Submitted by Emanuel Varela Cardoso (emanuel.varela@ufcg.edu.br) on 2018-09-10T20:31:40Z No. of bitstreams: 1 MIRKO BARBOSA PERKUSICH – DISSERTAÇÃO (PPGCC) 2018.pdf: 3631770 bytes, checksum: 855cc4a180be90ee4d3788f2b18b6141 (MD5) / Made available in DSpace on 2018-09-10T20:31:40Z (GMT). No. of bitstreams: 1 MIRKO BARBOSA PERKUSICH – DISSERTAÇÃO (PPGCC) 2018.pdf: 3631770 bytes, checksum: 855cc4a180be90ee4d3788f2b18b6141 (MD5) Previous issue date: 2018-03-05 / O aumento na utilização de métodos ágeis tem sido motivado pela necessidade de respostas rápidas a demandas de um mercado volátil na área de software. Em contraste com os tradicionais processos dirigidos a planos, métodos ágeis são focados nas pessoas, orientados à comunicação, flexíveis, rápidos, leves, responsivos e dirigidos à aprendizagem e melhoria contínua. Como consequência, fatores subjetivos tais como colaboração, comunicação e auto-organização são chaves para avaliar a maturidade do desenvolvimento de software ágil. O Scrum, focado no gerenciamento de projetos, é o método ágil mais popular. Ao ser adotado por uma equipe, a aplicação do Scrum deve ser melhorada continuamente sendo complementado com práticas e processos de desenvolvimento e gerenciamento ágeis. Apesar da Reunião de Retrospectiva, evento do Scrum, ser um período reservado ao final de cada sprint para a equipe refletir sobre a melhoria do método de desenvolvimento, não há procedimentos claros e específicos para a realização da mesma. Na literatura, há diversas propostas de soluções, embora nenhuma consolidada, para tal. Desta forma, o problema em questão é: como instrumentar o Scrum para auxiliar na melhoria contínua do método de desenvolvimento com foco na avaliação do processo de engenharia de requisitos, equipe de desenvolvimento e incrementos do produto? Nesta tese, propõe-se um processo sistemático baseado em redes bayesianas para auxiliar na avaliação da aplicação do Scrum em projetos de software, instrumentando o método para auxiliar na sua melhoria contínua com foco na avaliação do processo de engenharia de requisitos, equipe de desenvolvimento e incrementos do produto. A rede bayesiana foi construída por meio de um processo de Engenharia de Conhecimento de Redes Bayesianas. Uma base de dados, elicitada de dezoito projetos reais de uma empresa, foi coletada por meio de um questionário. Essa base de dados foi utilizada para avaliar a acurácia da predição da Rede Bayesiana. Como resultado, a previsão foi correta para quatorze projetos (acurácia de 78%). Dessa forma, conclui-se que o modelo é capaz de realizar previsões com acurácia satisfatória e, dessa forma, é útil para auxiliar nas tomadas de decisões de projetos Scrum. / The use of Agile Software Development (ASD) is increasing to satisfy the need to respond to fast moving market demand and gain market share. In contrast with traditional plan-driven processes, ASD are people and communication-oriented, flexible, fast, lightweight, responsive, driven for learning and continuous improvement. As consequence, subjective factors such as collaboration, communication and self-management are key to evaluate the maturity of agile adoption. Scrum, which is focused on project management, is the most popular agile method. Whenever adopted, the usage of Scrum must be continuously improved by complementing it with development and management practices and processes. Even though the Retrospective Meeting, a Scrum event, is a period at the end of each sprint for the team to assess the development method, there are no clear and specific procedures to conduct it. In literature, there are several, but no consolidated, proposed solutions to assist on ASD adoption and assessment. Therefore, the research problem is: how to instrument Scrum to assist on the continuous improvement of the development method focusing on the requirements engineering process, development team and product increment? In this thesis, we propose a Bayesian networks-based process to assist on the assessment of Scrum-based projects, instrumenting the software development method to assist on its continuous improvement focusing on the requirements engineering process, development team and product increments. We have built the Bayesian network using a Knowledge Engineering Bayesian Network (KEBN) process that calculates the customer satisfaction given factors of the software development method. To evaluate its prediction accuracy, we have collected data from 18 industry projects from one organization through a questionnaire. As a result, the prediction was correct for fourteen projects (78% accuracy). Therefore, we conclude that the model is capable of accurately predicting the customer satisfaction and is useful to assist on decision-support on Scrum projects.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-05-03T19:36:54Z No. of bitstreams: 1 AMAURY BARTOLOMEU CARNEIRO DE MEDEIROS - DISSERTAÇÃO PPGCC 2015..pdf: 3809714 bytes, checksum: e4ae5f10c7d2ee693dd71ba13c914ebf (MD5) / Made available in DSpace on 2018-05-03T19:36:54Z (GMT). No. of bitstreams: 1 AMAURY BARTOLOMEU CARNEIRO DE MEDEIROS - DISSERTAÇÃO PPGCC 2015..pdf: 3809714 bytes, checksum: e4ae5f10c7d2ee693dd71ba13c914ebf (MD5) Previous issue date: 2015-12-02 / Apesar do alto número de métricas de software que vêm sendo apresentadas desde a década de 1960, sua adoção e implantação ainda é limitada em diversas situações. Um desafio encontrado ao se usar métricas é interpretá-las para se fazer análises e predições em projetos de desenvolvimento de software. Alguns pesquisadores propuseram abordagens para definir limiares que determinam se um valor medido para uma métrica é aceitável ou não, com o intuito de auxiliar desenvolvedores e gerentes a interpretá-la. Essas abordagens, no entanto, não consideram riscos e outros fatores subjetivos que têm impacto no processo de medição e que podem influenciar a interpretação das métricas e, consequentemente, nas decisões do gerente Outros pesquisadores propuseram modelos que combinam métricas de software e fatores subjetivos para auxiliar o processo de tomada de decisões, mas eles não consideraram riscos na interpretação, como problemas nos processos de coleta e relatório de métricas ou o mau uso destas. Nesta pesquisa, é proposta uma abordagem para se construir redes Bayesianas para auxiliar a interpretação de métricas considerando esses riscos. As redes Bayesianas construídas auxiliam os gerentes a identificar riscos relacionados a métricas e fatores controladores para mitigá-los. O objetivo é maximizar a acurácia das métricas e minimizar o número de decisões erradas tomadas com base em métricas de software. A abordagem foi validada com sucesso em um estudo de caso aplicado em quatro projetos e foi concluído que se trata de uma abordagem promissora para auxiliar gerentes e desenvolvedores a interpretar métricas e dar suporte ao processo de tomada de decisão em projetos de software. / Despite the large amount of software metrics that has been proposed since the 1960s, their adoption and application is still limited in many situations. A challenge in using metrics is to interpret them to make assessments and predictions regarding software development projects. Several researchers proposed approaches to define thresholds to determine whether the value of a metric is acceptable, in order to help the developers and managers to interpret it. These approaches, however, do not consider risks and other subjective factors that have impact in the measurement process and might influence the metrics’ interpretation and consequently the manager’s decision. Other researchers proposed models combining software metrics and subjective factors to assist on decision-making, but they did not consider interpretation risks such as problems in metrics’ collection and reporting process and metrics misuse. In this research, we propose an approach to construct Bayesian networks to assist on metrics interpretation considering these risks. The Bayesian networks constructed help the managers to identify risks related to the metrics and controller factors to mitigate them. The goal is to maximize the metrics’ accuracy and minimize wrong decisions based on software metrics. The approach was successfully validated with a case study performed with four projects and we concluded that it’s a promising approach to assist practitioners to interpret metrics and support software projects managerial decision-making.

A representação do conhecimento de maneira mais fiel possível à realidade é uma meta histórica e não resolvida até o momento na área da Inteligência Artificial. Problemas são resolvidos e decisões são tomadas levando-se em conta diversos tipos de conhecimentos, os quais muitos são tendenciosos, inexatos, ambíguos ou ainda incompletos. A fim de tentar emular a capacidade de representação do conhecimento humano, levando-se em conta as diversas dificuldades inerentes, tem-se construído sistemas computacionais que armazenam o conhecimento das mais diversas formas. Dentro deste contexto, este trabalho propõe um experimento que utiliza duas formas distintas de representação do conhecimento: a simbólica, neste caso BDI, e a probabilística, neste caso Redes Bayesianas. Para desenvolvermos uma prova de conceito desta proposta de representação do conhecimento estamos utilizando exemplos que serão construídos através da tecnologia de programação voltada para agentes. Para tal, foi desenvolvida uma implementação de um Sistema MultiAgente, estendendo o framework Jason através da implementação de um plugin chamado COPA. Para a representação do conhecimento probabilístico, utilizamos uma ferramenta de construção de Redes Bayesianas, também adaptada a este sistema. Os estudos de caso mostraram melhorias no gerenciamento do conhecimento incerto em relação às abordagens de construções de agentes BDI clássicos, ou seja, que não utilizam conhecimento probabilístico. / Achieving faithful representation of knowledge is a historic and still unreached goal in the area of Artificial Intelligence. Problems are solved and decisions are made taking into consideration different kinds of knowledge, from which many are biased, inaccurate, ambiguous or still incomplete. Computational systems that store knowledge in many different ways have been built in order to emulate the capacity of human knowledge representation, taking into consideration the several inherent difficulties to it. Within this context, this paper proposes an experiment that utilizes two distinct ways of representing knowledge: symbolic, BDI in this case, and probabilistic, Bayesian Networks in this case. In order to develop a proof of concept of this propose of knowledge representation, examples that will be built through agent oriented programming technology will be used. For that, implementation of a MultiAgent System was developed, extending the Jason framework through the implementation of a plugin called COPA. For the representation of probabilistic knowledge, a Bayesian Network building tool, also adapted to this system, was used. The case studies showed improvement in the management of uncertain knowledge in relation to the building approaches of classic BDI agents, i.e., that do not use probabilistic knowledge.

O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes. / The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.

Made available in DSpace on 2010-04-20T21:00:10Z (GMT). No. of bitstreams: 3 ricardopedreti.pdf.jpg: 16529 bytes, checksum: f0068caf5842b92d8c35ffdcd05524bd (MD5) ricardopedreti.pdf: 2272016 bytes, checksum: 008e03c162cbef3bf23a95e184265530 (MD5) ricardopedreti.pdf.txt: 241136 bytes, checksum: e1c28df730f597bd1ec33f59305844b4 (MD5) Previous issue date: 2008-02-11T00:00:00Z / Bayesian Networks may be powerful tools for Financial-Economics modeling. When high degree of uncertainty is present, these tools can be used as strongly helpful advisors in the decision making process. Non-linear relations among variables are normally not captured in traditional linear econometric models. Moreover, specially on situation of crisis or rupture, linear relation do no represent anymore a good proxy to real behavior of financial-economical variables. This contributes for increasing the distance between the theoretical forecasting model and the real data. Throughout this work, we show a methodology for gathering and applying data into Bayesian Networks in order to obtain cash flow growing models for some Brazilian companies and the economical sector they play. Later on, we compare the results of such predictions to the traditional econometric models, and finally to the real data observed in such period. As a conclusion of the study, we make an evaluation of the pros and cons of using Bayesian Network for such application. / Redes Bayesianas podem ser ferramentas poderosas para construção de modelos econômico-financeiros utilizados para auxílio à tomada de decisão em situações que envolvam grau elevado de incerteza. Relações não-lineares entre variáveis não são capturadas em modelos econométricos lineares. Especialmente em momentos de crise ou de ruptura, relações lineares, em geral, não mais representam boa aproximação da realidade, contribuindo para aumentar a distância entre os modelos teóricos de previsão e dados reais. Neste trabalho, é apresentada uma metodologia para levantamento de dados e aplicação de Redes Bayesianas na obtenção de modelos de crescimento de fluxos de caixa de empresas brasileiras. Os resultados são comparados a modelos econométricos de regressão múltipla e finalmente comparados aos dados reais observados no período. O trabalho é concluído avaliando-se as vantagens de desvantagens da utilização das Redes de Bayes para esta aplicação.

As teorias que sustentam os modelos de precificação têm obtido resultados pouco satisfatórios ou insatisfatórios, uma vez que em cada estudo busca aproximar-se da realidade por apenas uma face, não observando o problema de todos os ângulos. Nesse sentido, percebeu-se um gap nos estudos de previsão, explorar sob outras lentes a dinâmica das variáveis do mercado que influenciam a formação do preço para o seu prévio monitoramento. Assim, o objetivo desta pesquisa foi construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço futuro de uma commodity a curto e médio prazo, notadamente para o butadieno, um derivado do petróleo. Para que isto fosse possível, foi realizada a datação dos pontos de mudança do preço dessa commodity, frente aos acontecimentos históricos e, a partir daí, construído o estudo sobre três estruturas: mercado, política e econômica. A partir de então, observou-se quais seriam as variáveis mais consistentes para formar a base da pesquisa. As previsões obtidas revelam um desempenho superior às pesquisas anteriormente realizadas. Assim, a análise da previsão dos pontos de mudança constitui um instrumento informativo para sinalizar o comportamento futuro do preço da commodity do butadieno. A ferramenta utilizada para o modelo de precificação de modo a compreender a natureza das flutuações foram as Redes Bayesianas, que apresentam a capacidade de expressar as probabilidades e de um conjunto de variáveis aleatórias previamente definidas, e fazer predições adequadas. A inferência sobre o preço da commodity do butadieno, a curto e médio prazo, é realizada com o auxílio do software GeNIe 2.0. Conclui-se que investir em pesquisas que utilizem de Inteligência Artificial como métodos preditivos, como a utilização de Redes Bayesianas apresenta a vantagem de compreender a relação causa e efeito através da análise de Cenários. Assim, o objetivo de construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço do butadieno a curto e médio prazo, foi alcançado. Para determinado período houve 84% de chances de acerto nas previsões. / The theories that support pricing models have obtained little satisfactory or unsatisfactory results, once each study examines only one aspect of reality, without studying the problem as a whole. In this sense its necessary to explore under other aspects the dynamics of market variables that influence the pricing for its prior monitoring. The objective of this research was to build a decision support tool capable of periodically forecast the future price of a commodity in the short and medium term, especially for butadiene, an oil derivative. To make it possible, was done the dating of turning points in the price of this commodity compared to the historical events and based on these data to build this study on three structures: market, political and economic. Then, we identified the most consistent variables to form the basis of the research. The forecasts obtained show a higher performance compared to previous investigations. Thus, the forecast analysis of turning points is an informative tool to signal the future behavior of the price of this commodity. To understand the nature of these fluctuations, the method used in the pricing model were the Bayesian networks, which are capable of expressing the probabilities of a set of random variables defined previously and make appropriate predictions. The inference on the commodity price of butadiene – in the short and medium term, was performed using the Genie 2.0 software. The conclusion was that investing in research using artificial intelligence and predictive methods such as the Bayesian networks, has the advantage of understanding the relationship of cause and effect through scenario analysis. So the objective of building a decision support tool that can predict periodically, the price of butadiene in the short and medium term, has been achieved. For certain period was 84% accurate in forecasts of chances.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2014. / Made available in DSpace on 2015-02-05T20:33:30Z (GMT). No. of bitstreams: 1 328218.pdf: 1468123 bytes, checksum: d3fd465861070343779302a303b9297d (MD5) Previous issue date: 2014 / Devido à grande rotatividade de produtos, a garantia da qualidade é um dos maiores desafios enfrentados em uma linha de produção em pequenas séries. Para superar esse problema, deve-se investir em sistemas flexíveis que possam ser adaptados para novas variedades de produtos. Utilizando como estudo de caso uma linha de montagem de placas de circuito impresso em pequenas séries, foi constatado que o principal problema para a garantia da qualidade é a identificação correta da origem dos defeitos observados durante a etapa de inspeção na linha de produção, visto que a relação entre causa e defeito é muito complexa e possui um alto grau de incerteza. Essa dissertação utiliza como proposta de solução a integração das técnicas de redes bayesianas e sistema multiagente, apresentando como resultado um sistema que possibilita a melhoria na qualidade do diagnóstico de defeitos encontrados na linha de produção utilizada como estudo de caso, quando comparado às soluções apresentadas anteriormente.<br> / Abstract : Due to the large product variety, the quality assurance is one of the biggest challenges in small series production (SSP). In order to solve this problem, it is required to develop flexible inspection systems, able to adapt to each new product. Using a small series printed circuit board (PCB) assembly line as a case study, it was identified that one of the main problems for the quality assurance in SSP is the correct identification of the causes of the observed faults during product inspection, knowing that the relation between cause and fault is in most cases complex and has a high degree of uncertainty. This dissertation proposes the integration of Bayesian networks and multiagent system techniques to implement an adaptive PCB fault diagnosis system. The present work shows that the resulting system leads to a higher quality of failure diagnosis on the production line when compared to previous approaches.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2013. / Made available in DSpace on 2013-12-05T22:55:16Z (GMT). No. of bitstreams: 1 319167.pdf: 2575562 bytes, checksum: e44fb321772f80bd9ae0b46533fa3c5d (MD5) Previous issue date: 2013 / Os algoritmos de previsão de chamadas em centrais de atendimento conseguem apresentar resultados aceitáveis diante de uma série de dados longa e bem comportada. Uma série de dados com essas características raramente é encontrada, o que restringe o uso dos algoritmos de previsão. Além disso, a falta de unidade das séries implica na presença de fenômenos que perturbam os dados. Esses fenômenos fazem com que o uso de métodos empíricos se multiplique dentre os membros das equipes de planejamento.O trabalho propõe um método de previsão de chamadas recebidas utilizando redes bayesianas para o tratamento desses fenômenos que perturbam de sobremaneira os dados. Com a proposta, é possível incorporar o conhecimento acerca desses fenômenos em um modelo de previsão computacionalmente eficiente.Para elaborar um método de previsão de chamadas em centrais de atendimento, algumas ferramentas precisaram ser desenvolvidas durante a elaboração do modelo. Primeiramente, foi necessário resolver a dificuldade da obtenção de dados de centrais de atendimento para o estudo do comportamento das chamadas recebidas. Foi então criado um simulador de call center onde é possível gerar dados de chamadas para serem utilizados nos modelos de previsão de chamadas. Em seguida, para o melhor entendimento dos algoritmos de previsão de dados, uma ferramenta de previsão por suavização exponencial foi criada como suplemento do Microsoft Excel. Por fim, foi proposto um método de previsão que utiliza as redes bayesianas para tratar os fatores aleatórios.As redes bayesianas se mostram uma boa alternativa para tratar a aleatoriedade presente nos fatores aleatórios. Os resultados obtidos mostram que o tratamento se faz necessário para a diminuição dos erros de previsão em centrais de atendimento. O modelo apresentado não requer grandes conhecimentos matemáticos por parte das equipes de planejamento, o que estimula o uso desse tipo de formalização. <br> / Abstract : The forecasting calls algorithms in contact centers can provide acceptable results before a long and well behaved time series dataset. However a time series with such characteristics is rarely found, which restricts the use of forecasting algorithms. Moreover, the lack of unity of these series implies the presence of some phenomena which disturb the data series. These phenomena make the use of empirical methods to multiply among the members of the planning team. This paper proposes a method of forecasting incoming calls using bayesian networks for the treatment of such phenomena which disturb the data. With this proposal, it is possible to incorporate the knowledge of these phenomena in a computationally efficient forecasting model. To develop a forecasting calls model in call centers, some tools needed to be developed during the elaboration of the forecasting model. First, to deal with the difficulty of obtaining data records from call centers to study the behavior of incoming calls. A simulated call center was developed, where it is possible to generate call data for use in forecasting models of calls. Then, for better understanding of data prediction algorithms, a forecasting tool for exponential smoothing was created as a supplement to Microsoft Excel. Finally, it was proposed a forecasting model that uses bayesian networks to deal with the random factors. Bayesian networks are shown as a good alternative for treating the randomness present in random factors. The results show that the treatment is necessary to reduce the forecasting errors in call centers. The model presented does not require great mathematical knowledge by planning teams, which encourages the use of this kind of formalization.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Ciência da Computação. / Made available in DSpace on 2012-10-19T13:15:05Z (GMT). No. of bitstreams: 1 193530.pdf: 946894 bytes, checksum: c95d5138932a400dcb3daca5f911769a (MD5) / O presente trabalho refere-se ao SACI - Sistema de Apoio na Avaliação de Distúrbios do Crescimento Infantil, que se propõe a realizar o diagnóstico precoce de distúrbios associados à falência do crescimento infantil, em crianças com até 2 anos. O SACI explora o raciocínio probabilístico em sistemas especialistas, tendo sido desenvolvido para a plataforma Windows, no ambiente Delphi 5, utilizando as DLL's da shell Netica para esse ambiente de programação. O SACI permite que o diagnóstico seja realizado, de forma a disponibilizar os dados relacionados à evolução do crescimento da criança graficamente, e que sejam investigadas as suspeitas de perda de peso e altura da criança, por meio de evidências a serem observadas. Na avaliação realizada junto a médicos pediatras, especialistas do domínio de conhecimento, verificou-se que o SACI é de fácil utilização, apresentando resultados satisfatórios às diversas consultas realizadas.

Submitted by Rodrigo Vieira Guidelli null (rguidelli4@gmail.com) on 2016-03-26T16:03:57Z No. of bitstreams: 1 Rodrigo Vieira Guidelli - Dissertação de Mestrado.pdf: 2574087 bytes, checksum: c4570e90e2f553c165e4cbcb47a0f339 (MD5) / Approved for entry into archive by Ana Paula Grisoto (grisotoana@reitoria.unesp.br) on 2016-03-28T16:40:24Z (GMT) No. of bitstreams: 1 guidelli_rv_me_rcla.pdf: 2574087 bytes, checksum: c4570e90e2f553c165e4cbcb47a0f339 (MD5) / Made available in DSpace on 2016-03-28T16:40:24Z (GMT). No. of bitstreams: 1 guidelli_rv_me_rcla.pdf: 2574087 bytes, checksum: c4570e90e2f553c165e4cbcb47a0f339 (MD5) Previous issue date: 2016-02-28 / Pró-Reitoria de Extensão Universitária (PROEX UNESP) / Pró-Reitoria de Pós-Graduação (PROPG UNESP) / Em 2009 Uehara Prado et al., coletaram uma grande quantidade de dados para avaliar o papel das borboletas da família Nymphalidae como bioindicadoras, porém esses dados não foram utilizados em sua totalidade. O presente estudo está direcionado à experimentação e modelagem de interações ecológicas, a partir dos dados obtidos por Uehara-Prado et al. (2009), juntamente com aqueles não previamente utilizados que, no intuito de extrair o máximo de informação de relevância biológica e ecológica. Para tanto, foram utilizados três diferentes tipos de abordagens: (1) Biclusterização (Cheng & Church, 2000; Madeira & Oliveira, 2004); (2) Árvores de decisão (Quinlan, 1986; Bell, 1999; De’ath & Fabricius, 2000; Olden et al., 2008) e (3) Redes Bayesianas (Korb & Nicholson, 2003; McCann et al., 2006; Chen & Pollino, 2012; Pearl, 2014). Os resultados se mostraram bastante promissores, e as três ferramentas atingiram as expectativas; em biclusterização, conseguimos identificar todos os padrões de correlação dentro dos cenários apresentados, árvores de decisão se mostraram extremamente eficazes na classificação das variáveis apresentadas e as Redes Bayesianas conseguiram identificar quais variáveis influenciavam ou eram influenciadas pelas outras. Com este trabalho esperamos incentivar outros pesquisadores à revisitarem antigas bases de dados com ferramentas computacionais mais modernas, pois seu potencial é extraordinário. / Elucidating the complex interactions networks in ecological systems is not an easy task (Proulx et al., 2005) and, in order to extract information in an efficient way, powerful computational tools and the right approach, to the types of scenario to be studied, are required. In 2009 UeharaPrado et al., collected a great amount of data to assess the role of the Nymphalidae family of butterflies as bio-indicators, but these data were not used in its entirety. This study is aimed at experimentation and modeling of the ecological interactions from the data obtained by UeharaPrado et al. (2009), along with those not previously used, in order to extract the maximum information of biological and ecological significance. Therefore, three different approaches were used: (1) Biclusterization (Cheng & Church, 2000; Wood& Olive, 2004); (2) Decision Trees (Quinlan, 1986; Bell, 1999; De'ath & Fabricius., 2000; Olden et al, 2008) and (3) Bayesian Networks (Korb & Nicholson, 2003; McCann et al., 2006; Chen & Pollino, 2012; Pearl, 2014). The results were very promising, and the three tools reached our expectations; with Biclusterization we managed to identify all the correlation patterns inside the scenarios presented, Decision Trees proved to be extremely effective in the classification of the variables and the Bayesian Networks were able to identify what variables influenced or were influenced by the others. With this work, we hope to encourage other researchers to revisit old databases with more modern computational tools, because its potential is extraordinary.