Página Inicial

🌐 Guia da Distância de Mahalanobis 🌐

A distância que entende a forma dos seus dados.

O que é a Distância de Mahalanobis?

A Distância de Mahalanobis é uma medida estatística avançada que calcula a distância de um ponto até o centro de uma distribuição de dados. Ao contrário da Distância Euclidiana (linha reta), ela leva em consideração a correlação e a variância das variáveis.

Pense na Distância Euclidiana como uma régua rígida. Ela mede a distância da mesma forma em todas as direções. Já a Distância de Mahalanobis usa uma "régua elástica" que se estica e se encolhe para se adaptar à forma da distribuição dos dados. Se os dados formam uma elipse, a distância é medida em unidades dessa elipse.

Isso a torna uma ferramenta poderosa para detecção de outliers em dados multivariados, pois um ponto pode parecer normal em cada variável isoladamente, mas ser um outlier quando a relação entre as variáveis é considerada.

💡 Fórmula e Seus Componentes

A fórmula da Distância de Mahalanobis (DM) envolve operações de álgebra linear para incorporar a estrutura dos dados.

Fórmula Geral

A distância de um ponto x a uma distribuição com média μ e matriz de covariância S é:

DM(x) = √((x - μ)T S-1 (x - μ))

📝 Desvendando os Termos

  • x: O vetor do ponto que você está medindo.
  • μ (mu): O vetor de médias da distribuição (o "centro" da nuvem de dados).
  • (x - μ): O vetor que aponta do centro da distribuição para o seu ponto.
  • S: A matriz de covariância. Este é o componente chave. Ela descreve a "forma" e a "orientação" da sua nuvem de dados, capturando como as variáveis mudam juntas.
  • S-1: A inversa da matriz de covariância. Esta operação "desfaz" as correlações e ajusta as escalas, transformando a nuvem de dados elíptica em uma nuvem circular antes de medir a distância.
  • T (Transposta): Uma operação matricial para alinhar os vetores para a multiplicação.

🧠 Intuição e Vantagens

Por que Mahalanobis é superior à distância Euclidiana em muitos cenários de dados reais?

  • 1. Lida com Correlações

    Se altura e peso são correlacionados, um ponto que é um pouco alto e um pouco pesado pode ser normal. A Distância de Mahalanobis entende essa relação e não penaliza o ponto indevidamente, ao contrário da Euclidiana.

  • 2. É Invariante à Escala

    Não importa se você mede altura em metros ou centímetros. Como a distância é normalizada pela variância, a Distância de Mahalanobis não é afetada pela escala das variáveis, eliminando a necessidade de normalização manual em muitos casos.

  • 3. Detecta Outliers Multivariados

    Sua principal força. Um ponto pode não ser um outlier em nenhuma dimensão isolada, mas sua combinação pode ser anômala. Mahalanobis captura isso medindo a distância em relação à distribuição conjunta dos dados.

🎯 Aplicações no Mundo Real

Devido às suas propriedades robustas, a Distância de Mahalanobis é uma ferramenta essencial para análise de dados multivariados.

🚨 Detecção de Anomalias e Fraudes

Sua aplicação mais famosa. É usada para identificar transações de cartão de crédito fraudulentas, falhas em sistemas industriais ou qualquer observação que se desvie significativamente do "comportamento normal" dos dados.

🧩 Classificação Estatística

Em algoritmos como o Análise Discriminante Linear (LDA), é usada para atribuir uma nova observação à classe mais provável, calculando a distância de Mahalanobis do ponto ao centro de cada classe.

🏭 Controle de Qualidade

Para monitorar processos de fabricação. Um produto cujas múltiplas características medidas resultam em uma alta distância de Mahalanobis da norma pode ser sinalizado para inspeção.

🛰️ Análise de Imagens e Sensoriamento Remoto

Na classificação de pixels em imagens de satélite. Cada pixel tem valores em diferentes bandas espectrais (dados multivariados), e a distância é usada para classificar o tipo de terreno (floresta, água, área urbana).

🔬 Calculadora Interativa

Defina um Ponto de Observação (P) e os parâmetros da Distribuição (Média μ e Matriz de Covariância S). O gráfico mostrará a elipse de 1 desvio-padrão da distribuição e a Distância de Mahalanobis do ponto ao centro. Brinque com o valor da covariância (σxy) para ver como a forma da distribuição e a distância mudam!

Ponto de Observação P (x, y)

Média da Distribuição μ (μx, μy)

Matriz de Covariância S

Var(X) (σ²x):
Var(Y) (σ²y):
Cov(X,Y) (σxy):

Distância de Mahalanobis (DM):

N/A

Detalhes do Cálculo

S-1 (Inversa da Covariância): 


                  

                    Determinante de S:
                    
                  

                

              

            

            

              

                
              

              

                A elipse representa o contorno de 1 desvio padrão da
                distribuição.