ β̂ in f , (4.13)
¯
enquanto a estimativa para o limite superior da resposta é dada pela Equação (4.14)
ȳˆφ = xφsup β̂ sup . (4.14)
O uso de dois modelos diferentes para a predição dos limites da resposta dá liberdade para
o comportamento dos limites e a interpretação do modelo se torna intuitiva. Entretanto, MinMax
não garante a coerência matemática na predição dos limites intervalares (WANG; GUAN; WU,
2012). Além disso, a regressão é prejudicada se não existe uma dependência entre os respectivos
limites da resposta e dos regressores.
4.3 Método do Centro e da Amplitude

Lima Neto e De Carvalho (2008) propuseram o MCA, no qual a modelagem da regressão
intervalar é feita através de dois modelos independentes: um baseado nos centros e outro baseado
na amplitude dos intervalos. Para os centros, é utilizada a mesma estratégia aplicada ao MC,
como especificado na Equação (4.2), e sua expressão matricial é expressa de acordo com a
Equação (4.3), cuja solução pelo método dos mínimos quadrados é apresentada na Equação
(4.4).
Um outro modelo é construído para a predição das amplitudes dos intervalos, sendo
apresentado pela Equação (4.15)
p
y̆i = β0amp + ∑ β jamp x̆ ji + εiamp , (4.15)
j=1
em que y̆i = ȳi − yi , x̆ ji = x̄ ji − x ji , são, respectivamente, as amplitudes dos intervalos yi e x ji ,

¯ ¯
β jamp ( j = 0, · · · , p) são os coeficientes da regressão e εiamp (i = 1, · · · , n) são os erros do modelo.
A Equação (4.15) é reescrita em uma formato matricial como mostrado na Equação (4.16)
yamp = X amp β amp + ε amp , (4.16)

4.3. MÉTODO DO CENTRO E DA AMPLITUDE 74
em que,
 
1 x̆11 x̆21 · · · x̆ p1
 
 1 x̆12 x̆22 · · · x̆ p2 
X amp
=
 .. .. .. . ,
 (4.17)
 . . . · · · .. 
1 x̆1n x̆2n · · · x̆ pn
T
β amp = β0amp β1amp · · · β pamp ,
T
yamp = y̆1 y̆2 · · · y̆n e
T
ε amp = ε1amp ε2amp · · · εnamp .
A estimativa dos coeficientes, denotada por β̂ amp , é calculada pelo método dos mínimos quadra-
dos, como dado na Equação (4.18)
β̂ amp = ((X amp )T X amp )−1 (X amp )T yamp . (4.18)
Para a predição usando xφ é necessário definir os vetores linha xφc = (1 xφc 1 xφc 2 · · · xφc p )
e xφamp = (1 x̆φ 1 x̆φ 2 · · · x̆φ p ), com xφc j = (x̄φ j + xφ j )/2 e x̆φ j = x̄φ j − xφ j . O valor estimado do
¯ ¯
centro é encontrado usando βˆc (como definido na Equação (4.4)), de acordo com a Equação
(4.19)
ŷcφ = xφc βˆc , (4.19)
e a amplitude da resposta é predita por meio da Equação (4.20)
y̆ˆφ = xφamp β̂ amp . (4.20)
Os limites de predição são determinados nas Equações (4.21) e (4.22)
y̆ˆφ
yˆφ = ŷcφ − , (4.21)
¯ 2
y̆ˆφ
ȳˆφ = ŷcφ +
. (4.22)
2
O MCA representa um avanço com relação ao MC. Ele pode melhorar o desempenho
para a predição dos intervalos quando existe uma dependência linear entre os amplitudes dos
regressores e da resposta. A coerência matemática na predição dos limites não é garantida por
este método (WANG; GUAN; WU, 2012).
4.4. MÉTODO DO CENTRO E DA AMPLITUDE COM RESTRIÇÕES 75
4.4 Método do Centro e da Amplitude com Restrições

Lima Neto e De Carvalho (2010) expandiram o MCA e propuseram o MCAR. Assim
como o MCA, o MCAR tem dois modelos independentes, um para os centros e outro para
as amplitudes, mas os coeficientes para a modelagem das amplitudes têm restrições, que o
forçam a serem positivos. Os coeficientes que modelam os centros não apresentam restrições. A
modelagem deles é especificada pela Equação (4.2). A estimação dos coeficientes por mínimos
quadrados é a mesma para o método MC, como revela a Equação (4.4). A modelagem da
amplitude é apresentada na Equação (4.23)
p
y̆i = β0amp + ∑ β jamp x̆ ji + εiamp , (4.23)
j=1
com as restrições: β jamp ≥ 0, para j = 0, · · · , p.
A solução da Equação (4.23) não pode ser estimada diretamente por causa das restrições
impostas aos coeficientes no modelo da amplitude. Lima Neto e De Carvalho (2010) sugerem
o uso de um algoritmo iterativo, desenvolvido por Lawson e Hanson (1974), que estima os
parâmetros de um modelo de regressão que inclui restrições positivas para os coeficientes.
O Algoritmo 5 (LIMA NETO; DE CARVALHO, 2010) apresenta o processo iterativo para
determinar os coeficientes do modelo da amplitude.
4.4. MÉTODO DO CENTRO E DA AMPLITUDE COM RESTRIÇÕES 76
Algoritmo 5 Algoritmo para determinar os coeficientes do modelo da amplitude com restrições

Entrada X amp , a matriz de amplitudes dos regressores, definida na Equação (4.17); yamp , vetor das
amplitudes da resposta, definido na Equação (4.17);
Saída O vetor de coeficientes β amp , como definido na Equação (4.17) e que é solução da Equação (4.23);
1: β amp ← 0;
2: P ← 0;
/
3: Z ← {1, 2, · · · , p};
4: w ← (X amp )T (yamp − X amp β amp );
5: Se o conjunto Z está vazio ou w j ≤ 0, ∀ j ∈ Z Então
6: Vá ao passo 19;
7: Fim Se
8: Encontre um índice t ∈ Z , tal que wt ← max{w j : j ∈ Z };
9: Mova o índice t do conjunto Z para o conjunto P;
10: Construa a matriz X p , com dimensão n × (p + 1), definida como
(
coluna j de X amp , se j ∈ P,
coluna j de Xp =
0, se j ∈ Z .
Calcule o vetor z como a solução para o problema de mínimos quadrados Xp z = yamp . Apenas os
componentes z j , j ∈ P, são calculados. Defina z j ← 0, para j ∈ Z .
11: Se z j > 0, ∀ j ∈ P Então
12: β amp ← z;
13: Vá para o passo 4;
14: Fim Se n o
amp
15: Encontre o índice k ∈ P, tal que βka /(βka − zk ) = min β j /(β jamp − z j ) : z j ≤ 0, j ∈ P ;
amp amp
16: α ← βk /(βk − zk );
17: β amp ← β amp + α (z − β amp );
19: O cálculo está completo;
Dados os coeficientes β c e β amp , a predição é feita por meio das Equações (4.19), (4.20), (4.21)
e (4.22).
O MCAR garante a coerência matemática dos intervalos preditos, mas os estimadores
dos coeficientes podem ser viesados (WANG; GUAN; WU, 2012), implicando em um ajuste que
não corresponde ao real relacionamento linear que existe entre as variáveis envolvidas. O método
não estima os coeficientes da amplitude diretamente, como observado nos outros métodos. Além
disso, se não existe uma dependência linear entre as amplitudes das variáveis, não existe uma
melhora na qualidade da predição.
4.5. MÉTODO DA INFORMAÇÃO COMPLETA 77
4.5 Método da Informação Completa

Wang, Guan e Wu (2012) propuseram o MIC, cuja modelagem da regressão linear para
intervalos é feita usando toda a informação contida por eles. Neste modelo, todos os pontos
internos dos intervalos são usados para determinar as estimativas para os coeficientes de regressão.
As variáveis regressoras geram hipercubos no espaço R p e o modelo de regressão é construído
baseando-se neles. O modelo de regressão linear para intervalos que usa a informação completa
é proposto pela Equação (4.24)
p
Y = β0 1n + ∑ β j X j + ε, (4.24)
j=1
em que β j ( j = 0, · · · , p) são os coeficientes desconhecidos da regressão, 1n é um vetor coluna

constante de dimensão n, preenchido com o valor 1, e o vetor ε = (ε1 ε2 · · · εn )T agrega os erros
do modelo. Para garantir a coerência matemática dos limites preditos, foi adotada a combinação
linear de Moore (MOORE, 1966). A predição do limite inferior da resposta, de xφ , é descrita
pela Equação (4.25)
p
yφ = β0 + ∑ β j τ j xφ j + (1 − τ j ) x̄φ j , (4.25)
¯ j=1 ¯
e a predição do limite superior da resposta é calculada conforme descrito na Equação (4.26)

p
ȳφ = β0 + ∑ β j (1 − τ j ) xφ j + τ j x̄φ j , (4.26)
j=1 ¯
com (
0, se β j < 0,
τj = (4.27)
1, caso contrário.
De acordo com Wang, Guan e Wu (2012), a solução por mínimos quadrados da Equação (4.24)
gera o sistema linear apresentado na Equação (4.28),
   
h1n , 1n i h1n , X1 i · · · h1n , X p i h1n ,Y i
   
 hX1 , 1n i hX1 , X1 i · · · hX1 , X p i  β0  hX1 ,Y i 
   
 .. .. .. ..    .. 

 . . . . 

β1  
= . 

 .. (4.28)
 hXk , 1n i hXk , X1 i · · · hXk , X p i 

.
  hX ,Y i
  k


 .. .. .. ..   .. 
 . . . .  βp  . 
   
hX p , 1n i hX p , X1 i · · · hX p , X p i hX p ,Y i
4.5. MÉTODO DA INFORMAÇÃO COMPLETA 78
em que hX j , Xk i é o produto interno entre vetores de intervalos, calculado da Equação (4.29)



 1 n

 hX j , Xk i = 4 ∑ (¯x ji + x̄ ji)(¯xki + x̄ki), se j 6= k
i=1 (4.29)

 1 n
2 2
 hX j , X j i = 3
 ∑ (¯x ji + x ji x̄ ji + x̄ ji ), se j = k.
i=1 ¯
O sistema linear especificado na Equação (4.28) pode ser escrito em um formato matricial,
como descrito na Equação (4.30)
Aβ = b, (4.30)
cuja solução é determinada diretamente através da inversa da matriz A, denotada por A−1 , de
β = A−1 b. (4.31)
O MIC garante a coerência matemática dos limites dos intervalos preditos através da
combinação linear de Moore (que usa a função indicadora τ). Em resumo, o modelo constrói
dois modelos distintos para predição dos limites. Em cada um desses modelos, existe uma
combinação linear de alterações entre os limites inferiores e superiores dos intervalos regressores
(o que depende do sinal de β j ). Isto representa um avanço em relação aos outros métodos, uma
vez que não fixa os pontos nos regressores utilizados para a predição.
79
5
Regressão Linear com Parametrização
Este capítulo descreve o método dos intervalos parametrizados (MIP), que se baseia no
método dos mínimos quadrados para estimação dos coeficientes da regressão e não considera um
comportamento probabilístico para os erros. Dois modelos independentes são propostos, um para
cada limite da resposta. Nos dois modelos, são utilizados os limites inferiores e superiores das
variáveis regressoras. Com o uso da equação paramétrica da reta, demonstra-se que os modelos
determinam, automaticamente, os pontos nos regressores que oferecem o melhor ajuste na
regressão. Antes da determinação dos modelos, um critério é utilizado para verificar a coerência
matemática da predição. Se o critério indicar que a coerência falha, propõe-se a aplicação de
uma transformação para intervalos sobre a variável resposta.
Este capítulo foi dividido em seções que exploram os fundamentos necessários para a
elaboração do método proposto. A Seção 5.1 propõe a reapresentação paramétrica para intervalos.
A Seção 5.2 especifica os modelos utilizados na predição dos limites da variável resposta. A
Seção 5.3 discute análise da coerência matemática para os intervalos preditos e propõe algumas
transformações para intervalos com o objetivo de manter tal coerência. A Seção 5.4 apresenta a
comparação do método proposto em relação àqueles existentes na literatura através da predição
da variável resposta para dados sintéticos e reais.
5.1 Parametrização Intervalar

Um intervalo tem uma representação geométrica como um segmento de reta. Assim, a
equação parametrizada da reta pode ser usada para alcançar qualquer ponto dentro do intervalo.
Dado um intervalo γ = [γ, γ̄], com γ ≤ γ̄, um ponto q que se encontra dentro de γ, pode ser
¯ ¯
determinado pela equação parametrizada da reta, apresentada na Equação (5.1)
q(λ ) = γ (1 − λ ) + γ̄ λ , (5.1)
¯
com 0 ≤ λ ≤ 1 (LEITHOLD, 1986; MCCREA, 2012). Fixando um valor para λ , um intervalo
se reduz a um ponto. Os limites do intervalo são obtidos com λ = 0 e λ = 1, tais que, q(0) = γ
¯
e q(1) = γ̄. O centro do intervalo é obtido quando λ = 0.5.
5.2. ESPECIFICAÇÃO DOS MODELOS 80
5.2 Especificação dos Modelos

Considere que para cada variável regressora X j , para j = 1, · · · , p, seja fixado um valor
λ j , para determinar pontos nas amostras desta variável, através da parametrização intervalar.
Desta forma, para os intervalos x ji (i = 1, · · · , n), definem-se os pontos parametrizados q ji , como
dado na Equação (5.2), baseada na parametrização intervalar definida na Equação (5.1),
q ji = x ji (1 − λ j ) + x̄ ji λ j . (5.2)
¯
Propõe-se a modelagem do limite inferior da resposta baseando-se nestes pontos parametrizados,

como mostrado na Equação (5.3)
p
in f in f in f
yi = β0 + ∑ β j q ji + εi , (5.3)
¯ j=1
in f in f
em que β j ( j = 0, · · · , p) são os coeficientes desconhecidos do modelo e εi (i = 1, · · · , n) são
os erros. Substituindo a Equação (5.2) na Equação (5.3), obtém-se a Equação (5.4)
p
in f in f in f
yi = β0 + ∑ β j x ji (1 − λ j ) + x̄ ji λ j + εi . (5.4)
¯ j=1 ¯
Agrupando os coeficientes e os parâmetros de parametrização intervalar, a Equação (5.4) reduz-se

à Equação (5.5)
p
in f in f in f in f
yi = β0 + ∑ β j (1 − λ j ) x ji + β j λ j x̄ ji + εi . (5.5)
¯ j=1 ¯
in f in f
Suponha os novos coeficientes α j e ω j , como definidos na Equação (5.6)

 α in f = β in f (1 − λ )
j j j
(5.6)
 ω in f = β in f λ .
j j j
Então, a Equação (5.5) iguala-se à Equação (5.7)

p
in f in f in f in f
yi = β0 + ∑ α j x ji + ω j x̄ ji + εi , (5.7)
¯ j=1 ¯
que pode ser escrita em um formato matricial, como dado na Equação (5.8)
yin f = X lim β in f + ε in f , (5.8)

em que,
 
1
x11 x̄11 x21 x̄21 · · · x p1 x̄ p1
 ¯ ¯ ¯ 
 1
x12 x̄12 x22 x̄22 · · · x p2 x̄ p2 
X =
lim
 ¯.
.. .. ¯ .. .. ¯. .. 
,
 ..
. . . . · · · .. . 
1 x1n x̄1n x2n x̄2n · · · x pn x̄ pn
¯ ¯ ¯ T
in f in f in f in f in f in f
β = β0 α1 ω1 α2 ω2 · · · α pin f ω pin f ,
T
yin f = y1 y2 · · · yn e
¯ ¯ ¯ T
ε in f = ε1in f ε2in f · · · εnin f .
A soma dos quadrados dos erros (MONTGOMERY; PECK; VINING, 2001) é dada na Equação
(5.9)
n
= ∑ (εi )2
in f
S in f
(5.9)
i=1
in f T in f
= (ε ) ε
= (yin f − X lim β in f )T (yin f − X lim β in f )
= (yin f )T yin f − 2(β in f )T (X lim )T yin f + (β in f )T (X lim )T X lim β in f .
Busca-se a estimativa de β in f que minimiza Sin f . De acordo com o método dos mínimos
quadrados, esta estimativa ocorre quando a primeira derivada de Sin f com relação a β in f é igual
a 0 e a segunda derivada é positiva definida (DRAPER; SMITH, 1981; MONTGOMERY; PECK;
VINING, 2001; SEBER, 1977). Neste sentido, derivando Sin f com relação a β in f e igualando a
0, obtém-se a Equação (5.10)
∂ Sin f
= −2(X lim )T yin f + 2(X lim )T X lim β in f = 0. (5.10)
∂ β in f
Em seguida, obtém-se a Equação (5.11)
(X lim )T X lim β in f = (X lim )T yin f . (5.11)
Se a matriz (X lim )T X lim admitir inversa, o valor estimado de β in f é determinado pela Equação
(5.12)
β in f = ((X lim )T X lim )−1 (X lim )T yin f . (5.12)
em que ((X lim )T X lim )−1 é a inversa de ((X lim )T X lim ).

No caso de a matriz ((X lim )T X lim ) não admitir inversa, uma solução pode ainda ser
encontrada utilizando-se a pseudo-inversa de Moore-Penrose, ou simplesmente pseudo-inversa
(PENROSE, 1955). Seja uma Matriz M, sua pseudo-inversa, denotada por M + , é única matriz
que satisfaz as seguintes condições:
I. M M + M = M,
II. M + M M + = M + ,
III. (M M + )T = M M + ,
IV. (M + M)T = M + M.
Na prática, a utilização da pseudo-inversa é feita em associação com a decomposição em valores

singulares - do inglês, singular value descomposition (SVD). Dada a matriz ((X lim )T X lim ), com
dimensões (2p + 1) × (2p + 1), a aplicação do SVD corresponde a encontrar as matrizes U, Σ e
V , de dimensões (2p + 1) × (2p + 1), que satisfaçam a Equação (5.13)
((X lim )T X lim ) = U ΣV T , (5.13)
em que U e V são matrizes ortogonais e Σ é uma matriz diagonal que contém os valores singulares
de ((X lim )T X lim ). Com a decomposição SVD, a pseudo-inversa de ((X lim )T X lim ) é dada pela
Equação (5.14)
((X lim )T X lim )+ = V Σ+ U, (5.14)
em que Σ+ é diagonal e equivale à pseudo-inversa de Σ, que é dada na Equação (5.15)


 1, se σii 6= 0
σii+ = σii (5.15)
 0, se σii = 0,
em que σii+ e σii são, respectivamente, os elementos presentes na digonal da i-ésima linha das
matrizes Σ+ e Σ (MEYER, 2000). Se a matriz ((X lim )T X lim ) é invertível, todos os valores
singulares são não-nulos e, neste caso, ((X lim )T X lim )+ = ((X lim )T X lim )−1 .
Proposição 5.1. A matriz Σ+ satisfaz as propriedades de pseudo-inversa de Moore-Penrose.
Demonstração 5.1. A demonstração é apresentada no Apêndice H.
Os coeficientes da regressão são calculados como mostrado na Equação (5.16)
β in f = ((X lim )T X lim )+ (X lim )T yin f , (5.16)
em que ((X lim )T X lim )+ é a pseudo-inversa de ((X lim )T X lim )+ , calculada pela Equação (5.14).
A implementação da decomposição SVD está disponível em várias plataformas de software. Nas
linguagens C e C + + é possível utilizar a biblioteca lapack ( http://www.netlib.org/
lapack/). Na linguagem R, muito comum para a modelagem de regressão, existe também um
pacote denominado svd, cuja documentação é encontrada em https://cran.r-project.

org/web/packages/svd/svd.pdf.
Os valores de λ j definidos na parametrização não precisam ser fixados previamente. Eles
são implicitamente determinados quando o método dos mínimos quadrados é aplicado. Assim, o
modelo determina, automaticamente, os pontos nos regressores que garantem o melhor ajuste.
in f in f in f in f
Fixando a variável X j e sabendo que α j = β j (1 − λ j ) e ω j = β j λ j , o valor λ j pode ser
determinado pela Equação (5.17)
in f
ωj
λ j = in f in f
. (5.17)
αj +ωj
O valor de λ j pode ser usado para determinar o conjunto de pontos dos regressores que são
utilizados na regressão. Como uma consequência do modelo, pode-se utilizar apenas os limites
dos regressores (inferiores e superiores) para modelar o limite inferior da variável resposta.
Supondo a aplicação do mesmo modelo, baseado na parametrização da reta, para o limite
superior da variável resposta, tem-se a Equação (5.18)
p
ȳi = β0sup + ∑ α j ¯x ji + ω j x̄ ji + εisup.
sup sup
(5.18)
j=1
em que β0sup , α sup

j ( j = 1, · · · , p) e ω sup
j ( j = 1, · · · , p) são os coeficientes desconhecidos do
sup
modelo e εi (i = 1, · · · , n) são os erros. A Equação (5.18) pode ser escrita em um formato
matricial, como proposto na Equação (5.19)
ysup = X lim β sup + ε sup , (5.19)
em que,
 
1
x11 x̄11 x21 x̄21 · · · x p1 x̄ p1
 ¯ ¯ ¯ 
 1
x 12 x̄12 x 22 x̄22 · · · x p2 x̄ p2 
X lim = 
 ¯.
.. . ¯. . ¯. .. ,

 ... .. .. .. · · · .. . 
1 x1n x̄1n x2n x̄2n · · · x pn x̄ pn
¯ ¯ ¯ T
sup sup sup sup sup sup
β = β0 α1 ω1 α2 ω2 ··· α psup ω psup ,
T
ysup = ȳ1 ȳ2 · · · ȳn e
T
sup sup sup sup
ε = ε1 ε2 · · · εn .
A solução pelo método dos mínimos quadrados da Equação (5.19) é obtida seguindo-se os
mesmos cálculos das Equações (5.9), (5.10) e (5.16). Assim, se ((X lim )T X lim ) admitir inversa, a
estimativa pelo método dos mínimos quadrados da Equação (5.19) obtém-se a Equação (5.20)
5.3. ANÁLISE DA COERÊNCIA MATEMÁTICA 84
(MONTGOMERY; PECK; VINING, 2001; SEBER, 1977)
β sup = ((X lim )T X lim )−1 (X lim )T ysup . (5.20)
Por outro lado, se ((X lim )T X lim ) não admite inversa, a solução é dada pela Equação (5.21)
β sup = ((X lim )T X lim )+ (X lim )T ysup , (5.21)
em que ((X lim )T X lim )+ é a pseudo-inversa da matriz ((X lim )T X lim ), calculada pela Equação
(5.14).
Apesar de se usar o mesmo modelo para modelar os dois limites da variável resposta, os
valores dos coeficientes não são, necessariamente, os mesmos. Existe apenas um único caso em
que eles são iguais: quando todos os limites inferiores das amostras são iguais a seus respectivos
limites superiores (quando a variável resposta converge para pontos).
5.3 Análise da Coerência Matemática

Uma característica desejável para os modelos de regressão intervalares é a manutenção
da coerência matemática para os valores preditos, em que os limites superiores são sempre
maiores ou iguais aos inferiores. Nesta seção, investiga-se o comportamento do MIP com relação
a coerência matemática dos intervalos preditos. Também são apresentadas transformações para
os intervalos da variável resposta, para serem utilizadas nos casos em que não se verifica a
coerência matemática nas estimativas da resposta.
5.3.1 Transformações para Intervalos

A regressão linear supõe que a variável resposta e as variáveis regressoras apresentam
uma dependência linear. Entretanto, em casos reais, isto pode não ser verdade. Nestes casos,
uma transformação é usada para garantir as suposições do modelo (DRAPER; SMITH, 1981;
MONTGOMERY; PECK; VINING, 2001). Existe um variado número de transformações
na literatura que podem ser aplicadas em variáveis respostas compostas por pontos. Estas
transformações, em geral, englobam uma família de funções. A função a ser utilizada na
transformação é escolhida a partir de um parâmetro. As transformações Box-Cox (BOX; COX,
1964), exponencial (MANLY, 1976) e de potência (ARANDA-ORDAZ, 1981) são exemplos
de famílias de funções comumente utilizadas no contexto de regressão linear. A escolha da
transformação depende do tipo de distribuição de probabilidade que a variável resposta tem. Em
todas elas, busca-se que a variável transformada siga uma distribuição normal para a construção
dos modelos de regressão.
É possível generalizar as várias transformações existentes para pontos. Considere T a
representação de uma transformação paramétrica, como mostrada na Equação (5.24)
wκ = T (w, κ), (5.22)
em que w ∈ R e κ é um vetor de parâmetros que especifica a expressão da transformação, que

deve ser monótona (CORDEIRO; ANDRADE, 2009).
Uma nova abordagem, e que também é proposta nesta tese, para a regressão linear
envolvendo intervalos considera a utilização de transformações definidas para pontos. Baseando-
se em transformações monótonas crescentes presentes na literatura, um intervalo transformado é
obtido a partir da transformação dos seus limites. A monotonicidade crescente das transformações
garante a coerência matemática do intervalo obtido. Considerando o intervalo γ = [γ, γ̄] e a
¯
transformação paramétrica T , monótona crescente, para pontos, a transformação para intervalos,
baseada em T , é dada pela Equação (5.23)
h i
γ κ = T (γ, κ), T (γ̄, κ) , (5.23)
¯
em que κ é um vetor de parâmetros que especifica a expressão da transformação. Desta forma,
qualquer transformação monótona crescente que existe para dados pontuais pode ser estendida
para intervalos. As subseções seguintes apresentam as transformações Box-Cox, exponencial e
de potência para intervalos.
5.3.1.1 Transformação Box-Cox para Intervalos
Box e Cox (1964) apresentaram uma família de transformações monótonas crescentes

parametrizadas. Para um ponto w ∈ R, a transformação Box-Cox é dada na Equação (5.24)

 (w + κ2 ) 1 − 1 ,
κ
se κ1 6= 0,
wκ = κ1 (5.24)

log(w + κ2 ), se κ1 = 0,
em que κ é o parâmetro da transformação, com κ = (κ1 , κ2 ). κ1 pode assumir qualquer valor

real, mas κ2 deve satisfazer: w + κ2 > 0.
Seja o intervalo γ = [γ, γ̄]. a transformação Box-Cox é definida pela Equação (5.25)
¯

 (γ + κ2 )κ1 − 1 (γ̄ + κ2 )κ1 − 1
 ¯ , , se κ1 6= 0,
γκ = h κ1 κ1i (5.25)

 log(γ + κ2 ), log(γ̄ + κ2 ) , se κ1 = 0,
¯
em que κ = (κ1 , κ2 ), κ1 pode assumir qualquer valor real e κ2 é restrito a: γ + κ2 > 0. Os
¯
valores κ1 e κ2 podem ser obtidos empiricamente ou por métodos computacionais de busca
(MONTGOMERY; PECK; VINING, 2001). Um caso particular da Box-Cox, mas muito utilizada,
ocorre quando κ2 = 0. Neste caso, a variável resposta deve ter todos os valores positivos.
5.3.1.2 Transformação Exponencial para Intervalos
Manly (1976) propôs a utilização de transformações exponenciais. Seu uso é recomen-

dado para variáveis com distribuições unimodais. Dado w ∈ R, a transformação é expressa pela
Equação (5.26) 
 exp(κ1 w) − 1 , se κ 6= 0,
1
κ
w = κ1 (5.26)

w, se κ1 = 0,
em que κ = (κ1 ) e κ1 ∈ R. Esta transformação é uma alternativa ao uso da Box-Cox. Ela aceita
valores negativos e apenas um parâmetro (κ1 ) precisa ser especificado.
Para o intervalo γ = [γ, γ̄], a transformação exponencial é dada pela Equação (5.29)
¯

 exp(κ1 γ) − 1 exp(κ1 γ̄) − 1
 ¯ , , se κ1 > 0,
γκ = h i κ1 κ1 (5.27)

 γ, γ̄ , se κ1 = 0,
¯
em que κ = (κ1 ) e κ1 ∈ R.
5.3.1.3 Transformação de Potência para Intervalos
Aranda-Ordaz (1981) propôs uma transformação de potência para dados de proporção

que trata sucessos e fracassos de forma simétrica. Considerando a probabilidade de sucesso
w ∈ [0, 1], a transformação de potência é apresentada na Equação (5.28)


 2 [wκ1 − (1 − w)κ1 ]
 κ1 + (1 − w)κ1 ]
, se κ1 6= 0,
κ1 [w

κ
w = (5.28)

 w
 log , se κ1 = 0,
1−w
em que κ = (κ1 ) e κ1 ∈ R.
Para o intervalo γ = [γ, γ̄], a transformação de potência é dada pela Equação (5.29)
¯
  h κ1 i 

 2 ¯γ − 1 − ¯γ


κ 1
2 γ̄ κ1 − (1 − γ̄)κ1 

 , se κ1 6= 0,

  h κ1 i, κ1 + (1 − γ̄)κ1 
κ1 γ + 1 − γ
κ 1 κ1 γ̄
γκ = " ! ¯ (5.29)

 ¯ #

 γ γ̄

 log 1 −
 ¯
γ
, log
1 − γ̄
, se κ1 = 0,
¯
em que κ = (κ1 ) e κ1 ∈ R. Esta transformação é indicada para variáveis intervalares que
representam proporções.
5.3.2 Predição das Amostras da Variável Resposta

A Equação (5.30) apresenta a predição dos limites inferiores da variável resposta, que
foram utilizados na construção do modelo através do MIP,
ŷin f = X lim β in f (5.30)

= X lim ((X lim )T X lim )−1 (X lim )T yin f
= H yin f ,
sendo H a matriz de projeção da regressão (MONTGOMERY; PECK; VINING, 2001; RENCHER;

SCHAALJE, 2008), definida na Equação (5.31)
H = X lim ((X lim )T X lim )−1 (X lim )T . (5.31)
A Equação (5.32) apresenta a estimativa para o limite superior para as amostras da variável
resposta,
ŷsup = X lim β sup (5.32)

= X lim ((X lim )T X lim )−1 (X lim )T ysup
= H ysup ,
em que H é a mesma matriz de projeção utilizada na predição dos limites inferiores das amostras,
definida na Equação (5.31). Nota-se que mesmo com estimativas diferentes para os coeficientes
dos modelos, a mesma matriz de projeção H é obtida.
As amplitudes das amostras são descritas pela Equação (5.33)
yamp = ysup − yin f . (5.33)
As amplitudes das estimativas das amostras são calculadas através da Equação (5.34)
ŷ amp = ŷ sup − ŷ in f , (5.34)
em que ŷ amp e yamp são vetores de dimensão n, tais que ŷ amp = (y̆ˆ1 , y̆ˆ2 , · · · , y̆ˆn )T e yamp =
(y̆1 , y̆2 , · · · , y̆n ), com y̆î = ȳî − yî e y̆i = ȳi − yi , para i = 1, · · · , n. Calculando a diferença ŷ sup − ŷ in f ,
¯ ¯
obtém-se a Equação (5.35)
ŷsup − ŷin f = H (ysup − yin f ) (5.35)

ou y̆ˆ = H y̆.
Sabe-se que, pela definição intervalar, y̆i ≥ 0, ∀i. A partir da Equação (5.35), obtém-se a Equação
(5.36)
n
y̆î = ∑ hi j y̆ j , (5.36)
j=1
em que hi j é o valor da i-ésima linha e j-ésima coluna da matriz H. Para a obtenção da coerência
matemática na estimação das amostras, o método deve garantir que y̆î ≥ 0, ∀i. Como os valores y̆i
( j = i, · · · , n) são positivos, o comportamento do sinal da amplitude dessas estimativas depende
das linhas da matriz H. De acordo com Rencher e Schaalje (2008), 0 ≤ hii ≤ 1 e −0.5 ≤ hi j ≤ 0.5,
para i = 1, . . . , n e j = 1, · · · , n. Como os valores de hi j (quando i 6= j) podem ser negativos, a
Equação (5.36) revela que não existe garantia de que y̆î ≥ 0, para algum i. Propõe-se o cálculo
ˆ como descrito na Equação (5.35), antes da realização da regressão. Se todos os valores
de y̆,
obtidos são positivos, a coerência matemática é garantida. Entretanto, se um único valor for
negativo, deve ser aplicada na variável resposta uma transformação para intervalos, como descrito
na Equação (5.25). Os parâmetros da transformação devem ser escolhidos de tal forma que a
coerência seja garantida.
5.3.3 Predição para Valores não Amostrados

Um fecho convexo
( de um
) conjunto finito X = {x1 , · · · , xN } de pontos de R é o conjunto
p
N N
de pontos conv(X) = ∑ ci xi , tal que ci ≥ 0 e ∑ ci = 1 (GOODRICH; ALBRECHT; TIS-
i=1 i=1
CHER, 2009; FIGUEIREDO; CARVALHO, 1991). No contexto de regressão linear, existe um
fecho convexo que determina a região, onde os pontos podem ser escolhidos para as variáveis
regressoras com o objetivo de estimar valores para a variável resposta (MONTGOMERY; PECK;
VINING, 2001). Os limites desse fecho correspondem a algumas amostras utilizadas na cons-
trução do modelo. Fora dele não faz sentido realizar estimativas porque ocorre uma extrapolação
do modelo. A Figura 5.1 apresenta um exemplo de fecho convexo construído a partir de um
conjunto de pontos bidimensional, que pode corresponder a duas variáveis regressoras.
Considere um ponto xτ , que está dentro do fecho convexo do modelo de regressão, e o
conjunto de índices Z = {z1 , z2 , · · · , zk } de linhas da matriz X lim , que são os vértices do fecho. O
ponto xτ pode ser escrito como uma combinação convexa dos pontos indexados pelo conjunto de
índices Z, como descrito na Equação (5.37)
k
xτ = ∑ ci Xzlim
i
, (5.37)
i=1
k
em que ci (i = 1, · · · , k) são constantes, com 0 ≤ ci ≤ 1 e ∑ ci = 1 (GOODRICH; ALBRECHT;
i=1
TISCHER, 2009). A estimativa para o limite inferior da resposta (yˆτ ) para xτ é calculada de
¯
Figura 5.1: Fecho convexo construído a partir de um conjunto de pontos bidimensional.
1.5
0.5
x2
−0.5
−1
−1.5
−3 −2 −1 0 1 2 3
x1
Fonte: do autor
yˆτ = xτ β in f
¯ k
= ∑ ci Xzlim
i
((X lim )T X lim )−1 (X lim )T yin f
i=1
k n
= ∑ ci ∑ hzi j y j . (5.38)
i=1 j=1 ¯
A Equação (5.39) apresenta a estimativa do limite superior da resposta (ȳˆτ ) para xτ
ȳˆτ = xτ β U
k
= ∑ ci Xzlim
i
((X lim )T X lim )−1 (X lim )T ysup
i=1
k n
= ∑ ci ∑ hzi j ȳ j . (5.39)
i=1 j=1
A amplitude de ŷτ (y̆ˆτ = ȳˆτ − yˆτ ), é determinada pela Equação (5.40)

¯
k n
y̆ˆτ = ∑ ci ∑ hzi j (ȳ j − y j )
i=1 j=1 ¯
k
= ∑ ci y̆î . (5.40)
i=1
Como as constantes da convexidade são não-negativas e, se necessário, utilizando a transformação

adequada, os valores de y̆î , também, são não-negativos, conclui-se que a amplitude da resposta
estimada para xτ é não-negativa. Este fato confirma que o MIP garante a coerência matemática
para a predição baseada em pontos que se encontram dentro do fecho convexo da regressão.
O mesmo raciocínio é aplicado quando a pseudo-inversa é utilizada para a estimação dos
coeficientes de regressão.
5.4 Avaliação Experimental

Esta seção compara o ajuste do MIP e dos métodos propostos na literatura que, também,
não consideram distribuições para os erros e que utilizam o método dos mínimos quadrados para
a estimação de seus coeficientes: MC, MinMax, MCA, MCAR e MIC. Dados sintéticos são
gerados para analisar o ajuste desses métodos sob diferentes configurações para a dependência
entre as variáveis regressoras e a variável resposta. Alguns conjuntos de dados reais são, também,
apresentados e confirmam a adaptabilidade do MIP.
5.4.1 Métrica de Avaliação

Para comparação dos métodos utiliza-se a magnitude relativa do erro da estimativa
(MREE) (KITCHENHAM et al., 2001; FOSS et al., 2003), que, de acordo com Foss et al.
(2003), é uma métrica robusta para a verificação do ajuste de modelos de regressão linear. Seja
um conjunto de amostras intervalares da variável resposta {y1 , y2 , · · · , yn } e outro conjunto
composto por suas respectivas estimativas, tal que {ŷ1 , ŷ2 , · · · , ŷn }. O índice MREE que mede a
qualidade da estimação é calculado de acordo com a Equação (5.41)
( )
1 yi − yˆ ȳ − ȳˆ
i i
MREEi = ¯ ¯ i + . (5.41)
2 yî ȳî
¯
A média de índices MREE para todas as amostras gera a média da magnitude relativa do erro da
estimativa (MMREE), dado pela Equação (5.42)
1 n
MMREE = ∑ MREEi (5.42)
n i=1
( )
ˆ ˆ
1 − ȳi − ȳi

n y y
i
= ∑ ¯ ¯ i + .
2n i=1 yî ȳî
¯
Quanto mais próximos de 0 são os valores de MREE e MMREE, melhor é a adequação das
estimações aos valores das amostras (FOSS et al., 2003).
5.4.2 Validação Bootstrap

Intervalos de confiança não paramétricos são construídos para os valores de MMREE
para comparar os métodos. Para isso, utiliza-se a abordagem bootstrap, como descrita no
Algoritmo 4.
5.4.3 Dados Sintéticos

Duas configurações são utilizadas para a geração dos dados sintéticos. Elas apresentam
uma variável regressora que é gerada de acordo com os seguintes passos: Foram gerados
400 pontos, para obter os centros, usando uma distribuição uniforme no intervalo [−10, 10],
resultando no conjunto Cx = {cx1 , cx2 , · · · , cx400 }. Em seguida, foram gerados 400 valores para a
amplitude baseando-se em uma distribuição uniforme no intervalo [0, 5], resultando no conjunto
δx = {δx1 , δx2 , · · · , δx400 }. As amostras regressoras são determinadas como na Equação (5.43)
xi = [cxi − δxi /2, cxi + δxi /2], (5.43)
para i = 1, · · · , 400.
A configuração 1 para a dependência entre as variáveis envolve a modelagem pela
abordagem centro e amplitude, de acordo com os modelos apresentados na Equação (5.44)
(
cyi = β0 + β1 cxi + εic ,
(5.44)
δyi = β2 + β3 δxi + εiδ ,
em que β0 , β1 , β2 , β3 , εic e εiδ são sorteados, aleatoriamente, de acordo com as distribuições: β0 e

β1 seguem distribuições uniformes no intervalo [−5, 5] (Un(−5, 5)); β2 e β3 seguem distribuições
uniformes no intervalo [0, 5] (Un(0, 5)); εic e εiδ seguem distribuições normais com média 0 e
variância 1 (N(0, 1)). Os limites da resposta são calculados por yi = cyi − δyi /2 e ȳi = cyi + δyi /2.
¯
A Figura 5.2 apresenta um exemplo de intervalos gerados através da configuração 1.
A configuração 2 envolve a dependência dos limites da resposta em relação a pontos
internos da variável regressora. Assim, a resposta é gerada como dado na Equação (5.45)
(
ayi = β0 + β1 qxi + εi ,
(5.45)
byi = β2 + β3 rxi + εi ,
em que β0 , β1 , β2 , β3 , εi , qxi e rxi são gerados aleatoriamente. β0 segue uma distribuição uniforme
no intervalo [−67.5, −62.5] (Un(−67.5, −62.5)); β1 e β3 seguem distribuições uniformes no
intervalo [−5, 5] (Un(−5, 5)); β2 segue uma distribuição uniforme no intervalo [62.5, 67.5]
(Un(62.5, 67.5)); εi segue uma distribuição uniforme com média 0 e variância 1 (N(0, 1));
qxi = (1 − λ p ) xi + λ p x̄i e rxi = (1 − λq ) xi + λq x̄i , para i = 1, . . . , 400, em que λ p e λq são
¯ ¯
aleatoriamente gerados a partir de distribuições uniformes no intervalo [0, 1] (Un(0, 1)). A
Figura 5.2: Conjunto sintético gerado pela configuração 1.
30
20
10
0
y
−10
−20
−30
−15 −10 −5 0 5 10 15
x
Fonte: do autor
Figura 5.3 apresenta um exemplo de intervalos gerados por meio da configuração 2.
Figura 5.3: Conjunto sintético gerado pela configuração 2.
150
100
50
y
−50
−100
−15 −10 −5 0 5 10 15
x
Fonte: do autor
Dada uma amostra para o regressor, são realizadas 100 iterações, cada uma com amostras
diferentes para a variável resposta, gerada através das configurações 1 ou 2. Para estimar os
coeficientes, são escolhidos, aleatoriamente, 300 pares de intervalos. Os outros 100 valores
são usados para calcular o índice MMREE. Depois, obtém-se a média dos MMREE obtidos
nas 100 iterações. Novamente outras amostras para o regressor são geradas, sendo que este
processo se repete 100 vezes, até se obter 100 médias de MMREE. Um intervalo de confiança é
construído baseado nessas 100 médias, usando o algoritmo bootstrap com α = 5% e B = 2000.
O Algoritmo 6 apresenta os passos para a geração dos dados sintéticos e a construção do intervalo
de confiança para o método de regressão linear desejado.
Algoritmo 6 Geração dos dados sintéticos e retorna o intervalo de confiança relativo ao método
de regressão linear escolhido
Entrada Método de regressão linear intervalar; Configuração para ageração da variável resposta;
Saída Intervalo de confiança para o método de regressão com erro de 5%;
1: Para i=1:100 Faça
2: Gere 400 amostras para a variável regressora (xi ), como mostrado na Equação (5.43);
3: Para j=1:100 Faça
4: Baseado na configuração 1 ou 2, gere as amostras da resposta (yi ), usando xi ;
5: Escolha, aleatoriamente, 300 pares (xi , yi ) e construa o modelo linear;
6: Calcule MMREE j usando o modelo construído e os outros 100 pares (xi , yi ), conforme descrito
na Equação (5.42);
7: Fim Para
8: mi ← média do conjunto {MMER1 , MMER2 , · · · , MMER100 };
9: Fim Para
10: Determine o intervalo de confiança com os parâmetros Φ = {m1 , m2 , · · · , m100 }, B = 2000 e α = 0.05,
usando o Algoritmo 4.
A Tabela 5.1 apresenta os intervalos de confiança do MMREE, com 95% de confiança,

para os métodos MC, MinMax, MCA, MCAR, MIC e MIP quando a configuração 1, para
geração dos dados sintéticos, é usada. Nesta configuração, os centros e as amplitudes das
variáveis estão linearmente relacionadas.
Tabela 5.1: Intervalos de confiança do MMREE para configuração 1
Intervalo de confiança MMREE

método
(5% erro)
MC [4.189, 17.118]
MinMax [1.513, 5.048]
MCA [0.599, 0.853]
MCAR [0.602, 0.844]
MIC [2.488, 5.164]
MIP [0.619, 1.496]
Pela Tabela 5.1, notamos que os métodos MC, MinMax e MIC apresentaram os piores ajustes.
Mas, como esperado, os métodos MCA e MCAR tiveram melhores ajustes porque a configuração
1 tem dependências lineares entre os centros e as amplitudes entre as variáveis regressoras e
a resposta. Os intervalos dos métodos MIP, MCA e MCAR se interceptam, indicando que os
ajustes deles são estatisticamente iguais, com um erro de 5%. Assim, o MIP é capaz de construir
modelos de regressão linear com bons ajustes quando as variáveis possuem dependências entre
seus centros e suas amplitudes.
A Tabela 5.2 apresenta os intervalos de confiança de MMREE, com 95% de confiança

para a configuração 2. Nesta configuração, os limites da resposta dependem de pontos internos
dos intervalos.
Tabela 5.2: Intervalos de confiança do MMREE para a configuração 2
Intervalo de confiança MMREE

método
(5% erro)
MC [64.264, 89.560]
MinMax [0.063, 0.078]
MCA [0.173, 0.246]
MCAR [0.166, 0.237]
MIC [65.960, 87.974]
MIP [0.009, 0.010]
Para esta configuração mais geral, o MC e o MIC apresentaram os piores ajustes. O MCA e o
MCAR apresentaram desempenhos semelhantes e o MinMax obteve um ajuste melhor que eles.
Por outro lado, o MIP tem seu intervalo de confiança, significativamente muito mais próximo de
0, exibindo o melhor ajuste para este tipo de configuração.
5.4.4 Dados Reais

Alguns dados reais são usados para a comparação dos métodos discutidos que provêm
regressão linear intervalar. Para a comparação foi utilizado o método leave one out (HAYKIN,
2011): para um conjunto de dados com n amostras, são construídos n modelos, eliminando, em
cada vez, uma amostra, que é usada para predição e cálculo do MREE. A partir dos n valores
do MREE, a média é calculada e um intervalo de confiança não-paramétrico para a média é
construído por bootstrap com 5% de erro com o objetivo de prover uma comparação estatística
entre os métodos.
5.4.4.1 Conjunto Colesterol-idade
O conjunto Colesterol-idade (BILLARD; DIDAY, 2006) contém variáveis intervalares

sobre medições do nível de colesterol por faixa etária de uma população de uma região dos EUA.
Cada amostra agrupa indivíduos por década de idade e os valores mínimo e máximo da taxa
de colesterol. O colesterol é a variável resposta (Y ), enquanto a idade é a variável regressora
(X1 ). Este conjunto pode ser encontrado no Anexo C. A Figura 5.4 apresenta os intervalos que
compõem o conjunto colesterol-idade.
Figura 5.4: Conjunto colesterol-idade.
260
240
220
200
colesterol
180
160
140
120
100
10 20 30 40 50 60 70 80 90 100
idade
Fonte: do autor
A análise da estimação das amostras da resposta, descrita na Seção 5.3, mostra que nenhu-
ma transformação é necessária para garantir a coerência matemática. A Tabela 5.3 apresenta os
intervalos de confiança para o MREE.
Tabela 5.3: Resultados para o conjunto colesterol-idade
MREE
intervalo de confiança
método média
(5% de erro)
MC 0.259 [0.177, 0.408]
MinMax 0.204 [0.094, 0.387]
MCA 0.250 [0.102, 0.499]
MCAR 0.291 [0.240, 0.358]
MIC 0.226 [0.206, 0.241]
MIP 0.066 [0.048, 0.083]
Os intervalos de confiança da Tabela 5.3 confirmam a capacidade de ajuste dos modelos propostos
pelo MIP. Se a comparação se restringir aos métodos que garantem a coerência matemática
(MCAR, MIC e MIP), verifica-se que o ajuste do MIP obteve um melhor ajuste.
5.4.4.2 Conjunto Cogumelos
O conjunto cogumelos (FAGUNDES; SOUZA; CYSNEIROS, 2014; BILLARD; DIDAY,

2006) apresenta medidas intervalares de características de 23 espécies de cogumelos do gênero
Agaricies. Estas medidas são: largura do píleo (Y ), comprimento da estipe (X1 ) e espessura da
estipe (X2 ). Este conjunto foi construído a partir do Fungi of California Species Index (http:
//www.mykoweb.com/CAF/speciesindex.html). Este conjunto pode ser encontrado
no Anexo D.
A Figura 5.5 apresenta os intervalos que compõem o conjunto cogumelos.
Figura 5.5: Conjunto cogumelos.
20
largura do pı́l eo
15
10
0
5
15
4
3 10
2
5
largura da estipe 1 comprimento da estipe
Fonte: do autor
A análise da amplitude estimada, como apresentada na Seção 5.3, revela que nenhuma
transformação precisa ser aplicada a resposta para garantir a coerência matemática. A Tabela 5.4
apresenta os intervalos de confiança para o MREE.
Tabela 5.4: Resultados para o conjunto cogumelos
MREE
intervalo de confiança
método média
(5% de erro)
MC 0.283 [0.202, 0.391]
MinMax 0.281 [0.094, 0.387]
MCA 0.290 [0.207, 0.396]
MCAR 0.394 [0.321, 0.474]
MIC 0.302 [0.242, 0.368]
MIP 0.283 [0.208, 0.390]
Todos os intervalos de confiança se interceptam. Desta forma, todos os modelos apresentam,

estatisticamente, o mesmo ajuste para a dependência das variáveis. Como o MIP não apresenta
melhor resultado que os outros, conclui-se que não existe uma configuração de pontos nos
regressores que possam melhorar a predição.
5.4.4.3 Conjunto Carros
O conjunto carros (FAGUNDES; SOUZA; CYSNEIROS, 2014; DE CARVALHO et al.,

2007) é composto por 33 amostras de modelos de carros e tem oito variáveis intervalares.
Consideram-se três variáveis intervalares para a realização da regressão: preço (Y ), velocidade
máxima (X1 ) e cilindrada do motor (X2 ). Este conjunto pode ser encontrado no Anexo E. A
Figura 5.6 apresenta os intervalos que compõem o conjunto carros.
Através da análise das amplitudes das estimativas das amostras se verifica que o MIP
não garante a coerência matemática dos limites preditos. Assim, foi aplicada na resposta a
transformação de Box-Cox para dados intervalares com o seguintes parâmetros: κ1 = 0 e κ2 = 0.
Isto resulta na aplicação da função log(·), como dado na Equação (5.25). Para tornar comparáveis
os resultados do MIP com relação aos outros métodos, aplica-se a inversa da função log(·), dada
pela função exp(·), nas estimativas dos limites da resposta, como descrito na Equação (5.46)
h i
ˆ
ˆ γ̄ˆ]) = e¯γˆ , eγ̄ .
T −1 ([γ, (5.46)
¯
A Tabela 5.5 apresenta os intervalos de confiança para o MREE.
Figura 5.6: Conjunto carros.
5
x 10
4.5
3.5
3
preço
2.5
1.5
0.5
0
350
6000
300
5000
250 4000
3000
200 2000
1000
cilindrada do motor 150 0
velocidade máxima
Fonte: do autor
Tabela 5.5: Resultados para o conjunto carros
MRE
Intervalo de confiança
método média
(5% de erro)
MC 4.512 [0.353, 12.570]
MinMax 0.548 [0.290, 0.906]
MCA 1.656 [0.339, 4.181]
MCAR 1.222 [0.802, 1.744]
MIC 1.421 [0.340, 3.016]
MIP 0.727 [0.584, 0.880]
Os intervalos de confiança da Tabela 5.5 mostram que a maioria dos métodos têm o mesmo
ajuste. Com exceção de MCAR e MIP, todos os métodos apresentam intervalos de confiança
com amplitudes grandes, indicando uma instabilidade no cálculo do MREE. Esta instabilidade
pode estar relacionada com a existência de outliers neste conjunto (FAGUNDES; SOUZA;
CYSNEIROS, 2014). A estabilidade do MIP é a maior de todas, em virtude da menor amplitude
do intervalo de confiança.
5.4.4.4 Conjunto Basquete
O conjunto basquete (WANG; GUAN; WU, 2012) é formado por variáveis intervalares
que condensam as estatísticas de desempenho de jogadores de basquete. As variáveis são:
número de pontos por minuto (Y ), número auxílios por minuto dados a outro jogador que fez um
ponto (X1 ) e tempo jogado (X2 ). O conjunto original é formado por dados de 96 jogadores. Os
intervalos são gerados para idades específicas dos jogadores: menor ou igual a 23 anos, para
cada idade entre 24 e 34 anos e maior ou igual a 35 anos. Desta forma, um total de 13 intervalos
para cada uma das variáveis são obtidos. Este conjunto intervalar pode ser encontrado no Anexo
F e é apresentado na Figura 5.7.
Figura 5.7: Conjunto basquete.
0.8
0.7
pontos por minuto
0.6
0.5
0.4
0.3
0.2
40
35
30 0.3
25 0.25
0.2
20
0.15
15
tempo jogado 0.1 número de auxı́lios por minuto
0.05
Fonte: do autor
Analisando a estimativa das amostras da resposta, verificou-se que nenhuma transformação

é necessária para garantir a coerência matemática. A Tabela 5.6 apresenta os intervalos de
confiança para o MREE.
Tabela 5.6: Resultados para o conjunto basquete
MRE
método média
(5% de erro)
MC 0.192 [0.132, 0.270]
MinMax 0.198 [0.119, 0.267]
MCA 0.189 [0.131, 0.272]
MCAR 0.188 [0.126, 0.268]
MIC 0.229 [0.183, 0.272]
MIP 0.260 [0.117, 0.511]
A interseção dos intervalos de confiança informa que todos os métodos têm o mesmo desempenho
a 95% de confiança. Os métodos com os menores limites nos intervalos de confiança, e que
garantem a coerência na predição, são o MCAR e o MIP.
5.4.4.5 Conjunto Morcegos
O conjunto morcegos (XU, 2010) resume informações morfométricas e de peso referentes

a 21 espécies europeias de morcegos. As medidas são: peso (Y ), comprimento da cabeça
(X1 ), comprimento do rabo (X2 ) e comprimento do antebraço (X3 ). Cada intervalo representa
informações de uma espécie. Este conjunto intervalar pode ser encontrado no Anexo G. A análise
da amplitude das estimativas aponta a não garantia da coerência matemática pelo MIP. Desta
forma, foi aplicada a transformação exponencial para intervalos, com κ1 = −0.07. Isto resulta
no uso da transformação indicada na Equação (5.47)
" #
1 − e−0.07¯γ 1 − e−0.07γ̄
T ([γ, γ̄]) = , . (5.47)
¯ 0.07 0.07
Para a comparação dos valores estimados com os outros métodos, aplica-se a transformação
inversa, dada pela Equação (5.48), nos intervalos estimados pelo MIP,

ˆ log(1 − 0.07γ̄ˆ)
log(1 − 0.07γ)
T −1 ˆ γ̄ˆ]) =
([γ, ¯ , , (5.48)
¯ −0.07 −0.07
em que log(·) representa o logaritmo natural. A Tabela 5.7 apresenta os intervalos de confiança
para o MREE.
Tabela 5.7: Resultados para o conjunto morcegos.
MRE
método média
(5% de erro)
MC 0.646 [0.363, 0.993]
MinMax 0.781 [0.367, 1.353]
MCA 0.791 [0.394, 1.291]
MCAR 8.990 [2.165, 18.884]
MIC 4.620 [0.402, 13.543]
MIP 0.980 [0.259, 2.372]
O MCAR apresentou o pior ajuste para este conjunto, destacado ainda pela alta amplitude de
seu intervalo de confiança. Todos os outros métodos têm interseção entre si. Conclui-se então
que são estatisticamente iguais com 95% de confiança. Mesmo com um limite inferior baixo de
confiança, o MIC também apresenta uma alta amplitude indicando muita variação na qualidade
do ajuste. O MIP apresenta o menor limite inferior no intervalo de confiança e a baixa amplitude
do seu intervalo, quando comparada com as amplitudes dos métodos que garantem a coerência
matemática, indicando uma maior estabilidade na qualidade do ajuste.
5.4.4.6 Conjunto Futebol
O conjunto futebol (FAGUNDES, 2014; BILLARD; DIDAY, 2006) contém as infor-

mações sobre jogadores profissionais de 20 times franceses de futebol. O conjunto é composto
por três variáveis: peso (Y ), altura (X1 ) e idade (X2 ). Cada intervalo representa a aglomeração
das informações dos jogadores de um determinado time. Assim, o conjunto contém 20 intervalos
para cada uma das variáveis descritas. O conjunto pode ser encontrado no Anexo H. A Figura
5.8 apresenta os intervalos que compõem o conjunto futebol.
Figura 5.8: Conjunto futebol.
95
90
85
80
peso
75
70
65
60
35
30 190
25 180
20 170
idade
altura
Fonte: do autor
Analisando a amplitude das estimativas da variável resposta, verificou-se que nenhuma

transformação é necessária para garantir a coerência matemática quando o MIP é utilizado. A
Tabela 5.8 apresenta os intervalos de confiança para o MREE.
Tabela 5.8: Resultados para o conjunto futebol
MRE
método média
(5% de erro)
MC 0.113 [0.103, 0.126]
MinMax 0.028 [0.021, 0.036]
MCA 0.026 [0.018, 0.034]
MCAR 0.026 [0.019, 0.035]
MIC 0.141 [0.130, 0.152]
MIP 0.028 [0.020, 0.037]
O MIC apresentou o pior ajuste para o conjunto futebol. Todos os ajustes dos outros métodos são
estatisticamente iguais, com 95% de confiança. Dentre os que garantem a coerência matemática,
os intervalos do MIP e do MCAR são muito semelhantes, indicando o mesmo desempenho para
o uso de ambos.
5.4.4.7 Conjunto Cardiologia
O conjunto cardiologia (FAGUNDES, 2014) contém dados cardiológicos de 59 pacientes.

As variáveis envolvidas são: taxa de pulso (Y), pressão arterial sistólica (X1 ) e pressão arterial
diastólica (X2 ). Este conjunto pode ser encontrado no Anexo I. A Figura 5.9 apresenta os
intervalos que compõem o conjunto cardiologia.
Figura 5.9: Conjunto cardiologia.
130
120
110
100
90
taxa de pulso
80
70
60
50
40
30
140
120 250
100
200
80
150
60
100
pressão diastólica 40 pressãp sistólica
Fonte: do autor
Pela análise da amplitude das estimativas da variável resposta, verificou-se que nenhuma
transformação é necessária para garantir a coerência matemática do MIP. A Tabela 5.9 apresenta
os intervalos de confiança para o MREE.
Tabela 5.9: Resultados para o conjunto cardiologia
MRE
método média
(5% de erro)
MC 0.174 [0.151, 0.197]
MinMax 0.148 [0.126, 0.172]
MCA 0.154 [0.133, 0.178]
MCAR 0.153 [0.131, 0.176]
MIC 0.260 [0.235, 0.284]
MIP 0.151 [0.127, 0.175]
O MIC apresentou o pior ajuste para o conjunto cardiologia. Como se verifica uma intersecção
dos intervalos de confiança dos outros métodos, conclui-se que eles obtiveram ajustes semelhantes
com 95% de confiança.
5.4.4.8 Conjunto Íris
O conjunto íris (BILLARD; DIDAY, 2006) é formado por 30 categorias de informações

morfométricas de íris de flores. Cada categoria foi gerada agregando 5 indivíduos de uma mesma
espécie, de um total de 150 amostras. O conjunto original está disponível no sítio https:
//archive.ics.uci.edu/ml/datasets/Iris (LICHMAN, 2013). As variáveis que
compõem o conjunto são: comprimento da sépala (Y ), largura da sépala (X1 ), comprimento da
pétala (X2 ) e largura da pétala (X3 ). Este conjunto pode ser encontrado no Anexo J.
Pela análise da amplitude das estimativas da variável resposta, verificou-se que nenhuma
transformação é necessária para garantir a coerência matemática do MIP. A Tabela 5.10 apresenta
os intervalos de confiança para o MREE.
Tabela 5.10: Resultados para o conjunto íris
MRE
método média
(5% de erro)
MC 0.049 [0.039, 0.059]
MinMax 0.046 [0.037, 0.056]
MCA 0.048 [0.038, 0.056]
MCAR 3.998 [2.125, 7.011]
MIC 0.132 [0.108, 0.156]
MIP 0.050 [0.040, 0.060]
Os melhores ajustes para os modelos lineares ocorreram para o MIP e para os métodos que não
garantem a coerência matemática da predição, inclusive são estatisticamente iguais. O MCAR e
o MIC obtiveram os piores ajustes. Dentre os métodos que garantem a coerência matemática, o
MIP se destaca pelo bom ajuste obtido.
5.4.5 Discussão dos Resultados

O MIP tem uma alta adaptabilidade para o modelo que determina o comportamento
dos limites da variável resposta. Ele tem um ajuste semelhante quando comparado com os
métodos MCA e MCAR, nos casos em que a melhor configuração é adotada para estes modelos
(dependência entre centros e amplitudes das variáveis - configuração 1). No entanto, quando
a dependência ocorre com pontos internos dos regressores (configuração 2), o MIP se ajusta,
significativamente, melhor. Os outros métodos que garantem a coerência matemática da predição
não funcionam tão bem nesses casos.
Com relação aos dados reais, o MIP obteve o melhor ajuste para o conjunto colesterol-
idade. Isto ocorre porque as amplitudes da idade são constantes, assim, não existe uma relação
de dependência clara com as amplitudes da variável colesterol. Ele consegue melhor explorar a
natureza desse dado porque busca o melhor conjunto de ponto na variável regressora que ajusta
os limites da variável resposta. Nos outros conjuntos, seu desempenho foi o mesmo dos outros
métodos. Isso ocorre por causa da natureza dos dados que possuem outliers tornando difícil o
ajuste da reta.
Dentre os métodos que garantem a coerência matemática, o MIP possui menor variabil-
idade na medida do ajuste, indicado uma maior estabilidade, como verificado nos conjuntos
carros, morcegos e íris. Além disso, o MIP utiliza uma abordagem baseada em regressão linear
para pontos, que utiliza cálculos matriciais, diferentemente do MCAR, cuja abordagem é algorít-
mica. Dos resultados obtidos para os dados sintéticos e reais, confirma-se o alto desempenho e
a estabilidade do MIP em construir modelos com bons ajustes na modelagem da dependência
linear entre variáveis intervalares.
106
6
Conclusão e Trabalhos Futuros
Este trabalho propôs a utilização de duas novas representações para dados do tipo
intervalo. Estas representações permitiram a criação de dois novos métodos para análise intervalar.
Um dos métodos propostos está relacionado com o agrupamento de instâncias intervalares por
nuvens dinâmicas. O outro método corresponde a criação de uma nova metodologia para a
construção de regressão linear que relaciona variáveis intervalares.
Para o agrupamento, foi proposto um mapeamento de instâncias intervalares para pontos
que preserva características inerentes a intervalos: a posição espacial e a variação interna. Este
mapeamento é invertível, assim, é possível recuperar os intervalos originais que foram mapeados.
Esta abordagem difere do que existe na literatura uma vez que, nas abordagens existentes, apenas
a posição espacial é considerada. Novas distâncias para intervalos foram criadas baseando-se
no mapeamento proposto e na distância Lq para pontos. Estas novas distâncias são dadas pelas
expressões contidas nas Equações (3.4), (3.5), (3.7), (3.8), (3.9), (3.10), (3.11), (3.12) e (3.14).
As novas distâncias criadas foram denominadas híbridas uma vez que utilizam dois tipos
diferentes de informações, provenientes do mapeamento: pontos e vetores. A nova distância
híbrida Lq para intervalos provém da combinação de duas distâncias Lq , uma aplicada à posição
espacial e a outra aplicada à variação interna. As distâncias híbridas criadas foram estendidas
para versões com pesos por classes e dimensão, utilizando o paradigma adaptativo, criou-se as
distâncias híbridas adaptativas. Elas permitem a obtenção de grupos com formatos mais variados
e com diferentes tamanhos na configuração final do agrupamento. Também, foi proposta uma
nova abordagem para a incorporação de pesos nas distâncias híbridas, e que não se verifica na
literatura. Os pesos ponderam a contribuição de cada um dos termos da combinação híbrida,
considerando cada classe e dimensão.
Dados sintéticos foram utilizados para a comparação de desempenho no agrupamento
por nuvens dinâmicas. A comparação foi realizada entre distâncias presentes na literatura
e aquelas que foram propostas por este trabalho. Quando o mesmo comportamento para a
amplitude dos intervalos foi considerado, as distâncias híbridas se comportaram estatisticamente
iguais àquelas propostas na literatura. Entretanto, quando os grupos apresentam configurações
diferentes para as amplitudes, que é um caso mais geral, as distâncias híbridas proporcionam
107
um melhor resultado. Para esta configuração, as distâncias híbridas adaptativas obtiveram

melhores resultados, quando comparadas com suas respectivas versões adaptativas presentes na
literatura. As distâncias com pesos no hibridismo obtiveram os melhores resultados dentre todas.
O desempenho destas últimas enfatizam como os pesos ajustam a contribuição dos componentes
da posição espacial e da variação interna, melhorando o cálculo da dissimilaridade. Conjunto de
dados reais, que não apresentam configuração controlada ou aparente, confirmam os resultados
obtidos com os sintéticos. As distâncias híbridas obtiveram resultados iguais ou melhores àqueles
verificados utilizando-se as distâncias presentes na literatura. Em resumo, as distâncias híbridas
se apresentam como boas opções no cálculo de dissimilaridades para dados intervalares.
Para a regressão linear, foi proposto um novo método baseado na parametrização dos
intervalos através da equação paramétrica da reta. Esta estratégia permite a determinação, de
forma automática, do conjunto de pontos contidos pelas variáveis regressoras que geram os
modelos de regressão linear com os melhores ajustes que explicam o comportamento dos limites
da variável resposta intervalar. Nos métodos presentes na literatura, os pontos utilizados pelos
modelos são fixos, tornando-se restritivos para a modelagem de certas amostras intervalares.
Ainda no contexto de regressão, foi elaborada um estratégia para manter a coerência
matemática, em que o limite superior é maior ou igual ao inferior, em um intervalo predito uti-
lizando a regressão linear com intervalos parametrizados. Para isto, foram criadas transformações
para intervalos que garantem a coerência, e que foram construídas através de transformações co-
nhecidas e que são utilizadas em variáveis pontuais. As transformações para intervalos propostas
neste trabalho foram: Box-Cox, exponencial e de potência.
A regressão com intervalos parametrizados propõe a utilização de dois modelos de
regressão, um para cada limite da variável resposta. Os dois modelos utilizam os limites inferiores
e superiores das variáveis regressoras. Os cálculos apresentados neste trabalho mostram que isto
equivale a utilizar pontos internos dos intervalos das variáveis regressoras. As estimativas para
os coeficientes da regressão são encontradas pelo método dos mínimos quadrados e nenhuma
distribuição de probabilidade é assumida para os erros. Isto permite a utilização da abordagem
matricial que é adotada para a regressão linear multidimensional para pontos. A utilização
dos mínimos quadrados é responsável por encontrar o conjunto de pontos nos regressores que
minimizam o erro do ajuste. Desta forma, não é necessário definir este conjunto previamente.
Além disso, se a matriz que contém os limites dos regressores apresenta multicolinearidade, a
determinação dos coeficientes dos modelos ainda é possível através da utilização de matrizes
pseudo-inversas. As maiores vantagens do método que foi proposto é que não assume restrições
para os coeficientes de regressão nem fixa, previamente, os pontos nas variáveis regressoras e
ainda garante a coerência matemática das predições através de transformações.
Além de oferecer uma estratégia para manter a coerência matemática dos intervalos
preditos, o MIP possui como vantagem a utilização do cálculo matricial para a estimativa dos
coeficientes dos modelos, como ocorre na regressão linear para pontos. Dentre os outros métodos
que garantem a coerência matemática, o MCAR apresenta uma solução algorítmica para o
108
cálculo dos coeficientes, que não é transparente para quem faz a modelagem, e o MIC utiliza
cálculos intermediários através de um produto interno.
A avaliação experimental demonstrou as vantagens de utilização do método com interva-
los parametrizados. Quando ele não apresenta o melhor ajuste, ele é igual a um dos modelos
propostos na literatura. Os experimentos realizados com os dados sintéticos e reais apresentam o
bom desempenho no ajuste dos modelos lineares quando o MIP é utilizado. Assim, a regressão
linear com intervalos parametrizados se torna uma boa opção para a modelagem da dependência
linear entre variáveis intervalares.
Como trabalhos futuros, propõe-se a extensão do agrupamento por nuvens dinâmicas
utilizando a abordagem Fuzzy. Nesta extensão, uma instância apresenta uma grau de pertinência
para cada uma das classes envolvidas. Um outro estudo está relacionado com a utilização de
múltiplos protótipos na representação de uma mesma classe. Com relação às distâncias, uma outra
proposta é a criação de novas medidas de dissimilaridade para intervalos utilizando a combinação
de distâncias já conhecidas, com diferentes expressões e paradigmas: não-adaptativas, adaptativas
e com pesos no hibridismo. Podem ser exploradas, também, a criação de heurísticas para a
determinação de valores para o parâmetro t, das distâncias com pesos no hibridismo, ao longo
das iterações do algoritmo de agrupamento.
No contexto de regressão, trabalhos futuros estão relacionados com a suposição de dis-
tribuição de probabilidade para os erros da regressão para intervalos parametrizados, permitindo
a elaboração de análise de resíduos e testes de hipóteses para os coeficientes. A regressão com
intervalos parametrizados pode ser estendida para ser robusto a outliers, que, em regressão,
são elementos influentes que perturbam o ajuste do modelo. Uma outra abordagem é utilizar
as transformações para intervalos a fim de se realizar regressão não-linear e ainda garantir a
coerência matemática na predição.
109
Referências
ANDERSON, T. W. An Introduction to Multivariate Statistical Analysis. 2nd.ed. New York,

USA: Wiley, 1984.
ARANDA-ORDAZ, F. J. On two families of transformations to additivity for binary response

data. Biometrika, [S.l.], v.68, n.2, p.357–363, 1981.
BILLARD, L.; DIDAY, E. Symbolic Data Analysis: conceptual statistics and data mining.
Chichester, UK: John Wiley & Sons, 2006.
BOX, G. E. P.; COX, D. R. An Analysis of Transformations. In: Journal of the Royal

Statistical Society. Series B (Methodological). [S.l.]: Blackwell Publishing for the Royal
Statistical Society, 1964. v.26, n.2, p.211–252.
CASALE, P.; PUJOL, O.; RADEVA, P. Human Activity Recognition from Accelerometer Data
Using a Wearable Device. In: IBERIAN CONFERENCE ON PATTERN RECOGNITION AND
IMAGE ANALYSIS, 5., Berlin, Heidelberg. Proceedings. . . Springer-Verlag, 2011. p.289–296.
(IbPRIA’11).
CHAVENT, M. An Hausdorff distance between hyper-rectangles for clustering interval data. In:
AL, D. B. et (Ed.). Classification, Clustering an Data Mining Application, Proceedings of
the IFCS’04. [S.l.]: Springer, 2004. p.333–340.
CHAVENT, M. et al. Trois nouvelles méthodes de classification automatique de données

symboliques de type intervalle. Revue de Statistique Appliquée, [S.l.], v.51, n.4, p.5–29, 2003.
CHAVENT, M.; LECHEVALLIER, Y. Dynamical clustering of interval data: optimization of an

adequacy criterion based on hausdorff distance. Classification, Clustering, and Data Analysis,
[S.l.], p.53–60, 2002.
CORDEIRO, G. M.; ANDRADE, M. G. Transformed generalized linear models. Journal of

Statistical Planning and Inference, [S.l.], v.139, n.9, p.2970–2987, 2009.
CORTEZ, P. et al. Modeling Wine Preferences by Data Mining from Physicochemical

Properties. Decis. Support Syst., Amsterdam, The Netherlands, The Netherlands, v.47, n.4,
p.547–553, 2009.
DAVISON, A. C.; HINKLEY, D. V. Boostrap methods and their applications. New York:
Cambridge University Press, 1997.
DE CARVALHO, F. A. T.; BRITO, P.; BOCK, H.-H. Dynamic clustering for interval data based
on L2 distance. Computational Statistics, [S.l.], v.21, p.231–250, 2006.
DE CARVALHO, F. A. T. et al. Adaptive hausdorff distances and dynamic clustering of

symbolic interval data. Pattern Recognition Letters, [S.l.], v.27, p.167–179, 2006.
DE CARVALHO, F. A. T. et al. Clustering symbolic interval data based on a single adaptive

hausdorff distance. In: Systems, Man and Cybernetics, 2007. ISIC. IEEE International
Conference on. [S.l.: s.n.], 2007. p.451–455.
REFERÊNCIAS 110
DE CARVALHO, F. A. T.; LECHEVALLIER, Y. Dynamic clustering of interval-valued data

based on adaptive quadratic distances. Trans. Sys. man Cyber Part A, [S.l.], v.39,
p.1295–1306, 2009a.
DE CARVALHO, F. A. T.; LECHEVALLIER, Y. Partitional clustering algorithms for symbolic

interval data based on single adaptive distances. Pattern Recognition, [S.l.], v.42, p.1223–1236,
2009b.
DE CARVALHO, F. A. T.; LECHEVALLIER, Y.; SOUZA, R. M. C. R. A dynamic cluster

algorithm based on Lr distances for quantitative data. In: Classification, Clustering, and Data
Mining Applications: studies in classification, data analysis, and knowledge organization.
[S.l.: s.n.], 2004. p.33–41.
DIDAY, E. The symbolic approach in clustering and related methods of data analysis. In: BOCK,
H.-H. (Ed.). Classification and Related Methods of Data Analysis. [S.l.]: North-Holland,
1987.
DIDAY, E. Introduction à l’approche symbolique en analyse de données. Revue

d’Automatique, d’Informatique et de Recherche Operationnelle, [S.l.], v.23, n.2, p.1648 –
1658, 1989.
DIDAY, E.; GOVAERT, G. Classification automatique avec distances adaptatives. Informatique

Computer Science, [S.l.], v.11, n.4, p.329–349, 1977.
DIDAY, E.; NOIRHOMME-FRAITURE, M. Symbolic Data Analysis and the SODAS

Software. Chichester, UK: John Wiley & Sons, 2008.
DRAPER, N. R.; SMITH, H. Applied Regression Analysis. 2nd.ed. [S.l.]: Wiley, 1981.
(Applied Regression Analysis).
EFRON, B. Bootstrap Methods: another look at the jackknife. The Annals of Statistics, [S.l.],
v.7, n.1, p.1–26, 1979.
EFRON, B.; TIBSHIRANI, R. An Introduction to the Bootstrap. [S.l.]: Chapman &

Hall/CRC, 1993. (Chapman & Hall/CRC Monographs on Statistics & Applied Probability).
FAGUNDES, R. A. A. Métodos de Regressão Robusta e Kernel para Dados Intervalares.

2014. Tese (Doutorado em Ciência da Computação) — Universidade Federal de Pernambuco.
FAGUNDES, R. A. A.; SOUZA, R. M. C. R. d.; CYSNEIROS, F. J. A. Interval kernel

regression. Neurocomputing, [S.l.], v.128, p.371–388, 2014.
FIGUEIREDO, L. H.; CARVALHO, P. C. P. Introdução à Geometria Computacional. [S.l.]:

18o Colóquio Brasileiro de Matemática, IMPA, 1991.
FOSS, T. et al. A simulation study of the model evaluation criterion MMRE. Software
Engineering, IEEE Transactions on, [S.l.], v.29, n.11, p.985–995, Nov 2003.
GAN, G.; MA, C.; WU, J. Data clustering - theory, algorithms, and applications. [S.l.]:
SIAM, 2007. I-XXII, 1-466p.
REFERÊNCIAS 111
GOODRICH, B.; ALBRECHT, D.; TISCHER, P. Algorithms for the Computation of Reduced
Convex Hulls. In: NICHOLSON, A.; LI, X. (Ed.). AI 2009: advances in artificial intelligence.
[S.l.]: Springer Berlin Heidelberg, 2009. p.230–239. (Lecture Notes in Computer Science,
v.5866).
GOVAERT, G. Classification automatique et distances adaptatives. Université Paris VI:

Thèse de 3ème cycle, Mathématique appliquée, 1975.
HAYKIN, S. O. Neural Networks and Learning Machines. [S.l.]: Pearson Education, 2011.
HUBERT, L.; ARABIE, P. Comparing partitions. Journal Classification, [S.l.], p.193–218,

1985.
JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review. ACM Computing
Surveys, [S.l.], v.24, p.2367–2376, 1999.
JOHNSON, R. A.; WICHERN, D. W. Applied Multivariate Statistical Analysis. 2nd.ed. New

Jersey, USA: Prentice Hall, 1982.
KITCHENHAM, B. A. et al. What Accuracy Statistics Really Measure. In: IEE Proc.
Software. [S.l.: s.n.], 2001. v.148, n.3, p.81–85.
LEITHOLD, L. The calculus with analytic geometry. [S.l.]: Harper & Row, 1986.
LICHMAN, M. UCI Machine Learning Repository. 2013.
LIMA NETO, E. A.; DE CARVALHO, F. A. T. Centre and Range method for fitting a linear
regression model to symbolic interval data. In: Computational Statistics & Data Analysis.
[S.l.: s.n.], 2008. v.52, n.3, p.1500–1515.
LIMA NETO, E. A.; DE CARVALHO, F. A. T. Constrained linear regression models for

symbolic interval-valued variables. In: Computational Statistics & Data Analysis. [S.l.: s.n.],
2010. v.54, n.2, p.333–347.
MADEO, R. C. B.; LIMA, C. A. M.; PERES, S. M. Gesture Unit Segmentation Using Support
Vector Machines: segmenting gestures from rest positions. In: ANNUAL ACM SYMPOSIUM
ON APPLIED COMPUTING, 28., New York, NY, USA. Proceedings. . . ACM, 2013. p.46–52.
(SAC ’13).
MANLY, B. F. Exponential data transformation. The Statistician, [S.l.], n.25, p.406–413, 1976.
MARDIA, K. V.; KENT, J. T.; BIBBY, J. M. Multivariate Analysis. London, UK: Academic
Press, 1979.
MARTINEZ, W. L.; MARTINEZ, A. R. Computational Statistics Handbook with

MATLAB. New York, USA: Chapman & Hall
CRC, 2007.
MCCREA, W. H. Analytical Geometry of Three Dimensions. [S.l.]: Dover Publications,

2012. (Dover Books on Mathematics).
MEYER, C. D. Matrix analysis and applied linear algebra. Philadelphia: Society for
industrial and applied mathematics, 2000.
REFERÊNCIAS 112
MONTGOMERY, D. C.; PECK, E. A.; VINING, G. G. Introduction to linear regression

analysis. 3. ed.ed. New York, NY [u.a.]: Wiley, 2001. (Wiley series in probability and statistics).
MOORE, R. E. Interval analysis. [S.l.]: Prentice-Hall, 1966. (Prentice-Hall series in automatic

computation).
PENROSE, R. A generalized inverse for matrices. Mathematical Proceedings of the

Cambridge Philosophical Society, [S.l.], v.51, n.03, p.406–413, 1955.
RENCHER, A. C.; SCHAALJE, G. B. Linear Models in Statistics. [S.l.]: Wiley, 2008.
SEBER, G. A. F. Linear Regression Analysis. [S.l.]: Wiley, 1977. (Wiley Series in Probability
and Statistics).
SILVA FILHO, T. De Menezes e; SOUZA, R. M. C. R. Fuzzy learning vector quantization

approaches for interval data. In: FUZZ-IEEE 2013, IEEE INTERNATIONAL CONFERENCE
ON FUZZY SYSTEMS PROCEEDINGS, Hyderabad, India. Anais. . . [S.l.: s.n.], 2013. p.1–8.
SOUZA, R. M. C. R. D.; DE CARVALHO, F. A. T. Clustering of interval data based on

city-block distances. Pattern Recognition Letters, [S.l.], v.25, p.353–365, 2004.
SOUZA, R. M.; DE CARVALHO, F. A. Dynamic Clustering with Non-Quadratic Adaptive

Distances for Interval-Type Data. In: BAIER, D.; WERNECKE, K.-D. (Ed.). Innovations in
Classification, Data Science, and Information Systems. [S.l.]: Springer Berlin Heidelberg,
2005. p.173–180. (Studies in Classification, Data Analysis, and Knowledge Organization).
TIBSHIRANI, R. Regression Shrinkage and Selection Via the Lasso. Journal of the Royal
Statistical Society, Series B, [S.l.], v.58, p.267–288, 1994.
VERDE, R.; DE CARVALHO, F. A. T.; LECHEVALLIER, Y. A dynamical clustering

algorithm for multi-nominal data. In: AL., H. A. L. K. et (Ed.). Data analysis, classification
and related methods. [S.l.]: Springer Verlag, 2000. p.387–394.
WANG, H.; GUAN, R.; WU, J. Linear regression of interval-valued data based on complete
information in hypercubes. In: Journal of Systems Science and Systems Engineering. [S.l.]:
SP Systems Engineering Society of China, 2012. v.21, n.4, p.422–442.
XU, W. Symbolic Data Analysis: interval-valued data regression. 2010. Tese (Doutorado em
Ciência da Computação) — The University of Georgia.
Apêndice
114
A
Demonstração da Proposição 3.1
As propriedades de distância apresentadas na Seção 2.1 são satisfeitas pela distância HLq .
Demonstração. Sejam as γn , γm e γl três instâncias intervalares de dimensão p do conjunto Γ. A

distância dHLq entre γn e γm é dada por
p p
dHLq (γn , γm ) = ∑ |γnj − γmj |q + ∑ |γ̆nj − γ̆mj |q
j=1 ¯ ¯ j=1
= φ1 (γn , γm ) + φ2 (γn , γm ),
em que
p p
φ1 (γn , γm ) = ∑ |γnj − γmj |q e φ2(γn, γm) = ∑ |γ̆nj − γ̆mj |q.
j=1 ¯ ¯ j=1
As distâncias φ1 e φ2 são equivalentes à distância Lq elevada à potência q, aplicada respectiva-

mente aos limites inferiores e às amplitudes dos intervalos. Assim, φ1 e φ2 satisfazem todas as
propriedades de uma distância:
d(xm , xn ) ≥ 0.
II. Reflexividade
d(xm , xn ) = 0 ⇐⇒ xm = xn .
III. Comutatividade
d(xm , xn ) = d(xn , xm ).
d(xn , xm ) ≤ d(xn , xl ) + d(xl , xm ).

115
Sabe-se que φ1 (γn , γm ) ≥ 0 e φ2 (γn , γm ) ≥ 0. Desta forma, φ1 (γn , γm ) + φ2 (γn , γm ) ≥ 0.

Assim, dHLq (γn , γm ) ≥ 0. Então, conclui-se a não negatividade da distância HLq .

II. Reflexividade
(⇒)
Se γn = γm , sabe-se que φ1 (γn , γm ) = 0 e φ2 (γn , γm ) = 0. Assim, dHLq (γn , γm ) = 0.
(⇐)
Se dHLq (γn , γm ) = 0, então φ1 (γn , γm )+φ2 (γn , γm ) = 0. Como φ1 (γn , γm ) ≥ 0 e φ2 (γn , γm ) ≥
0, a única solução possível é φ1 (γn , γm ) = φ2 (γn , γm ) = 0. φ1 e φ2 têm as propriedades de distân-
cia, assim, γn = γm . Então, conclui-se que dHLq (γn , γm ) = 0 ⇔ γn = γm .

III. Comutatividade
Tem-se que
dHLq (γm , γn ) = φ1 (γm , γn ) + φ2 (γm , γn ).
Como φ1 (γm , γn ) = φ1 (γn , γm ) e φ2 (γm , γn ) = φ2 (γn , γm ), obtém-se
dHLq (γm , γn ) = φ1 (γn , γm ) + φ2 (γn , γm )

= dHLq (γn , γm ).
Então, dHLq (γm , γn ) = dHLq (γn , γm ).

Tem-se que
φ1 (γn , γm ) ≤ φ1 (γn , γl ) + φ1 (γl , γm )
e que
φ2 (γn , γm ) ≤ φ2 (γn , γl ) + φ2 (γl , γm ).
Somando as duas desigualdades obtém-se
φ1 (γn , γm ) + φ2 (γn , γm ) ≤ φ1 (γn , γl ) + φ1 (γl , γm ) + φ2 (γn , γl ) + φ2 (γl , γm ).
Com dHLq (γn , γm ) = φ1 (γn , γm )+φ2 (γn , γm ), dHLq (γn , γl ) = φ1 (γn , γl )+φ2 (γn , γl ) e dHLq (γl , γm ) =
φ1 (γl , γm ) + φ2 (γl , γm ), tem-se
dHLq (γn , γm ) ≤ dHLq (γn , γl ) + dHLq (γl , γm ).
Então, a distância HLq satisfaz a desigualdade triangular.

116
B
j j
Fixando a classe Ck e a dimensão j, os pesos do hibridismo da distância W HLq (wk,1 e wk,2 ),
j j j j
sob as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[, são calculados utilizando
multiplicadores de Lagrange. Sejam

N N
j j q j j q
ξk,1 = ∑ |γn − gk | 1k,n e ξk,2 = ∑ |γ̆n − ğk | 1k,n .
j j
n=1 ¯ ¯ n=1
Os pesos do hibridismo são determinados por

 −1  −1
j ! t−1 j ! t−1
1 1
j  ξk,1  j  ξk,2 
wk,1 = 1 + j  e wk,2 = 1 + j  .
ξk,2 ξk,1
Demonstração. O critério a ser minimizado para o agrupamento por nuvens dinâmicas, para a
distância W HLq , é dado por
K N h p i
JdW HLq (Γ, P, w11,1 , · · · , wK,2
p j t j j q j t j j q
)= ∑ ∑ 1k,n ∑ (wk,1) |γn − g¯ k | + (wk,2) |γ̆n − γ̆k | , (B.1)
k=1 n=1 j=1 ¯
j j j j j
com as restrições: wk,1 + wk,2 = 1, wk,1 ≥ 0, wk,2 ≥ 0 e t ∈]1, ∞[. Os valores dos pesos, wk,1
j
e wk,2 , têm soluções analíticas obtidas pelo método dos multiplicadores de Lagrange. Seja
JdW HLq (Γ, P, w11,1 , · · · , wK,2
p
, Λ11 , · · · , ΛKp ) a versão da Equação (B.1) com os multiplicadores de
j
Lagrange (Λk ) e as restrições associadas
K N h p i
JdW HLq (Γ, P, w11,1 , · · · , wK,2 , Λ11 , · · · , ΛKp ) =
∑ ∑ 1k,n ∑ (wk,1) |γn − g¯ k | + (wk,2) |γ̆n − ğk |
k=1 n=1 j=1 ¯
K p h i
j j j
− ∑ ∑ Λk (wk,1 + wk,2 − 1) .
k=1 j=1
117
Os potenciais pesos que minimizam os valores do critério são obtidos quando as derivadas
parciais de JdW HLq são iguais a 0. Fixando a classe Ck , a dimensão j e diferenciando JdW HLq com
j
relação a wk,1 , tem-se:
∂ JdW HLq (Γ, P, w11,1 , · · · , wK,2

p
, Λ11 , · · · , ΛKp ) Nh
j t−1 j j q
i
j
j
= ∑ t (wk,1 ) |γn − gk | 1k,n − Λk = 0
∂ wk,1 n=1 ¯ ¯
N
j t−1
t (wk,1 ) ∑ |γn − g¯ k | 1k,n − Λkj = 0.
j j q
n=1 ¯
Definindo

N
j j j q
ξk,1 = | −
∑ n ¯ k k,n ,
γ g | 1
n=1 ¯
j
e isolando o termo wk,1 , obtém-se
j j j
t (wk,1 )t−1 ξk,1 − Λk = 0
j
! 1
t−1
j Λ
wk,1 = k
j
. (B.2)
t ξk,1
j
Agora, diferenciando JdW HLq com relação a wk,2 , obtém-se
∂ JdW HLq (Γ, P, w11,1 , · · · , wK,2

p
, Λ11 , · · · , ΛKp ) N h
j j
i
j
j
=∑ t (wk,2 )t−1 |γ̆nj − ğk |q 1k,n − Λk = 0
∂ wk,2 n=1
N
j
t (wk,2 )t−1 ∑ n k k,n − Λkj = 0.
|γ̆ j
− ğ
j q
| 1
n=1
Definindo
N
j j j q
ξk,2 = ∑ |γ̆n − ğk | 1k,n ,
n=1
j
wk,2 é dado por
j j j
t (wk,2 )t−1 ξk,2 − Λk = 0
j
! 1
j Λk t−1
wk,2 = j
. (B.3)
t ξk,2
Com as expressões dos pesos em função do multiplicadores de Lagrange e usando a restrição

j j
wk,1 + wk,2 = 1, tem-se que
j j
wk,1 + wk,2 = 1
118
j
! 1
j
! 1
t−1 t−1
Λk Λk
j
+ j
=1
t ξk,1 t ξk,2
 ! 1 ! 1 
1 1
t−1 t−1
j 1
(Λk ) t−1  j
+ j
=1
t ξk,1 t ξk,2
 ! 1 ! 1 −(t−1)
1 1
t−1 t−1
j
Λk =  j
+ j
 (B.4)
t ξk,1 t ξk,2
Substituindo a Equação (B.4) na Equação (B.2), obtém-se
"  1
 1 1 #−(t−1)  t−1

 1
t−1
1
t−1 


 + 

 t ξk,1
j j
t ξk,2 
j
wk,1 = j

 (t ξk,1 ) 


 


 

" 1 1 #−1
t−1 t−1
1 1
j + j
t ξk,1 t ξk,2
= j 1
(t ξk,1 ) t−1
 −1
j ! t−1
1
 ξk,1 
= 1 + j  .
ξk,2
Agora, substituindo a Equação (B.4) na Equação (B.3), obtém-se
"  1
 1 1 #−(t−1)  t−1

 1
t−1
1
t−1 


 + 

 t ξk,1
j j
t ξk,2 
j
wk,2 = j

 (t ξk,2 ) 


 


 

" 1 1 #−1
t−1 t−1
1 1
j + j
t ξk,1 t ξk,2
= j 1
(t ξk,2 ) t−1
 −1
j ! t−1
1
 ξk,2 
= 1 + j  .
ξk,1
j j
Os pesos wk,1 e wk,2 são pontos críticos para a função que define o critério. Para que eles sejam
pontos de mínimo deve-se mostrar que a matriz Hessiana é positiva definida. Seja a matriz
119
Hessiana H do critério JdW HLq (Γ, P, w11,1 , · · · , wK,2

p
, Λ11 , · · · , ΛKp ), dada por
 
∂ 2 JdW HLq ∂ 2 JdW HLq
 j j j 
 ∂ (wk,1 )2 ∂ wk,1 ∂ wk,2 
H = 

 ∂ 2 JdW HLq ∂ 2 JdW HLq 

j j j
∂ wk,2 ∂ wk,1∂ (wk,2 )2
 N 
j t−2 j q
(w
 k,1 ) | j
−
∑ n ¯ k k,n
γ g | 1 0 

= t(t − 1)  n=1 ¯ 

N 

j
0 (wk,2 )t−2 ∑ |γ̆nj − ğkj |q 1k,n
n=1
Os termos t(t − 1) são positivos para t > 1. Os elementos da matriz também são positivos
para q ≥ 1. Assim, os autovalores da matriz Hessiana também são positivos. Então, conclui-se
j j
que a matriz H é positiva definida. Assim, os pesos wk,1 e wk,2 correspondem a pontos de mínimo.
Desta forma, os pesos do hibridismo para a distância W HLq podem ser calculados através as
expressões:
 −1  −1
j ! t−1 j ! t−1
1 1
j  ξk,1  j  ξk,2 
wk,1 = 1 + j  e w k,2 = 1 + j  .
ξk,2 ξk,1

120
C
Fixando a classe Ck , os pesos do hibridismo da distância W HL∞ são calculados utilizando o

método dos multiplicadores de Lagrange, com as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0;
e t ∈]1, ∞[. Sejam

N N p
p j j
ξk,1 = ∑ max{|γn − gk |} 1k,n e ξk,2 = ∑ max{|γ̆n − ğk |} 1k,n .
j j
n=1 j=1 ¯ ¯ n=1 j=1
Os pesos do hibridismo são calculados pelas expressões

" 1 #−1
t−1 " 1 #−1
t−1
ξk,1 ξk,2
wk,1 = 1 + e wk,2 = 1 + .
ξk,2 ξk,1
Demonstração. O critério a ser minimizado para o agrupamento por nuvens dinâmicas para a
distância W HL∞ é dado por
K N
p p
JdW HL∞ (Γ, P, w11,1 , · · · , wK,2
p j j
)= ∑∑ (wk,1 ) t
max{|γnj − gk |} + (wk,2 )t max{|γ̆nj − ğk |} 1k,n ,
k=1 n=1 j=1 ¯ ¯ j=1
(C.1)
com as restrições: wk,1 + wk,2 = 1; wk,1 ≥ 0; wk,2 ≥ 0; e t ∈]1, ∞[. A Equação (C.1) é reescrita
para incorporar os multiplicadores de Lagrange (Λk ), bem como as restrições impostas, passando
a ser descrita por
K
N p
JdW HL∞ (Γ, P, w11,1 , · · · , wK,2 , Λ11 , · · · , ΛKp ) =
p j
∑ ∑ 1k,n (wk,1)t max {|γnj − gk |}
j=1 ¯ ¯
k=1 n=1
K
p j
+ (wk,2 )t max{|γ̆nj − ğk |} − ∑ Λk wk,1 + wk,2 − 1 .
j=1 k=1
Os potenciais pesos que minimizam os valores do critério são obtidos quando as derivadas
parciais de JdW HL∞ são iguais a 0. Fixando a classe Ck , diferenciando JdW HLq com relação ao peso
121
wk,1 e igualando o resultado a 0, tem-se:

JdW HL∞ (Γ, P, w11,1 , · · · , wK,2
p
, Λ11 , · · · , ΛKp ) N
t−1 p j
=∑ t (wk,1 ) max{|γn − gk |} 1k,n − Λk = 0
j
∂ wk,1 n=1 j=1 ¯ ¯
N
p j
t (wk,1 )t−1
∑ max {|γn − gk |} 1k,n − Λk = 0.
j=1 ¯
j
¯
n=1
Definindo
N p j
ξk,1 = ∑ max{|γn − gk |} 1k,n ,
j
n=1 j=1 ¯ ¯
obtém-se
t (wk,1 )t−1 ξk,1 − Λk = 0

! 1
t−1
Λk
wk,1 = j
. (C.2)
t ξk,1
Agora, diferenciando JdW HLq com relação ao peso wk,2 e igualando o resultado a 0, tem-se:

JdW HL∞ (Γ, P, w11,1 , · · · , wK,2
p
, Λ11 , · · · , ΛKp ) N
t−1 p j
=∑ t (wk,1 ) max{|γ̆n − ğk |} 1k,n − Λk = 0
j
∂ wk,2 n=1 j=1
N p
j
t (wk,1 )t−1 ∑ max{|γ̆n − ğk |} 1k,n − Λk = 0.
j=1
j
n=1
Definindo
pN
j
ξk,2 = ∑ max{|γ̆n − ğk |} 1k,n ,
j
n=1 j=1
obtém-se
t (wk,2 )t−1 ξk,2 − Λk = 0

1
Λk t−1
wk,2 = . (C.3)
t ξk,2
O multiplicador de Lagrange Λk é calculado baseando-se na restrição wk,1 + wk,2 = 1. Então,
wk,1 + wk,2 = 1
1 1
Λk t−1 Λk t−1
+ =1
t ξk,1 t ξk,2
" 1 1 #
1 1 t−1 1 t−1
(Λk ) t−1 + =1
t ξk,1 t ξk,2
122
" 1 1 #−(t−1)
1 t−1 1 t−1
Λk = + (C.4)
t ξk,1 t ξk,2
Substituindo a Equação (C.4) na Equação (C.2), obtém-se
  1
 1 1 −(t−1)  t−1

 1 t−1
+ t ξ1
t−1 

 t ξk,1 k,2

wk,1 =

 (t ξk,1 ) 


 

1 1 −1
1 t−1 1 t−1
t ξk,1
+ t ξk,2
= 1
(t ξk,1 ) t−1
" 1 #−1
ξk,1 t−1
= 1+ .
ξk,2
Agora, substituindo a Equação (C.4) na Equação (C.3), obtém-se
 1 −(t−1)
 t−1
1
 1 

 1 t−1
+ t ξ1
t−1 

 tξ k,1
 k,2
wk,2 =

 (t ξk,2 ) 


 

1 1 −1
1 t−1 1 t−1
t ξk,1
+ t ξk,2
= 1
(t ξk,2 ) t−1
" 1 #−1
ξk,2 t−1
= 1+ .
ξk,1
Os pesos wk,1 e wk,2 são pontos críticos para a função que define o critério. Para que eles sejam
pontos de mínimo deve-se mostrar que a matriz Hessiana é positiva definida. Seja a matriz
Hessiana H do critério JdW HL∞ (Γ, P, w11,1 , · · · , wK,2
p
, Λ11 , · · · , ΛKp ), dada por
 
∂ 2 JdW HL∞ ∂ 2 JdW HL∞
 
 ∂ (wk,1 )2 ∂ wk,1 ∂ wk,2 
H = 
 ∂ 2 JdW HL∞ ∂ 2 JdW HL∞ 
∂ wk,2 ∂ wk,1 ∂ (wk,2 )2
 N p 
j t−2 j
 (wk,1 )

∑ max j=1 ¯
j
{|γn − gk |} 1k,n
¯
0 

= t(t − 1)  n=1
N 
 j p 
0 (wk,2 )t−2 ∑ max{|γ̆nj − ğkj |} 1k,n
j=1
n=1
123
Os termos t(t − 1) são positivos para t > 1. Os elementos da matriz também são positivos para
q ≥ 1. Assim, os autovalores da matriz Hessiana também são positivos. Então, conclui-se que
j j
a matriz H é positiva definida. Assim, os pesos wk,1 e wk,2 correspondem a pontos de mínimo.
Desta forma, os pesos do hibridismo da distância W HL∞ são calculados pelas expressões:
" 1 #−1
t−1 " 1 #−1
t−1
ξk,1 ξk,2
wk,1 = 1 + e wk,2 = 1 + .
ξk,2 ξk,1

124
D
Demostração da Proposição 3.4
Fixando a classe Ck e a dimensão j, o protótipo para as distâncias HL1 e HL∞ têm a mesma
solução analítica, determinada pelas expressões
n o
j j j
gk = Me γnj e ḡk = gk + Me γ̆nj ,
sendo Me{·} a mediana.
Demostração. O critério a ser minimizado para a distância HL1 é
K N p
j j j j
JdHL1 (Γ, P) = | −
∑ ∑ k,n ∑ n ¯ k n k .
1 γ g | + |γ̆ − ğ |
k=1 n=1 j=1 ¯
Fixando a classe Ck e a dimensão j, o problema de otimização se reduz a
N N
j j
∑ |γnj − gk | 1k,n + ∑ |γ̆nj − ğk | 1k,n .
n=1 ¯ ¯ n=1
O problema se resume a minimizar cada uma das parcelas. Cada parcela é minimizada pela
mediana do respectivo conjunto (SOUZA; DE CARVALHO, 2004; GOVAERT, 1975). Então,
n o
j j
gk = Me γnj e ğk = Me γ̆nj .

O critério a ser minimizado para a distância HL∞ é dado por
K N
p j p j
JdHL∞ (Γ, P) = ∑∑ max{|γnj − gk |} + max{|γ̆nj − ğk |} 1k,n .
k=1 n=1 j=1 ¯ ¯ j=1
125
Fixando a classe Ck , o problema de otimização é reduzido a
N N
p j p j
∑ max {|γn − gk |} 1k,n + ∑ max{|γ̆n − ğk |} 1k,n ,
j=1 ¯
j
¯ j=1
j
n=1 n=1
que se resume a minimizar, de forma independente, as duas somas seguintes:
N N
p j p j
∑ max {|γn − gk |} 1k,n e
j=1 ¯
j
¯
∑ max{|γ̆n − ğk |} 1k,n .
j=1
j
n=1 n=1
A função max pode ser ser reescrita como um limite da distância HLq , quando q → ∞. Assim,
tem-se que
 !1 
N N p q
p j
∑ max {|γnj − gk |} 1k,n = ∑  lim
¯
∑ |γnj − g¯ kj |q 1k,n 
n=1 j=1 ¯ n=1
q→∞
j=1 ¯
e  
!1
N N p q
p j j
∑ max{|γ̆n − ğk |} 1k,n =
j
j=1
∑ q→∞
lim ∑ |γ̆nj − ğk |q 1k,n  .
n=1 n=1 j=1
Como os termos das somas são positivos, a minimização deles implica na minimização das
somas finais. Fixando a dimensão j, o problema se reduz a
N N
j 1 j
∑ lim {|γnj − gk |q } q 1k,n j
= ∑ |γn − gk | 1k,n
n=1
q→∞ ¯ ¯ n=1 ¯ ¯
e
N 1
N
j j
∑ lim {|γ̆nj − ğk |q } q 1k,n j
= ∑ |γ̆n − ğk | 1k,n .
q→∞
n=1 n=1
No fim, a otimização é a mesma feita para a distância HL1 , cuja solução são as medianas dos
limites inferiores e das amplitudes dos intervalos envolvidos. Assim,
n o
j j
gk = Me γnj e ğk = Me γ̆nj .

Usando o mapeamento inverso (como descrito na Equação (3.3)), o limite superior é calculado
por
j j j
ḡk = gk + ğk (D.1)
¯j
= gk + Me γ̆nj .
¯ γn ∈Ck
126
Desta forma, o protótipo para as distâncias HL1 e HL∞ é calculado por

n o
j j j
gk = Me γnj e ḡk = gk + Me γ̆nj .

127
E
Fixando a classe Ck e a dimensão j, o protótipo da distância HL2 tem uma solução analítica. Ele
é obtido pelas expressões
j 1 N j
j j 1 p
gk = ∑ γ 1
n k,n e ḡk = gk + ∑ γ̆nj 1k,n ,
¯ |Ck | n=1 ¯ ¯ |Ck | j=1
em que |Ck | corresponde ao número de instâncias alocadas na classe Ck .
Demonstração. O critério a ser minimizado para a distância HL2 é
K N p
|γnj − gk |2 + |γ̆nj − ğk |2 .
j j
JdHL2 (Γ, P) = ∑ ∑ 1k,n ∑
k=1 n=1 j=1 ¯ ¯
Fixando a classe Ck e a dimensão j, o problema de otimização se resume a
N h i N h i
j j j 2 j j 2
Jk (Γ, P) = | − |
∑ n ¯ k k,n ∑ n k k,n .
γ g 1 + |γ̆ − ğ | 1
n=1 ¯ n=1
A minimização do critério é feita por meio do método dos mínimos quadrados, em que as
j j j
derivadas parciais de Jk com relação a gk e ğk são iguais a 0. Assim,
¯
j
∂ Jk (Γ, P) N h i
j
j
= ∑ 2 · (γ n
j
− g k ) 1k,n = 0
∂ gk n=1 ¯ ¯
N
¯
∑ γnj 1k,n − |Ck | g¯ kj = 0
n=1 ¯
j 1 N j
gk = ∑ γn 1k,n
¯ |Ck | n=1 ¯
128
e
j
∂ Jk (Γ, P) Nh i
j
j
= ∑ 2 · (γ̆ n
j
− ğk ) 1k,n =0
∂ ğk n=1
N j
∑ γ̆nj 1k,n − |Ck | ğk = 0
n=1
j 1 N
ğk = ∑ γ̆nj 1k,n
|Ck | n=1

Usando o mapeamento inverso (como proposto pela Equação (3.3)), os limites do protótipo para
a distância HL2 são calculados por
j 1 N j
j j 1 p
gk = ∑ γ 1
n k,n e ḡk = gk + ∑ γ̆nj 1k,n ,
¯ |Ck | n=1 ¯ ¯ |Ck | j=1

129
F
Fixando a classe Ck e a dimensão j, o protótipo da distância HLq (quando q > 1) pode ser calcu-
j
lado usando o método numérico de Newton-Raphson. Sejam os conjuntos Lk = {γnj |γn ∈ Ck } e
j ¯ j j
Rk = {γ̆nj |γn ∈ Ck }, o Algoritmo 2 explica como determinar os componentes do protótipo: gk e ğk .
¯
Demonstração. Considere um conjunto X = [x1 , x2 , · · · , xN ] ordenado em ordem crescente,

ou seja, com xi ≤ xi+1 ∀i, e a função f : R → R,
N
f (v) = ∑ |xi − v|q
i=1
com q > 1. O objetivo é encontrar o valor que minimiza f (v). Esta função pode ser reescrita
como
N
f (v) = ∑ (xi − v)q [sgn(xi − v)]q ,
i=1
em que sgn(·) é uma constante, definida por


 1 se x ≥ 0
sgn(x) =
−1 caso contrário.
A primeira derivada de f (·) é dada por
N
f 0 (v) = −q ∑ (xi − v)q−1 [sgn(xi − v)]q
i=1
N
= −q ∑ |xi − v|q−1 sgn(xi − v),
i=1
e a segunda derivada de f (·) é dada por
N
f 00 (v) = q(q − 1) ∑ (xi − v)q−2 [sgn(xi − v)]q
i=1
130
N
= q(q − 1) ∑ |xi − v|q−2 .
i=1
Quando q > 1, a segunda derivada é sempre positiva. Logo, conclui-se que a primeira derivada é
monotônica crescente para quaisquer valores de v.

O valor v∗ que minimiza f (v) deve satisfazer f 0 (v∗ ) = 0. Considere um valor v− , com v− < x1 ,
ou seja, v− < xi , ∀xi . Então, xi − v− > 0, implicando que sgn(xi − v− ) = 1, ∀xi . Assim, a primeira
derivada se torna
N
f 0 (v− ) = −q ∑ |xi − v− |q−1
i=1
que sempre tem um valor negativo. Logo, f 0 (v− ) < 0.

Agora considere um valor v+ , tal que v+ > xN , o que equivale a , v+ > xi , ∀xi . Então, xi − v+ < 0,
o que implica em sgn(xi − v+ ) = −1. Desta forma, a primeira derivada se torna
N
f 0 (v+ ) = q ∑ |xi − v+ |q−1
i=1
que sempre tem valores positivos. Logo, f 0 (v+ ) > 0.

Quando v < x1 , f 0 (v) < 0 e quando v > xN , f 0 (v) > 0, então, a função f 0 (v) muda seu sinal no
intervalo [x1 , xN ]. Assim, v∗ ∈ [x1 , xN ] para f 0 (v∗ ) = 0. Como f 0 (v) é monotônica crescente,
a solução é única. Entretanto, a expressão de f 0 (v) é muito complexa para que uma solução
analítica seja calculada. Sugerimos o uso do método numérico de Newton−Raphson para
encontrar o valor v∗ . Neste caso, um valor inicial v0 é escolhido aleatoriamente no intervalo
[x1 , xN ].Valores iterativos [vi ], que se aproximam da solução desejada, são calculados por
f 0 (vi−1 )
vi = vi−1 − .
f 00 (vi−1 )
A convergência ocorre quando |vi − vi−1 | < ε, com ε > 0.

O critério a ser minimizado para a distância HLq é dado por
K N p
j j q j j q
JdHLq (Γ, P) = 1 |
∑ ∑ k,n ∑ n ¯ kγ − g | + |γ̆n − ğ k | .
k=1 n=1 j=1 ¯
Fixando a classe Ck e a dimensão j, resulta em
N h i
j j q j j q
∑ n ¯k|γ − g | + |γ̆ n − ğk | 1 k,n .
n=1 ¯
131
O que implica na minimização das somas
N N
j q j q
∑ n ¯ k k,n e
|γ j
− g | 1 | j
−
∑ n k k,n .
γ̆ ğ | 1
n=1 ¯ n=1
Os passos descritos acima para a função f (·) podem ser aplicados a cada soma, independente-
j j
mente. Os conjuntos Lk = [γnj |γn ∈ Ck ] e Rk = [γ̆nj |γn ∈ Ck ] são substituídos pelo conjunto X e os
j j ¯
componentes gk e ğk são determinados. O Algoritmo 2 apresenta os passos para encontrá-los
¯
utilizando o método numérico de Newton-Raphson. Observe que o limite superior do protótipo é
j j j
obtido através do mapeamento inverso, como descrito na Equação (3.3), tal que ḡk = gk + ğk .
¯

132
G
Fixando a classe Ck , a dimensão j e o parâmetro q, para q ≥ 1, o protótipo das distâncias W HLq

e AHLq é determinado de acordo com um dos três casos:
1. Se q = 1 ou q = ∞, o protótipo tem uma solução analítica dada por

n o
j j j
em que Me{·} é a mediana.
2. Se q = 2, o protótipo tem uma solução analítica expressa por
j 1 N j
j j 1 N
gk = ∑ γ 1
n k,n e ḡk = g k + ∑ γ̆nj 1k,n ,
¯ |Ck | n=1 ¯ ¯ |Ck | n=1
3. Se q 6= 1, q 6= 2 e q 6= ∞, o método numérico de Newton-Raphson deve ser usado,

j j
como descrito no Algoritmo 2. Os conjuntos Lk = {γnj |γn ∈ Ck } e Rk = {γ̆nj |γn ∈ Ck }
¯j j
são manipulados por ele, resultando nos valores de gk e ğk , respectivamente. O limite
¯ j j j
superior do protótipo é obtido por meio do mapeamento inverso tal que ḡk = gk + ğk ,
¯
como proposto na Equação (3.3).
Demonstração. O critério a ser minimizado para a distância AHLq é expresso por
K N p
JdAHLq (Γ, P, λ11 , · · · , λKp ) =
j j j q j j q
∑ ∑ 1k,n ∑ λk |γn − gk | + |γ̆n − ğk | .
k=1 n=1 j=1 ¯ ¯
Fixando a classe Ck e a dimensão j, a minimização de JdAHLq reduz-se a
N N
j j j q j j j q
λk ∑ |γn − g¯ k | 1k,n + λk ∑ |γ̆n − ğk | 1k,n .
n=1 ¯ n=1
133

O critério a ser minimizado para a distância W HLq é dado por
K N p h i
JdW HLq (Γ, P, w11,1 , · · · , wK,2
)= 1 (w
∑ ∑ k,n ∑ k,1 n ¯ k) |γ − g | + (wk,2 ) |γ̆ n − ğk | .
k=1 n=1 j=1 ¯
Fixando a classe Ck e a dimensão j, o problema de minimização reduz-se a
N N
j j q j t j q
(wk,1 )t | j
−
∑ n ¯ k k,n
γ g | 1 + (w )
k,2 ∑ |γ̆n
j
− ğ k | 1k,n .
n=1 ¯ n=1

Os pesos adaptativos e híbridos se tornam constantes quando as classes e as dimensões são
fixadas. Desta forma, o problema equivale a minimizar as duas somas:
N
N
j q j q
∑ n ¯ k k,n e
|γ j
− g | 1 | j
−
∑ n k k,n .
γ̆ ğ | 1
n=1 ¯ n=1
A solução desta minimização depende do valor de q.

Se q = 1, então
N N
j j
∑ |γn − g¯ k | 1k,n e ∑ |γ̆n − ğk | 1k,n .
j j
n=1 ¯ n=1
devem ser minimizados. A solução é dada por

n o
j j j
em que Me{·} é a mediana (de acordo com a Proposição 3.4).

Se q = 2, a otimização é dada por
N
N
j 2 j 2
∑ n ¯ k k,n e
|γ j
− g | 1 | j
−
∑ n k k,n .
γ̆ ğ | 1
n=1 ¯ n=1
A solução é dada pela Proposição 3.5
1 p 1 p
j
gk
¯
=
|Ck | ∑ γn 1k,n e bGj k = g¯ kj + |Ck |
j
∑ γ̆nj 1k,n ,
j=1 ¯ j=1
em que |Ck | é o número de instâncias na classe Ck .

134
O critério a ser minimizado para a distância W HL∞ é dado por
K N
p j p j
JdHL∞ (Γ, P, w1,1 , · · · , wK,2 ) = ∑∑ (wk,1 )t
max{|γnj − gk |} + (wk,2 )t max{|γ̆nj − ğk |} 1k,n .
k=1 n=1 j=1 ¯ ¯ j=1
Fixando a classe Ck , a minimização se reduz a

N N p
p j j
(wk,1 ) ∑ max{|γn − gk |} 1k,n + (wk,2 ) ∑ max{|γ̆n − ğk |} 1k,n .
t j t j
n=1 j=1 ¯ ¯ n=1 j=1
Quando a classe é fixada, os pesos do hibridismo se tornam constantes. O problema se transforma

na minimização, independente, das duas somas:
N N
p j p j
∑ max {|γn − gk |} 1k,n e
j=1 ¯
j
¯
∑ max{|γ̆n − ğk |} 1k,n .
j
j=1
n=1 n=1
A solução é dada pela Proposição 3.4
j j
aGk = Me anj and ∆Gk = Me ∆nj .
γn ∈Ck γn ∈Ck

Se q > 1, q 6= 2 e q 6= ∞, não é possível expressar uma solução analítica para as somas da Equação
(G). A solução é obtida como descrito na Proposição 3.6. O método numérico de Newton-
j j
Raphson é usado, como descrito pelo Algoritmo 2. Os conjuntos Lk = {γnj |γn ∈ Ck } e Rk =
j ¯ j
{γ̆nj |γn ∈ Ck } são parâmetros para este algoritmo, resultando nos valores gk e γ̆k , respectivamente.
¯
Pelo mapeamento inverso (definido na Equação (3.3)), o limite superior é obtido por
j j j
ḡk = gk + ğk . (G.1)
¯

135
H
A matriz Σ+ satisfaz as propriedades de pseudo-inversa de Moore-Penrose.
Demonstração. Para que Σ+ seja uma pseudo-inversa de Moore-Penrose, ela deve satisfazer as
seguintes condições:
I. Σ Σ+ Σ = Σ,
II. Σ+ Σ Σ+ = Σ+ ,
III. (Σ Σ+ )T = Σ Σ+ ,
IV. (Σ+ Σ)T = Σ+ Σ.
Sabe-se que Σ é uma matriz diagonal com dimensões (2p + 1) × (2p + 1) e que possui alguns
zeros, e tem dimensões k × k, considerando que existem k valores singulares não-nulos. Assim,
pode-se escrevê-la como a seguinte matriz de blocos
!
D 0
Σ= ,
0 0
em que a matriz D contém os valores singulares não-nulos da matriz Σ e os zeros matrizes cujos
elementos são todos iguais a 0. A matriz Σ+ também é diagonal e seus valores correspondem ao
inverso dos valores não-nulos de Σ e é escrita como a matriz de blocos
!
−1
D 0
Σ+ = ,
0 0
em que D−1 é a inversa da matriz D.

Calculando Σ Σ+ , têm-se
! !
D 0 D−1 0
Σ Σ+ =
0 0 0 0
136
!
I 0
= ,
0 0
em que I é a matriz identidade. Agora, calculando (Σ Σ+ ) Σ, tem-se

! !
I 0 D 0
(Σ Σ+ )Σ =
0 0 0 0
!
D 0
= ,
0 0
=Σ
Assim, concluí-se que a condição I é satisfeita e que Σ Σ+ Σ = Σ.

Calculando Σ+ Σ, têm-se
! !
D−1 0 D 0
Σ+ Σ =
0 0 0 0
!
I 0
= ,
0 0
em que I é a matriz identidade. Agora, calculando (Σ+ Σ) Σ+ , tem-se

! !
I 0 D−1 0
(Σ+ Σ)Σ+ =
0 0 0 0
!
D−1 0
= ,
0 0
= Σ+
Assim, concluí-se que a condição II é satisfeita e que Σ+ Σ Σ+ = Σ+ .

O cálculo Σ Σ+ produz uma matriz diagonal, que é simétrica. Desta forma, a condição III é
satisfeita.

O cálculo Σ+ Σ produz uma matriz diagonal, que é simétrica. Desta forma, a condição IV é
satisfeita.

Como todas as condições são satisfeitas, conclui-se que a matriz Σ+ satisfaz as propriedades de
pseudo-inversa de Moore-Penrose.

137
I
Implementação do Agrupamento por Nu-
vens Dinâmicas
1 //=========================================================
2 // Arquivo : Interval.h
3 // Autor : Leandro Carlos de Souza
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #include <iostream>
8 #ifndef INTERVAL_H_
9 #define INTERVAL_H_
10
11 //Esta classe gera objetos que armazenam intervalos
12 class Interval {
13 private:
14 float a; //limite inferior do intervalo
15 float b; //limite superior do intervalo
16
17 public:
18 //Construtor
19 Interval(float a = 0, float b = 0)
20 {
21 this->a = a;
22 this->b = b;
23 }
24
25 virtual ~Interval(){ }
26
27 //Retorna a amplitude do intervalo
28 inline float range()
29 {
30 return (b-a);
31 }
32
33 //Retorna um ponto do intervalo pela equação da reta
34 inline double point(double lambda)
35 {
36 return a + (b-a)*lambda;
37 }
38
39 //Seta um valor para o limite inferior
40 inline void setA(float a )
41 {
42 this->a = a;
43 }
44
45 //Seta um valor para o limite superior
46 inline void setB(float b)
47 {
48 this->b = b;
49 }
50
51 //Retorna o limite inferior
52 inline float getA()
53 {
54 return this->a;
138
55 }
56
57 //Retorna o limite superior
58 inline float getB()
59 {
60 return this->b;
61 }
62
63 //Exibe o intervalo armazenado
64 void show(char* mesage = "", bool endl = false)
65 {
66 std::cout << "(" << this->a << "," << this->b << ")";
67 if(endl)
68 std::cout << std::endl;
69 }
70
71 //Operadores para objetos dos tipo intervalo
72 Interval operator=(Interval value)
73 {
74 this->a = value.getA();
75 this->b = value.getB();
76
77 return *this;
78 }
79
80 Interval operator+(Interval value)
81 {
82 Interval temp(this->a + value.getA(), this->b + value.getB());
83 return temp;
84 }
85
86 Interval operator+=(Interval value)
87 {
88 this->a += value.getA();
89 this->b += value.getB();
90 return *this;
91 }
92
93 Interval operator-(Interval value)
94 {
95 Interval temp(this->a - value.getA(), this->b - value.getB());
96 return temp;
97 }
98
99 Interval operator-=(Interval value)
100 {
101 this->a -= value.getA();
102 this->b -= value.getB();
103 return *this;
104 }
105
106 Interval operator*(double factor)
107 {
108 Interval temp(this->a * factor, this->b * factor);
109 return temp;
110 }
111
112 friend Interval operator*(double factor, Interval value)
113 {
114 return value.operator*(factor);
115 }
116
117 Interval operator*=(double factor)
118 {
119 this->a *= factor;
120 this->b *= factor;
121 return *this;
122 }
123
124 Interval operator/(double factor)
125 {
126 Interval temp(this->a / factor, this->b / factor);
127 return temp;
128 }
129
130 Interval operator/=(double factor)
131 {
132 this->a /= factor;
133 this->b /= factor;
134 return *this;
139
135 }
136 };
137 #endif /* INTERVAL_H_ */
1 //=========================================================
2 // Arquivo : MInterval.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
8 #include <vector>
9 #include "Interval.h"
10 using namespace std;
11
12 #ifndef ELEMENT_H_
13 #define ELEMENT_H_
14
15 //Esta classe define intervalos multidimensionais
16 class MInterval {
17
18 public:
19 vector<Interval> data; //Armazena os intervalos
20 int dimension; //Armazena a dimensão dos intervalos
21
22 MInterval()
23 {
24 dimension = 0;
25 }
26
27 MInterval(int dimension)
28 {
29 setDimension(dimension);
30 }
31
32 inline void setDimension(int dimension)
33 {
34 this->dimension = dimension;
35 data.resize(dimension);
36 }
37
38 virtual ~MInterval()
39 {
40 data.clear();
41 points.clear();
42 }
43
44 Interval & operator[](int index)
45 {
46 return data[index];
47 }
48
49 MInterval operator=(MInterval value)
50 {
51 points.clear();
52 for(int i=0; i < dimension; i++)
53 data[i] = value.data[i];
54
55 for(int i=0; i < (int)value.points.size(); i++)
56 points.push_back(value.points[i]);
57
58 return *this;
59 }
60
61 MInterval operator+(MInterval value)
62 {
63 MInterval temp(dimension);
65 temp[i] = data[i] + value.data[i];
66
67 return temp;
68 }
69
70 void show()
71 {
72 for(int i=0; i < this->dimension; i++)
73 this->data[i].show();
74 cout << endl;
75 }
76
140
77 MInterval operator+=(MInterval value)

78 {
80 data[i] += value.data[i];
81
82 return *this;
83 }
84
85 MInterval operator-(MInterval value)
86 {
89 temp[i] = data[i] - value.data[i];
90
91 return temp;
92 }
93
94 MInterval operator-=(MInterval value)
95 {
97 data[i] -= value.data[i];
98
99 return *this;
100 }
101
102 MInterval operator*(double factor)
103 {
106 temp[i] = data[i] * factor;
107
108 return temp;
109 }
110
111 MInterval operator*=(double factor)
112 {
114 data[i] *= factor;
115
116 return *this;
117 }
118
119 MInterval operator/(double factor)
120 {
123 temp[i] = data[i] / factor;
124
125 return temp;
126 }
127
128 MInterval operator/=(double factor)
129 {
131 data[i] /= factor;
132
133 return *this;
134 }
135 };
136 #endif /* ELEMENT_H_ */
1 //=========================================================
2 // Arquivo : DistType.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #ifndef WDYNAMIC_INTERVAL_CLUSTERING_DISTTYPE_H_
8 #define WDYNAMIC_INTERVAL_CLUSTERING_DISTTYPE_H_
9
10 //Proporciona a seleção de distâncias pelo nome
11 enum d_type{D_L1, D_L2, D_HAUS, D_HLQ, D_HL_INF};
12
13 namespace DistType
14 {
15 d_type L1 = D_L1; //distância L1
16 d_type L2 = D_L2; //distância L2
17 d_type HAUS = D_HAUS; //distância Loo
18 d_type HLQ = D_HLQ; //distância HLq
19 d_type HL_INF = D_HL_INF; //distância HLoo
141
20 }
21 #endif /* WDYNAMIC_INTERVAL_CLUSTERING_DISTTYPE_H_ */
1 //=========================================================
2 // Arquivo : ComputePrototype.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #include <vector>
8 #include <algorithm>
9 #include <cmath>
12
13 #ifndef COMPUTEPROTOTYPE_H_
14 #define COMPUTEPROTOTYPE_H_
15
16 //Esta classe calcula o protótipo para a distância HLq
17 //utilizando o método numérico de Newton-Hampson
18 class ComputePrototype {
19 public:
20 int q; //Valor do parâmetro q
21 vector<double> x; //Vetor de valores para determinação dos prototipos
22 double err; //Erro
23 double v; //Valor encontrado
24
25 public:
26 //Contrutor
27 ComputePrototype(vector<double>& x, int q)
28 {
29 this->x = x;
30 this->q = q;
31 err = 1e-3;
32 this-> v = 0;
33 if(x.size() >= 2)
34 {
35 sort(this->x.begin(), this->x.end());
36 newton_hampson();
37 }
38
39 if(x.size() == 1)
40 v = x[0];
41 }
42
43 //Valor do critério
44 double get_Criterion(double z)
45 {
46 double ret = 0.0;
47 for(int i=0; i < (int) x.size(); i++)
48 ret += pow(abs(x[i]-z), q);
49
50 return ret;
51 }
52
53 //Função sinal
54 double sgn(double z)
55 {
56 return (z >= 0) ? 1:-1;
57 }
58
59 //Função objetivo
60 double getH(double z)
61 {
64 ret += pow(abs(x[i]-z), q);
65
66 return ret;
67 }
68
69 //Primeira derivada
70 double getdH(double z)
71 {
74 ret += pow(abs(x[i]-z), q-1)*sgn(x[i]-z);
75
76 return -q*ret;
77 }
142
78
79 //Segunda derivada
80 double getddH(double z)
81 {
84 ret += pow(abs(x[i]-z), q-2);
85
86 return q*(q-1)*ret;
87 }
88
89 //Aplica o método de Newton-Hampson
90 void newton_hampson()
91 {
92 v = (x[0]+x[x.size()-1])/2;
93 int n=0;
94
95 do
96 {
97 double c = get_Criterion(v);
98 double v_new = v - getdH(v)/getddH(v);
99 if(abs(v-v_new) < err || n > 100)
100 break;
101 v = v_new;
102 n++;
103 }while(true);
104 }
105 };
106 #endif /* COMPUTEPROTOTYPE_H_ */
1 //=========================================================
2 // Arquivo : Prototype.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #ifndef PROTOTYPE_H_
8 #define PROTOTYPE_H_
9
11 #include <algorithm>
12 #include <vector>
13 #include "MInterval.h"
14 #include "ComputePrototype.h"
16
17 //Encontra os protótipos para cada distância
18 class Prototype
19 {
20 public:
21
22 //data: intervalos multidimensionais
23 //groups: os labels indicando os grupos do agrupamento
24 //g: o grupo que se deseja calcular o protótipo
25 //type: a distância de interesse
26 //valor de q para a distância HLq
27 static MInterval getPtototype(vector<MInterval>& data,
28 vector<int>& groups,
29 int g, // Prototype for group g
30 d_type type,
31 int q)
32 {
33 if(type == DistType::L1 || type == DistType::HL_INF || (type == DistType::HLQ && q==1))
34 return L1_prototype(data, groups, g);
35 else if(type == DistType::L2 || (type == DistType::HLQ && q==2))
36 return L2_prototype(data, groups, g);
37 else if(type == DistType::HAUS)
38 return HAUS_prototype(data, groups, g);
39 else
40 return HLQ_prototype(data, groups, g, q);
41 }
42
43 //Calcula o protótipo da distância HLoo
44 static MInterval HAUS_prototype(vector<MInterval > & data,
45 vector<int> & groups,
46 int group)
47 {
48 MInterval median(data[0].dimension);
49 vector<float> values_m[data[0].dimension];
50 vector<float> values_l[data[0].dimension];
143
51
52 for(int j=0; j < (int) data.size(); j++)
53 if(groups[j] == group)
54 {
55 for(int d=0; d < median.dimension; d++)
56 {
57 float aux_m = (data[j][d].getB()+data[j][d].getA())/2.0f;
58 float aux_l = data[j][d].range()/2.0f;
59 values_m[d].push_back(aux_m);
60 values_l[d].push_back(aux_l);
61 }
62 }
63
65 {
66 float mi = get_median(values_m[d]);
67 float del = get_median(values_l[d]);
68 median[d].setA(mi-del);
69 median[d].setB(mi+del);
70 }
71
73 {
74 values_m[d].clear();
75 values_l[d].clear();
76 }
77
78 return median;
79 }
80
81 //Calcula o protótipo da distância HLq
82 static MInterval HLQ_prototype(vector<MInterval>& data,
84 int g,
85 int q)
86 {
87 MInterval ret(data[0].dimension);
88 vector<double> valuesA;
89 vector<double> Delta;
90
91 for(int j=0; j < ret.dimension; j++)
92 {
93 for(int i=0; i < (int) data.size(); i++)
94 if(groups[i] == g)
95 {
96 valuesA.push_back(data[i][j].getA());
97 Delta.push_back(data[i][j].range());
98 }
99
100 ComputePrototype a(valuesA,q);
101 ComputePrototype d(Delta,q);
102
103 ret[j].setA(a.v);
104 ret[j].setB(a.v + d.v);
105
106 valuesA.clear();
107 Delta.clear();
108 }
109 //ret.show();
110 return ret;
111 }
112
113 //Calcula o protótipo da distância L2
114 static MInterval L2_prototype(vector<MInterval>& data,
116 int g)
117 {
118 MInterval ret(data[0].dimension);
119 int count = 0;
120 for(int i=0; i < (int) data.size(); i++)
121 {
122 if(groups[i] == g)
123 {
124 ret += data[i];
125 count++;
126 }
127 }
128
129 return (ret/(count));
130 }
144
131
132 //Calcula o protótipo da distância L1
133 static MInterval L1_prototype(vector<MInterval>& data,
135 int g)
136 {
137 MInterval median(data[0].dimension);
138 vector<float> values_A[data[0].dimension];
139 vector<float> values_B[data[0].dimension];
140 int size = data.size();
141
142 for(int j=0; j < size; j++)
143 if(groups[j] == g)
144 {
146 {
147 values_A[d].push_back(data[j][d].getA());
148 values_B[d].push_back(data[j][d].getB());
149 }
150 }
151
153 {
154 median[d].setA(get_median(values_A[d]));
155 median[d].setB(get_median(values_B[d]));
156 }
157
159 {
160 values_A[d].clear();
161 values_B[d].clear();
162 }
163
164 return median;
165 }
166
167 //Retorna a mediana de um conjunto
168 static float get_median(vector<float> & values)
169 {
170 std::sort(values.begin(), values.end());
171 int n = values.size();
172 if(n == 0)
173 return 0;
174 if(n%2 == 1)
175 return values[n/2];
176
177 return (values[n/2] + values[n/2 - 1])/2; //par
178 }
179 };
180 #endif /* PROTOTYPE_H_ */
1 //=========================================================
2 // Arquivo : Dynamic.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #include <vector>
9 #include <cmath>
10 #include "DistType.h"
11 #include "MInterval.h"
12 #include "Prototype.h"
13
15 #ifndef DYNAMIC_H_
16 #define DYNAMIC_H_
17
18 //Esta classe define os elementos comuns para o métodos
19 //de agrupamento.
20 class Dynamic
21 {
22 public:
23 int size; //Número de intervalos
24 int nGroups; //Número de grupos
25 vector<int> labels; //Classes reais dos elementos
26 vector<int> groups; //Classes do agrupamento
27 //Matriz de confusão
28 vector<vector<int> > confusion_matrix;
29 //Armazena os protótipos das classes
145
30 vector<MInterval> prototypes;
31 double rand_index; //Índice de rand do agrupamento final
32 d_type type; //Distância utilizada no agrupamento
33 double q; //Valor de q para a distância HLq
34
35 public:
36 vector<MInterval> data; //Armazena os intervalos
37
38 //Construtor
39 Dynamic(vector<MInterval> & data,
40 vector<int> & labels,
41 int nGroups,
42 d_type type,
43 double q)
44 {
45 this->data = data;
46 this->size = data.size();
47 this->labels = labels;
48 this->type = type;
49 this->nGroups = nGroups;
50 this->groups.resize(size);
51 this->rand_index = 0;
52 this->q = q;
53 prototypes.resize(nGroups);
54
55 for(int g=0; g < nGroups; g++)
56 prototypes[g].setDimension(data[0].dimension);
57 }
58
59 //Destrutor
60 virtual ~Dynamic()
61 {
62 this->groups.clear();
63 prototypes.clear();
64
65 for(int i=0; i < (int) confusion_matrix.size(); i++)
66 confusion_matrix[i].clear();
67
68 confusion_matrix.clear();
69 }
70
71 //Método virtual. Cada filho desta classe deve
72 //implementar o seu método de agrupamento.
73 virtual void find_cluster() = 0;
74
75 public:
76 //Inicializa os elementos aleatoriamente nos grupos
77 virtual void start_groups()
78 {
79 for(int i=0; i < size; i++)
80 groups[i] = rand()%nGroups;
81 }
82
83 //Mostra os grupos formados
84 void showGroups()
85 {
87 cout << groups[i] << " ";
88 cout << endl;
89 }
90
91 //Calcula os protótipos dos grupos baseando-se
92 //na distância definida
93 virtual void update_prototypes()
94 {
96 prototypes[g] = Prototype::getPtototype(data, groups, g, type, q);
97 }
98
99 //Retorna o critério do agrupamento
100 virtual double get_Criteria()
101 {
102 double crit = 0.0;
103
105 crit += get_distance(data[i], groups[i]);
106
107 return crit;
108 }
109
146
110 //Método virtual: Deve ser definido pela classe-filha

111 //indicando o valor da distância entre um elemento x
112 //e o protótipo do grupo g
113 virtual double get_distance(MInterval& x, int g) = 0;
114
115 //Método virtual: mostra um resumo do agrupamento
116 virtual void show() = 0;
117
118 //Retorna o índice de rand ajustado
119 virtual double get_rand_index(){ return rand_index;}
120
121 //Constrói a matriz de confusão
122 void set_confusion_matrix()
123 {
124 confusion_matrix.resize(nGroups);
125 for(int i=0; i < nGroups; i++)
126 confusion_matrix[i].resize(nGroups, 0);
127
129 confusion_matrix[labels[i]][groups[i]]++;
130 }
131
132 inline long bin_n2(int n)
133 {
134 return (n*(n-1))/2;
135 }
136
137 //Calcula o índice de rand ajustado
138 void set_rand_index()
139 {
141 for(int j=0; j < nGroups; j++)
142 confusion_matrix[i][j] = 0;
143
145 confusion_matrix[labels[i]][groups[i]]++;
146
147 int a[nGroups];
148 int b[nGroups];
149
151 {
152 a[i] = 0;
153 b[i] = 0;
154 }
155
156 unsigned long s1 = 0;
159 {
160 a[i] += confusion_matrix[i][j];
161 b[i] += confusion_matrix[j][i];
162
163 s1 += (confusion_matrix[i][j]*(confusion_matrix[i][j]-1))/2;
164 }
165
168
170 {
171 s2 += (a[i]*(a[i]-1))/2;
172 s3 += (b[i]*(b[i]-1))/2;
173 }
174
175 unsigned long bin2_n = (size*(size-1))/2;
176 double num = s1 - (s2/(bin2_n+0.0))*s3;
177 double den = 0.5*(s2+s3) - (s2/(bin2_n+0.0))*s3;
178 rand_index = num/den;
179 }
180 };
181 #endif /* DYNAMIC_H_ */
1 //=========================================================
2 // Arquivo : NonAdaptive.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #include "Dynamic.h"
147
8
9 #ifndef NONADAPTIVE_H_
10 #define NONADAPTIVE_H_
11
12 //Econtra o agrupamento para distâncias não-adaptativas
13 class NonAdaptive: public Dynamic
14 {
15 public:
16 //data: Contém os dados
17 //labels: Indica as classes reais dos elementos
18 //nGroups: Número de grupos
19 //type: Distância utilizada no agrupamento
20 //q: Valor do parâmetro da distância HLq
21 NonAdaptive(vector<MInterval> & data,
23 int nGroups,
24 d_type type,
25 double q):Dynamic(data, labels, nGroups, type, q)
26 { }
27
28 //Algoritmo do agrupamento
29 virtual void find_cluster()
30 {
31 start_groups();
32
33 bool changed;
34 do
35 {
36 update_prototypes();
37
38 changed = false;
39 for(int i=0; i < this->size; i++)
40 {
41 int best_group = getBestGroup(data[i]);
42
43 if(best_group != groups[i])
44 {
45 groups[i] = best_group;
46 changed = true;
47 }
48 }
49 }while(changed);
50
51 set_confusion_matrix();
52 set_rand_index();
53 }
54
55 //Retorna o grupo cujo protótipo é mais próximo de x
56 inline virtual int getBestGroup(MInterval & x)
57 {
58 double min = 1e100;
59 int group = 0;
60
62 {
63 double aux = get_distance(x, g);
64
65 if(aux < min)
66 {
67 min = aux;
68 group = g;
69 }
70 }
71
72 return group;
73 }
74
75 //Mostra um resumo do agrupamento
76 virtual void show()
77 {
79 cout << labels[i] << " ";
80 cout << endl;
82 cout << groups[i] << " ";
83 cout << endl;
84 cout << "confusion matrix : " << endl;
86 {
148
88 cout << confusion_matrix[i][j] << " ";

89 cout << endl;
90 }
91
92 cout << "Rand Index = " << rand_index << endl;
93 cout << "Final Criteria = " << this->get_Criteria() << endl;
94 }
95
97 double get_rand_index()
98 {
99 return rand_index;
100 }
101
104 {
108
109 return crit;
110 }
111
112 //Retorna a distância entre x e o protótipo de group
113 double get_distance(MInterval& x, int group)
114 {
116 if(type == DistType::L1)
117 {
118 for(int j=0; j < x.dimension; j++)
119 ret += abs(x[j].getA()-prototypes[group][j].getA()) +
120 abs(x[j].getB()-prototypes[group][j].getB());
121 }
122
124 {
126 ret += pow(x[j].getA()-prototypes[group][j].getA(), 2) +
127 pow(x[j].getB()-prototypes[group][j].getB(), 2);
128 }
129
130 if(type == DistType::HAUS)
131 {
133 {
134 double a = abs(x[j].getA()-prototypes[group][j].getA());
135 double b = abs(x[j].getB()-prototypes[group][j].getB());
136
137 ret += (a>b)? a: b;
138 }
139 }
140
141 if(type == DistType::HLQ)
142 {
144 ret += pow(abs(x[j].getA()-prototypes[group][j].getA()),q) +
145 pow(abs(x[j].range()-prototypes[group][j].range()), q);
146 }
147
148 if(type == DistType::HL_INF)
149 {
150 double max_a = -1e100;
151 double max_d = -1e100;
152
154 {
155 if(abs(x[j].getA()-prototypes[group][j].getA()) > max_a)
156 max_a = abs(x[j].getA()-prototypes[group][j].getA());
157 if(abs(x[j].range()-prototypes[group][j].range()) > max_d)
158 max_d = abs(x[j].range()-prototypes[group][j].range());
159 }
160
161 ret = max_a + max_d;
162 }
163
164 return ret;
165 }
166 };
167 #endif /* NONADAPTIVE_H_ */
149
1 //=========================================================
2 // Arquivo : Adaptive.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
8 #include <vector>
11
12 #ifndef ADAPTIVE_H_
13 #define ADAPTIVE_H_
14
15 //Esta classe implementa a versão adaptativa das distâncias.
16 class Adaptive: public Dynamic
17 {
18 vector<vector<double> > w; //matriz de pesos indexada por [classe][dimensão]
19
20 public:
21
22 //data: vetor contendo o conjunto de dados a ser agrupado
23 //labels: vetor indicando a classe real a que pertencem os elementos
24 //nGroups: Número de partições
25 //type: Nome da distância (ver DistType.h)
26 //q : Parâmetro da distância HLq adaptativa
27 Adaptive(vector<MInterval> & data,
29 int nGroups,
30 d_type type,
31 double q):Dynamic(data, labels, nGroups, type, q)
32 {
33 w.resize(nGroups);
35 w[i].resize(data[0].dimension, 0);
36 }
37
38 //Destrutor
39 ~Adaptive(){
41 w[i].clear();
42 w.clear();
43 }
44
45 //Implementação do agrupamento por nuvens dinâmicas
47 {
48 start_groups(); //Aloca os elementos nos grupos de forma aleatória
49
50 bool changed;
51 do
52 {
53 update_prototypes(); //Determina os protótipos
54
55 //Calcula os pesos
56 for(int g = 0; g < nGroups; g++)
57 set_W(g);
58
59 changed = false;
60 //Busca minizar o critério
62 {
64
66 {
68 changed = true;
69 }
70 }
71 }while(changed);
72
73 set_confusion_matrix(); //Define a matriz de confusão
74 set_rand_index(); //Calcula o índice de rand
75 }
76
79 {
150
81 int group = 0;
82
84 {
86
87 if(aux < min)
88 {
89 min = aux;
90 group = g;
91 }
92 }
93
94 return group;
95 }
96
97 //Calcula os pesos adaptativos para o grupo indicado em group
98 void set_W(int group)
99 {
100 int p = data[0].dimension;
101 double sums[p];
102 for(int h=0; h < p; h++)
103 sums[h] = 0.0;
104
106 {
107 for(int h=0; h < p; h++)
109 if(groups[i] == group)
110 sums[h] += abs(data[i][h].getA()-prototypes[groups[i]][h].getA()) +
111 abs(data[i][h].getB()-prototypes[groups[i]][h].getB());
112 }
113
115 {
116 for(int h=0; h < p; h++)
119 sums[h] += pow(abs(data[i][h].getA()-prototypes[groups[i]][h].getA()),2) +
120 pow(abs(data[i][h].getB()-prototypes[groups[i]][h].getB()),2);
121 }
122
124 {
125 for(int h=0; h < p; h++)
128 {
129 double a = abs(data[i][h].getA()-prototypes[groups[i]][h].getA());
130 double b = abs(data[i][h].getB()-prototypes[groups[i]][h].getB());
131 sums[h] += a > b ? a : b;
132 }
133 }
134
136 {
137 for(int h=0; h < p; h++)
140 {
141 sums[h] += pow(abs(data[i][h].getA()-prototypes[groups[i]][h].getA()),q) +
142 pow(abs(data[i][h].range()-prototypes[groups[i]][h].range()),q);
143 }
144 }
145
146 double num = 1;
147 for(int h=0; h < p; h++)
148 num *= sums[h];
149
150 for(int h=0; h < p; h++)
151 w[group][h] = pow(num, 1.0/p)/sums[h];
152 }
153
154 //Apresenta o resultado do agrupamento: grupos, matriz de confusão,
155 // índice de rand e o critério minimizado
157 {
159 cout << labels[i] << " ";
160 cout << endl;
151

162 cout << groups[i] << " ";
163 cout << endl;
166 {
169 cout << endl;
170 }
171
174 }
175
178 {
180
182 {
184 ret += w[group][j]*(abs(x[j].getA()-prototypes[group][j].getA()) +
185 abs(x[j].getB()-prototypes[group][j].getB()));
186 }
187
189 {
191 ret += w[group][j]*(pow(x[j].getA()-prototypes[group][j].getA(), 2) +
192 pow(x[j].getB()-prototypes[group][j].getB(), 2));
193 }
194
196 {
198 {
199 double a = abs(x[j].getA()-prototypes[group][j].getA());
200 double b = abs(x[j].getB()-prototypes[group][j].getB());
201
202 ret += w[group][j]*((a>b)? a: b);
203 }
204 }
205
207 {
209 ret += w[group][j]*(pow(abs(x[j].getA()-prototypes[group][j].getA()),q) +
210 pow(abs(x[j].range()-prototypes[group][j].range()), q));
211 }
212
213 return ret;
214 }
215 };
216
217 #endif /* ADAPTIVE_H_ */
1 //=========================================================
2 // Arquivo : DistType.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
8
9 #ifndef WNONADAPTIVE_H_
10 #define WNONADAPTIVE_H_
11
12 //Implementa o agrupamento para distâncias HLq com pesos no
13 //hibridismo
14 class Weighted: public Dynamic
15 {
16 vector<vector<double> > wd1;
17 vector<vector<double> > wd2;
18 double t;
19
20 public:
21
22 //data: vetor contendo o conjunto de dados a ser agrupado
152
23 //labels: vetor indicando as classes verdadeiras

24 //nGroups: Número de partições
25 //type: Nome da distância (ver DistType.h)
26 //q : Parâmetro da distância HLq adaptativa
27 //t : Parâmetro a ser utilizado na otimização
28 Weighted(vector<MInterval> & data,
30 int nGroups,
31 d_type type,
32 double q,
33 double t):Dynamic(data, labels, nGroups, type, q)
34 {
35 wd1.resize(nGroups);
36 wd2.resize(nGroups);
37
39 {
40 wd1[i].resize(data[0].dimension);
41 wd2[i].resize(data[0].dimension);
42 }
43
44 this->t = t;
45 }
46
47 //Destrutor
48 ~Weighted()
49 {
50 wd1.clear();
51 wd2.clear();
52 }
53
54 //Implementação do agrupamento por nuvens dinâmicas
56 {
57 start_groups();
58
59 bool changed;
60 long inte = 0;
61 do
62 {
63 update_prototypes();
64
65 for(int g = 0; g < nGroups; g++)
66 setWd_sum(g);
67
68 changed = false;
70 {
72
74 {
76 changed = true;
77 }
78 }
79 }while(changed);
80
81 set_confusion_matrix();
82 set_rand_index();
83 }
84
87 {
89 int group = 0;
90
92 {
94
95 if(aux < min)
96 {
97 min = aux;
98 group = g;
99 }
100 }
101
102 return group;
153
103 }
104
105 //Mostra um resumo do agrupamento
107 {
109 cout << labels[i] << " ";
110 cout << endl;
112 cout << groups[i] << " ";
113 cout << endl;
116 {
119 cout << endl;
120 }
121
124 cout << "weights" << endl;
125 for(int group=0; group < nGroups; group++)
126 {
127 for(int h=0; h < data[0].dimension; h++)
128 cout << "w1[" << group << "][" << h << "]=" << wd1[group][h] << " and w2[" << group << "][" << h << "]=" <<
wd2[group][h] << endl;
129 }
130 }
131
133 double get_rand_index()
134 {
135 return rand_index;
136 }
137
140 {
144
145 return crit;
146 }
147
150 {
152
154 {
156 ret += pow(wd1[group][j],t)*pow(abs(x[j].getA()-prototypes[group][j].getA()),q) +
157 pow(wd2[group][j], t)*pow(abs(x[j].range()-prototypes[group][j].range()), q);
158 }
159
161 {
164
166 {
167 if(abs(x[j].getA()-prototypes[group][j].getA()) > max_a)
168 max_a = abs(x[j].getA()-prototypes[group][j].getA());
169 if(abs(x[j].range()-prototypes[group][j].range()) > max_d)
170 max_d = abs(x[j].range()-prototypes[group][j].range());
171 }
172
173 ret = pow(wd1[group][0], t)*max_a + pow(wd2[group][0], t)*max_d;
174 }
175
176 return ret;
177 }
178
179 //Calcula os pesos
180 void setWd_sum(int group)
181 {
154

183 {
184 for(int h=0; h < data[0].dimension; h++)
185 {
186 double sum1=0.0;
188
189 for(unsigned int i=0; i < data.size(); i++)
191 {
192 sum1 += pow(abs(data[i][h].getA()-prototypes[groups[i]][h].getA()), q);
193 sum2 += pow(abs(data[i][h].range()-prototypes[groups[i]][h].range()), q);
194 }
195
196 wd1[group][h] = 1.0/(1.0+pow(sum1/sum2, 1.0/(t-1)));
197 wd2[group][h] = 1.0/(1.0+pow(sum2/sum1, 1.0/(t-1)));
198
199 // cout << "w1[" << group << "][" << h << "]=" << wd1[group][h] << " and w2[" << group << "][" << h << "]="
<< wd2[group][h] << endl;
200 }
201 }
202
204 {
207
208 for(unsigned int i=0; i < data.size(); i++)
210 {
213
214 for(int j=0; j < data[i].dimension; j++)
215 {
216 if(abs(data[i][j].getA()-prototypes[group][j].getA()) > max_a)
217 max_a = abs(data[i][j].getA()-prototypes[group][j].getA());
218 if(abs(data[i][j].range()-prototypes[group][j].range()) > max_d)
219 max_d = abs(data[i][j].range()-prototypes[group][j].range());
220 }
221 sum1 += max_a;
222 sum2 += max_d;
223 }
224 wd1[group][0] = 1.0/(1.0+pow(sum1/sum2, 1.0/(t-1)));
225 wd2[group][0] = 1.0/(1.0+pow(sum2/sum1, 1.0/(t-1)));
226 }
227 }
228 };
229 #endif /* WNONADAPTIVE_H_ */
1 //=========================================================
2 // Arquivo : Experiment.h
4 // Versão : 1.0
5 // Data : 13/04/2015
6 //=========================================================
7 #ifndef WDYNAMIC_INTERVAL_CLUSTERING_EXPERIMENT_H_
8 #define WDYNAMIC_INTERVAL_CLUSTERING_EXPERIMENT_H_
9
10 #include "files_reader.h"
11 #include "NonAdaptive.h"
12 #include "Weighted.h"
13 #include "Adaptive.h"
14 #include <locale>
15 #include <sstream>
16 #include <string>
17 #include <string.h>
18 #include <vector>
20
21 //Implementa a chamada das classes para a realização do agrupamento
22 class Experiment {
23 public:
24 Experiment() {}
25 virtual ~Experiment(){}
26
27 //Constrói intervalo de confiança para a média utilizando bootstrap
28 //vec: um vetor contendo os valores amostrados
29 //n: número de elementos no vetor
30 static Interval get_confiance_interval(double* vec, int n)
155
31 {
32 Interval ret;
33 const int B = 2000;
34 float alpha = 0.05;
35
36 vector<double> means(B, 0);
37 for(int i=0; i < B; i++)
38 {
39 for(int j=0; j < n; j++)
40 means[i] += vec[rand()%n];
41 means[i] /= n;
42 }
43
44 std::sort(means.begin(), means.end());
45 int p_min = round((alpha/2)*B);
46 int p_max = round((1-alpha/2)*B);
47 ret.setA(means[p_min]);
48 ret.setB(means[p_max]);
49 means.clear();
50 return ret;
51 }
52
53 //Aplica agrupamento para dados reais
54 //arquivo: nome do arquivo contendo os dados
55 //size: numero de elementos
56 //dimension: dimensão dos elementos
57 //nGroups: número de grupos
58 //type: distância utilizada
59 //method: escolha do método de agrupamento:
60 //1: distâncias não-adaptativas
61 //2: distâncias adaptativas
62 //3: distâncias com pesos no hibridismo
63 //q : valor de parâmetro q na distância HLq
64 //t : valor do parâmetro t para distâncias WHLq
65 static void means_real_data(string arquivo, int size, int dimension, int nGroups,
66 d_type type, int method, int q=1, double t = 2)
67 {
68 srand(10);
69 vector<MInterval > data(size);
70 vector<int> labels(size);
71
72 //implementa a leitura do arquvivo e dos labels reais dos elementos
73 //deve ser implementado pelo usuário
74 ler_arquivo(data,labels);
75
76 double best_rand;
77 double mean_rand = 0.0;
78 int nr = 100;
79 double rands[nr];
80 double best_criteria = 1e100;
81 for(int i=0; i < nr; i++)
82 {
83 Dynamic *means = NULL;
84 if(method == 1)
85 means = new NonAdaptive(data, labels, nGroups, type, q);
86 else if(method == 3)
87 means = new Weighted(data, labels, nGroups, type, q, t);
89 means = new Adaptive(data, labels, nGroups, type, q);
90
91 means->find_cluster();
92 double aux = means->get_Criteria();
93 if(aux < best_criteria)
94 {
95 best_criteria = aux;
96 best_rand = means->get_rand_index();
97 }
98
99 mean_rand += means->get_rand_index();
100 rands[i] = means->get_rand_index();
101
102 delete means;
103 }
104
105 mean_rand /= nr;
106 Interval conf = get_confiance_interval(rands, nr);
107 printf("max = %.3f\n", best_rand);
108 }
109
110 //Aplica agrupamento para dados sintéticos
156
111 //method: escolha do método de agrupamento:

112 //1: distâncias não-adaptativas
113 //2: distâncias adaptativas
114 //3: distâncias com pesos no hibridismo
115 //q : valor de parâmetro q na distância HLq
116 //t : valor do parâmetro t para distâncias WHLq
117 static void do_experiment(int method, double q=1, double t=100)
118 {
119 srand(10);
120 vector<MInterval> data(n);
121 vector<int> labels(n);
122 int size;
123 int nGroups;
124 int dimension;
125
126 //O usuário deve determinar o tamanho(size), o
127 //número de grupos(nGroups) e a dimensão(dimension)
128 //dos dados
129 determinar_parametros(size, nGroups, dimension);
130
131 for(int i=0; i < n; i++)
132 data[i].setDimension(dimension);
133
134 double best_rand = 0.0;
135 double mean_rand = 0.0;
136 int nr = 100; //número de conjuntos
137 double rands[nr]; //armazena os índices de rand
138 for(int i=0; i < nr; i++)
139 {
140 //Lê os dados de um arquivo e os labels das classes
141 //originais
142 read_file(nome[i], data, labels);
143 //Busca o resultado com menor critério
144 for(int j=0; j < 50; j++)
145 {
146 Dynamic *means = NULL;
147 if(method == 1)
148 means = new NonAdaptive(data, labels, nGroups, type, q);
150 means = new Weighted(data, labels, nGroups, type, q, t);
152 means = new Adaptive(data, labels, nGroups, type, q);
153
154 means->find_cluster();
155 double aux = means->get_Criteria();
156 if(aux < best_criteria)
157 {
158 best_criteria = aux;
159 best_rand = means->get_rand_index();
160 }
161
162 delete means;
163 }
164 mean_rand += best_rand;
165 rands[i] = best_rand;
166 }
167
168 mean_rand /= nr;
169 //Constói intervalo de confiança
170 Interval conf = get_confiance_interval(rands, nr);
171 printf("%.3f, %.3f\n", conf.getA(), conf.getB());
172 }
173 };
174 #endif /* WDYNAMIC_INTERVAL_CLUSTERING_EXPERIMENT_H_ */
157
J
Conjunto de reconhecimento de atividade
humana por dados de aceleração
índice aceleração x aceleração y aceleração z classe

1 [1.697,2.054] [2.243,2.713] [1.902,2.263] parado
2 [1.896,2.369] [2.126,2.843] [1.728,2.201] parado
3 [1.739,2.114] [2.067,2.738] [1.791,2.227] parado
4 [1.932,2.394] [2.104,2.725] [1.715,2.356] parado
5 [1.731,2.099] [1.87,2.973] [1.819,2.195] parado
6 [1.848,2.324] [2.112,2.877] [1.686,2.22] parado
7 [1.901,2.271] [2.121,2.676] [1.65,2.162] parado
8 [1.462,2.169] [1.912,2.834] [1.509,2.412] parado
9 [1.845,2.308] [2.324,2.889] [1.763,2.441] parado
10 [1.68,2.591] [2.145,3.087] [1.552,2.35] parado
11 [1.199,2.455] [2.025,2.846] [1.269,2.509] parado
12 [1.628,1.998] [2.065,2.894] [1.735,2.182] parado
13 [1.834,2.318] [1.894,2.99] [1.765,2.313] parado
14 [1.67,2.071] [2.186,2.745] [1.806,2.249] parado
15 [1.701,2.496] [2.21,3.035] [1.55,2.826] parado
16 [1.704,2.11] [2.179,2.678] [1.878,2.248] andando
17 [1.808,2.539] [1.874,2.763] [1.6,2.787] andando
18 [1.759,2.162] [2.081,2.763] [1.723,2.229] andando
19 [1.867,2.525] [1.966,2.778] [1.251,2.453] andando
20 [1.789,2.167] [2.167,2.645] [1.893,2.221] andando
21 [1.797,2.396] [1.8,2.767] [1.672,3.124] andando
22 [1.803,2.452] [2.164,2.657] [1.483,2.067] andando
23 [1.361,2.143] [1.807,2.718] [1.53,2.135] andando
24 [1.821,2.358] [2.309,2.921] [1.634,2.414] andando
25 [1.676,2.441] [2.151,2.913] [1.59,2.178] andando
26 [1.568,2.5] [2.1,2.725] [1.058,2.715] andando
27 [1.528,2.167] [2.04,2.848] [1.573,2.467] andando
28 [1.815,2.381] [2.002,2.696] [1.731,2.24] andando
29 [1.617,2.103] [2.171,2.666] [1.732,2.313] andando
30 [1.483,2.673] [1.839,3.191] [0.63,2.336] andando
31 [1.703,2.133] [2.167,2.648] [1.851,2.326] andando e falando com alguém
46 [1.624,2.096] [2.271,2.632] [1.83,2.358] parado e falando com alguém
158

159
K
Conjunto de fases de gestos
índice lhx lhy lhz rhx rhy rhz hx hy hz classe

1 [5.40,5.68] [3.90,4.38] [1.46,1.52] [5.16,6.50] [3.88,4.32] [1.43,1.64] [5.39,6.31] [1.42,1.70] [1.72,1.80] descanso
2 [5.29,5.80] [4.29,4.69] [1.47,1.52] [4.97,5.66] [4.29,4.69] [1.46,1.55] [5.12,5.61] [1.43,1.68] [1.74,1.79] descanso
3 [4.40,4.87] [5.34,5.61] [1.53,1.69] [6.18,7.25] [4.68,5.51] [1.44,1.66] [5.47,5.57] [1.45,1.49] [1.70,1.78] descanso
4 [4.54,5.40] [4.25,4.79] [1.45,1.56] [4.98,5.75] [4.04,4.86] [1.44,1.55] [4.86,5.23] [1.57,1.78] [1.70,1.78] descanso
5 [4.18,4.66] [5.00,5.48] [1.91,2.00] [5.07,5.30] [5.15,5.31] [1.93,1.98] [4.83,4.91] [1.82,1.85] [2.12,2.15] descanso
6 [5.18,5.89] [3.03,3.73] [1.46,1.51] [5.03,5.83] [3.29,4.11] [1.47,1.60] [5.36,5.72] [1.45,1.56] [1.73,1.79] descanso
7 [4.59,4.67] [4.81,4.94] [1.74,1.76] [5.17,5.70] [4.94,5.13] [1.82,1.94] [4.56,4.59] [1.81,1.82] [1.92,1.93] descanso
8 [4.63,5.53] [4.72,5.32] [1.43,1.53] [4.50,5.66] [4.80,5.45] [1.44,1.54] [4.98,5.55] [1.58,1.68] [1.74,1.80] descanso
9 [1.30,1.66] [4.84,5.60] [2.04,2.32] [3.33,3.80] [3.86,5.02] [1.99,2.31] [2.37,2.89] [0.86,1.31] [2.23,2.42] descanso
10 [4.48,4.75] [5.08,5.14] [2.26,2.68] [4.76,4.85] [5.10,5.16] [2.45,2.83] [4.63,4.76] [4.69,4.71] [2.54,2.71] descanso
11 [1.13,1.44] [5.22,5.60] [2.05,2.19] [3.77,3.94] [5.39,5.58] [2.15,2.26] [2.62,2.84] [1.28,1.35] [2.21,2.27] descanso
12 [1.60,2.30] [4.71,4.99] [1.99,2.28] [2.55,3.32] [4.46,4.95] [2.00,2.29] [2.35,2.73] [0.87,1.31] [2.22,2.43] descanso
13 [4.28,4.70] [4.95,5.25] [1.92,1.98] [4.80,5.13] [5.03,5.33] [1.91,1.97] [4.86,4.91] [1.83,1.85] [2.12,2.14] descanso
14 [4.27,4.84] [4.67,4.93] [1.71,1.94] [4.24,5.16] [4.61,5.10] [1.73,1.93] [4.60,4.89] [1.82,1.86] [1.92,2.13] descanso
15 [2.27,2.54] [3.87,3.95] [2.19,2.21] [2.83,3.55] [3.28,4.23] [2.28,2.64] [2.49,2.72] [0.88,1.09] [2.30,2.38] descanso
16 [2.38,2.57] [3.73,3.91] [2.19,2.20] [2.46,3.09] [3.63,4.07] [2.14,2.27] [2.30,2.60] [0.96,1.39] [2.10,2.35] descanso
17 [4.63,4.84] [4.39,4.64] [1.90,1.93] [4.55,5.01] [4.38,4.59] [1.90,1.94] [4.90,4.94] [1.87,1.91] [2.10,2.12] descanso
18 [5.49,5.82] [4.00,4.26] [1.48,1.54] [5.28,5.66] [3.99,4.20] [1.48,1.57] [4.81,5.45] [1.44,1.74] [1.72,1.78] descanso
19 [3.76,3.97] [5.11,5.39] [1.76,1.84] [4.95,5.29] [5.05,5.35] [1.80,1.86] [4.30,4.52] [1.78,1.85] [1.94,1.98] descanso
20 [3.94,4.24] [5.07,5.52] [1.73,1.81] [4.68,5.31] [4.89,5.40] [1.77,1.85] [4.36,4.55] [1.78,1.85] [1.94,1.98] descanso
21 [5.08,5.82] [3.60,4.18] [1.47,1.54] [4.74,5.53] [3.42,4.36] [1.42,1.57] [5.08,5.46] [1.62,1.70] [1.72,1.74] descanso
22 [2.18,2.64] [3.57,4.14] [2.16,2.22] [2.36,3.04] [3.53,4.00] [2.14,2.42] [2.25,2.47] [0.82,1.06] [2.23,2.40] descanso
23 [4.22,4.40] [5.25,5.45] [1.95,1.98] [5.22,5.53] [5.05,5.31] [1.96,2.00] [4.89,4.98] [1.82,1.85] [2.11,2.12] descanso
24 [4.05,4.25] [5.13,5.35] [1.98,2.03] [5.18,5.59] [5.21,5.40] [1.95,2.01] [4.76,4.95] [1.82,1.85] [2.11,2.13] descanso
25 [2.63,2.64] [3.74,3.88] [2.18,2.19] [3.06,3.38] [3.80,4.18] [2.28,2.36] [2.39,2.41] [0.84,0.84] [2.39,2.40] descanso
26 [4.60,5.16] [4.33,4.80] [1.46,1.50] [4.49,4.86] [4.32,4.82] [1.46,1.56] [5.01,5.14] [1.61,1.69] [1.75,1.77] descanso
27 [4.97,5.16] [3.66,4.00] [1.48,1.58] [4.47,5.36] [3.79,4.30] [1.47,1.56] [5.00,5.22] [1.60,1.69] [1.74,1.79] descanso
28 [1.72,2.46] [3.69,4.11] [2.15,2.22] [3.01,3.59] [3.51,4.11] [2.15,2.45] [2.30,2.43] [0.82,0.88] [2.38,2.41] descanso
29 [1.51,1.79] [4.32,4.82] [2.20,2.24] [3.67,3.74] [3.98,4.01] [2.18,2.19] [2.44,2.45] [0.96,0.98] [2.37,2.37] descanso
30 [4.26,4.53] [5.06,5.26] [1.92,1.96] [5.29,5.46] [4.97,5.16] [1.97,2.00] [4.84,4.90] [1.82,1.85] [2.12,2.15] descanso
31 [2.31,2.34] [4.71,4.71] [2.23,2.23] [3.01,3.03] [4.46,4.46] [2.29,2.29] [2.37,2.37] [0.86,0.87] [2.41,2.41] descanso
32 [4.94,5.36] [4.12,4.51] [1.46,1.52] [4.46,4.79] [4.25,4.55] [1.46,1.55] [4.72,5.20] [1.60,1.72] [1.72,1.78] descanso
33 [2.39,2.49] [3.86,3.94] [2.18,2.21] [3.11,3.47] [4.13,4.31] [2.32,2.38] [2.37,2.50] [0.88,0.90] [2.36,2.40] descanso
34 [4.85,5.80] [4.35,5.27] [1.43,1.54] [5.24,5.72] [4.67,5.09] [1.43,1.52] [5.29,5.62] [1.41,1.57] [1.74,1.76] descanso
35 [1.44,2.44] [4.14,4.86] [2.22,2.30] [2.36,2.56] [3.80,4.20] [2.18,2.27] [2.17,2.42] [0.81,0.86] [2.40,2.42] descanso
36 [2.12,2.48] [3.92,4.09] [2.18,2.22] [2.88,3.59] [3.82,4.26] [2.30,2.45] [2.35,2.46] [0.82,0.86] [2.40,2.41] descanso
37 [3.68,4.11] [5.11,5.51] [1.77,1.83] [4.64,5.30] [5.19,5.48] [1.77,1.84] [4.34,4.52] [1.78,1.86] [1.95,1.98] descanso
38 [2.53,2.63] [3.88,3.91] [2.19,2.20] [3.39,3.42] [4.19,4.22] [2.37,2.39] [2.40,2.59] [0.84,0.89] [2.38,2.39] descanso
39 [5.10,5.48] [3.45,4.12] [1.47,1.52] [4.88,5.42] [3.45,4.06] [1.46,1.54] [5.21,5.42] [1.40,1.49] [1.75,1.77] descanso
40 [4.98,5.54] [4.12,4.38] [1.47,1.54] [4.78,5.16] [4.12,4.45] [1.45,1.53] [4.72,5.21] [1.61,1.72] [1.72,1.78] descanso
41 [1.16,2.36] [4.90,6.05] [1.89,2.46] [2.12,4.27] [1.14,5.14] [1.81,2.13] [2.11,2.80] [0.78,1.69] [2.10,2.44] brusco
42 [4.54,4.61] [5.00,5.14] [2.30,2.68] [4.68,4.95] [4.78,5.05] [2.13,2.38] [4.67,4.71] [4.69,4.70] [2.58,2.67] brusco
43 [4.55,4.68] [5.05,5.12] [2.19,2.39] [4.62,4.71] [5.03,5.09] [2.19,2.31] [4.64,4.69] [4.69,4.71] [2.56,2.66] brusco
44 [1.98,2.98] [1.66,4.02] [1.35,2.13] [6.91,8.07] [1.52,3.88] [1.40,2.07] [4.86,5.08] [1.53,1.86] [1.74,2.11] brusco
45 [4.45,4.64] [4.77,5.04] [2.10,2.62] [4.70,4.89] [4.77,5.13] [2.23,2.66] [4.67,4.73] [4.69,4.73] [2.40,2.72] brusco
46 [4.67,5.12] [4.30,5.05] [1.46,1.55] [5.81,6.87] [2.02,3.42] [1.37,1.57] [4.83,5.40] [1.54,1.68] [1.71,1.78] brusco
47 [4.04,6.16] [2.14,4.32] [1.27,1.76] [3.78,5.25] [1.83,4.36] [1.30,1.80] [4.25,5.31] [1.46,1.83] [1.66,1.98] brusco
48 [3.45,4.15] [5.06,5.42] [1.80,1.96] [4.02,6.11] [3.70,5.72] [1.49,1.94] [4.27,4.98] [1.82,2.00] [1.84,2.13] brusco
49 [3.26,3.82] [4.94,5.54] [1.78,1.96] [4.20,6.20] [0.66,2.44] [1.46,1.86] [4.14,4.55] [1.63,1.88] [1.92,1.99] brusco
50 [4.41,5.25] [4.81,5.34] [1.45,1.54] [6.54,7.66] [2.49,4.11] [1.39,1.57] [4.66,5.42] [1.61,1.70] [1.75,1.78] brusco
51 [2.68,4.11] [3.74,5.58] [1.50,2.19] [6.03,7.04] [2.89,5.53] [1.50,2.11] [4.31,5.01] [1.82,1.88] [1.70,2.13] brusco
52 [1.16,2.40] [0.84,5.01] [1.91,2.42] [2.58,4.15] [0.28,2.75] [1.90,2.39] [2.23,2.48] [0.78,0.92] [2.37,2.44] brusco
53 [4.06,5.49] [3.59,5.60] [1.35,1.75] [4.00,6.46] [2.72,5.12] [1.20,1.71] [4.44,5.61] [1.36,1.95] [1.66,1.91] brusco
54 [2.87,4.32] [1.66,3.19] [1.27,1.99] [5.71,7.14] [1.48,3.10] [1.24,1.94] [4.89,5.47] [1.52,1.85] [1.68,2.13] brusco
160
55 [4.54,4.57] [5.08,5.14] [2.29,2.52] [4.73,4.93] [4.57,4.77] [2.17,2.39] [4.66,4.71] [4.69,4.70] [2.59,2.65] brusco
56 [3.49,6.18] [1.76,4.10] [1.29,1.78] [4.92,5.95] [2.93,4.97] [1.26,1.70] [4.58,5.28] [1.57,1.86] [1.66,1.93] brusco
57 [4.50,5.76] [2.65,3.76] [1.27,1.55] [5.28,6.52] [2.23,3.23] [1.30,1.53] [5.03,5.56] [1.29,1.75] [1.69,1.81] brusco
58 [0.77,2.70] [1.43,4.56] [1.93,2.25] [2.37,4.25] [1.69,3.86] [1.87,2.38] [2.25,2.66] [0.81,1.31] [2.23,2.43] brusco
59 [4.85,5.85] [3.35,4.87] [1.29,1.69] [4.95,7.14] [2.93,4.30] [1.19,1.79] [4.87,5.52] [1.29,1.89] [1.74,2.15] brusco
60 [3.21,5.16] [3.84,5.34] [1.48,1.99] [3.45,5.68] [1.98,5.12] [1.30,1.84] [4.11,5.15] [1.49,1.96] [1.76,2.15] brusco
61 [1.45,3.47] [3.13,4.65] [1.68,2.25] [2.28,4.46] [1.64,4.93] [1.95,2.32] [2.25,2.91] [0.83,1.33] [2.22,2.41] brusco
62 [3.84,5.04] [3.16,5.32] [1.61,1.97] [4.70,6.30] [3.44,5.04] [1.61,2.01] [4.50,4.99] [1.79,1.95] [1.88,2.14] brusco
63 [0.50,2.15] [2.55,3.94] [1.67,2.08] [3.41,4.92] [2.38,4.77] [1.96,2.25] [2.66,3.02] [1.28,1.33] [2.17,2.25] brusco
64 [4.82,6.43] [2.68,4.04] [1.28,1.56] [3.87,5.68] [2.85,3.95] [1.26,1.58] [5.07,6.03] [1.16,2.15] [1.61,1.81] brusco
65 [2.85,4.67] [2.06,4.54] [1.45,1.68] [5.43,7.68] [1.17,2.71] [1.29,1.82] [5.51,5.96] [1.29,1.51] [1.71,1.77] brusco
66 [4.59,4.74] [4.82,5.04] [2.08,2.44] [4.70,4.82] [4.77,5.12] [2.02,2.49] [4.65,4.71] [4.69,4.70] [2.56,2.63] brusco
67 [3.34,4.98] [3.69,4.81] [1.29,1.71] [6.00,6.80] [3.71,4.60] [1.26,1.79] [4.87,5.11] [1.62,1.89] [1.68,2.15] brusco
68 [4.55,4.56] [5.12,5.15] [2.39,2.54] [4.66,4.82] [4.89,5.12] [2.08,2.44] [4.60,4.67] [4.70,4.73] [2.48,2.58] brusco
69 [4.62,4.94] [4.72,5.13] [1.52,1.55] [5.61,6.72] [1.30,1.96] [1.34,1.66] [4.83,4.98] [1.57,1.68] [1.75,1.78] brusco
70 [4.43,4.48] [4.81,4.95] [2.27,2.38] [4.78,4.90] [4.62,4.95] [2.24,2.46] [4.71,4.74] [4.69,4.73] [2.40,2.50] brusco
71 [3.39,4.42] [4.06,5.32] [1.81,1.96] [5.34,6.80] [2.36,4.09] [1.45,2.01] [4.27,4.90] [1.82,1.89] [1.97,2.14] brusco
72 [0.66,1.95] [3.64,5.74] [1.90,2.46] [2.65,5.00] [1.26,5.10] [1.95,2.20] [2.59,2.99] [1.16,2.19] [2.10,2.26] brusco
73 [3.25,5.34] [4.64,5.28] [1.51,1.69] [5.55,8.16] [1.51,2.44] [1.16,1.64] [5.37,5.86] [1.37,1.61] [1.71,1.75] brusco
74 [4.53,4.56] [5.09,5.15] [2.39,2.63] [4.68,4.88] [4.67,4.92] [1.99,2.18] [4.64,4.71] [4.69,4.71] [2.58,2.67] brusco
75 [3.51,4.43] [5.33,5.71] [1.81,1.97] [4.33,5.78] [5.59,6.20] [1.74,1.85] [4.56,5.37] [2.00,2.67] [1.72,1.86] brusco
76 [4.52,6.16] [2.49,3.16] [1.47,1.63] [4.43,5.44] [4.88,5.56] [1.49,1.57] [4.92,5.55] [1.28,2.31] [1.57,1.76] brusco
77 [4.11,5.81] [3.33,5.28] [1.29,1.55] [5.04,6.09] [2.74,4.46] [1.30,1.58] [4.71,5.28] [1.62,1.85] [1.67,1.78] brusco
78 [4.87,6.03] [2.48,3.45] [1.25,1.52] [5.71,6.33] [3.01,3.73] [1.27,1.49] [5.30,5.55] [1.35,1.53] [1.75,1.82] brusco
79 [4.84,6.21] [2.09,4.05] [1.35,1.60] [3.88,6.18] [2.13,3.86] [1.40,1.51] [4.99,5.47] [1.60,2.14] [1.62,1.77] brusco
80 [3.17,5.03] [2.73,3.81] [1.29,1.88] [5.19,7.00] [2.65,3.81] [1.22,1.88] [4.53,5.46] [1.61,1.88] [1.68,2.14] brusco
81 [3.59,3.78] [5.02,5.33] [1.78,1.83] [5.18,5.75] [1.12,3.13] [1.55,1.81] [4.17,4.59] [1.60,1.86] [1.93,1.99] retração
82 [4.39,5.74] [2.91,4.20] [1.38,1.53] [4.58,5.67] [3.07,4.03] [1.44,1.54] [4.99,5.46] [1.42,1.69] [1.73,1.81] retração
83 [3.04,4.21] [4.42,4.96] [1.77,1.97] [3.69,4.16] [4.17,4.55] [1.72,1.85] [4.91,4.97] [1.82,1.85] [2.15,2.17] retração
84 [1.18,2.36] [2.90,3.98] [1.94,2.23] [2.77,3.96] [1.37,2.90] [1.84,2.31] [2.11,2.40] [0.85,1.31] [2.23,2.40] retração
85 [2.75,3.14] [2.60,3.32] [2.12,2.18] [2.17,2.51] [2.35,3.27] [2.04,2.14] [2.43,2.46] [0.85,0.86] [2.39,2.40] retração
86 [4.55,4.58] [4.88,5.11] [2.09,2.22] [4.78,4.90] [4.99,5.06] [2.27,2.40] [4.69,4.71] [4.69,4.70] [2.48,2.51] retração
87 [4.49,4.52] [5.06,5.12] [2.78,2.95] [4.83,4.89] [4.99,5.09] [2.40,2.51] [4.69,4.70] [4.70,4.70] [2.74,2.75] retração
88 [4.43,4.73] [5.10,5.61] [1.54,1.79] [6.32,7.05] [4.57,4.67] [1.38,1.49] [5.24,5.46] [1.48,1.51] [1.71,1.73] retração
89 [4.27,5.45] [3.30,4.80] [1.46,1.53] [5.50,6.58] [2.09,3.40] [1.30,1.58] [5.20,5.40] [1.48,1.54] [1.73,1.76] retração
90 [1.89,2.17] [3.97,4.13] [2.21,2.23] [2.76,3.34] [0.51,2.44] [2.19,2.23] [2.28,2.36] [0.86,0.93] [2.37,2.41] retração
91 [4.44,4.55] [4.77,4.86] [2.27,2.49] [4.78,4.89] [4.85,5.13] [2.37,2.49] [4.68,4.69] [4.70,4.70] [2.47,2.70] retração
92 [4.51,5.01] [3.39,4.72] [1.70,1.82] [3.68,4.84] [3.94,4.56] [1.46,1.80] [4.28,4.63] [1.82,1.86] [1.91,1.97] retração
93 [2.69,3.48] [5.67,5.93] [1.79,2.08] [5.48,6.09] [5.56,5.92] [1.73,2.08] [4.29,4.38] [1.80,1.86] [1.95,1.97] retração
94 [3.55,3.88] [4.60,5.43] [1.64,1.84] [4.08,5.79] [3.46,5.22] [1.55,1.69] [4.17,4.52] [1.80,1.84] [1.95,1.99] retração
95 [4.29,4.99] [4.16,4.76] [1.71,1.92] [4.71,6.38] [3.60,4.65] [1.79,1.94] [4.85,4.94] [1.85,1.89] [2.09,2.15] retração
96 [3.52,4.35] [5.04,5.45] [1.89,2.00] [5.12,6.22] [5.01,5.41] [1.83,1.98] [4.86,4.92] [1.82,1.88] [2.09,2.16] retração
97 [4.68,5.58] [3.67,5.41] [1.39,1.59] [4.63,5.79] [3.78,5.13] [1.41,1.58] [4.99,5.47] [1.46,1.71] [1.73,1.85] retração
98 [3.32,3.73] [3.63,5.15] [1.62,1.95] [5.85,6.28] [3.37,4.79] [1.62,1.90] [4.52,4.94] [1.83,1.88] [1.98,2.13] retração
99 [1.29,2.11] [5.03,5.63] [1.98,2.14] [1.88,3.50] [3.94,5.15] [1.87,2.13] [2.58,2.88] [1.31,1.36] [2.22,2.26] retração
100 [1.18,1.40] [4.88,4.96] [2.31,2.41] [2.48,2.59] [3.05,3.75] [2.13,2.17] [2.17,2.19] [0.82,0.83] [2.42,2.42] retração
101 [1.44,1.71] [3.64,4.26] [2.07,2.21] [3.48,3.84] [3.40,3.98] [2.15,2.38] [2.34,2.45] [0.85,0.98] [2.37,2.40] retração
102 [3.84,4.87] [4.31,5.15] [1.63,1.80] [4.03,5.42] [3.88,4.94] [1.50,1.87] [4.19,4.72] [1.80,2.01] [1.89,1.99] retração
103 [3.99,4.88] [4.53,5.16] [1.82,2.00] [4.20,5.46] [3.55,5.27] [1.81,2.00] [4.85,4.95] [1.82,1.88] [2.10,2.17] retração
104 [1.47,2.65] [3.39,4.83] [2.09,2.22] [2.53,3.65] [2.38,4.81] [2.11,2.42] [2.13,2.43] [0.83,0.91] [2.36,2.44] retração
105 [3.58,4.44] [4.58,5.37] [1.66,1.84] [4.32,5.09] [4.89,5.47] [1.52,1.82] [4.17,4.52] [1.78,1.89] [1.95,1.99] retração
106 [3.70,4.67] [5.15,5.64] [1.70,1.81] [4.91,5.26] [5.17,5.69] [1.44,1.86] [4.40,5.35] [1.79,1.85] [1.76,1.98] retração
107 [4.54,4.59] [5.11,5.14] [2.47,2.64] [4.77,4.87] [4.61,5.08] [2.01,2.35] [4.66,4.69] [4.69,4.70] [2.56,2.62] retração
108 [1.80,2.14] [3.37,5.26] [1.86,1.99] [3.51,4.31] [2.13,5.14] [1.96,2.17] [2.39,2.88] [1.31,1.35] [2.21,2.23] retração
109 [1.71,3.98] [2.09,3.61] [1.42,1.67] [5.94,8.55] [2.11,3.14] [1.42,1.71] [4.52,5.69] [1.40,1.83] [1.70,1.98] retração
110 [3.56,4.04] [5.07,5.64] [1.69,1.84] [5.12,5.83] [4.81,5.71] [1.61,1.89] [4.19,4.52] [1.80,1.91] [1.95,1.98] retração
111 [0.00,1.71] [4.59,5.57] [1.95,2.27] [3.85,5.31] [4.70,5.33] [2.05,2.14] [2.55,2.88] [1.30,1.36] [2.16,2.22] retração
112 [3.94,4.08] [4.95,5.24] [1.86,1.93] [5.46,6.53] [3.37,4.79] [1.83,1.89] [4.92,4.95] [1.86,1.86] [2.13,2.13] retração
113 [3.32,3.82] [4.14,5.28] [1.43,1.64] [6.68,6.80] [4.26,5.18] [1.45,1.51] [5.46,5.50] [1.41,1.41] [1.69,1.70] retração
114 [4.43,4.59] [4.91,5.13] [2.25,2.57] [4.73,4.90] [4.93,5.15] [2.28,2.72] [4.66,4.72] [4.69,4.71] [2.51,2.72] retração
115 [1.38,1.81] [3.13,3.64] [1.89,2.21] [3.25,3.78] [2.80,3.33] [2.00,2.29] [2.27,2.40] [0.85,0.93] [2.35,2.40] retração
116 [3.93,5.26] [3.06,5.08] [1.35,1.54] [4.63,5.93] [3.31,4.84] [1.40,1.52] [4.99,5.22] [1.60,1.80] [1.69,1.77] retração
117 [4.59,4.74] [4.65,5.13] [1.47,1.55] [5.46,6.67] [1.66,3.30] [1.44,1.61] [4.97,5.13] [1.61,1.68] [1.75,1.77] retração
118 [4.46,4.59] [4.85,5.15] [2.46,2.76] [4.74,4.89] [4.82,5.15] [2.35,2.68] [4.66,4.71] [4.70,4.71] [2.58,2.74] retração
119 [5.87,6.41] [2.96,3.46] [1.40,1.59] [5.55,5.98] [4.53,4.83] [1.53,1.58] [5.14,5.47] [1.52,2.45] [1.56,1.73] retração
120 [3.37,4.50] [3.04,4.31] [1.42,1.54] [5.85,7.25] [2.98,4.13] [1.42,1.54] [5.08,5.57] [1.40,1.76] [1.69,1.76] retração
121 [3.87,4.69] [5.22,5.82] [1.74,1.89] [5.36,5.96] [4.74,6.14] [1.63,1.85] [4.58,5.37] [1.82,2.66] [1.72,1.95] preparação
122 [1.33,1.76] [3.75,4.53] [1.97,2.03] [2.56,3.35] [4.00,4.14] [1.92,1.93] [2.61,2.66] [1.28,1.29] [2.24,2.24] preparação
123 [4.40,5.65] [2.46,3.37] [1.21,1.55] [4.50,5.66] [2.05,5.41] [1.30,1.61] [5.05,5.64] [1.03,2.38] [1.54,1.82] preparação
124 [4.76,6.07] [2.98,4.89] [1.31,1.52] [4.56,6.68] [2.84,4.12] [1.31,1.59] [4.99,5.87] [1.21,1.64] [1.73,1.80] preparação
125 [4.65,4.71] [4.91,4.95] [2.27,2.40] [4.79,4.81] [5.12,5.13] [2.24,2.32] [4.65,4.66] [4.70,4.70] [2.55,2.56] preparação
126 [3.08,3.88] [2.61,4.31] [1.60,2.00] [6.25,6.79] [2.81,3.95] [1.55,1.94] [4.86,5.00] [1.73,1.86] [1.74,2.14] preparação
127 [0.00,2.01] [2.81,4.33] [1.88,2.22] [3.80,5.04] [2.77,4.13] [1.96,2.22] [2.80,3.12] [1.30,1.31] [2.22,2.23] preparação
128 [4.48,4.59] [5.00,5.14] [2.27,2.71] [4.67,4.94] [4.59,5.09] [2.30,2.49] [4.66,4.72] [4.69,4.70] [2.59,2.64] preparação
129 [3.84,5.00] [3.32,4.76] [1.50,1.84] [3.74,6.19] [2.65,4.12] [1.48,1.84] [4.26,4.99] [1.69,1.88] [1.73,2.14] preparação
130 [0.94,1.51] [4.61,5.67] [1.94,2.46] [3.77,5.10] [3.72,5.59] [1.97,2.27] [2.68,3.13] [1.28,1.62] [2.16,2.25] preparação
161
131 [4.53,4.59] [4.88,4.96] [2.13,2.29] [4.80,4.84] [4.77,5.10] [2.47,2.61] [4.71,4.71] [4.69,4.70] [2.59,2.60] preparação
132 [4.51,4.60] [4.89,5.07] [2.25,2.46] [4.74,4.91] [4.84,5.00] [2.35,2.47] [4.66,4.71] [4.69,4.70] [2.59,2.73] preparação
133 [2.78,4.69] [4.00,5.29] [1.61,1.97] [3.62,6.22] [3.50,4.83] [1.59,1.93] [4.74,4.98] [1.83,1.91] [1.86,2.15] preparação
134 [1.15,1.55] [4.67,5.58] [2.03,2.46] [2.35,4.44] [2.80,4.21] [1.93,2.16] [2.29,2.89] [0.88,1.33] [2.23,2.41] preparação
135 [4.49,4.70] [4.87,5.09] [2.13,2.37] [4.61,4.82] [4.86,5.08] [2.08,2.33] [4.61,4.69] [4.69,4.71] [2.55,2.63] preparação
136 [2.28,2.68] [2.46,3.78] [2.09,2.21] [2.36,2.95] [1.94,3.95] [2.08,2.39] [2.25,2.43] [0.81,0.94] [2.30,2.41] preparação
137 [4.58,4.64] [4.95,4.96] [2.22,2.33] [4.78,4.83] [5.06,5.13] [2.33,2.65] [4.66,4.71] [4.69,4.70] [2.56,2.62] preparação
138 [4.55,4.58] [4.84,4.91] [2.25,2.50] [4.68,4.75] [4.83,4.97] [2.24,2.47] [4.66,4.69] [4.70,4.70] [2.61,2.73] preparação
139 [1.20,1.76] [2.82,3.83] [1.93,2.12] [2.15,2.48] [3.97,3.99] [1.91,1.97] [2.50,2.60] [1.29,1.30] [2.24,2.24] preparação
140 [3.61,4.65] [4.67,5.57] [1.71,1.87] [4.42,6.24] [3.66,5.59] [1.56,1.86] [4.22,4.77] [1.77,1.87] [1.92,1.98] preparação
141 [4.50,4.59] [5.10,5.16] [2.33,2.66] [4.61,4.92] [4.88,5.12] [2.04,2.46] [4.60,4.68] [4.69,4.73] [2.47,2.61] preparação
142 [1.87,2.83] [2.75,3.19] [1.61,1.65] [7.22,8.19] [2.99,3.37] [1.54,1.57] [5.00,5.03] [1.74,1.77] [1.73,1.74] preparação
143 [3.77,5.01] [4.10,5.45] [1.47,1.97] [4.87,7.15] [2.46,3.97] [1.48,1.97] [4.34,5.05] [1.56,1.86] [1.77,2.14] preparação
144 [1.47,3.30] [2.96,5.00] [1.72,2.04] [3.31,4.17] [3.49,4.63] [1.82,2.11] [2.66,2.99] [1.28,1.33] [2.22,2.26] preparação
145 [1.47,2.67] [5.01,6.04] [1.87,2.09] [2.36,3.23] [4.08,5.01] [1.76,1.96] [2.11,2.87] [1.32,1.67] [2.10,2.25] preparação
146 [2.91,4.90] [2.27,4.61] [1.38,1.57] [6.87,7.56] [1.84,3.97] [1.35,1.78] [5.52,5.93] [1.42,1.51] [1.75,1.78] preparação
147 [1.40,3.36] [3.44,4.65] [2.02,2.27] [3.24,4.33] [0.84,3.84] [1.99,2.64] [2.33,2.72] [0.82,1.09] [2.29,2.43] preparação
148 [1.82,2.53] [3.26,3.75] [1.92,2.00] [3.51,4.53] [2.25,3.44] [2.01,2.21] [2.44,2.88] [1.30,1.33] [2.22,2.24] preparação
149 [0.54,1.28] [3.08,5.65] [1.87,2.10] [4.23,5.25] [1.37,3.67] [1.99,2.18] [2.66,3.14] [1.30,1.33] [2.20,2.23] preparação
150 [4.05,5.64] [3.89,5.60] [1.35,1.67] [4.98,7.14] [3.17,5.45] [1.33,1.64] [5.00,5.77] [1.42,1.70] [1.72,1.81] preparação
151 [1.08,2.69] [0.98,4.23] [1.98,2.24] [2.65,4.24] [0.90,3.40] [2.10,2.36] [2.24,2.68] [0.80,1.31] [2.22,2.43] preparação
152 [4.48,4.57] [4.80,4.94] [2.30,2.54] [4.70,4.85] [4.83,4.95] [2.27,2.46] [4.66,4.70] [4.69,4.70] [2.61,2.73] preparação
153 [4.42,4.56] [5.04,5.15] [2.40,2.70] [4.78,4.94] [4.89,5.15] [2.41,2.70] [4.63,4.72] [4.69,4.70] [2.60,2.73] preparação
154 [3.64,4.02] [5.12,5.54] [1.77,1.83] [5.08,6.68] [0.88,2.60] [1.56,1.79] [4.41,4.57] [1.79,1.84] [1.96,1.97] preparação
155 [3.99,5.38] [3.36,4.81] [1.37,1.53] [4.45,6.47] [2.28,4.99] [1.35,1.56] [4.86,5.61] [1.42,1.73] [1.72,1.82] preparação
156 [2.35,2.48] [3.70,4.30] [1.97,2.25] [4.05,4.46] [3.58,4.34] [1.94,2.05] [2.44,2.68] [1.04,1.30] [2.22,2.29] preparação
157 [3.67,4.69] [4.64,5.35] [1.75,2.03] [4.52,5.98] [4.35,5.36] [1.80,2.00] [4.52,5.05] [1.80,1.90] [1.93,2.14] preparação
158 [3.87,4.50] [3.70,4.94] [1.63,1.78] [4.92,5.57] [3.87,5.28] [1.64,1.92] [4.25,4.78] [1.78,1.87] [1.88,1.99] preparação
159 [4.54,4.76] [4.89,5.08] [2.15,2.37] [4.61,4.82] [4.61,5.05] [2.22,2.45] [4.66,4.71] [4.69,4.70] [2.58,2.73] preparação
160 [1.58,2.72] [3.44,4.71] [2.09,2.23] [2.36,3.73] [1.84,4.46] [2.10,2.50] [2.32,2.45] [0.82,0.89] [2.39,2.42] preparação
161 [1.84,1.86] [3.20,3.26] [1.89,1.90] [3.69,3.72] [3.13,3.20] [2.01,2.02] [2.41,2.41] [0.86,0.86] [2.39,2.39] no aguardo
162 [4.57,4.57] [5.01,5.02] [2.11,2.15] [4.68,4.70] [5.02,5.02] [2.11,2.13] [4.61,4.62] [4.70,4.70] [2.59,2.59] no aguardo
163 [0.00,0.00] [3.90,4.53] [2.23,2.27] [5.10,5.33] [4.20,4.65] [2.03,2.05] [2.84,2.86] [1.31,1.31] [2.22,2.22] no aguardo
164 [2.00,2.07] [3.83,4.21] [2.08,2.10] [2.99,3.05] [3.83,4.18] [2.12,2.13] [2.26,2.33] [0.84,0.91] [2.41,2.43] no aguardo
165 [3.57,6.40] [2.10,3.05] [1.18,1.58] [4.56,7.00] [2.57,4.97] [1.28,1.55] [4.95,5.70] [1.16,1.98] [1.59,1.78] no aguardo
166 [2.25,2.43] [2.88,3.46] [2.14,2.20] [2.99,3.12] [1.57,2.20] [1.84,1.90] [2.22,2.30] [0.90,1.25] [2.27,2.40] no aguardo
167 [4.66,4.67] [5.07,5.09] [2.21,2.25] [4.66,4.69] [5.05,5.09] [2.22,2.28] [4.66,4.68] [4.69,4.70] [2.54,2.56] no aguardo
168 [3.96,4.07] [4.34,4.41] [1.60,1.61] [5.26,5.67] [4.41,4.73] [1.60,1.66] [4.83,4.97] [1.88,1.99] [1.82,1.87] no aguardo
169 [3.54,4.37] [4.76,5.41] [1.76,2.01] [4.91,6.09] [4.75,5.47] [1.68,2.00] [4.54,4.93] [1.80,1.91] [1.95,2.13] no aguardo
170 [4.58,5.56] [3.92,4.46] [1.59,1.90] [4.96,5.39] [4.27,4.45] [1.53,1.91] [4.84,4.93] [1.68,1.87] [1.75,2.09] no aguardo
171 [1.23,1.47] [2.83,3.15] [2.05,2.12] [2.16,2.18] [3.99,4.00] [1.94,1.96] [2.52,2.56] [1.29,1.30] [2.24,2.24] no aguardo
172 [3.72,3.89] [4.41,4.50] [1.88,1.89] [5.42,5.51] [4.35,4.50] [1.83,1.84] [4.87,4.88] [1.86,1.87] [2.11,2.11] no aguardo
173 [1.58,1.87] [2.99,3.24] [1.96,2.02] [4.22,4.37] [2.46,3.55] [2.05,2.16] [2.68,2.94] [1.29,1.31] [2.21,2.22] no aguardo
174 [3.97,4.22] [4.23,4.58] [1.61,1.76] [5.13,5.47] [4.42,4.70] [1.61,1.75] [4.62,4.83] [1.86,1.89] [1.86,1.95] no aguardo
175 [4.18,4.47] [4.07,4.64] [1.76,1.92] [5.18,5.31] [4.10,4.42] [1.74,1.91] [4.62,4.88] [1.85,1.88] [1.95,2.09] no aguardo
176 [0.99,0.99] [5.66,5.68] [2.08,2.10] [4.76,4.92] [4.27,4.61] [2.07,2.09] [2.70,2.71] [1.32,1.33] [2.23,2.23] no aguardo
177 [1.58,1.81] [3.87,4.09] [2.10,2.13] [3.45,3.51] [3.69,3.98] [2.19,2.24] [2.41,2.49] [0.88,0.98] [2.36,2.41] no aguardo
178 [2.67,3.09] [2.28,2.60] [2.03,2.17] [2.30,2.63] [2.18,2.39] [2.02,2.07] [2.44,2.47] [0.83,0.87] [2.37,2.39] no aguardo
179 [1.91,3.31] [3.29,3.87] [1.94,2.09] [3.51,4.52] [2.81,3.96] [1.95,2.07] [2.44,2.94] [0.89,1.33] [2.22,2.39] no aguardo
180 [4.82,5.21] [4.24,4.55] [1.91,1.94] [6.27,6.40] [4.46,4.58] [1.84,1.85] [4.85,4.92] [1.86,1.90] [2.12,2.13] no aguardo
181 [4.12,4.30] [4.40,4.59] [1.61,1.70] [5.00,5.04] [3.78,3.91] [1.49,1.52] [4.73,4.79] [1.85,1.87] [1.91,1.95] no aguardo
182 [4.74,5.57] [3.60,4.24] [1.52,1.81] [3.67,4.55] [3.49,3.96] [1.47,1.79] [4.34,4.92] [1.68,1.85] [1.74,1.97] no aguardo
183 [1.71,2.90] [4.08,4.89] [1.93,2.00] [3.50,3.68] [4.02,4.12] [1.98,1.99] [2.85,2.94] [1.30,1.30] [2.23,2.24] no aguardo
184 [4.80,4.96] [4.35,4.49] [1.35,1.36] [6.12,6.19] [4.31,4.37] [1.35,1.36] [5.47,5.48] [1.47,1.48] [1.79,1.80] no aguardo
185 [4.60,4.61] [4.99,5.01] [2.10,2.13] [4.69,4.73] [4.99,5.01] [2.12,2.17] [4.63,4.65] [4.70,4.70] [2.59,2.61] no aguardo
186 [1.89,1.93] [3.37,3.62] [1.93,1.99] [3.44,3.62] [3.33,3.51] [2.04,2.09] [2.41,2.41] [0.85,0.86] [2.39,2.39] no aguardo
187 [4.24,4.28] [4.63,4.64] [1.87,1.88] [6.39,6.45] [3.67,3.72] [1.82,1.83] [4.90,4.91] [1.88,1.88] [2.12,2.12] no aguardo
188 [4.41,4.55] [5.09,5.12] [2.42,2.54] [4.82,4.90] [5.06,5.12] [2.37,2.59] [4.64,4.71] [4.69,4.70] [2.61,2.72] no aguardo
189 [1.14,1.77] [5.44,5.61] [2.00,2.15] [2.79,2.90] [4.05,4.12] [1.96,1.96] [2.74,2.80] [1.33,1.34] [2.25,2.26] no aguardo
190 [2.81,3.77] [4.30,4.85] [1.65,1.86] [3.74,3.81] [4.06,4.41] [1.70,1.73] [4.90,4.98] [1.86,1.91] [2.13,2.15] no aguardo
191 [1.87,1.89] [3.28,3.34] [1.90,1.92] [3.64,3.68] [3.21,3.30] [2.02,2.04] [2.41,2.41] [0.86,0.86] [2.39,2.39] no aguardo
192 [4.54,4.74] [4.89,5.14] [2.22,2.52] [4.65,4.87] [4.60,5.13] [2.20,2.67] [4.66,4.71] [4.69,4.70] [2.57,2.65] no aguardo
193 [4.47,4.55] [4.77,4.85] [2.39,2.67] [4.70,4.89] [4.78,4.88] [2.37,2.66] [4.66,4.70] [4.69,4.70] [2.62,2.70] no aguardo
194 [3.27,3.60] [3.14,4.47] [1.64,1.96] [5.96,6.26] [2.95,4.80] [1.68,1.87] [4.53,4.92] [1.82,1.89] [1.98,2.12] no aguardo
195 [1.82,1.84] [3.13,3.19] [1.89,1.89] [3.72,3.72] [3.07,3.12] [2.00,2.01] [2.40,2.41] [0.86,0.86] [2.39,2.39] no aguardo
196 [1.70,1.73] [2.76,3.01] [2.00,2.02] [3.49,3.52] [4.23,4.29] [1.98,2.02] [2.82,2.82] [1.28,1.29] [2.23,2.24] no aguardo
197 [3.58,3.91] [5.00,5.41] [1.77,1.84] [5.17,5.44] [0.61,1.28] [1.77,1.86] [4.28,4.58] [1.66,1.88] [1.92,1.96] no aguardo
198 [1.96,2.25] [3.01,3.37] [1.93,1.94] [3.35,3.69] [3.91,4.34] [1.98,2.02] [2.83,2.84] [1.28,1.28] [2.25,2.26] no aguardo
199 [4.57,4.59] [5.01,5.01] [2.11,2.15] [4.68,4.68] [5.01,5.02] [2.10,2.12] [4.62,4.63] [4.70,4.70] [2.59,2.59] no aguardo
200 [1.84,3.51] [2.16,3.18] [1.62,1.65] [7.07,8.23] [2.09,3.04] [1.56,1.72] [5.03,5.14] [1.59,1.77] [1.73,1.75] no aguardo
162
L
Conjunto de sementes
comprimento da largura da
índice classe
amêndoa amêndoa
1 [5.527,5.709] [3.462,3.562] Kama
2 [4.902,5.262] [2.850,3.201] Kama
3 [5.291,5.388] [3.333,3.412] Kama
4 [5.656,5.789] [3.212,3.328] Kama
5 [5.826,6.053] [3.396,3.683] Kama
6 [5.119,5.205] [3.383,3.466] Kama
7 [5.348,5.376] [3.155,3.158] Kama
8 [5.386,5.420] [3.298,3.312] Kama
9 [5.395,5.395] [3.026,3.070] Kama
10 [5.504,5.630] [3.150,3.333] Kama
11 [5.570,5.757] [3.371,3.434] Kama
12 [5.395,5.454] [2.882,2.975] Kama
13 [5.479,5.516] [3.065,3.156] Kama
14 [5.658,5.741] [3.113,3.186] Kama
15 [5.438,5.439] [3.199,3.201] Kama
16 [5.832,5.920] [3.231,3.286] Rosa
17 [5.363,5.875] [3.387,3.582] Rosa
18 [6.037,6.107] [3.764,3.786] Rosa
19 [5.791,5.980] [3.687,3.771] Rosa
20 [6.006,6.051] [3.857,3.897] Rosa
21 [6.111,6.183] [3.796,3.930] Rosa
22 [6.450,6.573] [3.991,4.033] Rosa
23 [6.219,6.272] [3.684,3.815] Rosa
24 [5.978,6.059] [3.563,3.594] Rosa
25 [6.285,6.315] [3.791,3.962] Rosa
26 [6.493,6.675] [3.670,3.857] Rosa
27 [5.927,6.139] [3.403,3.486] Rosa
28 [6.145,6.285] [3.512,3.674] Rosa
29 [6.445,6.666] [3.485,3.639] Rosa
30 [6.341,6.416] [3.681,3.810] Rosa
31 [5.363,5.444] [2.678,2.716] Canadian
32 [5.350,5.417] [2.745,2.837] Canadian
33 [5.319,5.451] [2.879,2.911] Canadian
34 [5.220,5.325] [2.641,2.701] Canadian
35 [5.145,5.180] [2.630,2.668] Canadian
36 [5.204,5.333] [2.909,2.989] Canadian
37 [5.053,5.175] [2.795,2.850] Canadian
38 [4.984,5.236] [3.091,3.232] Canadian
39 [4.899,5.011] [2.787,2.821] Canadian
40 [5.224,5.320] [3.017,3.128] Canadian
41 [5.389,5.541] [2.994,3.074] Canadian
42 [5.136,5.186] [2.710,2.763] Canadian
43 [5.263,5.314] [2.777,2.847] Canadian
44 [5.105,5.137] [2.941,2.981] Canadian
45 [5.046,5.090] [2.675,2.775] Canadian
163
M
Conjunto vinhos brancos com qualidades 4,
6e8
açúcar
índice densidade pH álcool classe
residual
1 [3.200,4.600] [0.990,0.996] [2.900,3.560] [10.200,12.100] nível qualidade 4
2 [6.700,8.200] [0.993,0.998] [2.990,3.570] [9.600,10.600] nível qualidade 4
3 [8.100,9.400] [0.995,0.999] [2.850,3.520] [8.500,10.200] nível qualidade 4
4 [2.000,3.700] [0.991,0.998] [2.770,3.650] [8.600,10.600] nível qualidade 4
5 [13.100,13.800] [0.997,1.000] [2.900,3.420] [8.500,9.500] nível qualidade 4
6 [9.650,11.300] [0.992,0.999] [2.850,3.750] [10.100,13.600] nível qualidade 4
7 [2.500,3.800] [0.988,0.993] [2.900,3.530] [11.900,14.000] nível qualidade 4
8 [7.400,9.700] [0.990,0.994] [2.930,3.530] [11.700,14.050] nível qualidade 4
9 [3.300,5.500] [0.993,0.997] [2.830,3.720] [8.000,10.200] nível qualidade 4
10 [5.300,7.300] [0.990,0.994] [2.910,3.540] [11.400,12.900] nível qualidade 4
11 [5.300,6.600] [0.992,0.997] [2.790,3.680] [10.000,11.500] nível qualidade 4
12 [7.400,8.300] [0.995,0.998] [2.860,3.560] [8.600,9.700] nível qualidade 4
13 [18.500,65.800] [0.996,1.039] [2.930,3.510] [8.500,12.800] nível qualidade 4
14 [0.800,1.600] [0.987,0.992] [2.800,3.590] [12.000,14.000] nível qualidade 4
15 [4.200,5.550] [0.991,0.996] [2.870,3.820] [9.900,11.800] nível qualidade 4
16 [16.600,18.400] [0.997,1.002] [2.850,3.450] [8.500,10.500] nível qualidade 4
17 [0.600,2.000] [0.990,0.995] [2.740,3.800] [10.100,10.900] nível qualidade 4
18 [10.600,11.800] [0.996,1.000] [2.860,3.440] [8.600,10.200] nível qualidade 4
19 [4.900,6.600] [0.989,0.992] [2.820,3.480] [12.500,13.600] nível qualidade 4
20 [6.500,7.500] [0.994,0.997] [2.940,3.440] [8.800,9.900] nível qualidade 4
21 [0.800,2.300] [0.989,0.993] [2.910,3.650] [11.400,12.333] nível qualidade 4
22 [0.900,2.200] [0.991,0.996] [2.880,3.800] [10.400,11.200] nível qualidade 4
23 [6.200,7.500] [0.992,0.996] [2.800,3.630] [10.200,11.900] nível qualidade 4
24 [0.700,1.800] [0.989,0.994] [2.870,3.760] [10.900,11.800] nível qualidade 4
25 [11.400,12.600] [0.995,0.999] [2.870,3.600] [8.600,10.100] nível qualidade 4
26 [0.700,1.900] [0.991,0.997] [2.830,3.810] [9.600,10.400] nível qualidade 4
27 [1.500,2.400] [0.987,0.992] [2.930,3.590] [12.150,14.200] nível qualidade 4
28 [7.600,8.700] [0.992,0.997] [2.900,3.520] [10.100,11.500] nível qualidade 4
29 [13.900,15.000] [0.997,1.001] [2.890,3.360] [8.600,9.500] nível qualidade 4
30 [3.700,5.300] [0.989,0.993] [2.900,3.570] [11.600,13.800] nível qualidade 4
31 [9.400,10.900] [0.995,0.998] [2.860,3.480] [8.600,10.300] nível qualidade 4
32 [12.700,14.500] [0.995,0.999] [2.720,3.560] [9.300,12.100] nível qualidade 4
33 [14.900,16.500] [0.997,1.001] [2.870,3.490] [8.600,10.100] nível qualidade 4
34 [0.700,2.000] [0.991,0.997] [2.890,3.770] [8.000,9.800] nível qualidade 4
35 [1.900,3.150] [0.990,0.995] [2.880,3.750] [10.600,12.000] nível qualidade 4
36 [8.500,9.900] [0.993,0.999] [2.880,3.660] [9.700,11.500] nível qualidade 4
37 [12.200,13.000] [0.997,1.000] [2.880,3.660] [8.500,9.800] nível qualidade 4
38 [14.000,16.800] [0.994,1.000] [2.960,3.480] [9.600,13.000] nível qualidade 4
39 [11.400,13.300] [0.993,0.997] [2.910,3.410] [10.100,13.000] nível qualidade 4
40 [5.200,6.800] [0.993,0.999] [2.890,3.500] [8.400,10.300] nível qualidade 4
41 [9.000,10.000] [0.994,0.998] [2.870,3.480] [9.600,10.600] nível qualidade 6
42 [7.000,7.850] [0.992,0.997] [2.910,3.520] [10.600,12.000] nível qualidade 6
43 [2.900,3.400] [0.990,0.994] [3.000,3.420] [10.500,11.500] nível qualidade 6
44 [2.100,2.700] [0.989,0.991] [3.030,3.560] [12.200,13.000] nível qualidade 6
45 [1.000,1.800] [0.988,0.991] [2.960,3.560] [12.700,13.400] nível qualidade 6
46 [11.700,12.300] [0.994,0.999] [2.990,3.580] [10.000,11.300] nível qualidade 6
47 [2.500,3.700] [0.992,0.995] [3.000,3.540] [9.200,10.500] nível qualidade 6
48 [1.400,1.900] [0.991,0.996] [2.970,3.720] [10.200,10.600] nível qualidade 6
164
49 [1.800,2.500] [0.991,0.996] [2.960,3.650] [9.900,10.500] nível qualidade 6

50 [5.600,6.300] [0.994,0.997] [3.200,3.680] [10.400,10.800] nível qualidade 6
51 [16.650,17.750] [0.998,1.002] [2.850,3.450] [8.800,10.200] nível qualidade 6
52 [1.550,2.000] [0.993,0.997] [3.040,3.650] [9.000,9.600] nível qualidade 6
53 [12.550,13.900] [0.995,0.997] [2.910,3.400] [10.500,11.200] nível qualidade 6
54 [8.500,9.200] [0.995,0.999] [2.850,3.470] [8.500,9.900] nível qualidade 6
55 [1.500,1.800] [0.993,0.997] [2.970,3.280] [8.500,9.500] nível qualidade 6
56 [1.800,2.700] [0.992,0.995] [3.070,3.630] [10.300,10.900] nível qualidade 6
57 [11.800,14.500] [0.993,0.996] [2.990,3.410] [11.300,13.000] nível qualidade 6
58 [7.300,8.400] [0.995,0.998] [2.860,3.560] [8.600,9.400] nível qualidade 6
59 [11.300,11.950] [0.996,0.998] [2.870,3.410] [9.300,10.000] nível qualidade 6
60 [12.600,13.300] [0.995,0.999] [3.020,3.470] [9.900,10.400] nível qualidade 6
61 [8.900,10.200] [0.991,0.996] [2.980,3.740] [11.300,13.100] nível qualidade 6
62 [3.900,4.550] [0.991,0.993] [3.000,3.410] [11.000,11.900] nível qualidade 6
63 [1.800,2.400] [0.991,0.995] [3.030,3.430] [10.800,11.300] nível qualidade 6
64 [11.750,12.500] [0.995,0.999] [2.920,3.450] [9.000,9.700] nível qualidade 6
65 [7.100,7.900] [0.994,0.998] [2.990,3.490] [9.600,10.400] nível qualidade 6
66 [2.100,2.850] [0.989,0.992] [2.940,3.410] [11.600,12.150] nível qualidade 6
67 [9.400,10.300] [0.995,0.998] [2.860,3.410] [8.900,9.900] nível qualidade 6
68 [1.900,2.900] [0.992,0.998] [2.770,3.500] [8.800,9.800] nível qualidade 6
69 [6.800,7.600] [0.994,0.998] [3.060,3.530] [8.800,9.800] nível qualidade 6
70 [7.600,8.500] [0.992,0.997] [2.960,3.460] [10.300,11.500] nível qualidade 6
71 [1.900,2.400] [0.990,0.993] [2.890,3.690] [11.100,11.700] nível qualidade 6
72 [8.200,9.300] [0.994,0.999] [2.880,3.470] [9.900,10.700] nível qualidade 6
73 [14.150,14.600] [0.997,1.000] [2.890,3.290] [8.700,9.400] nível qualidade 6
74 [0.600,1.500] [0.990,0.994] [2.740,3.240] [10.300,10.800] nível qualidade 6
75 [17.550,18.600] [0.998,1.002] [2.940,3.440] [8.500,10.200] nível qualidade 6
76 [1.300,2.200] [0.987,0.990] [2.980,3.390] [13.000,14.200] nível qualidade 6
77 [0.800,1.500] [0.992,0.996] [2.890,3.770] [9.200,9.700] nível qualidade 6
78 [14.700,15.550] [0.997,1.001] [2.900,3.340] [8.600,9.500] nível qualidade 6
79 [15.600,16.650] [0.998,1.002] [2.960,3.490] [8.600,9.800] nível qualidade 6
80 [14.100,14.750] [0.999,1.001] [3.210,3.360] [8.600,9.100] nível qualidade 6
81 [1.300,1.600] [0.990,0.994] [2.870,3.430] [10.900,11.300] nível qualidade 6
82 [12.000,12.600] [0.996,0.998] [3.040,3.580] [9.700,10.200] nível qualidade 6
83 [1.300,1.700] [0.989,0.992] [2.940,3.570] [12.000,12.500] nível qualidade 6
84 [1.000,1.600] [0.989,0.992] [3.080,3.590] [12.200,12.700] nível qualidade 6
85 [6.400,7.400] [0.993,0.997] [3.130,3.570] [10.000,10.600] nível qualidade 6
86 [0.800,1.200] [0.991,0.994] [2.790,3.550] [10.000,10.600] nível qualidade 6
87 [3.000,3.700] [0.989,0.991] [2.900,3.420] [12.600,13.600] nível qualidade 6
88 [10.200,11.200] [0.996,0.998] [2.860,3.180] [8.600,9.100] nível qualidade 6
89 [3.100,3.900] [0.990,0.993] [2.960,3.440] [11.900,12.500] nível qualidade 6
90 [6.300,7.100] [0.989,0.993] [2.960,3.350] [12.100,13.400] nível qualidade 6
91 [1.300,1.700] [0.993,0.995] [3.100,3.630] [9.400,9.800] nível qualidade 6
92 [3.900,4.800] [0.992,0.996] [2.880,3.540] [10.200,10.900] nível qualidade 6
93 [1.200,2.000] [0.992,0.996] [3.230,3.810] [9.900,10.300] nível qualidade 6
94 [4.500,5.200] [0.991,0.995] [2.970,3.560] [10.700,11.300] nível qualidade 6
95 [65.800,65.800] [1.039,1.039] [3.390,3.390] [11.700,11.700] nível qualidade 6
96 [10.700,11.600] [0.994,0.998] [2.980,3.540] [10.000,11.300] nível qualidade 6
97 [5.900,6.700] [0.994,0.999] [2.900,3.500] [8.400,9.750] nível qualidade 6
98 [2.800,3.900] [0.990,0.993] [2.980,3.530] [11.500,11.800] nível qualidade 6
99 [0.900,1.200] [0.987,0.992] [3.190,3.390] [12.700,14.000] nível qualidade 6
100 [2.400,3.400] [0.988,0.990] [2.940,3.530] [13.000,14.000] nível qualidade 6
101 [4.500,5.300] [0.990,0.992] [3.080,3.460] [12.400,13.000] nível qualidade 6
102 [0.800,1.300] [0.989,0.994] [2.920,3.320] [10.600,11.100] nível qualidade 6
103 [14.700,15.700] [0.997,1.000] [2.870,3.480] [8.900,9.900] nível qualidade 6
104 [18.800,26.050] [0.996,1.003] [2.960,3.290] [10.400,12.800] nível qualidade 6
105 [9.800,11.000] [0.993,0.997] [2.850,3.490] [10.400,11.800] nível qualidade 6
106 [11.400,12.200] [0.997,1.000] [2.860,3.600] [8.600,9.100] nível qualidade 6
107 [2.600,3.300] [0.989,0.993] [3.010,3.530] [12.000,13.000] nível qualidade 6
108 [10.550,11.800] [0.992,0.995] [2.930,3.750] [11.700,13.600] nível qualidade 6
109 [0.700,1.300] [0.991,0.995] [2.830,3.460] [9.600,10.000] nível qualidade 6
110 [0.900,1.600] [0.991,0.995] [3.210,3.800] [10.200,10.600] nível qualidade 6
111 [1.300,1.900] [0.991,0.994] [2.880,3.800] [10.700,10.900] nível qualidade 6
112 [18.750,23.500] [0.999,1.002] [2.930,3.510] [8.500,9.800] nível qualidade 6
113 [5.400,6.300] [0.992,0.995] [2.790,3.470] [10.800,11.600] nível qualidade 6
114 [10.800,11.400] [0.996,1.000] [2.890,3.440] [8.900,9.700] nível qualidade 6
115 [1.400,2.000] [0.992,0.997] [2.960,3.300] [9.700,10.200] nível qualidade 6
116 [13.900,15.150] [0.995,1.000] [2.960,3.550] [9.700,12.000] nível qualidade 6
117 [0.800,1.400] [0.989,0.992] [2.910,3.500] [11.200,11.700] nível qualidade 6
118 [5.400,6.200] [0.989,0.992] [2.820,3.270] [12.500,13.600] nível qualidade 6
119 [0.800,1.300] [0.989,0.991] [2.900,3.250] [12.200,12.700] nível qualidade 6
120 [6.000,7.000] [0.992,0.994] [2.900,3.540] [11.200,11.900] nível qualidade 6
121 [3.500,4.400] [0.991,0.994] [2.900,3.550] [10.500,11.600] nível qualidade 6
122 [4.000,4.900] [0.990,0.993] [2.900,3.550] [11.800,12.400] nível qualidade 6
123 [1.300,1.900] [0.990,0.993] [3.000,3.520] [11.200,11.700] nível qualidade 6
124 [7.400,9.000] [0.990,0.994] [2.930,3.530] [11.700,14.050] nível qualidade 6
165
125 [3.950,5.400] [0.989,0.991] [3.030,3.480] [13.100,13.800] nível qualidade 6

126 [1.500,2.000] [0.989,0.991] [2.950,3.590] [12.333,13.000] nível qualidade 6
127 [4.600,5.500] [0.991,0.995] [2.870,3.510] [11.200,11.800] nível qualidade 6
128 [1.200,1.700] [0.991,0.994] [3.100,3.540] [10.500,10.900] nível qualidade 6
129 [1.200,1.500] [0.991,0.997] [2.990,3.420] [9.900,10.300] nível qualidade 6
130 [3.800,4.450] [0.989,0.993] [2.970,3.570] [12.300,13.300] nível qualidade 6
131 [4.500,5.400] [0.993,0.997] [2.850,3.720] [9.700,10.400] nível qualidade 6
132 [5.000,5.800] [0.994,0.997] [3.040,3.440] [8.000,9.800] nível qualidade 6
133 [8.500,9.900] [0.993,0.997] [2.900,3.660] [10.600,11.500] nível qualidade 6
134 [0.800,1.500] [0.993,0.995] [3.020,3.590] [8.000,9.200] nível qualidade 6
135 [0.700,1.300] [0.990,0.992] [3.160,3.760] [10.900,11.500] nível qualidade 6
136 [6.200,7.100] [0.992,0.995] [2.800,3.630] [10.500,11.200] nível qualidade 6
137 [15.100,17.050] [0.994,1.000] [3.000,3.350] [10.033,13.000] nível qualidade 6
138 [12.300,13.000] [0.997,1.000] [2.880,3.660] [8.500,9.100] nível qualidade 6
139 [2.400,2.900] [0.990,0.995] [2.880,3.750] [10.800,11.600] nível qualidade 6
140 [12.700,13.400] [0.997,0.998] [3.050,3.370] [9.200,9.800] nível qualidade 6
141 [1.700,2.200] [0.989,0.992] [2.930,3.320] [12.200,12.900] nível qualidade 6
142 [13.000,13.500] [0.997,1.000] [2.960,3.420] [8.500,9.400] nível qualidade 6
143 [4.000,5.000] [0.994,0.997] [2.860,3.550] [8.600,9.800] nível qualidade 6
144 [6.100,6.900] [0.993,0.997] [2.960,3.500] [9.600,10.300] nível qualidade 6
145 [9.800,10.800] [0.995,0.999] [2.890,3.380] [9.700,10.600] nível qualidade 6
146 [13.400,14.000] [0.998,1.000] [2.890,3.240] [8.700,9.100] nível qualidade 6
147 [31.600,31.600] [1.010,1.010] [3.150,3.150] [8.800,8.800] nível qualidade 6
148 [5.400,6.200] [0.993,0.996] [2.890,3.350] [9.800,10.500] nível qualidade 6
149 [13.500,14.300] [0.997,0.999] [2.720,3.560] [9.300,10.400] nível qualidade 6
150 [1.500,2.100] [0.990,0.993] [2.910,3.650] [11.700,12.200] nível qualidade 6
151 [10.300,11.000] [0.995,0.998] [2.860,3.470] [9.100,10.000] nível qualidade 6
152 [2.700,4.000] [0.992,0.996] [2.830,3.420] [8.400,10.400] nível qualidade 6
153 [0.700,1.450] [0.989,0.992] [2.800,3.510] [11.633,12.200] nível qualidade 6
154 [12.300,12.850] [0.997,0.999] [2.990,3.540] [9.200,9.800] nível qualidade 6
155 [0.700,1.400] [0.992,0.994] [2.920,3.580] [9.100,9.500] nível qualidade 6
156 [5.700,6.500] [0.991,0.994] [2.910,3.540] [11.800,12.500] nível qualidade 6
157 [7.700,8.500] [0.995,0.998] [2.870,3.520] [9.200,10.200] nível qualidade 6
158 [1.400,1.800] [0.991,0.993] [2.930,3.460] [10.900,11.200] nível qualidade 6
159 [5.000,5.600] [0.992,0.995] [3.080,3.820] [10.300,11.100] nível qualidade 6
160 [4.800,5.500] [0.990,0.993] [2.950,3.460] [12.200,12.600] nível qualidade 6
161 [6.800,8.300] [0.994,0.998] [2.860,3.560] [8.600,10.100] nível qualidade 8
162 [13.500,15.200] [0.994,0.999] [2.720,3.560] [9.500,12.500] nível qualidade 8
163 [0.700,1.300] [0.991,0.995] [2.790,3.580] [9.400,10.200] nível qualidade 8
164 [6.500,8.000] [0.992,0.998] [2.800,3.630] [10.000,11.800] nível qualidade 8
165 [0.600,1.700] [0.990,0.995] [2.740,3.800] [10.200,10.900] nível qualidade 8
166 [0.700,1.400] [0.989,0.994] [2.870,3.760] [10.800,11.500] nível qualidade 8
167 [5.350,7.000] [0.991,0.995] [2.790,3.540] [10.700,12.000] nível qualidade 8
168 [4.200,6.000] [0.991,0.997] [2.870,3.820] [10.000,11.800] nível qualidade 8
169 [11.700,13.300] [0.993,0.999] [2.910,3.510] [9.600,13.000] nível qualidade 8
170 [14.900,16.700] [0.994,1.001] [2.870,3.490] [8.600,13.000] nível qualidade 8
171 [10.200,11.300] [0.995,1.000] [2.860,3.470] [8.900,10.100] nível qualidade 8
172 [1.300,2.100] [0.990,0.994] [3.000,3.520] [11.100,11.700] nível qualidade 8
173 [2.200,3.200] [0.990,0.995] [2.880,3.750] [10.800,12.300] nível qualidade 8
174 [0.800,1.900] [0.987,0.992] [2.900,3.590] [12.100,14.200] nível qualidade 8
175 [16.400,18.400] [0.997,1.002] [2.850,3.450] [8.500,10.500] nível qualidade 8
176 [1.700,3.500] [0.987,0.992] [2.900,3.560] [12.200,14.000] nível qualidade 8
177 [1.200,2.000] [0.992,0.997] [2.960,3.790] [9.600,10.400] nível qualidade 8
178 [9.200,10.400] [0.995,0.999] [2.860,3.480] [8.900,10.300] nível qualidade 8
179 [11.300,12.600] [0.995,1.000] [2.860,3.600] [8.600,10.300] nível qualidade 8
180 [8.700,10.300] [0.991,0.997] [2.960,3.740] [10.200,13.100] nível qualidade 8
181 [3.200,4.750] [0.990,0.996] [2.900,3.560] [10.200,12.300] nível qualidade 8
182 [1.200,2.100] [0.991,0.996] [2.880,3.800] [10.400,11.100] nível qualidade 8
183 [12.400,13.700] [0.997,1.000] [2.880,3.660] [8.500,9.800] nível qualidade 8
184 [5.400,7.100] [0.989,0.993] [2.820,3.540] [11.900,13.600] nível qualidade 8
185 [10.200,11.600] [0.996,0.998] [2.890,3.200] [8.600,9.100] nível qualidade 8
186 [5.400,7.100] [0.993,0.999] [2.890,3.600] [8.400,10.600] nível qualidade 8
187 [0.700,1.500] [0.989,0.992] [2.800,3.510] [11.400,12.100] nível qualidade 8
188 [7.700,9.300] [0.993,0.999] [2.880,3.480] [9.700,11.200] nível qualidade 8
189 [3.500,5.300] [0.989,0.993] [2.900,3.570] [11.600,13.800] nível qualidade 8
190 [1.400,2.400] [0.989,0.993] [2.910,3.690] [11.600,12.600] nível qualidade 8
191 [10.200,12.000] [0.992,0.998] [2.850,3.750] [10.000,13.600] nível qualidade 8
192 [0.700,2.200] [0.992,0.997] [2.890,3.770] [8.000,9.700] nível qualidade 8
193 [8.200,9.400] [0.995,0.999] [2.850,3.470] [8.500,9.900] nível qualidade 8
194 [2.100,3.800] [0.992,0.996] [2.770,3.540] [8.400,10.300] nível qualidade 8
195 [3.900,5.700] [0.993,0.997] [2.850,3.720] [8.000,10.200] nível qualidade 8
196 [13.700,15.000] [0.997,1.001] [2.890,3.550] [8.600,9.800] nível qualidade 8
197 [65.800,65.800] [1.039,1.039] [3.390,3.390] [11.700,11.700] nível qualidade 8
198 [7.100,9.200] [0.990,0.994] [2.930,3.530] [11.200,14.050] nível qualidade 8
199 [1.700,3.400] [0.991,0.998] [2.960,3.810] [9.600,11.100] nível qualidade 8
200 [18.500,31.600] [0.996,1.010] [2.930,3.510] [8.500,12.800] nível qualidade 8
166
N
Conjunto vinhos brancos com qualidades 6,
7e8
açúcar
índice densidade pH álcool classe
residual
1 [9.000,10.000] [0.994,0.998] [2.870,3.480] [9.600,10.600] nível qualidade 6
2 [7.000,7.850] [0.992,0.997] [2.910,3.520] [10.600,12.000] nível qualidade 6
3 [2.900,3.400] [0.990,0.994] [3.000,3.420] [10.500,11.500] nível qualidade 6
4 [2.100,2.700] [0.989,0.991] [3.030,3.560] [12.200,13.000] nível qualidade 6
5 [1.000,1.800] [0.988,0.991] [2.960,3.560] [12.700,13.400] nível qualidade 6
6 [11.700,12.300] [0.994,0.999] [2.990,3.580] [10.000,11.300] nível qualidade 6
7 [2.500,3.700] [0.992,0.995] [3.000,3.540] [9.200,10.500] nível qualidade 6
8 [1.400,1.900] [0.991,0.996] [2.970,3.720] [10.200,10.600] nível qualidade 6
9 [1.800,2.500] [0.991,0.996] [2.960,3.650] [9.900,10.500] nível qualidade 6
10 [5.600,6.300] [0.994,0.997] [3.200,3.680] [10.400,10.800] nível qualidade 6
11 [16.650,17.750] [0.998,1.002] [2.850,3.450] [8.800,10.200] nível qualidade 6
12 [1.550,2.000] [0.993,0.997] [3.040,3.650] [9.000,9.600] nível qualidade 6
13 [12.550,13.900] [0.995,0.997] [2.910,3.400] [10.500,11.200] nível qualidade 6
14 [8.500,9.200] [0.995,0.999] [2.850,3.470] [8.500,9.900] nível qualidade 6
15 [1.500,1.800] [0.993,0.997] [2.970,3.280] [8.500,9.500] nível qualidade 6
16 [1.800,2.700] [0.992,0.995] [3.070,3.630] [10.300,10.900] nível qualidade 6
17 [11.800,14.500] [0.993,0.996] [2.990,3.410] [11.300,13.000] nível qualidade 6
18 [7.300,8.400] [0.995,0.998] [2.860,3.560] [8.600,9.400] nível qualidade 6
19 [11.300,11.950] [0.996,0.998] [2.870,3.410] [9.300,10.000] nível qualidade 6
20 [12.600,13.300] [0.995,0.999] [3.020,3.470] [9.900,10.400] nível qualidade 6
21 [8.900,10.200] [0.991,0.996] [2.980,3.740] [11.300,13.100] nível qualidade 6
22 [3.900,4.550] [0.991,0.993] [3.000,3.410] [11.000,11.900] nível qualidade 6
23 [1.800,2.400] [0.991,0.995] [3.030,3.430] [10.800,11.300] nível qualidade 6
24 [11.750,12.500] [0.995,0.999] [2.920,3.450] [9.000,9.700] nível qualidade 6
25 [7.100,7.900] [0.994,0.998] [2.990,3.490] [9.600,10.400] nível qualidade 6
26 [2.100,2.850] [0.989,0.992] [2.940,3.410] [11.600,12.150] nível qualidade 6
27 [9.400,10.300] [0.995,0.998] [2.860,3.410] [8.900,9.900] nível qualidade 6
28 [1.900,2.900] [0.992,0.998] [2.770,3.500] [8.800,9.800] nível qualidade 6
29 [6.800,7.600] [0.994,0.998] [3.060,3.530] [8.800,9.800] nível qualidade 6
30 [7.600,8.500] [0.992,0.997] [2.960,3.460] [10.300,11.500] nível qualidade 6
31 [1.900,2.400] [0.990,0.993] [2.890,3.690] [11.100,11.700] nível qualidade 6
32 [8.200,9.300] [0.994,0.999] [2.880,3.470] [9.900,10.700] nível qualidade 6
33 [14.150,14.600] [0.997,1.000] [2.890,3.290] [8.700,9.400] nível qualidade 6
34 [0.600,1.500] [0.990,0.994] [2.740,3.240] [10.300,10.800] nível qualidade 6
35 [17.550,18.600] [0.998,1.002] [2.940,3.440] [8.500,10.200] nível qualidade 6
36 [1.300,2.200] [0.987,0.990] [2.980,3.390] [13.000,14.200] nível qualidade 6
37 [0.800,1.500] [0.992,0.996] [2.890,3.770] [9.200,9.700] nível qualidade 6
38 [14.700,15.550] [0.997,1.001] [2.900,3.340] [8.600,9.500] nível qualidade 6
39 [15.600,16.650] [0.998,1.002] [2.960,3.490] [8.600,9.800] nível qualidade 6
40 [14.100,14.750] [0.999,1.001] [3.210,3.360] [8.600,9.100] nível qualidade 6
41 [1.300,1.600] [0.990,0.994] [2.870,3.430] [10.900,11.300] nível qualidade 6
42 [12.000,12.600] [0.996,0.998] [3.040,3.580] [9.700,10.200] nível qualidade 6
43 [1.300,1.700] [0.989,0.992] [2.940,3.570] [12.000,12.500] nível qualidade 6
44 [1.000,1.600] [0.989,0.992] [3.080,3.590] [12.200,12.700] nível qualidade 6
45 [6.400,7.400] [0.993,0.997] [3.130,3.570] [10.000,10.600] nível qualidade 6
46 [0.800,1.200] [0.991,0.994] [2.790,3.550] [10.000,10.600] nível qualidade 6
47 [3.000,3.700] [0.989,0.991] [2.900,3.420] [12.600,13.600] nível qualidade 6
48 [10.200,11.200] [0.996,0.998] [2.860,3.180] [8.600,9.100] nível qualidade 6
167
49 [3.100,3.900] [0.990,0.993] [2.960,3.440] [11.900,12.500] nível qualidade 6

50 [6.300,7.100] [0.989,0.993] [2.960,3.350] [12.100,13.400] nível qualidade 6
51 [1.300,1.700] [0.993,0.995] [3.100,3.630] [9.400,9.800] nível qualidade 6
52 [3.900,4.800] [0.992,0.996] [2.880,3.540] [10.200,10.900] nível qualidade 6
53 [1.200,2.000] [0.992,0.996] [3.230,3.810] [9.900,10.300] nível qualidade 6
54 [4.500,5.200] [0.991,0.995] [2.970,3.560] [10.700,11.300] nível qualidade 6
55 [65.800,65.800] [1.039,1.039] [3.390,3.390] [11.700,11.700] nível qualidade 6
56 [10.700,11.600] [0.994,0.998] [2.980,3.540] [10.000,11.300] nível qualidade 6
57 [5.900,6.700] [0.994,0.999] [2.900,3.500] [8.400,9.750] nível qualidade 6
58 [2.800,3.900] [0.990,0.993] [2.980,3.530] [11.500,11.800] nível qualidade 6
59 [0.900,1.200] [0.987,0.992] [3.190,3.390] [12.700,14.000] nível qualidade 6
60 [2.400,3.400] [0.988,0.990] [2.940,3.530] [13.000,14.000] nível qualidade 6
61 [4.500,5.300] [0.990,0.992] [3.080,3.460] [12.400,13.000] nível qualidade 6
62 [0.800,1.300] [0.989,0.994] [2.920,3.320] [10.600,11.100] nível qualidade 6
63 [14.700,15.700] [0.997,1.000] [2.870,3.480] [8.900,9.900] nível qualidade 6
64 [18.800,26.050] [0.996,1.003] [2.960,3.290] [10.400,12.800] nível qualidade 6
65 [9.800,11.000] [0.993,0.997] [2.850,3.490] [10.400,11.800] nível qualidade 6
66 [11.400,12.200] [0.997,1.000] [2.860,3.600] [8.600,9.100] nível qualidade 6
67 [2.600,3.300] [0.989,0.993] [3.010,3.530] [12.000,13.000] nível qualidade 6
68 [10.550,11.800] [0.992,0.995] [2.930,3.750] [11.700,13.600] nível qualidade 6
69 [0.700,1.300] [0.991,0.995] [2.830,3.460] [9.600,10.000] nível qualidade 6
70 [0.900,1.600] [0.991,0.995] [3.210,3.800] [10.200,10.600] nível qualidade 6
71 [1.300,1.900] [0.991,0.994] [2.880,3.800] [10.700,10.900] nível qualidade 6
72 [18.750,23.500] [0.999,1.002] [2.930,3.510] [8.500,9.800] nível qualidade 6
73 [5.400,6.300] [0.992,0.995] [2.790,3.470] [10.800,11.600] nível qualidade 6
74 [10.800,11.400] [0.996,1.000] [2.890,3.440] [8.900,9.700] nível qualidade 6
75 [1.400,2.000] [0.992,0.997] [2.960,3.300] [9.700,10.200] nível qualidade 6
76 [13.900,15.150] [0.995,1.000] [2.960,3.550] [9.700,12.000] nível qualidade 6
77 [0.800,1.400] [0.989,0.992] [2.910,3.500] [11.200,11.700] nível qualidade 6
78 [5.400,6.200] [0.989,0.992] [2.820,3.270] [12.500,13.600] nível qualidade 6
79 [0.800,1.300] [0.989,0.991] [2.900,3.250] [12.200,12.700] nível qualidade 6
80 [6.000,7.000] [0.992,0.994] [2.900,3.540] [11.200,11.900] nível qualidade 6
81 [3.500,4.400] [0.991,0.994] [2.900,3.550] [10.500,11.600] nível qualidade 6
82 [4.000,4.900] [0.990,0.993] [2.900,3.550] [11.800,12.400] nível qualidade 6
83 [1.300,1.900] [0.990,0.993] [3.000,3.520] [11.200,11.700] nível qualidade 6
84 [7.400,9.000] [0.990,0.994] [2.930,3.530] [11.700,14.050] nível qualidade 6
85 [3.950,5.400] [0.989,0.991] [3.030,3.480] [13.100,13.800] nível qualidade 6
86 [1.500,2.000] [0.989,0.991] [2.950,3.590] [12.333,13.000] nível qualidade 6
87 [4.600,5.500] [0.991,0.995] [2.870,3.510] [11.200,11.800] nível qualidade 6
88 [1.200,1.700] [0.991,0.994] [3.100,3.540] [10.500,10.900] nível qualidade 6
89 [1.200,1.500] [0.991,0.997] [2.990,3.420] [9.900,10.300] nível qualidade 6
90 [3.800,4.450] [0.989,0.993] [2.970,3.570] [12.300,13.300] nível qualidade 6
91 [4.500,5.400] [0.993,0.997] [2.850,3.720] [9.700,10.400] nível qualidade 6
92 [5.000,5.800] [0.994,0.997] [3.040,3.440] [8.000,9.800] nível qualidade 6
93 [8.500,9.900] [0.993,0.997] [2.900,3.660] [10.600,11.500] nível qualidade 6
94 [0.800,1.500] [0.993,0.995] [3.020,3.590] [8.000,9.200] nível qualidade 6
95 [0.700,1.300] [0.990,0.992] [3.160,3.760] [10.900,11.500] nível qualidade 6
96 [6.200,7.100] [0.992,0.995] [2.800,3.630] [10.500,11.200] nível qualidade 6
97 [15.100,17.050] [0.994,1.000] [3.000,3.350] [10.033,13.000] nível qualidade 6
98 [12.300,13.000] [0.997,1.000] [2.880,3.660] [8.500,9.100] nível qualidade 6
99 [2.400,2.900] [0.990,0.995] [2.880,3.750] [10.800,11.600] nível qualidade 6
100 [12.700,13.400] [0.997,0.998] [3.050,3.370] [9.200,9.800] nível qualidade 6
101 [1.700,2.200] [0.989,0.992] [2.930,3.320] [12.200,12.900] nível qualidade 6
102 [13.000,13.500] [0.997,1.000] [2.960,3.420] [8.500,9.400] nível qualidade 6
103 [4.000,5.000] [0.994,0.997] [2.860,3.550] [8.600,9.800] nível qualidade 6
104 [6.100,6.900] [0.993,0.997] [2.960,3.500] [9.600,10.300] nível qualidade 6
105 [9.800,10.800] [0.995,0.999] [2.890,3.380] [9.700,10.600] nível qualidade 6
106 [13.400,14.000] [0.998,1.000] [2.890,3.240] [8.700,9.100] nível qualidade 6
107 [31.600,31.600] [1.010,1.010] [3.150,3.150] [8.800,8.800] nível qualidade 6
108 [5.400,6.200] [0.993,0.996] [2.890,3.350] [9.800,10.500] nível qualidade 6
109 [13.500,14.300] [0.997,0.999] [2.720,3.560] [9.300,10.400] nível qualidade 6
110 [1.500,2.100] [0.990,0.993] [2.910,3.650] [11.700,12.200] nível qualidade 6
111 [10.300,11.000] [0.995,0.998] [2.860,3.470] [9.100,10.000] nível qualidade 6
112 [2.700,4.000] [0.992,0.996] [2.830,3.420] [8.400,10.400] nível qualidade 6
113 [0.700,1.450] [0.989,0.992] [2.800,3.510] [11.633,12.200] nível qualidade 6
114 [12.300,12.850] [0.997,0.999] [2.990,3.540] [9.200,9.800] nível qualidade 6
115 [0.700,1.400] [0.992,0.994] [2.920,3.580] [9.100,9.500] nível qualidade 6
116 [5.700,6.500] [0.991,0.994] [2.910,3.540] [11.800,12.500] nível qualidade 6
117 [7.700,8.500] [0.995,0.998] [2.870,3.520] [9.200,10.200] nível qualidade 6
118 [1.400,1.800] [0.991,0.993] [2.930,3.460] [10.900,11.200] nível qualidade 6
119 [5.000,5.600] [0.992,0.995] [3.080,3.820] [10.300,11.100] nível qualidade 6
120 [4.800,5.500] [0.990,0.993] [2.950,3.460] [12.200,12.600] nível qualidade 6
121 [13.600,15.750] [0.994,0.996] [3.000,3.380] [11.500,13.000] nível qualidade 7
122 [14.100,15.000] [0.997,1.001] [2.930,3.360] [8.600,9.700] nível qualidade 7
123 [0.800,1.800] [0.991,0.997] [2.890,3.770] [9.200,9.800] nível qualidade 7
124 [0.700,1.800] [0.992,0.997] [2.930,3.590] [8.000,9.400] nível qualidade 7
168
125 [8.800,10.200] [0.991,0.996] [2.960,3.470] [10.400,13.100] nível qualidade 7

126 [2.700,4.000] [0.991,0.996] [2.900,3.540] [9.800,10.800] nível qualidade 7
127 [15.400,16.750] [0.997,1.002] [2.900,3.420] [8.600,10.600] nível qualidade 7
128 [11.800,13.000] [0.993,0.996] [2.990,3.410] [11.200,13.000] nível qualidade 7
129 [7.700,9.300] [0.993,0.999] [2.880,3.660] [9.900,11.200] nível qualidade 7
130 [16.800,18.400] [0.997,1.002] [2.850,3.450] [8.500,10.500] nível qualidade 7
131 [0.800,1.700] [0.989,0.992] [2.800,3.590] [12.000,12.700] nível qualidade 7
132 [8.500,9.200] [0.995,0.999] [2.850,3.470] [8.500,10.000] nível qualidade 7
133 [1.900,2.900] [0.991,0.996] [3.040,3.650] [10.100,11.100] nível qualidade 7
134 [4.800,5.800] [0.993,0.997] [2.850,3.670] [8.000,10.100] nível qualidade 7
135 [9.900,11.700] [0.992,0.996] [2.930,3.750] [10.900,13.600] nível qualidade 7
136 [2.800,4.000] [0.993,0.996] [2.830,3.420] [8.400,9.700] nível qualidade 7
137 [10.400,11.750] [0.995,1.000] [2.860,3.540] [8.700,10.800] nível qualidade 7
138 [1.400,1.900] [0.991,0.996] [2.950,3.810] [10.100,11.100] nível qualidade 7
139 [9.500,11.100] [0.994,0.999] [2.850,3.520] [9.500,10.800] nível qualidade 7
140 [4.200,5.450] [0.989,0.993] [2.840,3.570] [11.800,13.800] nível qualidade 7
141 [6.850,7.800] [0.994,0.998] [2.990,3.490] [9.400,10.300] nível qualidade 7
142 [1.600,2.400] [0.989,0.995] [2.890,3.690] [10.900,11.800] nível qualidade 7
143 [5.600,6.800] [0.993,0.999] [2.890,3.500] [8.400,10.200] nível qualidade 7
144 [11.600,12.500] [0.995,1.000] [2.860,3.600] [8.600,9.700] nível qualidade 7
145 [0.700,1.600] [0.991,0.997] [2.790,3.740] [9.700,10.100] nível qualidade 7
146 [14.150,15.200] [0.998,1.000] [2.890,3.290] [8.600,9.400] nível qualidade 7
147 [0.700,1.600] [0.989,0.993] [2.870,3.760] [11.100,11.900] nível qualidade 7
148 [14.800,16.700] [0.996,1.000] [2.870,3.490] [8.900,11.200] nível qualidade 7
149 [0.800,1.500] [0.991,0.997] [2.830,3.800] [10.150,10.600] nível qualidade 7
150 [5.500,7.100] [0.989,0.994] [2.820,3.540] [11.600,13.600] nível qualidade 7
151 [6.500,7.500] [0.994,0.998] [2.940,3.530] [8.800,9.700] nível qualidade 7
152 [13.800,15.200] [0.995,0.999] [3.030,3.550] [9.800,11.000] nível qualidade 7
153 [3.400,4.500] [0.990,0.993] [2.910,3.550] [10.600,12.067] nível qualidade 7
154 [1.600,2.300] [0.991,0.996] [2.960,3.640] [9.400,10.300] nível qualidade 7
155 [12.500,13.400] [0.997,1.000] [2.880,3.660] [8.500,9.800] nível qualidade 7
156 [2.000,2.900] [0.992,0.998] [2.770,3.500] [8.800,10.000] nível qualidade 7
157 [0.600,1.900] [0.989,0.994] [2.740,3.760] [10.500,11.100] nível qualidade 7
158 [4.400,5.700] [0.991,0.995] [2.870,3.560] [10.900,11.800] nível qualidade 7
159 [9.300,10.400] [0.995,0.998] [3.000,3.480] [8.900,10.000] nível qualidade 7
160 [2.700,4.100] [0.989,0.993] [2.900,3.530] [11.700,13.800] nível qualidade 7
161 [1.700,3.000] [0.988,0.992] [2.930,3.590] [12.300,14.000] nível qualidade 7
162 [11.300,12.500] [0.994,0.999] [2.870,3.580] [9.500,10.900] nível qualidade 7
163 [10.000,11.400] [0.995,0.998] [2.860,3.470] [8.600,9.400] nível qualidade 7
164 [4.200,5.200] [0.992,0.996] [2.880,3.820] [10.000,11.000] nível qualidade 7
165 [12.000,13.700] [0.994,0.999] [2.910,3.410] [9.800,11.000] nível qualidade 7
166 [2.400,3.300] [0.990,0.995] [2.880,3.750] [10.800,12.200] nível qualidade 7
167 [7.300,8.100] [0.996,0.998] [2.900,3.560] [8.600,9.300] nível qualidade 7
168 [7.300,9.200] [0.990,0.994] [2.930,3.530] [11.200,14.050] nível qualidade 7
169 [65.800,65.800] [1.039,1.039] [3.390,3.390] [11.700,11.700] nível qualidade 7
170 [0.900,1.900] [0.987,0.992] [2.960,3.560] [12.700,14.200] nível qualidade 7
171 [6.000,7.800] [0.992,0.997] [2.800,3.460] [10.700,11.900] nível qualidade 7
172 [1.400,2.600] [0.989,0.993] [2.910,3.650] [11.600,12.600] nível qualidade 7
173 [8.100,8.600] [0.995,0.998] [2.870,3.520] [8.800,10.100] nível qualidade 7
174 [4.000,4.800] [0.994,0.997] [2.860,3.720] [8.600,10.000] nível qualidade 7
175 [6.300,7.700] [0.993,0.997] [3.000,3.630] [10.000,10.800] nível qualidade 7
176 [5.300,6.300] [0.992,0.997] [2.790,3.680] [10.000,11.600] nível qualidade 7
177 [7.450,8.100] [0.994,0.998] [2.860,3.400] [9.100,10.200] nível qualidade 7
178 [18.500,31.600] [0.996,1.010] [2.930,3.510] [8.500,12.800] nível qualidade 7
179 [13.300,14.100] [0.998,1.001] [2.890,3.280] [8.500,9.300] nível qualidade 7
180 [13.000,14.300] [0.997,0.999] [2.720,3.560] [9.200,10.100] nível qualidade 7
181 [6.800,8.300] [0.994,0.998] [2.860,3.560] [8.600,10.100] nível qualidade 8
182 [13.500,15.200] [0.994,0.999] [2.720,3.560] [9.500,12.500] nível qualidade 8
183 [0.700,1.300] [0.991,0.995] [2.790,3.580] [9.400,10.200] nível qualidade 8
184 [6.500,8.000] [0.992,0.998] [2.800,3.630] [10.000,11.800] nível qualidade 8
185 [0.600,1.700] [0.990,0.995] [2.740,3.800] [10.200,10.900] nível qualidade 8
186 [0.700,1.400] [0.989,0.994] [2.870,3.760] [10.800,11.500] nível qualidade 8
187 [5.350,7.000] [0.991,0.995] [2.790,3.540] [10.700,12.000] nível qualidade 8
188 [4.200,6.000] [0.991,0.997] [2.870,3.820] [10.000,11.800] nível qualidade 8
189 [11.700,13.300] [0.993,0.999] [2.910,3.510] [9.600,13.000] nível qualidade 8
190 [14.900,16.700] [0.994,1.001] [2.870,3.490] [8.600,13.000] nível qualidade 8
191 [10.200,11.300] [0.995,1.000] [2.860,3.470] [8.900,10.100] nível qualidade 8
192 [1.300,2.100] [0.990,0.994] [3.000,3.520] [11.100,11.700] nível qualidade 8
193 [2.200,3.200] [0.990,0.995] [2.880,3.750] [10.800,12.300] nível qualidade 8
194 [0.800,1.900] [0.987,0.992] [2.900,3.590] [12.100,14.200] nível qualidade 8
195 [16.400,18.400] [0.997,1.002] [2.850,3.450] [8.500,10.500] nível qualidade 8
196 [1.700,3.500] [0.987,0.992] [2.900,3.560] [12.200,14.000] nível qualidade 8
197 [1.200,2.000] [0.992,0.997] [2.960,3.790] [9.600,10.400] nível qualidade 8
198 [9.200,10.400] [0.995,0.999] [2.860,3.480] [8.900,10.300] nível qualidade 8
199 [11.300,12.600] [0.995,1.000] [2.860,3.600] [8.600,10.300] nível qualidade 8
200 [8.700,10.300] [0.991,0.997] [2.960,3.740] [10.200,13.100] nível qualidade 8
169
201 [3.200,4.750] [0.990,0.996] [2.900,3.560] [10.200,12.300] nível qualidade 8

202 [1.200,2.100] [0.991,0.996] [2.880,3.800] [10.400,11.100] nível qualidade 8
203 [12.400,13.700] [0.997,1.000] [2.880,3.660] [8.500,9.800] nível qualidade 8
204 [5.400,7.100] [0.989,0.993] [2.820,3.540] [11.900,13.600] nível qualidade 8
205 [10.200,11.600] [0.996,0.998] [2.890,3.200] [8.600,9.100] nível qualidade 8
206 [5.400,7.100] [0.993,0.999] [2.890,3.600] [8.400,10.600] nível qualidade 8
207 [0.700,1.500] [0.989,0.992] [2.800,3.510] [11.400,12.100] nível qualidade 8
208 [7.700,9.300] [0.993,0.999] [2.880,3.480] [9.700,11.200] nível qualidade 8
209 [3.500,5.300] [0.989,0.993] [2.900,3.570] [11.600,13.800] nível qualidade 8
210 [1.400,2.400] [0.989,0.993] [2.910,3.690] [11.600,12.600] nível qualidade 8
211 [10.200,12.000] [0.992,0.998] [2.850,3.750] [10.000,13.600] nível qualidade 8
212 [0.700,2.200] [0.992,0.997] [2.890,3.770] [8.000,9.700] nível qualidade 8
213 [8.200,9.400] [0.995,0.999] [2.850,3.470] [8.500,9.900] nível qualidade 8
214 [2.100,3.800] [0.992,0.996] [2.770,3.540] [8.400,10.300] nível qualidade 8
215 [3.900,5.700] [0.993,0.997] [2.850,3.720] [8.000,10.200] nível qualidade 8
216 [13.700,15.000] [0.997,1.001] [2.890,3.550] [8.600,9.800] nível qualidade 8
217 [65.800,65.800] [1.039,1.039] [3.390,3.390] [11.700,11.700] nível qualidade 8
218 [7.100,9.200] [0.990,0.994] [2.930,3.530] [11.200,14.050] nível qualidade 8
219 [1.700,3.400] [0.991,0.998] [2.960,3.810] [9.600,11.100] nível qualidade 8
220 [18.500,31.600] [0.996,1.010] [2.930,3.510] [8.500,12.800] nível qualidade 8
170
O
Conjunto vinhos tintos com qualidades 4 e
7
acidez
índice pH sulfatos álcool classe
fixa
1 [6.700,7.900] [3.120,3.610] [0.440,1.170] [9.700,10.500] nível qualidade 4
2 [7.200,8.700] [2.890,3.490] [0.370,1.010] [11.700,13.600] nível qualidade 4
3 [7.500,8.800] [3.130,3.540] [0.400,1.200] [10.300,11.600] nível qualidade 4
4 [7.300,8.500] [3.020,3.500] [0.330,1.560] [8.700,9.400] nível qualidade 4
5 [4.600,5.800] [3.390,4.010] [0.540,0.940] [12.200,14.000] nível qualidade 4
6 [5.200,6.800] [3.100,3.660] [0.440,0.840] [9.200,10.300] nível qualidade 4
7 [9.600,11.300] [2.980,3.430] [0.460,1.060] [10.500,13.400] nível qualidade 4
8 [6.600,7.800] [3.160,3.600] [0.390,1.030] [10.800,12.100] nível qualidade 4
9 [11.200,15.000] [2.860,3.380] [0.430,1.360] [8.400,10.600] nível qualidade 4
10 [8.500,9.600] [2.740,3.480] [0.420,2.000] [9.000,10.000] nível qualidade 4
11 [5.700,7.200] [3.210,3.620] [0.390,0.930] [11.700,13.300] nível qualidade 4
12 [11.000,15.900] [2.920,3.320] [0.530,1.110] [10.300,14.900] nível qualidade 4
13 [5.000,6.700] [3.120,3.740] [0.450,0.930] [10.700,12.000] nível qualidade 4
14 [7.400,8.100] [3.000,3.520] [0.400,1.590] [9.300,10.000] nível qualidade 4
15 [8.200,9.700] [3.120,3.480] [0.520,1.130] [11.100,14.000] nível qualidade 4
16 [5.000,7.400] [3.250,3.750] [0.370,1.180] [10.000,11.100] nível qualidade 4
17 [6.600,7.400] [2.940,3.690] [0.390,1.620] [9.000,9.900] nível qualidade 4
18 [7.900,8.800] [2.930,3.600] [0.430,1.980] [9.300,10.400] nível qualidade 4
19 [9.400,11.200] [2.880,3.500] [0.420,1.180] [8.400,10.600] nível qualidade 4
20 [8.500,10.200] [2.870,3.540] [0.500,1.360] [9.900,11.200] nível qualidade 4
21 [5.800,6.400] [3.300,3.560] [0.450,0.970] [10.550,11.200] nível qualidade 7
22 [7.500,8.100] [3.000,3.440] [0.450,1.590] [9.300,9.800] nível qualidade 7
23 [5.200,7.000] [3.100,3.690] [0.430,0.910] [9.050,9.800] nível qualidade 7
24 [8.700,9.500] [3.120,3.440] [0.520,1.130] [11.300,14.000] nível qualidade 7
25 [9.100,9.700] [3.120,3.500] [0.420,1.220] [9.200,9.900] nível qualidade 7
26 [6.800,7.400] [3.170,3.670] [0.460,1.100] [9.700,10.200] nível qualidade 7
27 [8.000,8.500] [3.080,3.500] [0.420,1.050] [8.700,9.400] nível qualidade 7
28 [9.900,10.400] [2.940,3.380] [0.420,0.980] [9.800,11.000] nível qualidade 7
29 [8.400,9.200] [3.140,3.540] [0.530,1.360] [10.100,11.300] nível qualidade 7
30 [7.700,8.500] [3.290,3.540] [0.430,0.950] [10.400,11.000] nível qualidade 7
31 [9.700,10.400] [2.880,3.480] [0.430,0.910] [8.400,9.800] nível qualidade 7
32 [11.900,13.800] [3.020,3.300] [0.570,1.000] [10.800,13.000] nível qualidade 7
33 [7.700,8.700] [3.130,3.530] [0.490,0.940] [10.600,11.400] nível qualidade 7
34 [8.500,9.100] [3.080,3.400] [0.440,0.910] [9.500,10.000] nível qualidade 7
35 [12.300,13.000] [2.880,3.200] [0.600,1.360] [9.800,10.900] nível qualidade 7
36 [6.900,7.600] [3.230,3.600] [0.390,0.850] [10.800,11.300] nível qualidade 7
37 [13.200,15.000] [2.860,3.160] [0.490,0.840] [8.400,10.000] nível qualidade 7
38 [9.100,9.800] [2.870,3.470] [0.500,1.360] [10.000,10.600] nível qualidade 7
39 [7.900,8.800] [3.140,3.480] [0.560,0.890] [11.500,12.100] nível qualidade 7
40 [7.400,7.900] [3.080,3.520] [0.450,1.080] [9.700,10.200] nível qualidade 7
41 [14.000,15.600] [2.920,3.010] [0.680,0.810] [10.800,11.200] nível qualidade 7
42 [7.200,8.000] [3.210,3.540] [0.510,1.030] [11.200,12.200] nível qualidade 7
43 [6.200,7.100] [3.300,3.690] [0.370,1.160] [10.400,11.000] nível qualidade 7
44 [5.000,5.800] [3.390,3.750] [0.480,0.730] [10.500,12.200] nível qualidade 7
45 [7.300,7.800] [3.210,3.630] [0.400,0.900] [10.200,10.900] nível qualidade 7
46 [8.900,9.800] [3.140,3.470] [0.510,0.890] [10.600,11.400] nível qualidade 7
47 [9.300,12.000] [3.000,3.360] [0.520,0.990] [11.900,13.400] nível qualidade 7
48 [10.600,11.700] [2.940,3.250] [0.430,0.950] [9.000,9.800] nível qualidade 7
171
49 [5.900,6.500] [3.250,3.620] [0.460,0.850] [11.200,12.100] nível qualidade 7

50 [5.400,6.800] [3.330,3.660] [0.440,0.840] [9.300,10.400] nível qualidade 7
51 [7.100,7.600] [2.940,3.670] [0.390,1.620] [9.400,9.700] nível qualidade 7
52 [7.000,7.600] [3.020,3.490] [0.400,0.860] [9.000,9.300] nível qualidade 7
53 [6.500,7.300] [3.240,3.530] [0.470,1.180] [10.000,10.600] nível qualidade 7
54 [7.900,8.600] [3.110,3.600] [0.430,1.200] [9.800,10.300] nível qualidade 7
55 [5.900,7.200] [3.210,3.620] [0.400,0.930] [11.900,13.300] nível qualidade 7
56 [6.600,7.300] [3.120,3.510] [0.390,0.840] [11.300,11.900] nível qualidade 7
57 [11.100,12.000] [2.980,3.380] [0.530,0.970] [9.800,10.200] nível qualidade 7
58 [8.600,9.100] [3.080,3.440] [0.450,0.930] [9.000,9.500] nível qualidade 7
59 [11.200,12.200] [2.920,3.300] [0.570,0.850] [10.200,11.300] nível qualidade 7
60 [10.400,10.900] [2.890,3.380] [0.500,1.180] [9.400,10.700] nível qualidade 7
61 [8.000,8.600] [3.090,3.380] [0.430,1.070] [9.400,9.800] nível qualidade 7
62 [9.800,10.900] [2.980,3.430] [0.460,1.060] [10.800,12.100] nível qualidade 7
63 [12.200,12.700] [3.000,3.190] [0.440,1.180] [9.200,9.900] nível qualidade 7
64 [10.600,11.600] [3.010,3.320] [0.530,1.110] [10.400,12.100] nível qualidade 7
65 [15.900,15.900] [2.980,2.980] [0.840,0.840] [14.900,14.900] nível qualidade 7
66 [8.100,9.200] [2.740,3.320] [1.020,2.000] [9.000,9.900] nível qualidade 7
67 [4.600,5.800] [3.390,4.010] [0.540,0.940] [12.200,14.000] nível qualidade 7
68 [6.400,6.900] [3.160,3.600] [0.520,0.840] [11.100,11.700] nível qualidade 7
69 [7.200,8.700] [2.890,3.490] [0.370,1.010] [12.100,13.600] nível qualidade 7
70 [7.600,7.900] [3.040,3.480] [0.330,1.560] [8.700,9.300] nível qualidade 7
172
P
Conjunto vinhos tintos com qualidades 5 e
6
acidez
índice pH sulfatos álcool classe
fixa
1 [8.800,9.100] [3.120,3.390] [0.470,0.860] [9.300,10.000] nível qualidade 5
2 [7.100,8.100] [2.940,3.260] [0.800,1.620] [9.100,9.700] nível qualidade 5
3 [10.200,11.100] [2.990,3.380] [0.420,1.180] [9.700,10.500] nível qualidade 5
4 [7.600,8.700] [2.890,3.490] [0.370,1.010] [12.000,13.100] nível qualidade 5
5 [4.600,5.800] [3.390,4.010] [0.540,0.940] [12.500,13.500] nível qualidade 5
6 [10.600,11.100] [3.020,3.310] [0.530,1.020] [10.400,11.200] nível qualidade 5
7 [7.400,8.100] [3.150,3.630] [0.400,0.790] [10.400,11.000] nível qualidade 5
8 [8.100,8.800] [3.090,3.600] [0.430,0.990] [9.500,10.200] nível qualidade 5
9 [6.100,6.700] [3.210,3.620] [0.390,0.930] [11.500,12.700] nível qualidade 5
10 [6.300,7.400] [3.270,3.550] [0.400,0.880] [12.400,13.600] nível qualidade 5
11 [8.600,9.300] [2.870,3.540] [0.530,1.360] [10.000,10.600] nível qualidade 5
12 [8.600,9.300] [3.140,3.440] [0.520,0.890] [10.900,11.500] nível qualidade 5
13 [8.500,9.100] [3.080,3.440] [0.480,0.930] [9.100,9.300] nível qualidade 5
14 [6.200,6.700] [3.290,3.590] [0.480,0.840] [9.200,9.800] nível qualidade 5
15 [8.400,9.400] [3.120,3.480] [0.540,1.130] [11.600,14.000] nível qualidade 5
16 [6.900,7.600] [3.170,3.670] [0.460,1.100] [9.600,10.000] nível qualidade 5
17 [7.000,7.400] [3.190,3.530] [0.390,0.730] [9.000,9.600] nível qualidade 5
18 [10.100,10.500] [3.040,3.300] [0.490,0.890] [8.400,9.600] nível qualidade 5
19 [11.200,12.800] [2.920,3.300] [0.580,0.850] [9.900,10.900] nível qualidade 5
20 [10.000,10.600] [3.050,3.380] [0.570,1.060] [10.500,11.100] nível qualidade 5
21 [8.300,9.200] [2.740,3.320] [1.020,2.000] [9.000,9.900] nível qualidade 5
22 [9.300,10.000] [3.070,3.470] [0.500,0.900] [10.200,11.100] nível qualidade 5
23 [9.400,10.100] [2.980,3.410] [0.460,0.930] [11.200,12.000] nível qualidade 5
24 [9.300,10.600] [3.060,3.360] [0.520,0.990] [12.000,13.400] nível qualidade 5
25 [9.300,10.200] [2.940,3.420] [0.480,0.980] [9.800,10.600] nível qualidade 5
26 [9.600,10.100] [2.880,3.500] [0.470,0.940] [9.600,10.000] nível qualidade 5
27 [6.800,7.300] [3.240,3.610] [0.470,1.170] [10.000,10.400] nível qualidade 5
28 [13.200,15.000] [2.860,3.160] [0.490,0.840] [8.400,10.000] nível qualidade 5
29 [6.800,7.500] [3.210,3.580] [0.470,1.180] [10.400,10.800] nível qualidade 5
30 [8.500,8.900] [3.080,3.390] [0.440,0.740] [9.000,9.700] nível qualidade 5
31 [7.200,7.700] [3.120,3.580] [0.440,0.700] [9.800,10.500] nível qualidade 5
32 [6.600,7.400] [3.120,3.590] [0.430,0.840] [11.000,11.700] nível qualidade 5
33 [9.700,10.000] [3.090,3.390] [0.430,0.750] [8.500,9.500] nível qualidade 5
34 [12.400,14.000] [3.010,3.250] [0.570,1.000] [10.600,12.000] nível qualidade 5
35 [8.000,8.600] [3.130,3.530] [0.490,0.940] [10.800,11.500] nível qualidade 5
36 [7.500,8.200] [3.220,3.540] [0.530,0.930] [10.900,11.700] nível qualidade 5
37 [4.900,5.500] [3.490,3.720] [0.660,0.880] [13.567,14.000] nível qualidade 5
38 [7.900,8.400] [3.080,3.500] [0.420,1.050] [8.700,9.500] nível qualidade 5
39 [5.000,6.400] [3.300,3.750] [0.480,0.970] [10.000,10.900] nível qualidade 5
40 [7.000,8.200] [3.210,3.510] [0.460,1.030] [11.400,12.200] nível qualidade 5
41 [11.300,13.500] [3.000,3.300] [0.600,0.990] [12.200,13.400] nível qualidade 5
42 [9.200,9.600] [3.120,3.480] [0.420,1.220] [9.200,9.900] nível qualidade 5
43 [15.500,15.900] [2.920,2.980] [0.680,0.840] [11.100,14.900] nível qualidade 5
44 [10.100,10.900] [3.060,3.430] [0.640,0.870] [11.200,11.500] nível qualidade 5
45 [6.400,6.900] [3.300,3.560] [0.490,1.160] [10.600,11.000] nível qualidade 5
46 [12.200,12.800] [2.880,3.190] [0.440,1.360] [9.200,10.200] nível qualidade 5
47 [5.300,6.500] [3.300,3.660] [0.450,0.870] [10.800,11.700] nível qualidade 5
48 [11.100,11.900] [3.010,3.320] [0.530,1.110] [10.500,11.800] nível qualidade 5
173
49 [6.100,6.800] [3.330,3.690] [0.370,0.830] [9.800,10.500] nível qualidade 5

50 [5.000,6.000] [3.450,3.780] [0.560,0.730] [11.400,12.500] nível qualidade 5
51 [5.200,6.200] [3.320,3.580] [0.440,0.620] [9.200,10.100] nível qualidade 5
52 [10.600,11.500] [2.890,3.220] [0.500,1.060] [9.200,9.600] nível qualidade 5
53 [10.200,11.300] [3.070,3.280] [0.510,0.850] [11.700,12.100] nível qualidade 5
54 [8.000,8.500] [3.240,3.530] [0.470,1.200] [10.200,10.700] nível qualidade 5
55 [7.600,8.000] [3.080,3.430] [0.450,1.080] [9.700,10.300] nível qualidade 5
56 [6.600,7.000] [3.080,3.690] [0.430,0.910] [9.050,9.800] nível qualidade 5
57 [11.200,11.900] [3.020,3.380] [0.430,0.970] [9.000,10.200] nível qualidade 5
58 [7.000,7.600] [3.230,3.600] [0.390,0.850] [10.800,11.500] nível qualidade 5
59 [7.300,7.600] [3.020,3.480] [0.400,0.860] [9.000,9.800] nível qualidade 5
60 [7.700,8.100] [3.160,3.480] [0.330,0.930] [9.000,9.700] nível qualidade 5
61 [9.900,10.400] [3.150,3.180] [0.630,0.770] [8.400,9.000] nível qualidade 6
62 [9.300,9.900] [3.070,3.310] [0.500,0.830] [10.400,11.100] nível qualidade 6
63 [7.500,8.100] [3.220,3.540] [0.530,0.930] [11.000,11.400] nível qualidade 6
64 [8.600,9.200] [3.170,3.540] [0.530,1.360] [10.100,10.600] nível qualidade 6
65 [10.600,13.500] [3.000,3.300] [0.600,0.990] [12.200,13.400] nível qualidade 6
66 [7.700,8.000] [3.080,3.430] [0.450,0.870] [9.700,10.000] nível qualidade 6
67 [8.400,9.100] [3.080,3.440] [0.480,0.930] [9.000,9.300] nível qualidade 6
68 [8.200,8.800] [3.090,3.400] [0.430,0.910] [9.600,10.200] nível qualidade 6
69 [6.000,6.700] [3.330,3.610] [0.490,0.930] [12.300,12.900] nível qualidade 6
70 [7.100,8.100] [2.940,3.300] [0.910,1.620] [9.100,9.900] nível qualidade 6
71 [6.700,7.100] [3.350,3.690] [0.480,0.910] [9.233,9.600] nível qualidade 6
72 [6.900,7.400] [3.210,3.670] [0.530,0.960] [9.600,10.000] nível qualidade 6
73 [7.500,7.700] [3.200,3.520] [0.520,0.780] [9.100,9.700] nível qualidade 6
74 [7.900,8.400] [3.080,3.500] [0.330,0.750] [8.700,9.300] nível qualidade 6
75 [6.200,6.700] [3.330,3.660] [0.530,0.770] [9.700,10.000] nível qualidade 6
76 [8.600,9.200] [2.740,2.930] [1.360,2.000] [9.400,10.200] nível qualidade 6
77 [8.800,9.200] [3.150,3.480] [0.470,0.720] [9.600,10.000] nível qualidade 6
78 [9.600,10.100] [3.090,3.390] [0.430,0.690] [9.000,9.500] nível qualidade 6
79 [5.700,6.600] [3.210,3.580] [0.480,0.890] [11.700,12.300] nível qualidade 6
80 [5.000,6.200] [3.300,3.740] [0.530,0.850] [10.900,11.700] nível qualidade 6
81 [11.100,12.000] [3.010,3.320] [0.530,1.110] [10.700,11.800] nível qualidade 6
82 [7.300,7.500] [3.160,3.410] [0.470,0.680] [9.400,9.700] nível qualidade 6
83 [8.100,8.400] [3.170,3.370] [0.440,0.820] [9.300,9.700] nível qualidade 6
84 [8.500,9.200] [3.140,3.350] [0.550,0.850] [10.900,11.400] nível qualidade 6
85 [6.000,6.500] [3.380,3.600] [0.450,0.870] [11.000,11.500] nível qualidade 6
86 [7.000,7.500] [3.230,3.600] [0.390,0.850] [10.800,11.500] nível qualidade 6
87 [6.200,6.700] [3.120,3.620] [0.390,0.820] [11.300,11.900] nível qualidade 6
88 [6.800,7.400] [3.270,3.520] [0.400,0.880] [12.400,13.600] nível qualidade 6
89 [7.900,8.300] [3.110,3.600] [0.430,0.990] [9.800,10.200] nível qualidade 6
90 [10.200,10.500] [3.040,3.300] [0.490,0.890] [9.300,9.900] nível qualidade 6
91 [10.600,11.100] [2.890,3.220] [0.500,1.060] [9.200,9.800] nível qualidade 6
92 [7.700,8.100] [3.180,3.440] [0.460,0.920] [9.400,9.600] nível qualidade 6
93 [7.300,7.700] [3.210,3.630] [0.440,0.900] [10.300,10.800] nível qualidade 6
94 [6.900,7.600] [3.290,3.480] [0.430,0.640] [9.000,9.200] nível qualidade 6
95 [11.100,12.000] [2.920,3.380] [0.530,0.970] [9.800,10.600] nível qualidade 6
96 [7.100,7.300] [3.190,3.530] [0.390,0.810] [9.400,9.600] nível qualidade 6
97 [6.700,7.400] [3.160,3.530] [0.430,0.840] [11.000,11.700] nível qualidade 6
98 [9.600,10.100] [2.880,3.500] [0.470,0.940] [9.600,10.000] nível qualidade 6
99 [7.000,7.500] [3.230,3.580] [0.460,1.100] [9.900,10.300] nível qualidade 6
100 [7.500,8.100] [3.150,3.540] [0.400,0.790] [10.700,11.100] nível qualidade 6
101 [4.900,5.500] [3.490,3.720] [0.660,0.880] [13.567,14.000] nível qualidade 6
102 [9.600,10.300] [3.140,3.430] [0.460,0.930] [11.000,11.900] nível qualidade 6
103 [11.200,12.200] [2.940,3.250] [0.430,1.180] [9.000,9.500] nível qualidade 6
104 [8.000,8.600] [3.130,3.530] [0.490,0.940] [10.800,11.500] nível qualidade 6
105 [7.700,8.000] [3.190,3.430] [0.420,0.870] [8.700,9.400] nível qualidade 6
106 [12.700,15.000] [2.860,3.160] [0.490,0.840] [8.400,10.000] nível qualidade 6
107 [8.900,10.000] [3.120,3.360] [0.520,1.130] [11.700,13.300] nível qualidade 6
108 [8.000,8.500] [3.240,3.530] [0.470,1.200] [10.200,10.700] nível qualidade 6
109 [10.400,11.200] [2.990,3.380] [0.520,1.180] [9.800,10.500] nível qualidade 6
110 [10.200,11.100] [3.020,3.330] [0.650,1.060] [10.500,11.400] nível qualidade 6
111 [8.800,9.100] [3.160,3.390] [0.470,0.860] [9.300,9.500] nível qualidade 6
112 [9.900,10.400] [2.940,3.380] [0.420,0.980] [10.000,10.600] nível qualidade 6
113 [8.300,9.100] [2.900,3.320] [1.020,1.610] [9.000,9.500] nível qualidade 6
114 [6.500,7.000] [3.260,3.520] [0.370,1.170] [10.000,10.400] nível qualidade 6
115 [8.500,8.900] [3.080,3.360] [0.440,0.740] [9.300,9.700] nível qualidade 6
116 [4.600,5.400] [3.540,4.010] [0.560,0.840] [12.200,13.100] nível qualidade 6
117 [6.900,7.100] [3.250,3.530] [0.480,1.180] [10.400,10.700] nível qualidade 6
118 [5.000,6.100] [3.330,3.750] [0.440,0.780] [9.800,10.500] nível qualidade 6
119 [9.000,9.500] [3.180,3.470] [0.560,0.890] [10.700,11.200] nível qualidade 6
120 [7.000,8.000] [3.210,3.510] [0.460,1.030] [11.400,12.200] nível qualidade 6
121 [12.400,13.800] [3.020,3.250] [0.570,1.000] [10.600,12.000] nível qualidade 6
122 [5.100,5.900] [3.390,3.710] [0.540,0.940] [12.400,13.500] nível qualidade 6
123 [7.600,8.900] [2.890,3.490] [0.370,1.010] [12.000,14.000] nível qualidade 6
124 [11.900,12.800] [2.880,3.200] [0.440,1.360] [9.300,10.500] nível qualidade 6
174
125 [9.300,9.800] [3.110,3.470] [0.560,0.920] [10.000,10.300] nível qualidade 6

126 [7.600,8.000] [3.160,3.480] [0.450,0.730] [9.300,9.500] nível qualidade 6
127 [6.000,6.600] [3.300,3.690] [0.500,0.970] [10.300,10.800] nível qualidade 6
128 [7.200,7.400] [3.260,3.520] [0.490,0.730] [9.200,9.500] nível qualidade 6
129 [9.200,9.500] [3.120,3.460] [0.420,1.220] [9.200,9.900] nível qualidade 6
130 [10.000,11.300] [2.980,3.290] [0.490,0.990] [11.300,12.800] nível qualidade 6
131 [6.600,7.000] [3.100,3.680] [0.450,0.820] [9.500,9.900] nível qualidade 6
132 [7.600,7.800] [3.170,3.390] [0.460,0.690] [10.100,10.500] nível qualidade 6
133 [6.700,7.100] [3.080,3.340] [0.450,0.640] [9.200,9.500] nível qualidade 6
134 [8.200,9.100] [3.130,3.480] [0.520,0.890] [11.500,12.100] nível qualidade 6
135 [15.900,15.900] [2.980,2.980] [0.840,0.840] [14.900,14.900] nível qualidade 6
136 [7.100,7.600] [3.120,3.390] [0.480,0.600] [9.600,10.000] nível qualidade 6
137 [14.000,15.600] [2.920,3.010] [0.680,0.810] [10.800,11.200] nível qualidade 6
138 [7.400,7.600] [3.020,3.360] [0.400,0.860] [9.100,9.400] nível qualidade 6
139 [6.400,6.900] [3.300,3.560] [0.490,1.160] [10.600,11.000] nível qualidade 6
140 [5.200,6.600] [3.200,3.560] [0.440,0.840] [9.200,9.500] nível qualidade 6
175
Q
Publicação no 5th Workshop on Symbolic Data
Analysis (SDA2015)
Dynamic clustering of interval data based on hybrid
L1, L2 and L∞ distances
?
Leandro C. Souza1,2, , Renata M. C. R. Souza1 , Getúlio J. A. Amaral3
1. Universidade Federal de Pernambuco (UFPE), Cin, Recife - PE, Brazil
2. Universidade Federal Rural do Semi-Árido (UFERSA), DCEN, Mossoró - RN, Brazil
3. Universidade Federal de Pernambuco (UFPE), DE, Recife - PE, Brazil
? Contact author: lcs6@cin.ufpe.br
Keywords: Interval Distance, Interval Symbolic Data, Dynamic Clustering
Cluster analysis is a traditional approach to provide exploratory discovery of knowledge. Dynamic

Partitional clustering approach does partitions on data and associates prototypes to each partition.
Distances measures are necessary to perform the clustering. In literature, a variety of distances are
proposed for clustering interval data, as L1 , L2 and L∞ distances. Therefore, interval data has an
extra kind of information, which is not verified on the point one, and it is related with the variation
or uncertain represented by them. In this way, we propose a mapping from intervals to points,
which preserves their location and internal variation and allows formulating the new hybrid L1 , L2
and L∞ distances, all based on the Lq distance for point data. These distances are used to perform
dynamic clustering for interval data. Let Γ a set of p-dimensional interval data with N observations,
such as Γ = {I1 , I2 , · · · , In , · · · , IN }. An interval multivariate instance representation In ∈ Γ is
given by
In = [a1n , b1n ], [a2n , b2n ], · · · , [apn , bpn ] , (1)
where n = 1, 2, · · · , N and ajn ≤ bjn , for j = 1, · · · , p. Consider the partition of the set Γ in K
clusters. Let Gk the p-dimensional interval prototype of class k and Ck the k th class. Partitional
dynamic clustering over Γ is proposed to minimize the criterion Jφ , defined by
K X
X
Jφ = φ(In , Gk ), (2)
k=1 In ∈Ck
where φ is a distance function. For the generic interval instance In , the mapping M which pre-
serves location and internal variation generates one point and one vector(both p-dimensional) and
it is given by
([a1n , b1n ], · · · , [apn , bpn ]) → {(a1n , · · · , apn ), (∆1n , · · · , ∆pn )}, (3)
M
with ∆jn = bjn − ajn . As two different kind of information are used, occurs a hybridism on mapping.
The hybrid L1 (HL1 ) distance formulation is given by
p
X
dHL1 (In , Gk ) = |ajn − ajGk | + |∆jn − ∆jGk | . (4)
j=1
The hybrid L2 (HL2 ) distance has the expression

p
X
dHL2 (In , Gk ) = |ajn − ajGk |2 + |∆jn − ∆jGk |2 . (5)
j=1
The hybrid L∞ distance (HL∞ ) distance is proposed as follows
p p
dHL∞ (In , Gk ) = max{|ajn − ajGk |} + max{|∆jn − ∆jGk |}, (6)
j=1 j=1
where max{·} is the maximum function. To compare the quality of the clustering results, adjusted
rand index (ARI) is used associated with a synthetic dataset. ARI values more close to 1 indicates a
strong agreement between the obtained clusters and a known partition. Bootstrap statistical method
constructs non-parametric confidence intervals for the mean of ARI values for the distances L1 , L2 ,
L∞ , HL1 , HL2 and HL∞ distances, with 95% of confidence. In the synthetic dataset, intervals
are constructed sorting randomly values for centers and ranges, which delivers three clusters, two
ellipsoidal (with 150 elements) and the third one spherical (with 50 elements). The centers, with
coordinates
follow
(cx , cy ), bivariate
normal distributions with parameters µ and Σ, with µ =
µx σx2 0
and Σ = , with the following values : Cluster 1: µx = 30, µy = 10, σx2 =
µy 0 σy2
100 e σy2 = 25; Cluster 2: µx = 50, µy = 30, σx2 = 36 e σy2 = 144; and Cluster 3: µx = 30,
µy = 35, σx2 = 16 e σy2 = 16; The range is generated using uniform distributions over an interval
[v, u], represented by U n(v, u). The rectangle with center coordinates in the point (cxi , cyi ) has
ranges represented by γxi and γyi , for x and y, respectively . Interval data is constructed by
([cxi − γxi /2, cxi + γxi /2], [cyi − γyi /2, cyi + γyi /2]). (7)
A general configuration is used for the ranges, where the uniform distributions are different for
clusters and dimensions. Table 1 shows these distributions. Table 2 presents the non-parametric
Table 1: Uniform distributions for interval ranges

Cluster γx distribution γy distribution
1 U n(4, 7) U n(1, 3)
2 U n(1, 2) U n(6, 9)
3 U n(2, 3) U n(3, 6)
confidence intervals for this synthetic configuration. 100 datasets were generated. For each one,
the clustering was applied 100 times. The solution which has the lowest criterion was selected,
resulting in 100 ARI values. The bootstrap method is applied to the ARI values with 2000 repeti-
tions and confidence of 95%. The confidence intervals for the ARI means revel the better adjust of
Table 2: Non-parametric confidence intervals for the comparison of distances

Distance L1 HL1 L2 HL2 L∞ HL∞
ARI confidence
[0.72, 0.77] [0.85, 0.87] [0.51, 0.56] [0.51, 0.55] [0.81, 0.84] [0.78, 0.82]
interval
HL1 , instead its limits are greater than the other distances.
References
[1] Chavent, M., Lechevallier, Y. (2002). Dynamical clustering of interval data: Optimization of an ade-
quacy criterion based on hausdorff distance, Classification, Clustering, and Data Analysis, 53–60.
[2] Souza, R. M. C. R., De Carvalho, F. D. A. T. (2004). Clustering of interval data based on city-block
distances, Pattern Recognition Letters 25, 353–365.
[3] De Carvalho, F. D. A. T., Brito, P., Bock, H.-H. (2006). Dynamic clustering for interval data based on
l2 distance, Computational Statistics 21, 231–250.
Anexo
179
A
Conjunto dos Climas Mistos
precipitação precipitação precipitação precipitação

índice classe
primavera verão outono inverno
1 [58.8, 79.8] [12.3, 45.7] [8.8, 12.2] [17.4, 60.3] savana
2 [69, 73] [44, 52] [28, 38] [27, 37] savana
3 [62, 66] [34, 40] [20, 27] [17, 44] savana
4 [68, 107] [45, 87] [23, 44] [24, 45] savana
5 [64, 82] [53, 62] [30, 51] [28, 43] savana
6 [54, 55] [27, 37] [13, 21] [14, 33] savana
7 [55, 76] [43, 52] [33, 55] [37, 52] savana
8 [54, 71] [43, 51] [30, 50] [31, 49] savana
9 [75, 94] [58, 65] [36, 56] [34, 51] savana
10 [71, 80] [50, 55] [33, 55] [35, 43] savana
11 [61, 100] [29, 55] [22, 26] [38, 99] savana
12 [64, 76] [56, 59] [33, 50] [28, 52] savana
13 [62, 71] [49, 60] [22, 36] [29, 37] savana
14 [54, 59] [29, 34] [14, 22] [14, 34] savana
15 [56, 83] [26, 42] [20, 23] [27, 75] savana
16 [63, 81] [42, 52] [29, 51] [34, 51] savana
17 [33, 40] [34, 38] [21, 32] [22, 29] savana
18 [56, 67] [49, 53] [29, 45] [32, 41] savana
19 [67, 75] [49, 68] [27, 41] [27, 53] savana
20 [65, 90] [35, 44] [19, 33] [31, 69] savana
21 [68, 81] [53, 64] [29, 47] [32, 46] savana
22 [71, 90] [79, 91] [40, 73] [37, 53] savana
23 [60, 82] [46, 54] [25, 37] [24, 40] savana
24 [64, 91] [37, 51] [23, 34] [30, 57] savana
25 [49, 86] [22, 43] [28, 31] [28, 55] savana
26 [45, 76] [27, 46] [38, 40] [35, 51] savana
27 [78.3, 110] [66.6, 85.4] [60.8, 75] [64, 100] savana
28 [37, 67] [30, 46] [37, 61] [31, 53] savana
29 [43, 64] [28, 44] [18, 28] [17, 40] savana
30 [53, 72] [40, 52] [40, 52] [36, 48] savana
31 [108, 154] [19, 88] [5, 11] [13, 61] savana
32 [54, 105] [81, 107] [44, 63] [42, 70] savana
33 [90, 134] [14, 71] [5, 10] [12, 47] savana
34 [64, 71] [43, 54] [24, 34] [24, 40] savana
35 [54, 86] [27, 39] [15, 23] [15, 43] savana
36 [66, 81] [31, 53] [19, 23] [16, 44] savana
37 [31, 50] [23, 29] [18, 29] [17, 37] savana
38 [82, 154] [23, 89] [11, 18] [17, 58] savana
39 [65, 92] [52, 55] [31, 44] [29, 49] savana
40 [50, 67] [45, 54] [25, 38] [27, 38] savana
41 [64, 84] [46, 55] [27, 43] [26, 52] savana
42 [69, 89] [46, 55] [27, 51] [36, 53] savana
43 [60, 83] [45, 48] [26, 41] [26, 42] savana
44 [37, 59] [33, 54] [43, 75] [37, 54] savana
45 [52, 64] [45, 54] [35, 51] [32, 39] savana
46 [17.9, 49.9] [25.4, 45.8] [23, 27.5] [35.8, 72.5] savana
47 [3.5, 18.2] [13, 47.9] [32.6, 37.8] [46, 55.4] savana
48 [69.2, 88] [35.1, 51.3] [46, 51.7] [38.9, 52.5] savana
49 [71, 182] [6, 49] [2, 6] [9, 29] savana
50 [85, 185] [10, 52] [3, 5] [11, 42] savana
51 [84, 173] [20, 62] [8, 10] [13, 43] savana
52 [78, 153] [8, 61] [3, 6] [10, 37] savana
53 [72.3, 122.6] [1.7, 58.3] [0.5, 1] [2, 26.6] savana
180
54 [50, 62] [47, 55] [23, 39] [27, 36] savana

55 [87, 167] [17, 77] [7, 9] [16, 55] savana
56 [90.3, 275.2] [34.9, 100.2] [11, 16.5] [24.7, 72.2] savana
57 [1.8, 3.7] [0.8, 26.9] [40.9, 46.3] [37.8, 49.8] savana
58 [3.4, 7.3] [4.2, 28.8] [29.2, 33.5] [45.7, 56.5] savana
59 [46.8, 123.8] [104.1, 135.2] [94, 113.6] [53.1, 77.8] savana
60 [27, 58] [28, 59] [33, 38] [62, 109] savana
61 [33, 53] [21, 30] [15, 20] [15, 33] savana
62 [57, 86.6] [5.6, 40.8] [2.8, 5.2] [3.2, 19.9] savana
63 [1.4, 8.4] [1, 7.5] [11.5, 35.5] [29.9, 45.6] savana
64 [68, 185] [10, 42] [3, 6] [9, 34] savana
65 [69, 92] [39, 61] [29, 41] [30, 69] savana
66 [62, 80] [56, 61] [36, 53] [41, 70] savana
67 [65, 86] [36, 52] [22, 27] [27, 74] savana
68 [50, 74] [44, 49] [24, 35] [25, 39] savana
69 [44, 45] [33, 47] [29, 43] [27, 40] savana
70 [73, 96] [53, 67] [35, 57] [42, 49] savana
71 [58, 81] [56, 69] [31, 51] [33, 38] savana
72 [56, 78] [41, 45] [27, 41] [31, 74] savana
73 [46, 80] [43, 55] [30, 51] [31, 48] savana
74 [58, 85] [32, 49] [17, 24] [15, 39] savana
75 [60, 73] [43, 52] [21, 41] [22, 46] savana
76 [65, 86] [46, 55] [30, 46] [31, 46] savana
77 [91, 102] [64, 82] [33, 53] [35, 86] savana
78 [66, 100] [50, 58] [30, 47] [31, 60] savana
79 [58, 63] [53, 60] [32, 46] [27, 38] savana
80 [47, 87] [29, 53] [21, 29] [19, 36] savana
81 [93, 157] [40, 73] [26, 33] [48, 148] savana
82 [59, 84] [53, 58] [32, 47] [32, 51] savana
83 [100, 153] [38, 126] [15, 19] [25, 61] savana
84 [36, 37] [24, 43] [29, 46] [25, 37] savana
85 [65, 77] [42, 55] [25, 42] [26, 46] savana
86 [57, 73] [39, 54] [32, 50] [31, 46] savana
87 [64, 83] [46, 53] [25, 43] [35, 49] savana
88 [68, 94] [71, 113] [52, 84] [49, 54] savana
89 [39, 67] [29, 37] [13, 20] [13, 36] savana
90 [72, 78] [53, 65] [38, 55] [39, 62] savana
91 [95.3, 108.7] [74.7, 99.8] [74.9, 88.6] [83.3, 106.7] savana
92 [43.7, 69.1] [12.4, 37.8] [10.9, 13] [19.6, 55.4] savana
93 [72.1, 82.3] [77.7, 107.2] [91.2, 101.9] [82.6, 93.7] savana
94 [78.2, 105.9] [78.5, 97.3] [58.7, 93.2] [68.1, 79.8] savana
95 [88.1, 103.1] [73.2, 83.8] [41.4, 61.5] [56.6, 79.2] savana
96 [73.9, 103.4] [78.7, 90.2] [48.8, 81.8] [61.7, 78] savana
97 [93, 107.2] [61.2, 97] [34.5, 62.7] [68.3, 92.5] savana
98 [86.4, 94] [64.5, 87.4] [51.8, 78.5] [73.9, 88.6] savana
99 [80.8, 91.9] [71.9, 82] [57.7, 74.4] [74.4, 86.6] savana
100 [78.7, 85.6] [80.3, 90.7] [59.9, 75.4] [77.2, 84.6] savana
101 [96, 113.3] [45.5, 89.7] [24.4, 33.5] [59.2, 93] savana
102 [80.8, 91.7] [53.3, 73.4] [44.2, 71.6] [64.8, 74.9] savana
103 [91.7, 101.3] [45.7, 97.5] [20.3, 31.5] [48.5, 77] savana
104 [110.5, 115.1] [78.2, 95.5] [76.2, 88.4] [97, 104.6] savana
105 [87.1, 103.9] [95.8, 111.5] [56.4, 91.2] [76.2, 87.4] savana
106 [61.7, 71.6] [18.5, 50.5] [11.4, 17] [26.9, 62.2] savana
107 [68.8, 88.6] [55.4, 90.4] [32.5, 53.6] [54.9, 67.3] savana
108 [85.6, 91.2] [63.2, 70.9] [47.5, 73.4] [73.7, 87.4] savana
109 [81.3, 97] [63, 78] [54.1, 74.4] [86.9, 98.6] savana
110 [80.8, 103.6] [59.7, 84.3] [54.9, 74.9] [80.3, 94.7] savana
111 [70.6, 89.5] [25, 52.3] [14.9, 19.7] [21.5, 58.8] savana
112 [79.7, 89.8] [64.9, 96.2] [57.3, 74.7] [75, 85.1] savana
113 [85.8, 93.2] [10.8, 95.4] [85.5, 123.1] [87.8, 97.7] savana
114 [31.6, 52.8] [18.4, 37.5] [21.2, 33.9] [21.3, 43.2] savana
115 [70.3, 95.2] [17.7, 47.1] [13, 22.7] [16, 49.9] savana
116 [87.1, 89.8] [13.2, 94.5] [79.2, 109.6] [87.4, 102.7] savana
117 [61.8, 76.5] [23.8, 42.6] [18.5, 30.7] [15.5, 36.9] savana
118 [92.7, 102.2] [103.6, 146] [114.4, 154.8] [109.7, 134.5] savana
119 [96.8, 99.7] [89.4, 100.2] [62.4, 99.1] [71.3, 86.9] savana
120 [65, 89] [73, 90] [36, 55] [41, 53] savana
121 [51.1, 72.7] [51.5, 57.9] [31.4, 52.4] [32.2, 50.9] savana
122 [114.2, 127.8] [101.7, 125.5] [70.6, 104.4] [81.2, 106.1] savana
123 [70.1, 93.1] [15.9, 49.5] [10.8, 19] [16.9, 56] savana
124 [43.2, 75.1] [12.9, 32.6] [11.6, 16.4] [19, 52.8] savana
125 [89.6, 101.5] [117.4, 133.7] [94, 149.4] [104.2, 117.9] savana
126 [38.8, 61.1] [13.3, 30.7] [10.3, 15.9] [14.7, 49.4] savana
127 [89.4, 108.1] [130.9, 161.9] [125.2, 150] [100.9, 130.8] savana
128 [76.6, 90.5] [76.5, 101.3] [50.6, 68.6] [64.9, 77.5] savana
129 [86.8, 93.1] [113.4, 149.7] [132.1, 167.5] [102.9, 138.9] savana
181
130 [85.7, 89] [55.6, 88] [24.9, 37.5] [41.5, 66.5] savana
131 [67.5, 79.6] [64.7, 83.4] [50.5, 71] [66.1, 73.3] savana
132 [81, 93.5] [71.4, 107.7] [36.1, 72.4] [66.8, 85.6] savana
133 [78.7, 88.9] [54.9, 88.1] [26.2, 38.9] [52.1, 71.6] savana
134 [85, 90.6] [79.4, 85.3] [58.9, 81.5] [72.4, 79] savana
135 [101.9, 119.9] [48.8, 123.4] [27.7, 40.1] [63.8, 128] savana
136 [84.3, 101.1] [70.9, 84.1] [53.3, 63.8] [64.8, 92.7] savana
137 [84.3, 103.4] [66.5, 88.4] [51.6, 74.4] [77.7, 89.4] savana
138 [30, 68] [40, 55] [27, 32] [60, 96] savana
139 [33, 78] [25, 49] [16, 23] [33, 87] savana
140 [43, 95] [32, 47] [18, 25] [36, 96] savana
141 [72, 88] [49, 60] [34, 53] [42, 62] savana
142 [56.9, 82.2] [67.2, 74] [32.4, 56.6] [32, 37.9] savana
143 [49.2, 77.7] [69.2, 74.5] [34, 57] [35.1, 35.7] savana
144 [51.9, 78.7] [68.1, 74.4] [39.7, 66.3] [35.2, 43] savana
145 [60, 83] [34, 43] [27, 36] [32, 65] savana
146 [27, 58] [28, 59] [33, 38] [62, 109] savana
147 [33, 53] [21, 30] [15, 20] [15, 33] savana
148 [74, 79] [51, 69] [28, 43] [32, 52] savana
149 [48, 80] [77, 79] [38, 68] [35, 42] savana
150 [63, 85] [57, 75] [27, 46] [28, 44] savana
151 [69, 80] [45, 56] [31, 47] [35, 55] savana
152 [63, 74] [47, 57] [26, 44] [32, 54] savana
153 [60, 77] [53, 60] [24, 44] [32, 47] savana
154 [88.6, 113.5] [66.8, 82] [58.9, 84.8] [94, 101.6] savana
155 [91.2, 140.7] [49, 96.8] [24.1, 36.3] [62.5, 113] savana
156 [82.6, 95.3] [53.3, 72.4] [43.9, 74.4] [67.6, 75.2] savana
157 [47, 77] [74, 77] [38, 66] [37, 42] savana
158 [83.6, 89.4] [64.3, 84.6] [38.4, 69.3] [82.3, 91.9] savana
159 [89.2, 96.8] [82.3, 96.3] [54.6, 81.3] [70.4, 84.6] savana
160 [81.3, 98.8] [32.3, 88.4] [13.7, 22.4] [53.1, 99.1] savana
161 [68.1, 91.4] [58.2, 88.4] [36.8, 55.1] [59.2, 78.5] savana
162 [82.3, 89.7] [61.2, 85.9] [36.8, 59.2] [67.8, 88.9] savana
163 [89.7, 102.9] [39.4, 69.1] [22.4, 27.4] [49.3, 86.1] savana
164 [44.2, 85.6] [16.8, 40.9] [9.1, 11.9] [30.5, 87.1] savana
165 [82.3, 98.3] [37.8, 94.5] [18.8, 25.9] [51.8, 114.8] savana
166 [78.7, 106.7] [67.3, 98.3] [36.1, 62] [73.9, 95.8] savana
167 [81.5, 95.3] [59.9, 75.4] [60.7, 74.2] [80, 91.2] savana
168 [86.1, 102.6] [53.1, 85.6] [27.2, 46.7] [55.1, 79.8] savana
169 [80.8, 92.2] [88.4, 112.5] [91.7, 111.3] [95.5, 104.4] savana
170 [68.8, 86.4] [62, 75.4] [52.8, 69.3] [57.9, 69.1] savana
171 [104.6, 114.8] [65.3, 96.5] [29, 52.1] [62.5, 93] savana
172 [68.8, 91.7] [82, 93.7] [44.2, 73.2] [58.4, 68.8] savana
173 [75.4, 94.2] [27.4, 73.2] [14, 19.8] [49.8, 93.2] savana
174 [68.1, 86.4] [27.7, 76.7] [13, 17.8] [41.7, 77] savana
175 [93.2, 104.4] [78.2, 91.9] [48.3, 83.8] [78.7, 97] savana
176 [72.9, 87.4] [78.5, 131.3] [84.6, 115.6] [91.9, 103.6] savana
177 [17, 32] [18.5, 54.6] [37.8, 61.5] [30, 37.8] savana
178 [293, 397] [223, 428] [178, 239] [212, 227] equatorial
179 [140, 145] [167, 252] [154, 304] [141, 171] equatorial
180 [357.5, 489] [192.6, 352.1] [113.2, 120.8] [153.9, 261.7] equatorial
181 [124.2, 161] [168.8, 220.2] [141.4, 192.2] [167.2, 224.3] equatorial
182 [206.8, 320.8] [239.3, 278.2] [182.8, 216.4] [128.2, 201.4] equatorial
183 [195.6, 268.3] [161.7, 226.8] [84.6, 118.4] [75.4, 153.6] equatorial
184 [168.2, 217.6] [275.6, 294.7] [275.6, 368.3] [227.6, 301.2] equatorial
185 [239.9, 338.2] [281.1, 348.9] [477.9, 516.9] [334.9, 442.4] equatorial
186 [265, 312.6] [253, 325.8] [202, 246.6] [171.6, 213.9] equatorial
187 [195.1, 223.6] [225.1, 334.7] [303.8, 458.6] [114.1, 152.9] equatorial
188 [171.5, 255.3] [216, 374.5] [60.6, 103] [128.9, 227.3] equatorial
189 [128.7, 168.9] [198.1, 330.3] [189.8, 261.2] [243.1, 298.9] equatorial
190 [202.6, 302.1] [169.7, 260.5] [87.1, 165.4] [99.6, 180.2] equatorial
191 [179.4, 210.9] [249.5, 317.2] [160.5, 349.2] [134.4, 193.7] equatorial
192 [292, 382] [329.8, 389.4] [93.8, 186.4] [82.6, 280.2] equatorial
193 [195.8, 311.8] [151.2, 330.4] [100.5, 161.3] [87.2, 153.7] equatorial
194 [292.8, 412.2] [371.4, 436.8] [111.1, 235.3] [212.2, 475.9] equatorial
195 [169.6, 251.7] [224.3, 270.2] [89.1, 158.6] [87.7, 123.2] equatorial
196 [165, 188.6] [194.6, 239] [75.5, 131.7] [141.6, 185.3] equatorial
197 [210.1, 301.2] [292.1, 316.6] [173.8, 189.7] [209.5, 286.9] equatorial
198 [218.6, 337.2] [132, 173.7] [102.2, 233.4] [134, 316.7] equatorial
199 [256, 411] [207.8, 294.6] [84.6, 297.9] [107, 282.4] equatorial
200 [250.6, 378.9] [101, 159.2] [92.7, 192.7] [96, 282.1] equatorial
201 [201.4, 327.7] [97.5, 185.9] [88.5, 261.9] [111, 288.5] equatorial
202 [329.7, 395.8] [376.1, 458.6] [236, 333.6] [246.4, 387] equatorial
203 [201.2, 320.3] [99.8, 126.7] [77, 180.6] [144.8, 236.7] equatorial
204 [216.4, 417.5] [304.4, 436.2] [131.1, 152.1] [111.8, 140.8] equatorial
205 [112.8, 131.9] [155.2, 295.6] [74.2, 195.7] [71.9, 187.7] equatorial
182
206 [163.2, 188.2] [255.8, 322.7] [70.5, 176.9] [111.3, 290.4] equatorial
207 [110.4, 236.3] [159, 232] [151.1, 192.6] [172.7, 273.7] equatorial
208 [165.1, 459.7] [73.5, 153.7] [305.3, 439.1] [393.5, 599.1] equatorial
209 [118, 198] [220, 236] [64, 137] [73, 148] equatorial
210 [110.9, 132] [144.6, 324.8] [135.9, 251.4] [112.2, 122.2] equatorial
211 [287.1, 308] [301.3, 390.9] [115.1, 308.5] [73.3, 306.7] equatorial
212 [169.6, 251.7] [224.3, 270.2] [89.1, 158.6] [87.7, 123.2] equatorial
213 [155.7, 178.1] [207.5, 412.9] [140.3, 598.2] [150, 172.4] equatorial
214 [219, 364] [256, 316] [150, 266] [97, 108] equatorial
215 [239.8, 312.8] [160.2, 482.8] [59.3, 84.2] [194.2, 295.9] equatorial
216 [259, 440.7] [150.5, 311.2] [123.9, 563.6] [83.8, 369.1] equatorial
217 [185.6, 229.6] [262.3, 371.5] [473.3, 684.1] [241.8, 338.6] equatorial
218 [162, 243] [298, 374] [107, 240] [122, 220] equatorial
219 [250.7, 276.3] [251.4, 262.1] [145.5, 287.1] [85.6, 232.6] equatorial
220 [79, 101] [167, 213] [81, 85] [90, 139] equatorial
221 [299.6, 438.6] [146.3, 380] [228.1, 448.7] [196.4, 327.3] equatorial
222 [109, 225] [133, 148] [158, 329] [300, 373] equatorial
223 [755, 840] [638, 719] [517, 580] [524, 719] equatorial
224 [292, 355] [291, 352] [158, 203] [235, 302] equatorial
225 [71.1, 119.4] [160, 231.1] [78.7, 114.3] [137.2, 238.8] equatorial
226 [104, 189] [182, 467] [347, 495] [236, 308] equatorial
227 [99, 136] [180, 256] [138, 168] [202, 256] equatorial
228 [443.7, 509.8] [375.8, 470.9] [238.5, 451.9] [215.4, 430.4] equatorial
229 [357.3, 410.1] [228.3, 478.4] [218.2, 288.6] [121.1, 169.7] equatorial
230 [125, 186] [191, 271] [136, 179] [202, 250] equatorial
231 [71.9, 116.3] [75.7, 164.8] [72, 124.9] [189.6, 274.9] equatorial
232 [262, 379] [124, 177] [63, 97] [121, 215] equatorial
233 [125.3, 155.7] [192.8, 287.8] [165.4, 245.7] [204.4, 259.2] equatorial
234 [258, 290] [304, 351] [60, 251] [74, 228] equatorial
235 [148.1, 185.9] [190.8, 237.6] [139.8, 244.5] [203.4, 232.8] equatorial
236 [151.8, 157.8] [216, 297.2] [132.3, 251.1] [169.9, 259.1] equatorial
237 [173.2, 229.5] [278.4, 373] [95.3, 209.8] [174.4, 273.5] equatorial
238 [180, 212] [295, 400] [215, 302] [254, 292] equatorial
239 [130, 210] [180, 570] [80, 650] [90, 100] equatorial
240 [131, 236] [174, 277] [364, 426] [253, 327] equatorial
241 [239, 270] [214, 278] [216, 243] [195, 209] equatorial
242 [263, 315] [267, 391] [142, 164] [184, 264] equatorial
243 [210.1, 226.6] [264.4, 339.9] [158.9, 339.6] [118.7, 234.9] equatorial
244 [262, 603] [301.9, 662.9] [119.4, 190.6] [83.9, 157.9] equatorial
245 [141, 185] [253, 387] [92, 228] [97, 178] equatorial
246 [92.6, 173.5] [204.7, 257.6] [105.3, 203.5] [77.8, 85.3] equatorial
247 [59, 81] [38, 41] [13, 26] [15, 48] sub-ártico
248 [53, 79] [36, 56] [22, 34] [21, 43] sub-ártico
249 [53, 72] [45, 81] [14, 27] [11, 46] sub-ártico
250 [54, 66] [42, 53] [22, 37] [19, 30] sub-ártico
251 [39, 61] [38, 50] [21, 31] [22, 30] sub-ártico
252 [45, 66] [58, 63] [11, 27] [12, 25] sub-ártico
253 [63, 97] [95, 139] [70, 86] [54, 66] sub-ártico
254 [48, 81] [9, 31] [4, 10] [4, 19] sub-ártico
255 [49, 69] [28, 50] [18, 24] [19, 32] sub-ártico
256 [52, 61] [26, 40] [12, 21] [11, 29] sub-ártico
257 [49, 86] [42, 49] [25, 34] [26, 34] sub-ártico
258 [41, 64] [52, 64] [28, 46] [30, 35] sub-ártico
259 [72.1, 105.8] [7.5, 40.3] [2, 3.6] [5.5, 21] sub-ártico
260 [37, 39] [16, 29] [7, 12] [6, 18] sub-ártico
261 [59, 85] [45, 70] [23, 40] [31, 41] sub-ártico
262 [62, 120] [18, 50] [9, 19] [13, 33] sub-ártico
263 [59, 73] [46, 58] [24, 38] [25, 41] sub-ártico
264 [40, 53] [49, 57] [34, 49] [28, 35] sub-ártico
265 [67, 79] [42, 62] [20, 31] [21, 42] sub-ártico
266 [54.2, 61.7] [26.8, 42.1] [21.9, 33.2] [23.4, 32.4] sub-ártico
267 [95.8, 113.8] [75.6, 95.2] [55.1, 69] [65.4, 69.6] sub-ártico
268 [22.1, 39.9] [17.8, 28] [11.6, 15.7] [10.5, 17] sub-ártico
269 [26.9, 40.9] [23.5, 35] [12.9, 16.3] [10.8, 19.1] sub-ártico
270 [29, 62] [28.2, 68.6] [19.8, 28.4] [17, 18.5] sub-ártico
271 [34.8, 49.8] [20.3, 24.1] [10.2, 21.6] [8.1, 15.5] sub-ártico
272 [30.3, 41.4] [19.2, 34.1] [11.4, 18.5] [7, 15.2] sub-ártico
273 [59.1, 71.7] [48.6, 54.6] [33.6, 42.1] [30.9, 35.9] sub-ártico
274 [58, 75.4] [49.9, 60.6] [25.5, 39.8] [31.2, 35.5] sub-ártico
275 [59, 82] [102, 131] [87, 106] [48, 72] sub-ártico
276 [57, 110] [5, 41] [2, 5] [4, 26] sub-ártico
277 [23, 42] [21, 27] [29, 44] [12, 22] sub-ártico
278 [54, 68] [53, 61] [27, 44] [26, 42] sub-ártico
279 [65.4, 80.2] [51.1, 58.6] [31.1, 45.6] [31.9, 38.8] sub-ártico
280 [59, 104] [5, 37] [2, 4] [3, 24] sub-ártico
183
B
Conjunto dos climas da Europa Ocidental
precipitação precipitação precipitação precipitação

índice classe
primavera verão outono inverno
1 [15.6, 53.2] [64.2, 151.8] [168.6, 175.6] [88.6, 111.9] mediterrâneo
2 [20, 61] [58, 91] [29, 51] [42, 59] mediterrâneo
3 [10, 25] [28, 56] [35, 56] [26, 52] mediterrâneo
4 [2, 12] [16, 95] [55, 88] [25, 49] mediterrâneo
5 [0, 2.6] [2.4, 48.1] [76.5, 95.1] [13, 56.4] mediterrâneo
6 [19, 35] [30, 48] [33, 55] [23, 54] mediterrâneo
7 [0.9, 4.5] [7.8, 95.2] [99.8, 162.6] [21, 90.6] mediterrâneo
8 [29.5, 38.4] [86.4, 130.5] [107.3, 133.4] [53.1, 100.4] mediterrâneo
9 [0.1, 2.2] [0.8, 38.5] [66.9, 77.5] [29, 68.2] mediterrâneo
10 [2, 13] [23, 84] [54, 95] [34, 57] mediterrâneo
11 [4.8, 21.2] [25.7, 113.5] [107.6, 110.8] [38.6, 68.9] mediterrâneo
12 [3.2, 9.2] [30.6, 56] [45.8, 55.3] [23.9, 44.1] mediterrâneo
13 [1.4, 7.6] [14, 86.1] [72.4, 94.1] [21.1, 39] mediterrâneo
14 [0.4, 7] [40.4, 89.7] [61.3, 112.3] [6.6, 40.9] mediterrâneo
15 [0, 0.6] [0.7, 50.4] [82.9, 111.6] [6.7, 87.5] mediterrâneo
16 [14.7, 33.3] [68.2, 110.5] [74.9, 89.6] [31.8, 65] mediterrâneo
17 [5.1, 13.3] [41.5, 98] [65.4, 80] [25.5, 59.5] mediterrâneo
18 [24.3, 41.6] [80.3, 162.1] [97.9, 121.4] [49.6, 85.7] mediterrâneo
19 [27, 39.2] [54.1, 64.6] [50.8, 63] [36.7, 52.1] mediterrâneo
20 [0, 0] [0.4, 79.3] [90.1, 126.9] [2.3, 60.6] mediterrâneo
21 [0, 0] [0.3, 60.8] [105.7, 133.2] [3.2, 92.7] mediterrâneo
22 [20.4, 29.6] [27.4, 54.4] [36.8, 54.9] [37.5, 44.4] mediterrâneo
23 [4.8, 21.6] [15.2, 73.1] [90.1, 120.9] [46.6, 65.6] mediterrâneo
24 [2.5, 11.9] [36.7, 100.8] [87.2, 102.7] [18.9, 63.6] mediterrâneo
25 [10.9, 33.8] [16.8, 31.4] [35.1, 45.7] [36.7, 51.1] mediterrâneo
26 [0.4, 1.8] [0.8, 57.3] [58.4, 71.8] [42.5, 86.9] mediterrâneo
27 [0.5, 7.6] [2.7, 53] [68.6, 71.1] [42.3, 69.4] mediterrâneo
28 [0.4, 2.1] [3.2, 42.2] [51.8, 86.6] [9.2, 22] mediterrâneo
29 [2, 7.1] [4.5, 45] [46.8, 54.5] [32, 72.3] mediterrâneo
30 [0.4, 4.3] [3.8, 28.2] [39.2, 43.9] [33.2, 70.5] mediterrâneo
31 [1.3, 11] [2.7, 47.9] [68.7, 84.8] [79.1, 138] mediterrâneo
32 [12, 35] [17, 44] [26, 31] [47, 76] mediterrâneo
33 [0.6, 1.8] [0.4, 65] [155.9, 205.1] [14.7, 165.8] mediterrâneo
34 [3.2, 18.1] [9.4, 28.4] [25.3, 26] [41.9, 53.6] mediterrâneo
35 [0.5, 1.8] [0, 32.8] [50.3, 60.9] [14.6, 56.9] mediterrâneo
36 [18.8, 40.8] [71.2, 147.1] [50.6, 87.9] [54.3, 76.8] mediterrâneo
37 [5.8, 10.6] [13.9, 58.3] [46.7, 69.1] [22.7, 40.7] mediterrâneo
38 [2.1, 14.2] [4.4, 40] [29.7, 33.2] [45.6, 62] mediterrâneo
39 [2.2, 9.6] [12.3, 131.9] [160.7, 263.3] [30, 96.8] mediterrâneo
40 [0.1, 0.3] [1.2, 54.3] [73.1, 86] [36.5, 82.5] mediterrâneo
41 [0.1, 0.5] [0.2, 84.1] [90.1, 116] [17.5, 122.6] mediterrâneo
42 [22.2, 33.4] [38.9, 68.5] [55, 57.5] [44.1, 79.4] mediterrâneo
43 [1.2, 5.9] [0.8, 27.8] [40.8, 44.5] [34.5, 52.1] mediterrâneo
44 [6, 10.1] [8.4, 26.3] [25, 30.7] [34.6, 42.4] mediterrâneo
45 [0.6, 1.5] [0.7, 31.6] [47.6, 54.7] [31.9, 53.4] mediterrâneo
46 [0.5, 3.2] [1.1, 45.7] [71.2, 88.3] [26.4, 65.3] mediterrâneo
47 [4.4, 31.3] [12.1, 35.4] [41, 49.1] [44.8, 57.7] mediterrâneo
48 [7.2, 22.5] [16.1, 135.6] [176, 275.4] [47.3, 125.5] mediterrâneo
49 [2.1, 7.9] [10.7, 92.1] [98.8, 150.8] [31.8, 76.7] mediterrâneo
50 [23.6, 25.3] [44.3, 84.7] [71.3, 106.7] [32.6, 63.2] mediterrâneo
51 [24.5, 46.2] [34.3, 71.2] [48.8, 70.8] [47.4, 49.8] mediterrâneo
52 [0.3, 0.5] [1.3, 54.3] [62.9, 70.3] [33.7, 88.9] mediterrâneo
53 [15.4, 38.3] [75.6, 143.9] [59.7, 87.6] [49.4, 69.2] mediterrâneo
184
54 [0.2, 0.7] [1.7, 52] [69, 98] [10, 49] mediterrâneo

55 [3.1, 14] [37.5, 98.4] [76.6, 110.8] [38.3, 64.1] mediterrâneo
56 [11.1, 13.7] [21.9, 128.1] [123.6, 182.9] [26.2, 80.4] mediterrâneo
57 [14.1, 18.9] [26.7, 110.9] [122.5, 148.7] [32.1, 88.1] mediterrâneo
58 [10.3, 13.3] [22.7, 117.4] [112.1, 171.5] [26.2, 75.2] mediterrâneo
59 [23.1, 27.2] [32.7, 97.8] [102.8, 122.7] [45.7, 85.8] mediterrâneo
60 [12.4, 28] [24.9, 59.9] [68.2, 79.3] [31.5, 60.6] mediterrâneo
61 [15, 17] [20, 69] [77, 93] [14, 40] mediterrâneo
62 [2.5, 11.9] [36.7, 100.8] [87.2, 102.7] [18.9, 63.6] mediterrâneo
63 [0.4, 5.8] [4.9, 74.4] [59, 77.6] [18.8, 50.7] mediterrâneo
64 [29, 45] [69, 141] [79, 105] [70, 89] mediterrâneo
65 [3.4, 6.9] [18.1, 56.1] [46.6, 65.2] [40, 64.3] mediterrâneo
66 [10.4, 22.6] [34.8, 40.2] [32.6, 51.3] [33, 44.5] mediterrâneo
67 [7.1, 19.5] [35.8, 57.7] [56, 80.8] [44.7, 58.8] mediterrâneo
68 [12.6, 25.4] [50.6, 85.4] [43.5, 53.6] [40.4, 57.9] mediterrâneo
69 [4.5, 8.5] [28.3, 89.6] [72.7, 91] [41.9, 58.4] mediterrâneo
70 [19.3, 38.1] [47.8, 148.1] [101.3, 150.1] [43.2, 89.9] mediterrâneo
71 [0, 0] [0, 43.9] [50.8, 77] [0, 68.3] mediterrâneo
72 [0.8, 2.8] [5.1, 72.6] [78.5, 110.5] [4.8, 77.7] mediterrâneo
73 [0.5, 2.5] [6.1, 36.8] [38.9, 45.7] [4.8, 45] mediterrâneo
74 [1.3, 3] [9.4, 69.1] [63.8, 94.7] [6.9, 65.3] mediterrâneo
75 [16, 37.6] [44.4, 135.6] [97.8, 155.7] [52.3, 90.4] mediterrâneo
76 [7.9, 17.3] [19.8, 74.4] [53.3, 73.7] [30.7, 47] mediterrâneo
77 [0.3, 3.8] [7.9, 44.7] [42.2, 63.8] [3.6, 50.3] mediterrâneo
78 [10.2, 70.6] [40.9, 51.6] [51.8, 61] [18.3, 64.8] mediterrâneo
79 [9.6, 13.2] [21.3, 118.2] [116.8, 173.6] [24.1, 75] mediterrâneo
80 [24.2, 29.4] [25.4, 72.9] [79.5, 81.7] [36.9, 72.7] mediterrâneo
81 [3.1, 10.4] [32.5, 65.5] [57, 66.8] [22.6, 47.2] mediterrâneo
82 [22, 34.9] [30.2, 69.5] [82.5, 88.3] [41.2, 71.6] mediterrâneo
83 [27.6, 50.8] [66.9, 111.9] [64.8, 105.1] [54.9, 63.5] mediterrâneo
84 [24.1, 59] [78.7, 141.9] [89.2, 125.3] [76.1, 97.7] mediterrâneo
85 [19.7, 24.1] [23, 61.6] [67.4, 74.8] [28, 56.2] mediterrâneo
86 [18.8, 27.8] [26.6, 73.3] [85.3, 103.9] [29.9, 59.3] mediterrâneo
87 [13.3, 19.1] [20, 57.4] [69, 78.9] [21.9, 49.7] mediterrâneo
88 [14.7, 16.1] [24.4, 127.3] [141.3, 181.7] [31.9, 99.4] mediterrâneo
89 [18.8, 24.3] [22.2, 55] [56.3, 66.2] [29.3, 60] mediterrâneo
90 [9.1, 12.9] [19, 56.7] [61.5, 83.9] [12, 36.6] mediterrâneo
91 [12.3, 16.7] [20.7, 64.5] [68.7, 89.2] [18, 47.1] mediterrâneo
92 [19.9, 30.4] [26.5, 60.3] [72.6, 75.5] [36.4, 65] mediterrâneo
93 [25.3, 37.4] [35.3, 72.6] [81.9, 98.9] [46.6, 72.7] mediterrâneo
94 [25.7, 34.1] [31.5, 88.7] [99.3, 105.4] [39.8, 86] mediterrâneo
95 [9.1, 15.3] [15.3, 103.8] [119.5, 169.3] [25.4, 71.4] mediterrâneo
96 [13.2, 20] [28.8, 161.5] [163.5, 232.7] [42.1, 104.3] mediterrâneo
97 [9.7, 14.6] [19.7, 61.3] [63.2, 90.8] [12.8, 38.5] mediterrâneo
98 [18.9, 25.1] [16.1, 61.2] [51.7, 56.7] [31.4, 47.7] mediterrâneo
99 [18.1, 28.1] [30, 76.1] [81.3, 97.8] [35.1, 58.2] mediterrâneo
100 [13.3, 16.4] [22.7, 61.1] [63.5, 77.4] [21.6, 46.8] mediterrâneo
101 [18.4, 25.8] [21.5, 53.8] [52.8, 58.4] [31.8, 52.2] mediterrâneo
102 [5.7, 11.8] [17.1, 72.6] [65.1, 104.9] [9.8, 32.4] mediterrâneo
103 [14.9, 19.2] [18.5, 58.4] [64.9, 77.3] [22.9, 47.3] mediterrâneo
104 [17.5, 23.3] [20.9, 61.4] [61.9, 68.3] [27.8, 51.8] mediterrâneo
105 [9.6, 13.3] [19.4, 126.2] [126.6, 189.7] [22.8, 84.7] mediterrâneo
106 [19.5, 24.3] [31, 134.7] [148.8, 180] [46.6, 109.2] mediterrâneo
107 [59.8, 73.8] [64.2, 67.4] [42.9, 76.7] [46.3, 65.6] oceânico
108 [58.1, 73.9] [60.4, 66] [50.7, 70.2] [46, 63.8] oceânico
109 [56.6, 73] [69.8, 78.1] [44.9, 75] [44.1, 61.3] oceânico
110 [53.2, 60] [86.6, 91.9] [39.6, 71] [34.9, 53.8] oceânico
111 [68.4, 82.2] [70, 83.2] [61.7, 79.6] [61.2, 81.2] oceânico
112 [61.4, 67.5] [82.1, 89] [43.4, 74.9] [41, 58.9] oceânico
113 [57, 82] [82, 95] [72, 100] [56, 72] oceânico
114 [64, 91] [102, 118] [76, 114] [58, 86] oceânico
115 [50, 69] [73, 84] [66, 88] [51, 63] oceânico
116 [58.2, 71.7] [72, 81.2] [47.5, 76.8] [44.5, 65.4] oceânico
117 [57.4, 65.5] [69.9, 79.8] [41, 66.9] [41, 52.6] oceânico
118 [53, 65] [37, 44] [28, 45] [35, 48] oceânico
119 [75, 118] [141, 164] [80, 121] [59, 87] oceânico
120 [55.8, 66.7] [42, 54.9] [17.9, 33.7] [22.4, 48.9] oceânico
121 [76.2, 94] [40.3, 59.9] [29.7, 37.9] [35.1, 73.7] oceânico
122 [55.4, 76] [32.8, 43.6] [22.9, 38.9] [31.3, 47.1] oceânico
123 [68, 93] [37, 65] [25, 39] [30, 74] oceânico
124 [59, 73.2] [36.6, 49] [22, 34.6] [28.1, 50.7] oceânico
125 [56, 76] [28, 48] [36, 40] [33, 56] oceânico
126 [49, 72] [26, 38] [33, 38] [28, 52] oceânico
127 [51, 90] [40, 54] [44, 58] [50, 71] oceânico
128 [53.3, 84.7] [38.2, 48.2] [38.7, 47.6] [44.4, 73.8] oceânico
129 [58, 115] [107, 132] [65, 124] [52, 104] oceânico
185
130 [132, 190] [259, 283] [152, 235] [106, 170] oceânico
131 [50, 70] [65, 70] [50, 76] [51, 55] oceânico
132 [199.8, 229.1] [114.6, 145.2] [111.8, 134.5] [121, 139.9] oceânico
133 [66, 89] [96, 125] [116, 138] [68, 99] oceânico
134 [52.9, 64.9] [50, 54.6] [37.1, 55.7] [42.8, 60.2] oceânico
135 [84, 109] [70.8, 75.9] [53.1, 73.6] [58.3, 102.8] oceânico
136 [73, 76.9] [63.6, 69.4] [42.4, 77.7] [45.6, 62.9] oceânico
137 [58.7, 71.2] [48.8, 54] [36.1, 62.2] [43.6, 52.7] oceânico
138 [56.6, 76] [51.8, 59.3] [40, 67] [44.8, 64.3] oceânico
139 [70.5, 87.8] [56.8, 74.2] [50.3, 76.6] [42.4, 61.6] oceânico
140 [65.3, 87.6] [61.7, 69.3] [46.6, 70.7] [50.5, 72.4] oceânico
141 [55.1, 58.6] [35.8, 44.5] [26.7, 38.9] [36.5, 42.4] oceânico
142 [47.7, 61.4] [31.9, 37.6] [26.8, 42.5] [34.5, 45.4] oceânico
143 [110.5, 131.6] [65.4, 86.3] [45.2, 60.8] [57.7, 93.4] oceânico
144 [60.3, 75.2] [44.5, 51.4] [34.1, 52.1] [41.3, 59.3] oceânico
145 [64, 91] [102, 118] [76, 114] [58, 86] oceânico
146 [43.3, 69.7] [34.1, 56.8] [40.3, 53.6] [45.3, 66.7] oceânico
147 [57.3, 65.8] [44.2, 56.3] [29.7, 50.5] [35.8, 47.9] oceânico
148 [59.7, 78] [66.1, 84.4] [59, 93.3] [56.8, 74.1] oceânico
149 [63.9, 92.5] [49.7, 53.9] [33.5, 48.6] [39.3, 82.4] oceânico
150 [59.6, 72.3] [62.2, 70.7] [52, 76.8] [52, 67] oceânico
151 [51, 63] [33, 52] [31, 40] [29, 55] oceânico
152 [61, 80] [31, 45] [30, 44] [34, 59] oceânico
153 [53, 65] [35, 53] [32, 38] [28, 55] oceânico
154 [61, 84] [37, 56] [32, 44] [38, 63] oceânico
155 [50, 72] [26, 41] [25, 40] [29, 51] oceânico
156 [50, 61.8] [66.5, 85.6] [71.8, 78.7] [43.8, 81.8] oceânico
157 [67, 94] [108, 133] [80, 124] [58, 96] oceânico
158 [64.7, 81.4] [48.5, 52.1] [34.1, 50] [38.6, 57] oceânico
159 [55.3, 82.5] [34.8, 45.9] [34.8, 44.2] [40.7, 56.9] oceânico
160 [117, 133] [69, 92] [67, 73] [69, 103] oceânico
161 [58, 77] [32, 49] [36, 43] [38, 70] oceânico
162 [37, 48.6] [70.3, 107.9] [73.6, 110.5] [52, 70.8] oceânico
163 [37.6, 46.2] [66.8, 97.9] [76.5, 107.3] [49.6, 66.7] oceânico
164 [117.22, 138.76] [10.9, 97.17] [5.6, 10.41] [27.92, 83.06] oceânico
165 [99.55, 142.66] [17.87, 99.71] [7.96, 12.03] [23.14, 49.44] oceânico
166 [173.2, 205.9] [40.1, 121.6] [11.7, 13.5] [16.2, 91.9] oceânico
167 [565.8, 630.9] [39, 453.4] [21.2, 76.7] [124.6, 528.7] oceânico
168 [97.9, 152.3] [188.4, 257.2] [36.2, 140.3] [58.4, 150.2] oceânico
169 [155.4, 301.8] [8.5, 207.2] [22.3, 58.6] [36.5, 59] oceânico
170 [316.8, 468.2] [38.6, 294.1] [9.2, 22.7] [52.8, 273.1] oceânico
171 [161.1, 419] [12, 206.5] [23.2, 65.3] [46.1, 62.8] oceânico
172 [5.4, 19.4] [9.9, 37.1] [21.8, 25.1] [37.4, 45.1] oceânico
173 [130.3, 339.9] [32.5, 146.5] [70.3, 145] [91.9, 176.8] oceânico
174 [161, 171.9] [178.8, 226.8] [77.7, 196] [71.5, 175.9] oceânico
175 [21.7, 32] [29.2, 134] [115.6, 140.7] [24.8, 57.8] oceânico
176 [30.7, 41] [47.8, 54.5] [46.2, 60.7] [34.6, 39.5] oceânico
177 [142.1, 165] [90, 126.6] [74.5, 98.1] [115.4, 134.2] oceânico
178 [90.1, 103.1] [98.9, 234.1] [208.5, 228.7] [111.9, 145.9] oceânico
179 [27.8, 38.9] [29.6, 41.6] [28.2, 30.2] [24.2, 31.7] oceânico
180 [72.6, 96.4] [34.6, 110.3] [6.3, 11.3] [32.8, 81.9] oceânico
181 [122.7, 145.3] [8.7, 107] [1.5, 8.6] [21.8, 71.9] oceânico
182 [66.6, 84.8] [79.3, 91.4] [80.3, 93.9] [85, 93.1] oceânico
183 [119.4, 163.8] [194.5, 283.5] [39.8, 78.8] [62.9, 236.1] oceânico
184 [78.8, 92.8] [75.1, 81.1] [58.1, 93.1] [61, 78.2] oceânico
185 [54.8, 67.7] [80.3, 97.5] [60, 93.8] [50.3, 65.6] oceânico
186 [52, 74] [74, 99] [56, 94] [49, 65] oceânico
187 [63, 84] [116, 138] [85, 128] [61, 105] oceânico
188 [49, 62] [68, 95] [83, 101] [50, 74] oceânico
189 [52, 61] [37, 50] [37, 48] [36, 54] oceânico
190 [53, 59] [39, 51] [27, 39] [28, 57] oceânico
191 [70, 86] [42, 53] [24, 33] [26, 70] oceânico
192 [50, 77] [44, 50] [24, 33] [29, 71] oceânico
193 [83, 96] [49, 71] [34, 54] [40, 79] oceânico
194 [117, 154] [131, 147] [71, 103] [87, 113] oceânico
195 [30, 42] [68, 114] [102, 135] [79, 85] oceânico
196 [62, 82] [74, 141] [97, 126] [90, 124] oceânico
197 [59, 75] [80, 83] [40, 72] [41, 49] oceânico
198 [52, 61] [57, 61] [30, 58] [38, 41] oceânico
199 [45, 72] [50, 55] [27, 46] [26, 30] oceânico
200 [44, 60.3] [42.1, 68.2] [36.1, 55.5] [38.8, 68.2] oceânico
201 [58, 77] [66, 79] [69, 75] [56, 68] oceânico
202 [30, 33.5] [47.9, 90.5] [53.7, 71.3] [55.9, 56.7] oceânico
203 [57, 83] [82, 94] [60, 87] [57, 70] oceânico
204 [47, 67] [53, 59] [48, 66] [48, 55] oceânico
205 [67, 85] [94, 111] [82, 116] [62, 86] oceânico
186
206 [51, 65] [63, 67] [42, 58] [41, 51] oceânico
207 [45, 54] [57, 73] [71, 93] [50, 61] oceânico
208 [51, 65] [55, 57] [45, 61] [48, 54] oceânico
209 [48, 54] [53, 57] [36, 57] [47, 51] oceânico
210 [65, 79] [74, 78] [50, 78] [51, 61] oceânico
211 [52, 71] [54, 65] [42, 63] [47, 53] oceânico
212 [50, 56] [50, 66] [39, 58] [44, 47] oceânico
213 [133, 171] [120, 153] [63, 76] [106, 194] oceânico
214 [52.8, 62.5] [36.8, 40.5] [23.8, 31.5] [35.5, 54.8] oceânico
215 [56, 83] [80, 90] [31, 68] [36, 39] oceânico
216 [61.2, 73.4] [55.4, 60.1] [35.6, 61.6] [40.8, 54.2] oceânico
217 [78.4, 88] [72, 98.5] [52.3, 82.7] [53.1, 69.9] oceânico
218 [32.2, 33.1] [36, 54.8] [56.4, 61] [37.4, 54.2] oceânico
219 [71.8, 88] [77.4, 98.2] [47.3, 84.2] [59.2, 94] oceânico
220 [52.5, 61.5] [47.8, 52.6] [39.6, 47.4] [52.8, 65.3] oceânico
221 [35.1, 45.3] [43.8, 71.2] [75.7, 88.4] [57.6, 77] oceânico
222 [47.7, 60.3] [35.5, 53.3] [29.2, 35.7] [38.4, 54.8] oceânico
223 [40, 52.8] [49.5, 80.3] [80.2, 99.8] [58, 75.3] oceânico
224 [32.2, 43.1] [41.8, 49.4] [46.5, 50.1] [47.2, 54.5] oceânico
225 [54.4, 63.9] [50.9, 57.5] [45.2, 59.2] [51.4, 68.4] oceânico
226 [31.6, 44.8] [43, 68.8] [72.2, 76.6] [51.5, 72.5] oceânico
227 [40.5, 57.4] [45.5, 52.2] [52.6, 54.3] [51.5, 63] oceânico
228 [23, 27.4] [24.1, 47.2] [47.3, 50.2] [33.7, 46.7] oceânico
229 [124, 172.3] [104.2, 168.7] [82.4, 118.5] [73.4, 103.8] oceânico
230 [49.3, 70.8] [60, 87.6] [78.5, 90.4] [81.3, 88.9] oceânico
231 [40.1, 51] [38.8, 62.9] [60.7, 78] [50.9, 63.3] oceânico
232 [43.3, 49.4] [35.1, 55.3] [37.2, 50.7] [48.4, 62] oceânico
233 [73.5, 117.1] [71.3, 97.1] [48.5, 76.2] [61, 80.2] oceânico
234 [47.2, 59.3] [51.3, 58.3] [48, 50.5] [59.1, 67.6] oceânico
235 [76.6, 78.6] [65, 91] [41.2, 69.2] [56.3, 87.6] oceânico
236 [42.8, 54.6] [50.4, 70.4] [68.3, 71.2] [59.5, 72.4] oceânico
237 [42.5, 73.5] [59.5, 102.1] [91.6, 125.2] [85.1, 101.7] oceânico
238 [54.1, 94.7] [80.4, 135.3] [95.6, 120.6] [106.8, 119] oceânico
239 [103.8, 155.2] [118.2, 271.5] [252.5, 339.7] [196.5, 284.7] oceânico
240 [55.3, 69.3] [43.1, 50.7] [43.9, 50.1] [46.4, 58] oceânico
241 [38.7, 51.3] [43.9, 67] [63.9, 75.5] [55.9, 73.4] oceânico
242 [50.2, 67.7] [50.2, 67] [48.9, 58.4] [56.8, 70.2] oceânico
243 [87.1, 104.5] [44.4, 65] [48.4, 56.9] [51.6, 80.4] oceânico
244 [114.3, 155.4] [244, 379.2] [203.9, 302] [139.5, 191.6] oceânico
245 [39.1, 54.8] [53.5, 181] [123.1, 175.7] [67.9, 114.3] oceânico
246 [19.5, 32] [30.4, 147.2] [107.8, 151.2] [36.5, 78] oceânico
247 [43, 54] [72, 107] [29, 53] [66, 101] oceânico
248 [64, 91] [138, 190] [92, 125] [134, 167] oceânico
249 [49, 82] [124, 331] [181, 251] [122, 203] oceânico
250 [16, 31] [55, 84] [42, 58] [54, 85] oceânico
251 [126.3, 202.1] [112.3, 250.9] [19.7, 58.1] [14.8, 186.8] oceânico
252 [180.1, 249.5] [42.6, 235.2] [3.2, 7.4] [6.9, 117.2] oceânico
253 [134.8, 175.1] [12.1, 144.8] [4.3, 11] [10.1, 56] oceânico
254 [138.3, 184.4] [11, 132.2] [5.6, 16.2] [9.1, 42.9] oceânico
255 [73.7, 125.7] [92.5, 130.4] [55.7, 110.9] [68, 113.3] oceânico
256 [155.7, 197] [12.3, 192.1] [4.6, 9.4] [11.5, 87.9] oceânico
257 [13, 36.3] [42.4, 211.3] [143.3, 218.7] [54.9, 140.2] oceânico
258 [80, 135.1] [124.7, 199.1] [95.3, 115.3] [70.4, 86.9] oceânico
259 [14.2, 34] [39.4, 159.5] [114.3, 172.7] [47.8, 105.9] oceânico
260 [123.5, 278] [8.3, 174.1] [10.2, 36] [68.2, 88.8] oceânico
261 [36, 44] [66, 154] [94, 175] [49, 82] oceânico
262 [56.5, 101] [92.8, 219.4] [17.5, 35] [28.3, 154.2] oceânico
263 [256.9, 304.1] [20.1, 183.1] [7.2, 15] [9.5, 170.8] oceânico
264 [227.8, 820.8] [27.3, 137.6] [11.4, 24.6] [18, 124.9] oceânico
265 [179.5, 203.3] [58.8, 224.1] [11.8, 30.1] [10.4, 95.7] oceânico
266 [90, 125] [13, 91] [4, 9] [27, 117] oceânico
267 [149.1, 193.4] [10.1, 90.3] [3, 5.4] [6.8, 113.1] oceânico
268 [128, 144.6] [11.6, 98.8] [7.1, 14.8] [12.7, 64.7] oceânico
269 [70.6, 92] [53.2, 69.8] [64.9, 97.5] [71.8, 89.1] oceânico
270 [67, 76] [74, 88] [31, 44] [40, 94] oceânico
271 [40.2, 56.2] [48.4, 55.8] [41.9, 47.6] [54.2, 62.7] oceânico
272 [59.2, 66.7] [78.1, 83.9] [44.5, 73.2] [45.5, 56.2] oceânico
273 [72.9, 100.4] [88.1, 105.7] [76, 108.8] [76.8, 95.3] oceânico
274 [63.9, 78.1] [78.2, 95.1] [78.9, 118.8] [61.9, 86.7] oceânico
275 [93, 111] [74, 91] [63, 86] [79, 98] oceânico
276 [71, 91] [70, 94] [67, 85] [70, 82] oceânico
277 [84, 111] [56, 71] [55, 72] [61, 92] oceânico
278 [51, 75] [35, 48] [28, 40] [38, 73] oceânico
279 [57.6, 81.8] [54.3, 61.3] [41.8, 54.7] [45.3, 69.2] oceânico
280 [81, 99.3] [71.6, 84.8] [41.9, 63.8] [51.6, 78.8] oceânico
281 [56.3, 72.2] [30.7, 37.6] [23.8, 27.1] [24.4, 61] oceânico
187
282 [91.1, 104.4] [42.3, 58.8] [26.7, 34.3] [34, 91.2] oceânico
283 [62.7, 84.9] [66, 76.2] [57.1, 79.7] [50.5, 73.3] oceânico
284 [66.2, 72.7] [30.5, 40] [22.6, 25.3] [28.1, 77.2] oceânico
285 [61, 83] [127, 155] [95, 142] [70, 132] oceânico
286 [54.5, 63.8] [90.3, 106.8] [82.6, 106.7] [70, 83.8] oceânico
287 [50.9, 60.4] [89.2, 121] [115.8, 141.6] [72.6, 97.5] oceânico
288 [53.6, 67.2] [38.1, 64.3] [26.8, 33.3] [26.4, 85.3] oceânico
289 [52.8, 68.1] [63.6, 71.5] [43.6, 68.1] [50.4, 62.5] oceânico
290 [62, 80.2] [75.1, 94.7] [50.5, 55.5] [54.8, 87.8] oceânico
291 [40.8, 46.6] [68.2, 84.8] [74.9, 92.7] [58, 62.8] oceânico
292 [57.9, 76.7] [49.8, 62.1] [30, 44.5] [36.1, 78.2] oceânico
293 [45.4, 64.4] [50.7, 52.3] [51.3, 52.2] [53.8, 77.2] oceânico
294 [55.5, 68.7] [37.3, 45.1] [33.3, 55.3] [37.1, 53.8] oceânico
295 [57.5, 78.5] [67.9, 74] [59.3, 85.6] [71.8, 78.4] oceânico
296 [45, 57] [47, 53] [24, 47] [34, 40] oceânico
297 [63.7, 77.6] [63, 79.4] [53, 79] [53.8, 72.9] oceânico
298 [43, 63.1] [51.9, 59.7] [43.7, 58.7] [48.5, 65] oceânico
299 [90, 114.4] [109.3, 115.8] [137.6, 143.9] [102.5, 114.6] oceânico
300 [48.4, 74.1] [76.1, 99.3] [106, 113.4] [73.8, 81.6] oceânico
301 [33.8, 38.2] [41.2, 56.9] [61, 66.4] [46, 57.6] oceânico
302 [71.2, 84.6] [86.4, 134.3] [144.1, 162.1] [93.4, 125.2] oceânico
303 [42.2, 61.6] [47.5, 51.4] [44, 58.1] [40.7, 53.7] oceânico
304 [51.5, 67.1] [42.7, 50.5] [50.7, 56.8] [60, 78.6] oceânico
305 [41, 49.2] [38.7, 46.6] [36.1, 40.4] [49.7, 60] oceânico
306 [32.9, 44.4] [47.6, 77.5] [76.9, 88.3] [54.8, 73.7] oceânico
307 [54.2, 66.2] [50.5, 70.9] [50.6, 59.9] [65.3, 72.2] oceânico
308 [95.2, 156.4] [110.8, 176] [62, 114.6] [67.8, 116.6] oceânico
309 [45.3, 60.4] [62.5, 98.4] [96.4, 102.3] [69.9, 89.5] oceânico
310 [48.7, 60.4] [51.7, 70.8] [60.8, 72.7] [68.2, 77.7] oceânico
311 [54.6, 67.1] [62.9, 66.7] [67.3, 76.2] [60, 68.2] oceânico
312 [41.7, 46.4] [53.3, 57.6] [50.5, 68.3] [41, 49.9] oceânico
313 [58.3, 77.9] [74.8, 89.5] [64.8, 81.8] [68.6, 95.3] oceânico
314 [74.3, 91.4] [86.4, 100.4] [111.4, 125.6] [80.2, 92.9] oceânico
315 [56.4, 84.9] [67.2, 85] [70.5, 89.2] [72.2, 84.6] oceânico
316 [89.9, 101.8] [109.1, 134.5] [129, 146.6] [111.9, 131] oceânico
317 [54.2, 75.6] [76.7, 83.6] [83.7, 90.9] [69.8, 93.2] oceânico
318 [43.5, 70] [59.7, 95.5] [67.1, 87.6] [69.5, 80.7] oceânico
319 [73.8, 87.8] [71.4, 89.2] [90.1, 100.1] [70.6, 90.3] oceânico
320 [47.7, 61.7] [62.5, 84.7] [67.4, 91.5] [54.6, 64.5] oceânico
321 [68.5, 82] [44.5, 53.5] [34.9, 56.9] [43.1, 60] oceânico
322 [88.4, 93.9] [76.5, 114.2] [147.9, 166.6] [96, 125.4] oceânico
323 [172, 277.8] [217.4, 248.7] [223.8, 232.5] [240, 285.6] oceânico
324 [62.2, 98.5] [90.8, 105.3] [116.3, 137.3] [95.7, 107.3] oceânico
188
C
Conjunto Colesterol-idade
índice taxa de colesterol idade

1 [114, 192] [20, 30]
2 [103, 189] [30, 40]
3 [120, 191] [40, 50]
4 [136, 223] [50, 60]
5 [149, 234] [60, 70]
6 [142, 229] [70, 80]
7 [140, 254] [80, 90]
189
D
Conjunto Cogumelos
largura comprimento espessura

índice
do píleo da estipe da estipe
1 [3.0, 8.0] [4.0, 9.0] [0.5, 2.5]
2 [6.0, 21.0] [4.0, 14.0] [1.0, 3.5]
3 [4.0, 8.0] [5.0, 11.0] [1.0, 2.0]
4 [6.0, 7.0] [4.0, 7.0] [3.0, 4.5]
5 [5.0, 12.0] [2.0, 5.0] [1.5, 2.5]
6 [5.0, 15.0] [4.0, 10.0] [2.0, 4.0]
7 [4.0, 11.0] [3.0, 7.0] [0.4, 1.0]
8 [5.0, 10.0] [3.0, 6.0] [1.0, 2.0]
9 [2.5, 4.0] [3.0, 5.0] [0.4, 0.7]
10 [2.5, 6.0] [1.5, 3.5] [1.0, 1.5]
11 [1.5, 2.5] [3.0, 6.0] [0.25, 0.35]
12 [4.0, 15.0] [4.0, 15.0] [1.5, 2.5]
13 [3.5, 8.0] [4.0, 10.0] [1.0, 2.0]
14 [7.0, 14.0] [8.0, 14.0] [1.5, 2.5]
15 [8.0, 20.0] [9.0, 19.0] [3.0, 5.0]
16 [2.5, 4.0] [2.5, 4.5] [0.4, 0.7]
17 [7.0, 19.0] [8.0, 15.0] [2.0, 3.5]
18 [5.0, 15.0] [6.0, 15.0] [2.5, 3.5]
19 [8.0, 12.0] [6.0, 12.0] [1.5, 2.0]
20 [2.0, 6.0] [3.0, 7.0] [0.4, 0.8]
21 [6.0, 12.0] [6.0, 12.0] [1.5, 2.0]
22 [6.0, 12.0] [6.0, 16.0] [1.0, 2.0]
23 [5.0, 17.0] [4.0, 14.0] [1.0, 3.5]
190
E
Conjunto Carros
índice preço cilindrada do motor velocidade máxima

1 [27806, 33596] [1370, 1910] [185, 211]
2 [41593, 62291] [1598, 2492] [200, 227]
3 [64499, 88760] [1970, 2959] [204, 211]
4 [260500, 460000] [5935, 5935] [298, 306]
5 [40230, 68838] [1595, 1781] [189, 238]
6 [68216, 140205] [1781, 4172] [216, 250]
7 [123849, 171417] [2771, 4172] [232, 250]
8 [45407, 76392] [1796, 2979] [201, 247]
9 [70292, 198792] [2171, 4398] [226, 250]
10 [104892, 276792] [2793, 5397] [228, 240]
11 [240292, 391692] [3586, 5474] [295, 298]
12 [19229, 30885] [1242, 1910] [155, 170]
13 [19242, 24742] [1242, 1753] [155, 170]
14 [27492, 34092] [1596, 1753] [185, 193]
15 [205242, 215242] [2977, 3179] [260, 270]
16 [413000, 423000] [5992, 5992] [335, 335]
17 [19837, 29034] [1242, 1242] [158, 174]
18 [58806, 81306] [1998, 2959] [212, 220]
19 [155000, 159500] [3217, 3217] [280, 290]
20 [132800, 262500] [2799, 5987] [232, 250]
21 [55902, 115248] [1998, 3199] [210, 250]
22 [69243, 389405] [1998, 5439] [222, 250]
23 [128202, 394342] [3199, 5786] [210, 240]
24 [18492, 24192] [998, 1348] [150, 164]
25 [19212, 30612] [973, 1796] [155, 202]
26 [36492, 49092] [1598, 2171] [193, 207]
27 [147704, 246412] [3387, 3600] [280, 305]
28 [16992, 23492] [1149, 1149] [151, 168]
29 [21492, 33042] [1119, 1994] [160, 185]
30 [50490, 65399] [1796, 2497] [195, 210]
31 [19519, 32686] [1397, 1896] [157, 183]
32 [27419, 48679] [1585, 1896] [190, 191]
33 [39676, 63455] [1595, 2496] [192, 220]
191
F
Conjunto Basquete
índice idade (em anos) pontos por minuto auxílios por minuto tempo jogado
Menor ou
1 [0.2683, 0.5437] [0.0528, 0.2244] [11.81, 36.55]
igual a 23
2 24 [0.2381, 0.5668] [0.1010, 0.2282] [10.08, 33.88]
3 25 [0.3004, 0.5059] [0.0805, 0.2495] [12.63, 35.22]
4 26 [0.2719, 0.5769] [0.0747, 0.2383] [17.41, 38.80]
5 27 [0.2578, 0.5523] [0.0728, 0.2681] [17.46, 39.53]
6 28 [0.2894, 0.5885] [0.0888, 0.2771] [18.49, 38.40]
7 29 [0.4007, 0.6244] [0.1227, 0.2521] [27.87, 38.43]
8 30 [0.3498, 0.8291] [0.0896, 0.2130] [12.24, 40.71]
9 31 [0.2185, 0.5835] [0.0550, 0.3437] [12.12, 34.91]
10 32 [0.1593, 0.6318] [0.0494, 0.2327] [13.37, 36.52]
11 33 [0.2406, 0.4035] [0.1317, 0.1528] [16.36, 17.46]
12 34 [0.3890, 0.6318] [0.0898, 0.1236] [13.37, 28.81]
Maior ou
13 [0.2471, 0.2989] [0.1668, 0.2127] [14.38, 14.57]
igual a 35
192
G
Conjunto Morcegos
tamanho tamanho tamanho

índice peso
da cabeça do rabo do antebraço
1 [3, 8] [33, 52] [26, 33] [27, 32]
2 [4, 10] [35, 43] [24, 30] [34, 41]
3 [4, 7] [38, 50] [30, 40] [32, 37]
4 [7, 8] [43, 48] [34, 39] [31, 38]
5 [6, 9] [44, 48] [34, 44] [31, 36]
6 [7, 11] [41, 51] [30, 39] [33, 41]
7 [5, 10] [42, 50] [32, 43] [36, 42]
8 [1, 10] [40, 45] [39, 44] [36, 42]
9 [8, 12] [45, 53] [35, 38] [39, 44]
10 [5, 10] [41, 51] [34, 50] [34, 50]
11 [7, 12] [46, 53] [34, 44] [39, 44]
12 [8, 13] [48, 54] [38, 47] [37, 42]
13 [6, 9] [44, 58] [41, 54] [35, 41]
14 [6, 10] [47, 53] [43, 53] [37, 41]
15 [12, 14] [50, 63] [40, 45] [40, 47]
16 [13, 34] [50, 69] [30, 43] [51, 61]
17 [8, 16] [52, 60] [50, 60] [42, 48]
18 [17, 35] [62, 80] [46, 57] [48, 56]
19 [15, 40] [69, 82] [41, 59] [45, 55]
20 [18, 45] [65, 80] [48, 60] [55, 68]
21 [20, 50] [82, 87] [46, 57] [58, 63]
193
H
Conjunto Futebol
índice peso altura idade

1 [58, 85] [164, 192] [21, 35]
2 [67, 84] [171, 190] [20, 30]
3 [65, 88] [170, 186] [18, 36]
4 [60, 83] [162, 188] [19, 31]
5 [60, 84] [170, 189] [18, 34]
6 [67, 83] [173, 190] [18, 36]
7 [69, 90] [176, 193] [19, 34]
8 [65, 85] [170, 193] [19, 31]
9 [63, 84] [168, 188] [18, 34]
10 [58, 88] [167, 197] [19, 35]
11 [62, 86] [164, 191] [18, 34]
12 [62, 80] [168, 189] [19, 35]
13 [63, 85] [167, 190] [18, 31]
14 [65, 95] [168, 196] [20, 35]
15 [63, 83] [170, 187] [18, 35]
16 [60, 87] [170, 197] [18, 37]
17 [67, 85] [168, 190] [18, 32]
18 [62, 83] [169, 192] [18, 35]
19 [63, 84] [172, 192] [18, 33]
20 [63, 85] [169, 194] [20, 34]
194
I
Conjunto Cardiologia
taxa pressão arterial pressão arterial

índice
de pulso sistólica diastólica
1 [58, 90] [118, 173] [63, 102]
2 [47, 68] [104, 161] [71, 118]
3 [32, 114] [131, 186] [58, 113]
4 [61, 110] [105, 157] [62, 118]
5 [62, 89] [120, 179] [59, 94]
6 [63, 119] [101, 194] [48, 116]
7 [51, 95] [109, 174] [60, 119]
8 [49, 78] [128, 210] [76, 125]
9 [43, 67] [94, 145] [47, 104]
10 [55, 102] [148, 201] [88, 130]
11 [64, 107] [111, 192] [52, 96]
12 [54, 84] [116, 201] [74, 133]
13 [47, 95] [102, 167] [39, 84]
14 [56, 90] [104, 161] [55, 98]
15 [44, 108] [106, 167] [45, 95]
16 [63, 109] [112, 162] [62, 116]
17 [62, 95] [136, 201] [67, 122]
18 [48, 107] [90, 177] [52, 104]
19 [26, 109] [116, 168] [58, 109]
20 [61, 108] [98, 157] [50, 111]
21 [54, 78] [98, 160] [47, 108]
22 [53, 103] [97, 154] [60, 107]
23 [47, 86] [87, 150] [47, 86]
24 [70, 132] [141, 256] [77, 158]
25 [63, 115] [108, 147] [62, 107]
26 [47, 83] [115, 196] [65, 117]
27 [56, 103] [99, 172] [42, 86]
28 [71, 121] [113, 176] [57, 95]
29 [68, 91] [114, 186] [46, 103]
30 [62, 100] [145, 210] [100, 136]
31 [52, 78] [119, 212] [47, 93]
32 [55, 84] [122, 178] [73, 105]
33 [61, 101] [127, 189] [74, 125]
34 [65, 92] [113, 213] [52, 112]
35 [38, 66] [141, 205] [69, 133]
36 [48, 73] [99, 169] [53, 109]
37 [59, 98] [126, 191] [60, 98]
38 [59, 87] [99, 201] [55, 121]
39 [49, 82] [88, 221] [37, 94]
40 [48, 77] [113, 183] [55, 85]
41 [56, 133] [94, 176] [56, 121]
42 [37, 75] [102, 156] [50, 94]
43 [61, 94] [103, 159] [52, 95]
44 [44, 110] [102, 185] [63, 118]
45 [46, 83] [111, 199] [57, 113]
46 [52, 98] [130, 180] [64, 121]
47 [56, 84] [103, 161] [55, 97]
48 [54, 92] [125, 192] [59, 101]
49 [53, 120] [97, 182] [54, 104]
50 [49, 88] [124, 226] [57, 101]
51 [75, 124] [120, 180] [59, 90]
52 [58, 99] [100, 161] [54, 104]
53 [59, 78] [159, 214] [99, 127]
195
54 [55, 89] [138, 221] [70, 118]

55 [55, 80] [87, 152] [50, 95]
56 [70, 105] [120, 188] [53, 105]
57 [40, 80] [95, 166] [54, 100]
58 [56, 97] [92, 173] [45, 107]
59 [37, 86] [83, 140] [45, 91]
196
J
Conjunto Íris
comprimento largura comprimento largura

índice
da sépala da sépala da pétala da pétala
1 [4.6, 5.1] [3.0, 3.6] [1.3, 1.5] [0.2, 0.2]
2 [4.4, 5.4] [2.9, 3.9] [1.4, 1.7] [0.1, 0.4]
3 [4.3, 5.8] [3.0, 4.0] [1.1, 1.6] [0.1, 0.2]
4 [5.1, 5.7] [3.5, 4.4] [1.3, 1.7] [0.3, 0.4]
5 [4.6, 5.4] [3.3, 3.7] [1.0, 1.9] [0.2, 0.5]
6 [4.7, 5.2] [3.0, 3.5] [1.4, 1.6] [0.2, 0.4]
7 [4.8, 5.5] [3.1, 4.2] [1.4, 1.6] [0.1, 0.4]
8 [4.4, 5.5] [3.0, 3.5] [1.3, 1.5] [0.1, 0.2]
9 [4.4, 5.1] [2.3, 3.8] [1.3, 1.9] [0.2, 0.6]
10 [4.6, 5.3] [3.0, 3.8] [1.4, 1.6] [0.2, 0.3]
11 [5.5, 7.0] [2.3, 3.2] [4.0, 4.9] [1.3, 1.5]
12 [4.9, 6.6] [2.4, 3.3] [3.3, 4.7] [1.0, 1.6]
13 [5.0, 6.1] [2.0, 3.0] [3.5, 4.7] [1.0, 1.5]
14 [5.6, 6.7] [2.2, 3.1] [3.9, 4.5] [1.0, 1.5]
15 [5.9, 6.4] [2.5, 3.2] [4.0, 4.9] [1.2, 1.8]
16 [5.7, 6.8] [2.6, 3.0] [3.5, 5.0] [1.0, 1.7]
17 [5.4, 6.0] [2.4, 3.0] [3.7, 5.1] [1.0, 1.6]
18 [5.5, 6.7] [2.3, 3.4] [4.0, 4.7] [1.3, 1.6]
19 [4.0, 6.1] [2.3, 3.0] [3.3, 4.6] [1.0, 1.4]
20 [4.1, 6.2] [2.5, 3.0] [3.0, 4.3] [1.1, 1.3]
21 [5.8, 7.1] [2.7, 3.3] [5.1, 6.0] [1.8, 2.5]
22 [4.9, 7.6] [2.5, 3.6] [4.5, 6.6] [1.7, 2.5]
23 [5.7, 6.8] [2.5, 3.2] [5.0, 5.5] [1.9, 2.4]
24 [6.0, 7.7] [2.2, 3.8] [5.0, 6.9] [1.5, 2.3]
25 [5.6, 7.7] [2.7, 3.3] [4.9, 6.7] [1.8, 2.3]
26 [6.1, 7.2] [2.8, 3.2] [4.8, 6.0] [1.6, 2.1]
27 [6.1, 7.9] [2.6, 3.8] [5.1, 6.4] [1.4, 2.2]
28 [6.0, 7.7] [3.0, 3.4] [4.8, 6.1] [1.8, 2.4]
29 [5.8, 6.9] [2.7, 3.3] [5.1, 5.9] [1.9, 2.5]
30 [5.0, 6.7] [2.5, 3.4] [5.0, 5.4] [1.8, 2.3]

Regressão Parametrizada

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Regressão Parametrizada

Enviado por

Direitos autorais:

Formatos disponíveis

!

" " "

Leandro Carlos de Souza

AGRUPAMENTO E REGRESSÃO LINEAR DE DADOS SIMBÓLICOS

Trabalho apresentado ao Programa de Pós-graduação em

Orientador: Renata Maria Cardoso Rodrigues de Souza

7 8 (' ! & ( ) : &

--. : 33 2!: 4 56 < <7 !- . -=

Um intervalo é um tipo de dado complexo usado na agregação de informações ou na

Palavras-chaves: Agrupamento por Nuvens Dinâmicas. Distâncias Híbridas para Intervalos.

An interval is a complex data type used in the information aggregation or in the

Keywords: Dynamic Clustering. Interval Hybrid Distances. Interval Linear Regression.

3.1 Exemplos de instâncias intervalares e seus vetores diagonais. . . . . . . . . . . 30

5.1 Fecho convexo construído a partir de um conjunto de pontos bidimensional. . . 89

3.1 Distribuições que geram as amplitudes para as configurações 1 e 5. . . . . . . . 44

5.1 Intervalos de confiança do MMREE para configuração 1 . . . . . . . . . . . . 93

ADS análise de dados simbólicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 Agrupamento por Nuvens Dinâmicas para Intervalos 22

3 Agrupamento por Nuvens Dinâmicas para Intervalos Baseado em Mapeamento

4 Regressão Linear para Intervalos 69

5 Regressão Linear com Parametrização 79

A Demonstração da Proposição 3.1 114

B Demonstração da Proposição 3.2 116

C Demonstração da Proposição 3.3 120

D Demostração da Proposição 3.4 124

E Demonstração da Proposição 3.5 127

F Demonstração da Proposição 3.6 129

G Demonstração da Proposição 3.7 132

H Demonstração da Proposição 5.1 135

I Implementação do Agrupamento por Nuvens Dinâmicas 137

J Conjunto de reconhecimento de atividade humana por dados de aceleração 157

K Conjunto de fases de gestos 159

L Conjunto de sementes 162

M Conjunto vinhos brancos com qualidades 4, 6 e 8 163

N Conjunto vinhos brancos com qualidades 6, 7 e 8 166

O Conjunto vinhos tintos com qualidades 4 e 7 170

P Conjunto vinhos tintos com qualidades 5 e 6 172

Q Publicação no 5th Workshop on Symbolic Data Analysis (SDA2015) 175

A Conjunto dos Climas Mistos 179

B Conjunto dos climas da Europa Ocidental 183

C Conjunto Colesterol-idade 188

E Conjunto Carros 190

F Conjunto Basquete 191

G Conjunto Morcegos 192

H Conjunto Futebol 193

I Conjunto Cardiologia 194

J Conjunto Íris 196

Com o surgimento de novas tecnologias para armazenamento e manipulação de dados,

[γ, γ̄], ]γ, γ̄[, [γ, γ̄[, ou ]γ, γ̄], (1.1)

A agregação das realizações de uma variável aleatória em um intervalo implica na perda da

1.1 Análise de Agrupamento

1.2 Regressão Linear

as amplitudes. Ambos os modelos incorporam robustez à presença de outliers. Fagundes,

1.5 Organização da Tese

Capítulo 2 - Agrupamento por Nuvens Dinâmicas para Intervalos

Capítulo 3 - Agrupamento por Nuvens Dinâmicas para Intervalos Baseado em Mapea-

Capítulo 4 - Regressão Linear para Intervalos

Capítulo 5 - Regressão Linear com Parametrização

O agrupamento de objetos é uma habilidade humana muito utilizada na resolução de

IV. Desigualdade triangular

φ (xn , xm ) ≤ φ (xn , xl ) + φ (xl , xm ).

A distância Lq (q ≥ 1) (DE CARVALHO; LECHEVALLIER; SOUZA, 2004; JOHNSON;

2.2 Critério para Otimização