Agrupamento de observações
O agrupamento de observações une passo a passo as observações mais semelhantes em duas ou mais variáveis numéricas e desenha o resultado como um dendrograma. Escolha um de sete métodos de ligação e uma de cinco medidas de distância, e padronize variáveis em unidades diferentes. Ward, Centroid e Median exigem distância euclidiana ou euclidiana quadrática. Informar um número de agrupamentos corta a árvore e rotula cada observação.
Última revisão
Conclusão principal
O agrupamento de observações é um agrupamento hierárquico que reúne linhas semelhantes em várias variáveis numéricas sem conhecer de antemão o número de grupos, desenhando um dendrograma que mostra grupos naturais e linhas atípicas.
Nesta página
Finalidade
O agrupamento de observações (Cluster Observations) reúne observações (linhas) semelhantes em várias variáveis numéricas, sem precisar conhecer de antemão o número de grupos. Ele une passo a passo as observações mais semelhantes e desenha o resultado como um dendrograma (árvore), para que você veja quantos grupos naturais existem e quais observações pertencem juntas. Use-o para procurar famílias naturais de lotes, peças, fornecedores ou corridas de produção, ou para identificar uma observação que não se encaixa em nenhum grupo.
Principais recursos
- Agrupamento hierárquico (aglomerativo) de observações em duas ou mais variáveis numéricas.
- Sete métodos de ligação: Single, Complete, Average, Centroid, Median, McQuitty e Ward.
- Cinco medidas de distância: Euclidean, Squared Euclidean, Manhattan (City Block), Cosine e Correlation.
- Padronização opcional, para que variáveis em unidades diferentes tenham o mesmo peso.
- Dendrograma de toda a sequência de uniões e, opcionalmente, a atribuição de cada observação a um agrupamento quando você informa um número de agrupamentos.
Métodos estatísticos
Linhas com valor ausente ou não numérico em qualquer variável selecionada são descartadas; são necessárias pelo menos 3 observações. Quando Standardize variables está marcado, cada variável é convertida em z = (x − média) / s, com o desvio padrão amostral s. A distância entre cada par de observações é então calculada com a medida escolhida: Euclidean √Σ(xᵢ − yᵢ)², Squared Euclidean Σ(xᵢ − yᵢ)², Manhattan Σ|xᵢ − yᵢ|, Cosine 1 − cos(ângulo entre as duas linhas) ou Correlation 1 − r entre as duas linhas.
O agrupamento começa com cada observação como seu próprio agrupamento e funde repetidamente os dois agrupamentos mais próximos até restar um só. O método de ligação define como a distância entre dois agrupamentos é medida: Single usa o par de membros mais próximo, Complete o par mais distante, Average a média de todas as distâncias entre pares, McQuitty uma média ponderada, Centroid a distância entre os centros dos agrupamentos, Median a distância entre centros não ponderados, e Ward funde o par de agrupamentos que provoca o menor aumento na soma dos quadrados dentro dos agrupamentos. Ward, Centroid e Median exigem distância euclidiana ou euclidiana quadrática; a ferramenta recusa as outras combinações.
A altura em que dois ramos se unem no dendrograma é a distância entre eles no momento da fusão; assim, ramos verticais longos indicam grupos bem separados. Quando Number of clusters é informado, a árvore é cortada no nível que fornece essa quantidade de agrupamentos, e cada observação é rotulada com o número de seu agrupamento.
Campos de entrada e opções
Campo | Descrição |
Variables | Duas ou mais colunas numéricas que descrevem cada observação. Ctrl ou Command + clique para selecionar várias. |
Linkage method | Como a distância entre agrupamentos é medida: Single, Complete, Average (padrão), Centroid, Median, McQuitty ou Ward. |
Distance measure | Como a distância entre duas observações é medida: Euclidean (padrão), Squared Euclidean, Manhattan (City Block), Cosine ou Correlation. |
Standardize variables | Marcado por padrão. Primeiro, escala cada variável para média 0 e desvio padrão 1, para que uma variável em unidades grandes não domine. |
Number of clusters | Opcional, 2 ou mais. Corta a árvore nessa quantidade de agrupamentos e adiciona a tabela Cluster Assignments. Deixe em branco para mostrar apenas o dendrograma. |
Title | Título exibido no dendrograma. O padrão é Cluster Observations. |

Figura 1 — Opções do exemplo: quatro colunas de propriedades, ligação Ward, distância euclidiana, padronizado, 2 agrupamentos.
Descrição da saída
- Dendrogram — a sequência de uniões. As observações (números das linhas) ficam no eixo x na ordem da árvore; o eixo y (Distance) mostra o nível em que os ramos se unem.
- Cluster Assignments — exibida quando Number of clusters é informado: o número da linha de cada observação e o número do seu agrupamento.
- Exportação em PDF por meio de Download.

Figura 2 — Dendrograma de 40 lotes de material com ligação Ward: dois ramos principais se unem a uma distância de cerca de 12.1.
Exemplo prático
Um laboratório de materiais tem 40 lotes medidos quanto a densidade (g/cc), dureza (HB), resistência à tração (MPa) e alongamento (%). Sem usar o rótulo Standard ou Premium, o laboratório quer saber se os lotes formam grupos naturais. Ele seleciona as quatro colunas de propriedades, escolhe Linkage method = Ward e Distance measure = Euclidean, mantém Standardize variables marcado (a densidade em g/cc e a resistência em MPa não seriam comparáveis de outra forma) e informa Number of clusters = 2.
O dendrograma mostra dois ramos principais que se unem a uma distância de 12.1, bem acima das uniões seguintes (7.3 e 6.0); portanto, dois grupos é um corte natural. O Agrupamento 1 tem 17 lotes mais duros e mais resistentes (média de 231.6 HB e 1,308 MPa, 19.8% de alongamento); o Agrupamento 2 tem 23 lotes mais macios e mais dúcteis (170.5 HB, 1,103 MPa, 21.7% de alongamento). Em relação ao tipo de lote, o Agrupamento 1 contém 12 lotes Premium e 5 Standard, e o Agrupamento 2 contém 15 Standard e 8 Premium: os agrupamentos acompanham o tipo em apenas 27 dos 40 lotes.
Para o laboratório, as propriedades se sobrepõem muito entre os dois tipos, e uma parcela considerável dos lotes Standard é tão resistente quanto os Premium. A escolha da ligação importa: com a ligação Average, o corte em dois agrupamentos isola um único lote (linha 5, 80.1 HB e 822.6 MPa, muito mais macio que os demais) e reúne os outros 39, o que é uma boa forma de encontrar um outlier em vez de grupos. Cortar a árvore Ward em 3 agrupamentos separa um grupo macio de 9 lotes (138.2 HB, 995.9 MPa).
Perguntas frequentes
O que é o agrupamento hierárquico de observações?
Ele começa com cada observação como seu próprio agrupamento e funde repetidamente os dois agrupamentos mais próximos até restar um só. O resultado é desenhado como um dendrograma, de modo que você vê quantos grupos naturais existem e quais observações pertencem juntas, sem conhecer de antemão o número de grupos. Também pode revelar uma observação que não se encaixa em nenhum grupo.
Como interpretar um dendrograma?
As observações ficam no eixo x na ordem da árvore, e o eixo y mostra a distância em que os ramos se unem. Ramos verticais longos indicam grupos bem separados. No exemplo prático, dois ramos principais se uniram a uma distância de 12.1, bem acima das uniões seguintes, em 7.3 e 6.0; portanto, dois grupos era um corte natural.
Qual método de ligação usar?
A ferramenta oferece Single, Complete, Average, Centroid, Median, McQuitty e Ward. O Ward funde o par de agrupamentos que provoca o menor aumento na soma dos quadrados dentro dos agrupamentos e, como Centroid e Median, exige distância euclidiana ou euclidiana quadrática. A escolha importa: no exemplo, a ligação Average isolou um único lote atípico, enquanto a Ward encontrou dois grupos.
Você deve padronizar as variáveis antes de agrupar observações?
Standardize variables vem marcado por padrão e, primeiro, escala cada variável para média 0 e desvio padrão 1, para que uma variável em unidades grandes não domine. No exemplo, a densidade em g/cc e a resistência em MPa não seriam comparáveis de outra forma. Linhas com valor ausente ou não numérico são descartadas, e são necessárias pelo menos 3 observações.
