Análise de Conglomerados - Base para Dissertação de Mestrado Profissional do Elisvanir IFRR- UNESP 2019
Leoni, R. C. Prof. Dr.
#library(devtools)
#session_info()?daisy()
#artigo base para criar cluster com variáveis quali e quanti - Gower, J. C. (1971) A general coefficient of similarity and some of its properties, Biometrics 27, 857–874.# dados qualificação
#dados<- read_excel("dados_tab.xlsx")
# dados defesa
dados<- read_excel("dadosroraima.xlsx")
dados <- dados[c(1:83),-1] #excluir coluna 1
# Excluir podutor 36 e 70
dados <- dados[-c(36,70),]
row.names(dados) <- (c(
"Produtor 1", "Produtor 2",
"Produtor 3", "Produtor 4",
"Produtor 5", "Produtor 6",
"Produtor 7", "Produtor 8",
"Produtor 9", "Produtor 10",
"Produtor 11", "Produtor 12",
"Produtor 13", "Produtor 14",
"Produtor 15", "Produtor 16",
"Produtor 17", "Produtor 18",
"Produtor 19", "Produtor 20",
"Produtor 21", "Produtor 22",
"Produtor 23", "Produtor 24",
"Produtor 25", "Produtor 26",
"Produtor 27", "Produtor 28",
"Produtor 29", "Produtor 30",
"Produtor 31", "Produtor 32",
"Produtor 33", "Produtor 34",
"Produtor 35", "Produtor 36",
"Produtor 37", "Produtor 38",
"Produtor 39", "Produtor 40",
"Produtor 41", "Produtor 42",
"Produtor 43", "Produtor 44",
"Produtor 45", "Produtor 46",
"Produtor 47", "Produtor 48",
"Produtor 49", "Produtor 50",
"Produtor 51", "Produtor 52",
"Produtor 53", "Produtor 54",
"Produtor 55", "Produtor 56",
"Produtor 57", "Produtor 58",
"Produtor 59", "Produtor 60",
"Produtor 61", "Produtor 62",
"Produtor 63", "Produtor 64",
"Produtor 65", "Produtor 66",
"Produtor 67", "Produtor 68",
"Produtor 69", "Produtor 70",
"Produtor 71", "Produtor 72",
"Produtor 73", "Produtor 74",
"Produtor 75", "Produtor 76",
"Produtor 77", "Produtor 78",
"Produtor 79", "Produtor 80",
"Produtor 81"))Setting row names on a tibble is deprecated.#View(dados6)
str(dados)Classes ‘tbl_df’, ‘tbl’ and 'data.frame': 81 obs. of 50 variables:
$ 1.1 : num 1 1 1 1 1 1 1 1 1 1 ...
$ 1.2 : num 2 1 1 1 2 2 1 1 1 1 ...
$ 1.3 : num 2 2 2 2 2 2 2 2 2 2 ...
$ 1.4 : num 17 10 33 8 6 8 25 22 23 22 ...
$ 1.5 : num 52 374 55 60 60 64 60 60 60 60 ...
$ 1.6 : num 25 38 18 25 17 24 20 18 21 30 ...
$ 1.7 : num 16 9 8 13 8 6 10 10 12 11 ...
$ 1.8 : num 60 35 35 35 30 50 55 30 45 20 ...
$ 1.9 : num 1 1 1 1 1 1 2 1 2 1 ...
$ 1.10: num 80 87 76 58 50 70 28 50 40 60 ...
$ 2.1 : num 2 2 2 2 2 2 2 2 2 2 ...
$ 2.2 : num 1 4 1 1 1 2 1 1 1 1 ...
$ 2.3 : num 62 28 46 55 57 60 39 39 43 42 ...
$ 3.11: num 1 1 1 1 1 3 1 1 1 1 ...
$ 3.12: num 3 3 3 2 3 2 3 3 3 2 ...
$ 3.13: num 4 4 4 1 4 2 4 4 4 2 ...
$ 3.14: num 1 4 4 1 4 1 1 1 1 4 ...
$ 3.15: num 3 4 4 3 4 3 3 3 3 4 ...
$ 3.16: num 2 4 4 1 4 1 2 2 2 4 ...
$ 3.2 : num 4 1 3 3 3 3 4 3 4 4 ...
$ 3.21: num 1 1 1 1 1 1 1 1 1 1 ...
$ 3.22: num 1 1 1 1 1 1 1 1 1 1 ...
$ 3.23: num 1 1 1 2 1 1 1 1 1 1 ...
$ 3.24: num 0 0 1 10 0 1 0 1 3 0 ...
$ 3.31: num 1 1 1 1 1 1 2 1 1 1 ...
$ 3.32: num 1 1 2 1 1 1 2 1 1 2 ...
$ 3.33: num 2 1 1 1 2 1 1 1 2 1 ...
$ 3.34: num 2 2 2 1 2 1 1 2 2 2 ...
$ 3.35: num 3 1 1 1 3 1 1 1 3 2 ...
$ 4.1 : num 4 4 3 4 4 1 4 3 4 4 ...
$ 4.2 : num 2 2 2 2 2 2 2 1 2 2 ...
$ 4.3 : num 1 2 1 2 2 1 2 1 1 2 ...
$ 4.4 : num 1 2 1 2 2 2 2 2 2 2 ...
$ 4.5 : num 1 2 2 2 2 2 2 1 2 1 ...
$ 4.6 : num 1 1 1 1 1 1 1 1 1 1 ...
$ 5.1 : num 1 1 1 1 1 1 1 1 1 1 ...
$ 5.2 : num 2 2 2 2 2 2 3 2 3 3 ...
$ 5.3 : num 3 3 3 3 3 3 3 3 3 3 ...
$ 5.4 : num 1 1 1 1 1 2 1 1 1 1 ...
$ 5.5 : num 1 4 1 4 4 1 4 2 4 4 ...
$ 5.6 : num 2 2 2 2 2 2 2 2 2 2 ...
$ 5.7 : num 3 1 4 1 3 1 1 1 1 4 ...
$ 5.8 : num 2 3 2 3 2 3 2 2 2 2 ...
$ 5.9 : num 2 2 2 2 2 2 2 2 3 2 ...
$ 5.10: num 2 2 2 2 2 1 2 1 2 2 ...
$ 5.11: num 1 1 1 1 1 1 2 1 2 1 ...
$ 6.1 : num 2 1 3 3 2 3 3 2 2 3 ...
$ 6.2 : num 2 2 2 2 2 2 2 2 2 2 ...
$ 6.3 : num 1 1 1 1 1 1 1 1 1 1 ...
$ 6.4 : num 1 2 3 3 1 3 3 2 2 3 ...dados$`1.1`<-factor(dados$`1.1`, levels = c("1","2"), labels = c("Proprietário","Morador"))
dados$`1.2`<-factor(dados$`1.2`, levels = c("1","2"), labels = c("Leiteira","Leiteira e engorda"))
dados$`1.3`<-factor(dados$`1.3`, levels = c("1","2"), labels = c("Pavimentada", "Não_pavimentada"))
dados$`1.9`<-factor(dados$`1.9`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`2.1`<-factor(dados$`2.1`, levels = c("1","2"), labels = c("Solteiro","Casado ou União estável"))
dados$`2.2`<-factor(dados$`2.2`, levels = c("1","2","3","4"), labels =c("Fundamental Incompleto","Fundamental completo","Ensino médio completo","Superior completo"), ordered = TRUE)
#dados$`2.5`<-factor(dados$`2.5`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.2`<-factor(dados$`3.2`, levels = c("1","2","3","4"), labels =c("Holandesa","Outros","Girolanda","Vacas mestiças"))
dados$`3.11`<-factor(dados$`3.11`, levels = c("1","2","3","4"), labels =c("Braquiaria","Panicum","Cynodon","Outros"))
dados$`3.12`<-factor(dados$`3.12`, levels = c("1","2","3"), labels =c("Silagem","Cana de açúcar e/ou Capineira","Não fornece"))
dados$`3.13`<-factor(dados$`3.13`, levels = c("1","2","3","4"), labels =c("Ano todo","No período da seca","Aleatório","Não fornece"))
dados$`3.14`<-factor(dados$`3.14`, levels = c("1","2","3","4"), labels =c("Vacas em lactação","Vacas em lactação e secas","Todo rebanho","Não fornece"))
dados$`3.15`<-factor(dados$`3.15`, levels = c("1","2","3","4"), labels =c("Cálculo técnico","Produtividade","Sem critério","Não fornece"))
dados$`3.16`<-factor(dados$`3.16`, levels = c("1","2","3","4"), labels =c("Ano todo","Na seca","Aleatório","Não fornece"))
#dados$`3.17`<-factor(dados$`3.17`, levels = c("1","2","3"), labels =c("Sal mineral","Sal comum","Não fornece"))
#dados$`3.18`<-factor(dados$`3.18`, levels = c("1","2","3","4"), labels =c("Semanal","Quinzenal","Mensal","Não fornece"), ordered = TRUE)
#dados$`3.19`<-factor(dados$`3.19`, levels = c("1","2","3"), labels =c("Boa","Ruim","Não sabe"))
dados$`3.21`<-factor(dados$`3.21`, levels = c("1","2","3"), labels =c("Produtor","Orgão governamentais","Terceirizado"))
dados$`3.22`<-factor(dados$`3.22`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.23`<-factor(dados$`3.23`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.31`<-factor(dados$`3.31`, levels = c("1","2","3","4"), labels =c("Monta natural","Monta controlada","Inseminação artificial","Ambas"))
dados$`3.32`<-factor(dados$`3.32`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.33`<-factor(dados$`3.33`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.34`<-factor(dados$`3.34`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`3.35`<-factor(dados$`3.35`, levels = c("1","2","3"), labels =c("Entre 11 e 13 meses","Entre 14 e 17 meses","Não sabem"))
dados$`4.1`<-factor(dados$`4.1`, levels = c("1","2","3","4"), labels =c("Total","Parcial","Já ouvi, mas não conheço","Desconheço"), ordered = TRUE)
dados$`4.2`<-factor(dados$`4.2`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`4.3`<-factor(dados$`4.3`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`4.4`<-factor(dados$`4.4`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`4.5`<-factor(dados$`4.5`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`4.6`<-factor(dados$`4.6`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`5.1`<-factor(dados$`5.1`, levels = c("1","2"), labels =c("Manual","Mecânica"))
dados$`5.2`<-factor(dados$`5.2`, levels = c("1","2","3"), labels =c("Coberto e cimentado","Coberto e terra batida","Descoberto e terra batida"), ordered = TRUE)
dados$`5.3`<-factor(dados$`5.3`, levels = c("1","2","3"), labels =c("Tanque comunitário","Tanque próprio","Não tem"))
dados$`5.4`<-factor(dados$`5.4`, levels = c("1","2"), labels =c("1 vez ao dia","2 vezes ao dia"))
dados$`5.5`<-factor(dados$`5.5`, levels = c("1","2","3","4"), labels =c("Diário","Esporádico (as vezes)","Raramente (já fez)","Não realiza"))
dados$`5.6`<-factor(dados$`5.6`, levels = c("1","2"), labels =c("Realiza","Não realiza"), ordered = TRUE)
dados$`5.7`<-factor(dados$`5.7`, levels = c("1","2","3","4"), labels =c("Lavagem com água","Pré dipping","Pano único","Não realiza"))
dados$`5.8`<-factor(dados$`5.8`, levels = c("1","2","3"), labels =c("Pós dipping","Bezerro junto com a vaca","Não aplica"))
dados$`5.9`<-factor(dados$`5.9`, levels = c("1","2","3"), labels =c("Alimentação das vacas","Libera para a pastagem","Não aplica"))
dados$`5.10`<-factor(dados$`5.10`, levels = c("1","2","3"), labels =c("Detergente e sanitizante","Detergente","Somente água"))
dados$`5.11`<-factor(dados$`5.11`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`6.1`<-factor(dados$`6.1`, levels = c("1","2","3"), labels =c("Laticínios ou Queijarias","Atravessador ou Venda direta","Produção própria"))
dados$`6.2`<-factor(dados$`6.2`, levels = c("1","2"), labels = c("Sim","Não"))
dados$`6.3`<-factor(dados$`6.3`, levels = c("1","2","3","4"), labels =c("Diário","Dois dias","Três dias","Não tem rotina"))
dados$`6.4`<-factor(dados$`6.4`, levels = c("1","2","3"), labels =c("Diário","Período definido","Aleatório"))
#somente qualitativos
#dados_quali <- dados[,c('1.1','1.2','1.3','1.9','2.1','2.2','3.2','3.11','3.12','3.13','3.14','3.15','3.16','3.21','3.22','3.23','3.31','3.32','3.33','3.34','3.35','4.1','4.2','4.3','4.4','4.5','4.6','5.1','5.2','5.3','5.4','5.5','5.6','5.7','5.8','5.9','5.10','5.11','6.1','6.2','6.3','6.4')]
#somente quantitativos
#dados_quanti <- dados[,c('1.4','1.5','1.6','1.7','1.8','1.10','2.3','3.24')]
#str(dados)
# escolher o que vai empregar
#dados=dados_quanti
#dados = dados_quali
dados=dadosDescrição
glimpse(dados)Observations: 81
Variables: 50
$ `1.1` [3m[38;5;246m<fct>[39m[23m Proprietário, Proprietário, Proprietário, Proprietário, Proprietário, Proprietário, Pr...
$ `1.2` [3m[38;5;246m<fct>[39m[23m Leiteira e engorda, Leiteira, Leiteira, Leiteira, Leiteira e engorda, Leiteira e engor...
$ `1.3` [3m[38;5;246m<fct>[39m[23m Não_pavimentada, Não_pavimentada, Não_pavimentada, Não_pavimentada, Não_pavimentada, N...
$ `1.4` [3m[38;5;246m<dbl>[39m[23m 17, 10, 33, 8, 6, 8, 25, 22, 23, 22, 17, 23, 21, 21, 21, 20, 18, 17, 33, 17, 16, 15, 2...
$ `1.5` [3m[38;5;246m<dbl>[39m[23m 52, 374, 55, 60, 60, 64, 60, 60, 60, 60, 164, 176, 51, 105, 60, 120, 60, 300, 60, 750,...
$ `1.6` [3m[38;5;246m<dbl>[39m[23m 25, 38, 18, 25, 17, 24, 20, 18, 21, 30, 61, 60, 10, 27, 16, 60, 11, 60, 50, 49, 38, 25...
$ `1.7` [3m[38;5;246m<dbl>[39m[23m 16, 9, 8, 13, 8, 6, 10, 10, 12, 11, 13, 18, 5, 12, 7, 30, 4, 17, 10, 19, 12, 8, 35, 8,...
$ `1.8` [3m[38;5;246m<dbl>[39m[23m 60, 35, 35, 35, 30, 50, 55, 30, 45, 20, 40, 60, 30, 60, 25, 110, 12, 135, 50, 65, 40, ...
$ `1.9` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Sim, Sim, Sim, Sim, Não, Sim, Não, Sim, Sim, Sim, Sim, Sim, Não, Não, Sim, S...
$ `1.10` [3m[38;5;246m<dbl>[39m[23m 80, 87, 76, 58, 50, 70, 28, 50, 40, 60, 260, 214, 27, 70, 45, 80, 32, 350, 82, 140, 75...
$ `2.1` [3m[38;5;246m<fct>[39m[23m Casado ou União estável, Casado ou União estável, Casado ou União estável, Casado ou U...
$ `2.2` [3m[38;5;246m<ord>[39m[23m Fundamental Incompleto, Superior completo, Fundamental Incompleto, Fundamental Incompl...
$ `2.3` [3m[38;5;246m<dbl>[39m[23m 62, 28, 46, 55, 57, 60, 39, 39, 43, 42, 52, 58, 52, 56, 53, 53, 55, 63, 52, 58, 72, 58...
$ `3.11` [3m[38;5;246m<fct>[39m[23m Braquiaria, Braquiaria, Braquiaria, Braquiaria, Braquiaria, Cynodon, Braquiaria, Braqu...
$ `3.12` [3m[38;5;246m<fct>[39m[23m Não fornece, Não fornece, Não fornece, Cana de açúcar e/ou Capineira, Não fornece, Can...
$ `3.13` [3m[38;5;246m<fct>[39m[23m Não fornece, Não fornece, Não fornece, Ano todo, Não fornece, No período da seca, Não ...
$ `3.14` [3m[38;5;246m<fct>[39m[23m Vacas em lactação, Não fornece, Não fornece, Vacas em lactação, Não fornece, Vacas em ...
$ `3.15` [3m[38;5;246m<fct>[39m[23m Sem critério, Não fornece, Não fornece, Sem critério, Não fornece, Sem critério, Sem c...
$ `3.16` [3m[38;5;246m<fct>[39m[23m Na seca, Não fornece, Não fornece, Ano todo, Não fornece, Ano todo, Na seca, Na seca, ...
$ `3.2` [3m[38;5;246m<fct>[39m[23m Vacas mestiças, Holandesa, Girolanda, Girolanda, Girolanda, Girolanda, Vacas mestiças,...
$ `3.21` [3m[38;5;246m<fct>[39m[23m Produtor, Produtor, Produtor, Produtor, Produtor, Produtor, Produtor, Produtor, Produt...
$ `3.22` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, S...
$ `3.23` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Sim, Não, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, S...
$ `3.24` [3m[38;5;246m<dbl>[39m[23m 0, 0, 1, 10, 0, 1, 0, 1, 3, 0, 0, 0, 1, 2, 0, 3, 1, 0, 1, 3, 0, 0, 0, 2, 0, 10, 0, 6, ...
$ `3.31` [3m[38;5;246m<fct>[39m[23m Monta natural, Monta natural, Monta natural, Monta natural, Monta natural, Monta natur...
$ `3.32` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Não, Sim, Sim, Sim, Não, Sim, Sim, Não, Sim, Sim, Sim, Sim, Sim, Sim, Não, S...
$ `3.33` [3m[38;5;246m<fct>[39m[23m Não, Sim, Sim, Sim, Não, Sim, Sim, Sim, Não, Sim, Sim, Não, Sim, Sim, Não, Não, Sim, N...
$ `3.34` [3m[38;5;246m<fct>[39m[23m Não, Não, Não, Sim, Não, Sim, Sim, Não, Não, Não, Não, Não, Sim, Sim, Não, Sim, Sim, S...
$ `3.35` [3m[38;5;246m<fct>[39m[23m Não sabem, Entre 11 e 13 meses, Entre 11 e 13 meses, Entre 11 e 13 meses, Não sabem, E...
$ `4.1` [3m[38;5;246m<ord>[39m[23m "Desconheço", "Desconheço", "Já ouvi, mas não conheço", "Desconheço", "Desconheço", "T...
$ `4.2` [3m[38;5;246m<fct>[39m[23m Não, Não, Não, Não, Não, Não, Não, Sim, Não, Não, Não, Não, Não, Não, Sim, Sim, Não, N...
$ `4.3` [3m[38;5;246m<fct>[39m[23m Sim, Não, Sim, Não, Não, Sim, Não, Sim, Sim, Não, Sim, Não, Não, Sim, Sim, Sim, Não, S...
$ `4.4` [3m[38;5;246m<fct>[39m[23m Sim, Não, Sim, Não, Não, Não, Não, Não, Não, Não, Sim, Não, Sim, Sim, Não, Sim, Não, N...
$ `4.5` [3m[38;5;246m<fct>[39m[23m Sim, Não, Não, Não, Não, Não, Não, Sim, Não, Sim, Sim, Não, Sim, Sim, Sim, Não, Não, N...
$ `4.6` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, Sim, S...
$ `5.1` [3m[38;5;246m<fct>[39m[23m Manual, Manual, Manual, Manual, Manual, Manual, Manual, Manual, Manual, Manual, Manual...
$ `5.2` [3m[38;5;246m<ord>[39m[23m Coberto e terra batida, Coberto e terra batida, Coberto e terra batida, Coberto e terr...
$ `5.3` [3m[38;5;246m<fct>[39m[23m Não tem, Não tem, Não tem, Não tem, Não tem, Não tem, Não tem, Não tem, Não tem, Não t...
$ `5.4` [3m[38;5;246m<fct>[39m[23m 1 vez ao dia, 1 vez ao dia, 1 vez ao dia, 1 vez ao dia, 1 vez ao dia, 2 vezes ao dia, ...
$ `5.5` [3m[38;5;246m<fct>[39m[23m Diário, Não realiza, Diário, Não realiza, Não realiza, Diário, Não realiza, Esporádico...
$ `5.6` [3m[38;5;246m<ord>[39m[23m Não realiza, Não realiza, Não realiza, Não realiza, Não realiza, Não realiza, Não real...
$ `5.7` [3m[38;5;246m<fct>[39m[23m Pano único, Lavagem com água, Não realiza, Lavagem com água, Pano único, Lavagem com á...
$ `5.8` [3m[38;5;246m<fct>[39m[23m Bezerro junto com a vaca, Não aplica, Bezerro junto com a vaca, Não aplica, Bezerro ...
$ `5.9` [3m[38;5;246m<fct>[39m[23m Libera para a pastagem, Libera para a pastagem, Libera para a pastagem, Libera para a ...
$ `5.10` [3m[38;5;246m<fct>[39m[23m Detergente, Detergente, Detergente, Detergente, Detergente, Detergente e sanitizante, ...
$ `5.11` [3m[38;5;246m<fct>[39m[23m Sim, Sim, Sim, Sim, Sim, Sim, Não, Sim, Não, Sim, Sim, Não, Sim, Sim, Não, Sim, Não, N...
$ `6.1` [3m[38;5;246m<fct>[39m[23m Atravessador ou Venda direta, Laticínios ou Queijarias, Produção própria, Produção pró...
$ `6.2` [3m[38;5;246m<fct>[39m[23m Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, Não, N...
$ `6.3` [3m[38;5;246m<fct>[39m[23m Diário, Diário, Diário, Diário, Diário, Diário, Diário, Diário, Diário, Diário, Diário...
$ `6.4` [3m[38;5;246m<fct>[39m[23m Diário, Período definido, Aleatório, Aleatório, Diário, Aleatório, Aleatório, Período ...dados stats4::summary(dados) 1.1 1.2 1.3 1.4 1.5
Proprietário:71 Leiteira :42 Pavimentada :18 Min. : 1.00 Min. : 51.0
Morador :10 Leiteira e engorda:39 Não_pavimentada:63 1st Qu.: 10.00 1st Qu.: 60.0
Median : 17.00 Median :117.0
Mean : 25.38 Mean :159.6
3rd Qu.: 33.00 3rd Qu.:200.0
Max. :146.00 Max. :750.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. : 4.00 Min. : 2.00 Min. : 6.00 Sim:58 Min. : 10.0 Solteiro : 4
1st Qu.: 20.00 1st Qu.: 8.00 1st Qu.: 30.00 Não:23 1st Qu.: 54.0 Casado ou União estável:77
Median : 28.00 Median :12.00 Median : 50.00 Median : 80.0
Mean : 37.86 Mean :14.85 Mean : 63.28 Mean :112.7
3rd Qu.: 49.00 3rd Qu.:17.00 3rd Qu.: 70.00 3rd Qu.:140.0
Max. :200.00 Max. :74.00 Max. :350.00 Max. :600.0
2.2 2.3 3.11 3.12
Fundamental Incompleto:46 Min. :23.00 Braquiaria:69 Silagem : 0
Fundamental completo :14 1st Qu.:43.00 Panicum : 1 Cana de açúcar e/ou Capineira:10
Ensino médio completo :19 Median :52.00 Cynodon :11 Não fornece :71
Superior completo : 2 Mean :50.15 Outros : 0
3rd Qu.:58.00
Max. :75.00
3.13 3.14 3.15 3.16
Ano todo : 3 Vacas em lactação :17 Cálculo técnico: 0 Ano todo : 8
No período da seca: 4 Vacas em lactação e secas: 0 Produtividade : 0 Na seca : 7
Aleatório : 3 Todo rebanho : 0 Sem critério :17 Aleatório : 2
Não fornece :71 Não fornece :64 Não fornece :64 Não fornece:64
3.2 3.21 3.22 3.23 3.24
Holandesa : 8 Produtor :74 Sim:80 Sim:77 Min. : 0.000
Outros : 3 Orgão governamentais: 3 Não: 1 Não: 4 1st Qu.: 0.000
Girolanda :50 Terceirizado : 4 Median : 1.000
Vacas mestiças:20 Mean : 1.568
3rd Qu.: 2.000
Max. :10.000
3.31 3.32 3.33 3.34 3.35
Monta natural :75 Sim:61 Sim:45 Sim:30 Entre 11 e 13 meses:34
Monta controlada : 2 Não:20 Não:36 Não:51 Entre 14 e 17 meses:12
Inseminação artificial: 3 Não sabem :35
Ambas : 1
4.1 4.2 4.3 4.4 4.5 4.6 5.1
Total : 4 Sim: 6 Sim:35 Sim:10 Sim:17 Sim:79 Manual :79
Parcial : 3 Não:75 Não:46 Não:71 Não:64 Não: 2 Mecânica: 2
Já ouvi, mas não conheço:22
Desconheço :52
5.2 5.3 5.4 5.5
Coberto e cimentado : 6 Tanque comunitário: 9 1 vez ao dia :80 Diário : 7
Coberto e terra batida :59 Tanque próprio : 1 2 vezes ao dia: 1 Esporádico (as vezes):13
Descoberto e terra batida:16 Não tem :71 Raramente (já fez) : 5
Não realiza :56
5.6 5.7 5.8 5.9
Realiza : 0 Lavagem com água:34 Pós dipping : 3 Alimentação das vacas : 0
Não realiza:81 Pré dipping : 2 Bezerro junto com a vaca:66 Libera para a pastagem:77
Pano único :15 Não aplica :12 Não aplica : 4
Não realiza :30
5.10 5.11 6.1 6.2 6.3
Detergente e sanitizante:24 Sim:59 Laticínios ou Queijarias :21 Sim: 0 Diário :63
Detergente :54 Não:22 Atravessador ou Venda direta:20 Não:81 Dois dias : 1
Somente água : 3 Produção própria :40 Três dias :10
Não tem rotina: 7
6.4
Diário :13
Período definido:23
Aleatório :45
gower_dist <- daisy(dados, metric = "gower")
# Check attributes to ensure the correct methods are being used
# (I = interval',' N = nominal)
summary(gower_dist)3240 dissimilarities, summarized :
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.07425 0.23038 0.27901 0.28124 0.32642 0.58776
Metric : mixed ; Types = N, N, N, I, I, I, I, I, N, I, N, O, I, N, N, N, N, N, N, N, N, N, N, I, N, N, N, N, N, O, N, N, N, N, N, N, O, N, N, N, O, N, N, N, N, N, N, N, N, N
Number of objects : 81verificar a mais similar e mais dissimilar
gower_mat <- as.matrix(gower_dist)
# Output most similar pair
dados[
which(gower_mat == min(gower_mat[gower_mat != min(gower_mat)]),
arr.ind = TRUE)[1, ], ]dados[
which(gower_mat == max(gower_mat[gower_mat != max(gower_mat)]),
arr.ind = TRUE)[1, ], ]Número de clusters
Algoritmo Hierárquico
k=7
res.hc <- hclust(d = gower_dist, method = "ward.D2")
fviz_dend(res.hc, cex = 0.5)
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and
# the original distance
cor(gower_dist, res.coph)[1] 0.5265494# Cut tree into k groups
grp <- cutree(res.hc, k )
#grp
table(grp)grp
1 2 3 4 5 6 7
14 13 21 17 5 8 3 # Cut in k groups and color by groups
fviz_dend(res.hc, k , # Cut in k groups
cex = 0.5, # label size
#k_colors = 'stol',
color_labels_by_k = TRUE, # color labels by groups
rect = TRUE # Add rectangle around groups
)
Descrição dos grupos
results <- dados %>%
dplyr::mutate(cluster = grp) %>%
group_by(cluster) %>%
do(the_summary = summary(.))
results$the_summary[[1]]
1.1 1.2 1.3 1.4 1.5
Proprietário:13 Leiteira :8 Pavimentada : 3 Min. : 8.0 Min. : 52.0
Morador : 1 Leiteira e engorda:6 Não_pavimentada:11 1st Qu.: 11.5 1st Qu.: 60.0
Median : 20.0 Median : 62.0
Mean : 26.5 Mean :138.4
3rd Qu.: 23.0 3rd Qu.:112.8
Max. :130.0 Max. :500.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. : 11.0 Min. : 4.00 Min. : 12.00 Sim:9 Min. : 28.00 Solteiro : 2
1st Qu.: 20.0 1st Qu.: 6.25 1st Qu.: 31.25 Não:5 1st Qu.: 42.50 Casado ou União estável:12
Median : 22.5 Median :10.00 Median : 47.50 Median : 71.50
Mean : 28.5 Mean :11.57 Mean : 53.14 Mean : 76.71
3rd Qu.: 25.0 3rd Qu.:13.75 3rd Qu.: 58.75 3rd Qu.: 92.00
Max. :100.0 Max. :30.00 Max. :150.00 Max. :150.00
2.2 2.3 3.11 3.12
Fundamental Incompleto:10 Min. :29.00 Braquiaria:12 Silagem : 0
Fundamental completo : 1 1st Qu.:39.00 Panicum : 0 Cana de açúcar e/ou Capineira: 2
Ensino médio completo : 3 Median :47.50 Cynodon : 2 Não fornece :12
Superior completo : 0 Mean :47.21 Outros : 0
3rd Qu.:55.00
Max. :69.00
3.13 3.14 3.15 3.16
Ano todo : 1 Vacas em lactação :13 Cálculo técnico: 0 Ano todo :6
No período da seca: 1 Vacas em lactação e secas: 0 Produtividade : 0 Na seca :7
Aleatório : 0 Todo rebanho : 0 Sem critério :13 Aleatório :0
Não fornece :12 Não fornece : 1 Não fornece : 1 Não fornece:1
3.2 3.21 3.22 3.23 3.24
Holandesa :1 Produtor :14 Sim:14 Sim:13 Min. : 0.000
Outros :0 Orgão governamentais: 0 Não: 0 Não: 1 1st Qu.: 0.000
Girolanda :8 Terceirizado : 0 Median : 1.000
Vacas mestiças:5 Mean : 1.571
3rd Qu.: 2.000
Max. :10.000
3.31 3.32 3.33 3.34 3.35
Monta natural :13 Sim:10 Sim:12 Sim:10 Entre 11 e 13 meses:10
Monta controlada : 1 Não: 4 Não: 2 Não: 4 Entre 14 e 17 meses: 2
Inseminação artificial: 0 Não sabem : 2
Ambas : 0
4.1 4.2 4.3 4.4 4.5 4.6 5.1
Total :2 Sim: 2 Sim:8 Sim: 1 Sim: 2 Sim:14 Manual :14
Parcial :1 Não:12 Não:6 Não:13 Não:12 Não: 0 Mecânica: 0
Já ouvi, mas não conheço:2
Desconheço :9
5.2 5.3 5.4 5.5
Coberto e cimentado : 0 Tanque comunitário: 2 1 vez ao dia :13 Diário : 2
Coberto e terra batida :10 Tanque próprio : 0 2 vezes ao dia: 1 Esporádico (as vezes): 2
Descoberto e terra batida: 4 Não tem :12 Raramente (já fez) : 0
Não realiza :10
5.6 5.7 5.8 5.9
Realiza : 0 Lavagem com água:10 Pós dipping : 0 Alimentação das vacas : 0
Não realiza:14 Pré dipping : 0 Bezerro junto com a vaca:12 Libera para a pastagem:13
Pano único : 3 Não aplica : 2 Não aplica : 1
Não realiza : 1
5.10 5.11 6.1 6.2 6.3
Detergente e sanitizante: 4 Sim:9 Laticínios ou Queijarias :2 Sim: 0 Diário :12
Detergente :10 Não:5 Atravessador ou Venda direta:5 Não:14 Dois dias : 0
Somente água : 0 Produção própria :7 Três dias : 1
Não tem rotina: 1
6.4 cluster
Diário :3 Min. :1
Período definido:4 1st Qu.:1
Aleatório :7 Median :1
Mean :1
3rd Qu.:1
Max. :1
[[2]]
1.1 1.2 1.3 1.4 1.5
Proprietário:12 Leiteira :10 Pavimentada : 0 Min. : 6.00 Min. : 60.0
Morador : 1 Leiteira e engorda: 3 Não_pavimentada:13 1st Qu.:10.00 1st Qu.: 60.0
Median :32.00 Median :129.0
Mean :26.77 Mean :133.4
3rd Qu.:40.00 3rd Qu.:170.0
Max. :48.00 Max. :374.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. :10.00 Min. : 6.00 Min. : 20.00 Sim:7 Min. : 20.00 Solteiro : 1
1st Qu.:18.00 1st Qu.:10.00 1st Qu.: 40.00 Não:6 1st Qu.: 60.00 Casado ou União estável:12
Median :35.00 Median :12.00 Median : 50.00 Median : 76.00
Mean :35.77 Mean :16.08 Mean : 67.31 Mean : 81.85
3rd Qu.:45.00 3rd Qu.:16.00 3rd Qu.: 75.00 3rd Qu.:100.00
Max. :70.00 Max. :42.00 Max. :190.00 Max. :150.00
2.2 2.3 3.11 3.12
Fundamental Incompleto:6 Min. :23 Braquiaria:11 Silagem : 0
Fundamental completo :3 1st Qu.:38 Panicum : 1 Cana de açúcar e/ou Capineira: 0
Ensino médio completo :3 Median :44 Cynodon : 1 Não fornece :13
Superior completo :1 Mean :44 Outros : 0
3rd Qu.:49
Max. :68
3.13 3.14 3.15 3.16
Ano todo : 0 Vacas em lactação : 0 Cálculo técnico: 0 Ano todo : 0
No período da seca: 0 Vacas em lactação e secas: 0 Produtividade : 0 Na seca : 0
Aleatório : 0 Todo rebanho : 0 Sem critério : 0 Aleatório : 0
Não fornece :13 Não fornece :13 Não fornece :13 Não fornece:13
3.2 3.21 3.22 3.23 3.24
Holandesa :3 Produtor :13 Sim:13 Sim:13 Min. : 0.000
Outros :0 Orgão governamentais: 0 Não: 0 Não: 0 1st Qu.: 0.000
Girolanda :9 Terceirizado : 0 Median : 1.000
Vacas mestiças:1 Mean : 2.308
3rd Qu.: 2.000
Max. :10.000
3.31 3.32 3.33 3.34 3.35
Monta natural :13 Sim:13 Sim:8 Sim: 3 Entre 11 e 13 meses:8
Monta controlada : 0 Não: 0 Não:5 Não:10 Entre 14 e 17 meses:0
Inseminação artificial: 0 Não sabem :5
Ambas : 0
4.1 4.2 4.3 4.4 4.5 4.6 5.1
Total :0 Sim: 1 Sim: 3 Sim: 1 Sim: 2 Sim:11 Manual :12
Parcial :0 Não:12 Não:10 Não:12 Não:11 Não: 2 Mecânica: 1
Já ouvi, mas não conheço:4
Desconheço :9
5.2 5.3 5.4 5.5
Coberto e cimentado :2 Tanque comunitário:6 1 vez ao dia :13 Diário : 0
Coberto e terra batida :5 Tanque próprio :1 2 vezes ao dia: 0 Esporádico (as vezes): 3
Descoberto e terra batida:6 Não tem :6 Raramente (já fez) : 0
Não realiza :10
5.6 5.7 5.8 5.9
Realiza : 0 Lavagem com água: 3 Pós dipping : 0 Alimentação das vacas : 0
Não realiza:13 Pré dipping : 0 Bezerro junto com a vaca:11 Libera para a pastagem:13
Pano único : 0 Não aplica : 2 Não aplica : 0
Não realiza :10
5.10 5.11 6.1 6.2 6.3
Detergente e sanitizante:4 Sim:12 Laticínios ou Queijarias :12 Sim: 0 Diário :5
Detergente :7 Não: 1 Atravessador ou Venda direta: 1 Não:13 Dois dias :0
Somente água :2 Produção própria : 0 Três dias :7
Não tem rotina:1
6.4 cluster
Diário : 0 Min. :2
Período definido:13 1st Qu.:2
Aleatório : 0 Median :2
Mean :2
3rd Qu.:2
Max. :2
[[3]]
1.1 1.2 1.3 1.4 1.5
Proprietário:21 Leiteira :12 Pavimentada : 7 Min. : 3.00 Min. : 55.0
Morador : 0 Leiteira e engorda: 9 Não_pavimentada:14 1st Qu.: 10.00 1st Qu.: 62.0
Median : 33.00 Median :180.0
Mean : 33.62 Mean :165.7
3rd Qu.: 46.00 3rd Qu.:210.0
Max. :105.00 Max. :378.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. : 10.00 Min. : 3.00 Min. : 12 Sim:15 Min. : 37.0 Solteiro : 1
1st Qu.: 24.00 1st Qu.: 8.00 1st Qu.: 35 Não: 6 1st Qu.: 70.0 Casado ou União estável:20
Median : 30.00 Median :11.00 Median : 50 Median : 80.0
Mean : 35.29 Mean :12.76 Mean : 58 Mean :116.5
3rd Qu.: 40.00 3rd Qu.:16.00 3rd Qu.: 70 3rd Qu.:150.0
Max. :100.00 Max. :30.00 Max. :180 Max. :300.0
2.2 2.3 3.11 3.12
Fundamental Incompleto:14 Min. :35.00 Braquiaria:18 Silagem : 0
Fundamental completo : 3 1st Qu.:47.00 Panicum : 0 Cana de açúcar e/ou Capineira: 1
Ensino médio completo : 4 Median :52.00 Cynodon : 3 Não fornece :20
Superior completo : 0 Mean :52.86 Outros : 0
3rd Qu.:57.00
Max. :70.00
3.13 3.14 3.15 3.16
Ano todo : 0 Vacas em lactação : 0 Cálculo técnico: 0 Ano todo : 0
No período da seca: 1 Vacas em lactação e secas: 0 Produtividade : 0 Na seca : 0
Aleatório : 0 Todo rebanho : 0 Sem critério : 0 Aleatório : 0
Não fornece :20 Não fornece :21 Não fornece :21 Não fornece:21
3.2 3.21 3.22 3.23 3.24
Holandesa : 1 Produtor :19 Sim:21 Sim:20 Min. :0.000
Outros : 0 Orgão governamentais: 2 Não: 0 Não: 1 1st Qu.:0.000
Girolanda :20 Terceirizado : 0 Median :1.000
Vacas mestiças: 0 Mean :1.476
3rd Qu.:2.000
Max. :6.000
3.31 3.32 3.33 3.34 3.35
Monta natural :17 Sim:19 Sim:17 Sim: 9 Entre 11 e 13 meses:14
Monta controlada : 1 Não: 2 Não: 4 Não:12 Entre 14 e 17 meses: 3
Inseminação artificial: 3 Não sabem : 4
Ambas : 0
4.1 4.2 4.3 4.4 4.5 4.6 5.1
Total : 1 Sim: 0 Sim:14 Sim: 5 Sim: 6 Sim:21 Manual :21
Parcial : 2 Não:21 Não: 7 Não:16 Não:15 Não: 0 Mecânica: 0
Já ouvi, mas não conheço: 7
Desconheço :11
5.2 5.3 5.4 5.5
Coberto e cimentado : 0 Tanque comunitário: 0 1 vez ao dia :21 Diário : 4
Coberto e terra batida :19 Tanque próprio : 0 2 vezes ao dia: 0 Esporádico (as vezes): 4
Descoberto e terra batida: 2 Não tem :21 Raramente (já fez) : 1
Não realiza :12
5.6 5.7 5.8 5.9
Realiza : 0 Lavagem com água:4 Pós dipping : 1 Alimentação das vacas : 0
Não realiza:21 Pré dipping :2 Bezerro junto com a vaca:15 Libera para a pastagem:21
Pano único :8 Não aplica : 5 Não aplica : 0
Não realiza :7
5.10 5.11 6.1 6.2 6.3
Detergente e sanitizante: 6 Sim:21 Laticínios ou Queijarias : 1 Sim: 0 Diário :21
Detergente :15 Não: 0 Atravessador ou Venda direta: 1 Não:21 Dois dias : 0
Somente água : 0 Produção própria :19 Três dias : 0
Não tem rotina: 0
6.4 cluster
Diário : 1 Min. :3
Período definido: 1 1st Qu.:3
Aleatório :19 Median :3
Mean :3
3rd Qu.:3
Max. :3
[[4]]
1.1 1.2 1.3 1.4 1.5
Proprietário:10 Leiteira : 1 Pavimentada : 6 Min. : 4.00 Min. : 60
Morador : 7 Leiteira e engorda:16 Não_pavimentada:11 1st Qu.: 5.00 1st Qu.: 80
Median :14.00 Median :120
Mean :13.35 Mean :158
3rd Qu.:16.00 3rd Qu.:180
Max. :48.00 Max. :750
1.6 1.7 1.8 1.9 1.10 2.1
Min. : 4.00 Min. : 2.00 Min. : 6.00 Sim:16 Min. : 10 Solteiro : 0
1st Qu.:17.00 1st Qu.: 8.00 1st Qu.:25.00 Não: 1 1st Qu.: 50 Casado ou União estável:17
Median :27.00 Median :11.00 Median :30.00 Median : 66
Mean :28.47 Mean :11.76 Mean :35.24 Mean : 95
3rd Qu.:40.00 3rd Qu.:15.00 3rd Qu.:45.00 3rd Qu.:140
Max. :60.00 Max. :28.00 Max. :65.00 Max. :239
2.2 2.3 3.11 3.12
Fundamental Incompleto:9 Min. :32.00 Braquiaria:16 Silagem : 0
Fundamental completo :2 1st Qu.:48.00 Panicum : 0 Cana de açúcar e/ou Capineira: 2
Ensino médio completo :6 Median :58.00 Cynodon : 1 Não fornece :15
Superior completo :0 Mean :54.94 Outros : 0
3rd Qu.:61.00
Max. :75.00
3.13 3.14 3.15 3.16
Ano todo : 1 Vacas em lactação : 1 Cálculo técnico: 0 Ano todo : 0
No período da seca: 0 Vacas em lactação e secas: 0 Produtividade : 0 Na seca : 0
Aleatório : 1 Todo rebanho : 0 Sem critério : 1 Aleatório : 1
Não fornece :15 Não fornece :16 Não fornece :16 Não fornece:16
3.2 3.21 3.22 3.23 3.24
Holandesa :0 Produtor :17 Sim:16 Sim:15 Min. :0.0000
Outros :2 Orgão governamentais: 0 Não: 1 Não: 2 1st Qu.:0.0000
Girolanda :7 Terceirizado : 0 Median :0.0000
Vacas mestiças:8 Mean :0.5882
3rd Qu.:1.0000
Max. :3.0000
3.31 3.32 3.33 3.34 3.35
Monta natural :17 Sim: 4 Sim: 0 Sim: 1 Entre 11 e 13 meses: 0
Monta controlada : 0 Não:13 Não:17 Não:16 Entre 14 e 17 meses: 1
Inseminação artificial: 0 Não sabem :16
Ambas : 0
4.1 4.2 4.3 4.4 4.5 4.6 5.1
Total : 0 Sim: 0 Sim: 1 Sim: 0 Sim: 2 Sim:17 Manual :17
Parcial : 0 Não:17 Não:16 Não:17 Não:15 Não: 0 Mecânica: 0
Já ouvi, mas não conheço: 1
Desconheço :16
5.2 5.3 5.4 5.5
Coberto e cimentado : 0 Tanque comunitário: 0 1 vez ao dia :17 Diário : 0
Coberto e terra batida :14 Tanque próprio : 0 2 vezes ao dia: 0 Esporádico (as vezes): 2
Descoberto e terra batida: 3 Não tem :17 Raramente (já fez) : 4
Não realiza :11
5.6 5.7 5.8 5.9
Realiza : 0 Lavagem com água:8 Pós dipping : 0 Alimentação das vacas : 0
Não realiza:17 Pré dipping :0 Bezerro junto com a vaca:17 Libera para a pastagem:15
Pano único :4 Não aplica : 0 Não aplica : 2
Não realiza :5
5.10 5.11 6.1 6.2 6.3
Detergente e sanitizante: 1 Sim: 7 Laticínios ou Queijarias :2 Sim: 0 Diário :11
Detergente :16 Não:10 Atravessador ou Venda direta:8 Não:17 Dois dias : 0
Somente água : 0 Produção própria :7 Três dias : 1
Não tem rotina: 5
6.4 cluster
Diário : 3 Min. :4
Período definido: 2 1st Qu.:4
Aleatório :12 Median :4
Mean :4
3rd Qu.:4
Max. :4
[[5]]
1.1 1.2 1.3 1.4 1.5
Proprietário:5 Leiteira :5 Pavimentada :2 Min. : 1.0 Min. : 51.0
Morador :0 Leiteira e engorda:0 Não_pavimentada:3 1st Qu.:11.0 1st Qu.: 60.0
Median :17.0 Median : 62.0
Mean :14.4 Mean : 89.4
3rd Qu.:21.0 3rd Qu.:110.0
Max. :22.0 Max. :164.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. :10.0 Min. : 5.0 Min. :20 Sim:5 Min. : 27.0 Solteiro :0
1st Qu.:12.0 1st Qu.: 5.0 1st Qu.:25 Não:0 1st Qu.: 35.0 Casado ou União estável:5
Median :14.0 Median : 7.0 Median :30 Median : 60.0
Mean :25.4 Mean : 8.2 Mean :29 Mean : 94.4
3rd Qu.:30.0 3rd Qu.:11.0 3rd Qu.:30 3rd Qu.: 90.0
Max. :61.0 Max. :13.0 Max. :40 Max. :260.0
2.2 2.3 3.11 3.12
Fundamental Incompleto:1 Min. :38 Braquiaria:4 Silagem :0
Fundamental completo :1 1st Qu.:42 Panicum :0 Cana de açúcar e/ou Capineira:4
Ensino médio completo :2 Median :46 Cynodon :1 Não fornece :1
Superior completo :1 Mean :46 Outros :0
3rd Qu.:52
Max. :52
3.13 3.14 3.15 3.16
Ano todo :0 Vacas em lactação :1 Cálculo técnico:0 Ano todo :0
No período da seca:2 Vacas em lactação e secas:0 Produtividade :0 Na seca :0
Aleatório :2 Todo rebanho :0 Sem critério :1 Aleatório :1
Não fornece :1 Não fornece :4 Não fornece :4 Não fornece:4
3.2 3.21 3.22 3.23 3.24 3.31
Holandesa :0 Produtor :5 Sim:5 Sim:5 Min. :0.0 Monta natural :5
Outros :0 Orgão governamentais:0 Não:0 Não:0 1st Qu.:0.0 Monta controlada :0
Girolanda :1 Terceirizado :0 Median :0.0 Inseminação artificial:0
Vacas mestiças:4 Mean :0.8 Ambas :0
3rd Qu.:1.0
Max. :3.0
3.32 3.33 3.34 3.35 4.1 4.2 4.3 4.4
Sim:4 Sim:5 Sim:1 Entre 11 e 13 meses:0 Total :0 Sim:0 Sim:1 Sim:2
Não:1 Não:0 Não:4 Entre 14 e 17 meses:5 Parcial :0 Não:5 Não:4 Não:3
Não sabem :0 Já ouvi, mas não conheço:2
Desconheço :3
4.5 4.6 5.1 5.2 5.3 5.4
Sim:4 Sim:5 Manual :5 Coberto e cimentado :0 Tanque comunitário:0 1 vez ao dia :5
Não:1 Não:0 Mecânica:0 Coberto e terra batida :4 Tanque próprio :0 2 vezes ao dia:0
Descoberto e terra batida:1 Não tem :5
5.5 5.6 5.7 5.8
Diário :0 Realiza :0 Lavagem com água:4 Pós dipping :0
Esporádico (as vezes):0 Não realiza:5 Pré dipping :0 Bezerro junto com a vaca:5
Raramente (já fez) :0 Pano único :0 Não aplica :0
Não realiza :5 Não realiza :1
5.9 5.10 5.11 6.1 6.2
Alimentação das vacas :0 Detergente e sanitizante:1 Sim:4 Laticínios ou Queijarias :0 Sim:0
Libera para a pastagem:4 Detergente :3 Não:1 Atravessador ou Venda direta:2 Não:5
Não aplica :1 Somente água :1 Produção própria :3
6.3 6.4 cluster
Diário :5 Diário :2 Min. :5
Dois dias :0 Período definido:0 1st Qu.:5
Três dias :0 Aleatório :3 Median :5
Não tem rotina:0 Mean :5
3rd Qu.:5
Max. :5
[[6]]
1.1 1.2 1.3 1.4 1.5
Proprietário:7 Leiteira :5 Pavimentada :0 Min. : 15.00 Min. : 60.00
Morador :1 Leiteira e engorda:3 Não_pavimentada:8 1st Qu.: 16.75 1st Qu.: 93.75
Median : 18.50 Median :180.00
Mean : 34.38 Mean :186.88
3rd Qu.: 21.50 3rd Qu.:255.00
Max. :146.00 Max. :360.00
1.6 1.7 1.8 1.9 1.10 2.1
Min. : 16.00 Min. : 7.00 Min. : 25.0 Sim:4 Min. : 45.0 Solteiro :0
1st Qu.: 31.25 1st Qu.:14.00 1st Qu.: 95.0 Não:4 1st Qu.: 80.0 Casado ou União estável:8
Median : 55.00 Median :20.50 Median :120.0 Median :105.0
Mean : 56.38 Mean :26.62 Mean :111.2 Mean :169.6
3rd Qu.: 67.50 3rd Qu.:31.25 3rd Qu.:138.8 3rd Qu.:230.0
Max. :120.00 Max. :74.00 Max. :180.0 Max. :402.0
2.2 2.3 3.11 3.12
Fundamental Incompleto:5 Min. :24.0 Braquiaria:6 Silagem :0
Fundamental completo :2 1st Qu.:43.0 Panicum :0 Cana de açúcar e/ou Capineira:0
Ensino médio completo :1 Median :53.0 Cynodon :2 Não fornece :8
Superior completo :0 Mean :49.0 Outros :0
3rd Qu.:55.5
Max. :70.0
3.13 3.14 3.15 3.16
Ano todo :0 Vacas em lactação :0 Cálculo técnico:0 Ano todo :0
No período da seca:0 Vacas em lactação e secas:0 Produtividade :0 Na seca :0
Aleatório :0 Todo rebanho :0 Sem critério :0 Aleatório :0
Não fornece :8 Não fornece :8 Não fornece :8 Não fornece:8
3.2 3.21 3.22 3.23 3.24 3.31
Holandesa :2 Produtor :5 Sim:8 Sim:8 Min. :0.00 Monta natural :8
Outros :1 Orgão governamentais:1 Não:0 Não:0 1st Qu.:0.00 Monta controlada :0
Girolanda :3 Terceirizado :2 Median :0.00 Inseminação artificial:0
Vacas mestiças:2 Mean :0.75 Ambas :0
3rd Qu.:0.75
Max. :3.00
3.32 3.33 3.34 3.35 4.1 4.2 4.3 4.4
Sim:8 Sim:0 Sim:3 Entre 11 e 13 meses:0 Total :0 Sim:3 Sim:6 Sim:1
Não:0 Não:8 Não:5 Entre 14 e 17 meses:0 Parcial :0 Não:5 Não:2 Não:7
Não sabem :8 Já ouvi, mas não conheço:5
Desconheço :3
4.5 4.6 5.1 5.2 5.3 5.4
Sim:1 Sim:8 Manual :8 Coberto e cimentado :1 Tanque comunitário:0 1 vez ao dia :8
Não:7 Não:0 Mecânica:0 Coberto e terra batida :7 Tanque próprio :0 2 vezes ao dia:0
Descoberto e terra batida:0 Não tem :8
5.5 5.6 5.7 5.8
Diário :0 Realiza :0 Lavagem com água:2 Pós dipping :0
Esporádico (as vezes):0 Não realiza:8 Pré dipping :0 Bezerro junto com a vaca:5
Raramente (já fez) :0 Pano único :0 Não aplica :3
Não realiza :8 Não realiza :6
5.9 5.10 5.11 6.1 6.2
Alimentação das vacas :0 Detergente e sanitizante:5 Sim:3 Laticínios ou Queijarias :1 Sim:0
Libera para a pastagem:8 Detergente :3 Não:5 Atravessador ou Venda direta:3 Não:8
Não aplica :0 Somente água :0 Produção própria :4
6.3 6.4 cluster
Diário :7 Diário :4 Min. :6
Dois dias :1 Período definido:0 1st Qu.:6
Três dias :0 Aleatório :4 Median :6
Não tem rotina:0 Mean :6
3rd Qu.:6
Max. :6
[[7]]
1.1 1.2 1.3 1.4 1.5
Proprietário:3 Leiteira :1 Pavimentada :0 Min. : 3.0 Min. :180.0
Morador :0 Leiteira e engorda:2 Não_pavimentada:3 1st Qu.: 7.5 1st Qu.:215.0
Median :12.0 Median :250.0
Mean :19.0 Mean :383.3
3rd Qu.:27.0 3rd Qu.:485.0
Max. :42.0 Max. :720.0
1.6 1.7 1.8 1.9 1.10 2.1
Min. :100.0 Min. :25.00 Min. :125.0 Sim:2 Min. :200.0 Solteiro :0
1st Qu.:100.0 1st Qu.:27.50 1st Qu.:152.5 Não:1 1st Qu.:250.0 Casado ou União estável:3
Median :100.0 Median :30.00 Median :180.0 Median :300.0
Mean :133.3 Mean :36.67 Mean :218.3 Mean :366.7
3rd Qu.:150.0 3rd Qu.:42.50 3rd Qu.:265.0 3rd Qu.:450.0
Max. :200.0 Max. :55.00 Max. :350.0 Max. :600.0
2.2 2.3 3.11 3.12
Fundamental Incompleto:1 Min. :36.00 Braquiaria:2 Silagem :0
Fundamental completo :2 1st Qu.:47.00 Panicum :0 Cana de açúcar e/ou Capineira:1
Ensino médio completo :0 Median :58.00 Cynodon :1 Não fornece :2
Superior completo :0 Mean :54.33 Outros :0
3rd Qu.:63.50
Max. :69.00
3.13 3.14 3.15 3.16
Ano todo :1 Vacas em lactação :2 Cálculo técnico:0 Ano todo :2
No período da seca:0 Vacas em lactação e secas:0 Produtividade :0 Na seca :0
Aleatório :0 Todo rebanho :0 Sem critério :2 Aleatório :0
Não fornece :2 Não fornece :1 Não fornece :1 Não fornece:1
3.2 3.21 3.22 3.23 3.24 3.31
Holandesa :1 Produtor :1 Sim:3 Sim:3 Min. : 4 Monta natural :2
Outros :0 Orgão governamentais:0 Não:0 Não:0 1st Qu.: 7 Monta controlada :0
Girolanda :2 Terceirizado :2 Median :10 Inseminação artificial:0
Vacas mestiças:0 Mean : 8 Ambas :1
3rd Qu.:10
Max. :10
3.32 3.33 3.34 3.35 4.1 4.2 4.3 4.4
Sim:3 Sim:3 Sim:3 Entre 11 e 13 meses:2 Total :1 Sim:0 Sim:2 Sim:0
Não:0 Não:0 Não:0 Entre 14 e 17 meses:1 Parcial :0 Não:3 Não:1 Não:3
Não sabem :0 Já ouvi, mas não conheço:1
Desconheço :1
4.5 4.6 5.1 5.2 5.3 5.4
Sim:0 Sim:3 Manual :2 Coberto e cimentado :3 Tanque comunitário:1 1 vez ao dia :3
Não:3 Não:0 Mecânica:1 Coberto e terra batida :0 Tanque próprio :0 2 vezes ao dia:0
Descoberto e terra batida:0 Não tem :2
5.5 5.6 5.7 5.8
Diário :1 Realiza :0 Lavagem com água:3 Pós dipping :2
Esporádico (as vezes):2 Não realiza:3 Pré dipping :0 Bezerro junto com a vaca:1
Raramente (já fez) :0 Pano único :0 Não aplica :0
Não realiza :0 Não realiza :0
5.9 5.10 5.11 6.1 6.2
Alimentação das vacas :0 Detergente e sanitizante:3 Sim:3 Laticínios ou Queijarias :3 Sim:0
Libera para a pastagem:3 Detergente :0 Não:0 Atravessador ou Venda direta:0 Não:3
Não aplica :0 Somente água :0 Produção própria :0
6.3 6.4 cluster
Diário :2 Diário :0 Min. :7
Dois dias :0 Período definido:3 1st Qu.:7
Três dias :1 Aleatório :0 Median :7
Não tem rotina:0 Mean :7
3rd Qu.:7
Max. :7 res.hc <- hclust(d = gower_dist, method = "ward.D2")
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.5265494res.hc <- hclust(d = gower_dist, method ="average" )
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.6896562res.hc <- hclust(d = gower_dist, method ="single" )
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.6371005res.hc <- hclust(d = gower_dist, method ="complete" )
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.5680145res.hc <- hclust(d = gower_dist, method ="mcquitty" )
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.5437117res.hc <- hclust(d = gower_dist, method ="centroid" )
# Compute cophenetic distance
res.coph <- cophenetic(res.hc)
# Correlation between cophenetic distance and the original distance
cor(gower_dist, res.coph)[1] 0.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