diff --git a/vignettes/Ultimate_Gamma_Count.Rmd b/vignettes/Ultimate_Gamma_Count.Rmd
new file mode 100644
index 0000000000000000000000000000000000000000..bc8e08fbb06acfd9883b967073e2ce81aa9a6206
--- /dev/null
+++ b/vignettes/Ultimate_Gamma_Count.Rmd
@@ -0,0 +1,1276 @@
+---
+title: "Gamma-Count na análise de dados de contagem"
+author: "Walmes Zeviani"
+output:
+ rmarkdown::html_vignette:
+ fig_width: 6
+ fig_height: 6
+ toc: true
+ toc_dep: 3
+vignette: >
+ %\VignetteIndexEntry{Análise dos dados em Pimentel-Gomes (2009)}
+ %\VignetteEngine{knitr::rmarkdown}
+ %\VignetteEncoding{UTF-8}
+---
+
+<style type="text/css">
+body, td, caption {
+ font-family: "Palatino Linotype", "Book Antiqua", Palatino, serif;
+ background-color: white;
+ font-size: 16px;
+}
+
+tt, code, pre {
+ font-family: "Inconsolata", "Andale Mono", monospace;
+}
+
+code {
+ font-size: 16px;
+}
+
+pre code {
+ font-size: 14px;
+}
+
+pre:not([class]) code {
+ background-color: #92BFB1;
+}
+pre, code {
+ background-color: #62BFB1;
+ border-radius: 3px;
+ color: #333;
+}
+
+/* R output */
+pre:not([class]) code {
+ background-color: #D4D4D4;
+}
+pre:not([class]), code {
+ background-color: #D4D4D4;
+}
+
+/* R input */
+pre, code {
+ border-radius: 3px;
+ background-color: #EDEDED;
+ color: #333;
+}
+
+img {
+ max-width: 100% !important;
+ display: block;
+ margin: auto;
+}
+
+.MathJax {
+ font-size: 80% !important;
+}
+
+</style>
+
+```{r setup, include=FALSE}
+library(knitr)
+
+opts_chunk$set(
+ dev.args=list(family="Palatino"))
+
+options(width=68)
+
+```
+
+****
+## Gamma-Count
+
+```{r, message=FALSE, error=FALSE, results="hide"}
+##----------------------------------------------------------------------
+## Carrega pacotes.
+
+library(lattice)
+library(latticeExtra)
+library(plyr)
+library(bbmle)
+library(corrplot)
+library(car)
+library(multcomp)
+library(doBy)
+
+```
+
+```{r, eval=FALSE}
+##----------------------------------------------------------------------
+## Função de probabilidade da Gamma-Count.
+
+dgcount <- function(y, alpha, beta, offset=1){
+ pgamma(offset, alpha*y, alpha*beta)-
+ pgamma(offset, alpha*y+alpha, alpha*beta)
+}
+
+y <- 0:30
+pP <- dpois(y, lambda=5)
+pGC <- dgcount(y, alpha=1, beta=5)
+
+plot(pP~y, type="h")
+points(pGC~c(y+0.2), type="h", col=2)
+
+```
+
+```{r, eval=FALSE}
+##----------------------------------------------------------------------
+## Explorando a distribuição de probabilidades.
+
+library(rpanel)
+
+draw <- function(input){
+ with(input,
+ {
+ ebeta <- exp(beta)
+ ealpha <- exp(alpha)
+ pP <- dpois(y, lambda=ebeta*off)
+ pGC <- dgcount(y, alpha=ealpha, beta=ebeta, offset=off)
+ plot(pP~y, type="h", ylim=c(0, max(c(pGC, pP))))
+ points(pGC~c(y+0.2), type="h", col=2)
+ m <- sum(y*pGC)
+ abline(v=ebeta*off, lty=2)
+ abline(v=m, col=2, lty=2)
+ })
+ return(input)
+}
+
+panel <- rp.control(y=0:100)
+rp.slider(panel, variable=alpha, from=-5, to=5, initval=0,
+ showvalue=TRUE, resolution=0.1, action=draw)
+rp.slider(panel, variable=beta, from=-5, to=8, initval=3,
+ showvalue=TRUE, resolution=0.1, action=draw)
+rp.doublebutton(panel, variable=off, range=c(0, 3), initval=1,
+ showvalue=TRUE, step=0.1, action=draw)
+
+```
+
+****
+## Reprodução de nematóides em cultivo de soja
+
+Nesse conjunto de dados, a contagem tem um *offset* que precisa ser
+considerado.
+
+### Análise exploratória
+
+```{r}
+##----------------------------------------------------------------------
+## Carrega os dados.
+
+nematodeSoybean1 <- read.table(
+ "nematodeSoybean1.csv",
+ header=TRUE, sep=";")
+nematodeSoybean1$count <- with(nematodeSoybean1, count1+count2)
+str(nematodeSoybean1)
+
+##----------------------------------------------------------------------
+
+xyplot(count1+count2~log2(inipop)|factor(das),
+ data=nematodeSoybean1,
+ type=c("p", "smooth"), jitter.x=TRUE,
+ ylab=expression(Nematodes~by~unit~volume),
+ xlab=expression(Initial~nematode~density))
+
+xyplot(count~log2(inipop)|factor(das), data=nematodeSoybean1,
+ type=c("p", "smooth"), jitter.x=TRUE,
+ ylab=expression(Nematodes~by~unit~volume),
+ xlab=expression(Initial~nematode~density))
+
+xyplot(count/(2*volume)~log2(inipop)|factor(das), data=nematodeSoybean1,
+ type=c("p", "smooth"), jitter.x=TRUE,
+ ylab=expression(Nematodes~by~unit~volume),
+ xlab=expression(Initial~nematode~density))
+
+##----------------------------------------------------------------------
+## Relação média-variância.
+
+da <- subset(nematodeSoybean1, inipop>0)
+
+mv <- ddply(.data=da,
+ .variables=.(inipop, das),
+ .fun=summarise,
+ m=mean(count, na.rm=TRUE),
+ v=var(count, na.rm=TRUE))
+
+xyplot(v~m, data=mv, scales="free", type=c("p", "r"))+
+ layer(panel.abline(a=0, b=1, lty=2))
+
+```
+
+### Inclusão de offset no modelo Gamma-Count
+
+```{r}
+##----------------------------------------------------------------------
+## Simulando um conjunto de dados para ver como acomodar o offset na
+## Gamma-Count.
+
+y <- rpois(100, lambda=5) ## Contagem.
+o <- rep(2, length(y)) ## Offset.
+
+n0 <- glm(y~1, family=poisson)
+## predict(n0, type="response"); exp(coef(n0))
+## logLik(n0)
+
+n1 <- glm(y~offset(log(o))+1, family=poisson)
+## predict(n1, type="response"); exp(coef(n1))*o
+## logLik(n1)
+
+ll <- function(theta, y, X, offset){
+ ## theta: parameter vector;
+ ## theta[1]: dispersion parameter;
+ ## theta[-1]: location parameters;
+ ## y: response vector (counts);
+ ## X: model matrix;
+ ## offset: upper limit of the intergral;
+ eXb <- exp(X%*%theta[-1])
+ alpha <- exp(theta[1])
+ alpha.eXb <- alpha*eXb
+ alpha.y <- alpha*y
+ ## returns the log-likelihood.
+ -sum(log(
+ pgamma(offset, alpha.y, alpha.eXb)-
+ pgamma(offset, alpha.y+alpha, alpha.eXb)
+ ))
+}
+
+start <- c(alpha=1, lambda=coef(n1))
+parnames(ll) <- names(start)
+L <- list(y=y, offset=o, X=cbind(rep(1, length(y))))
+
+n2 <- mle2(ll, start=start, fixed=list(alpha=0),
+ vecpar=TRUE, data=L)
+
+n3 <- mle2(ll, start=start,
+ vecpar=TRUE, data=L)
+
+## Log-verossimilhaça.
+cbind(logLik(n0), logLik(n1), logLik(n2), logLik(n3))
+
+## Estimativas dos parâmetros.
+cbind(coef(n0), coef(n1), coef(n2)[-1], coef(n3)[-1])
+
+```
+
+### Ajuste dos modelos
+
+```{r}
+##----------------------------------------------------------------------
+## Ajuste do Poisson e Quasi-Poisson.
+
+da <- transform(da, IP=factor(inipop), DAS=factor(das))
+
+## Modelo Poisson para ter referência.
+m0 <- glm(count~offset(log(volume))+IP*DAS, data=da, family=poisson)
+summary(m0)
+anova(m0, test="Chisq")
+
+## Modelo quasi Poisson para usar os valores iniciais.
+## m1 <- glm(count/volume~IP*DAS, data=da, family=quasipoisson)
+m1 <- glm(count~offset(log(volume))+IP*DAS,
+ data=da, family=quasipoisson)
+summary(m1)
+anova(m1, test="F")
+
+par(mfrow=c(2,2)); plot(m1); layout(1)
+cbind(coef(m0), coef(m1))
+
+##----------------------------------------------------------------------
+## Ajuste do Gamma-Count.
+
+start <- c("alpha"=log(1), coef(m0))
+parnames(ll) <- names(start)
+
+## y <- with(da, count/vol)
+y <- with(da, count/volume)
+X <- model.matrix(~IP*DAS, data=da)
+
+L <- with(da,
+ list(y=count, offset=volume,
+ X=model.matrix(~IP*DAS)))
+
+m2 <- mle2(ll, start=start, fixed=list(alpha=0),
+ data=L, vecpar=TRUE)
+
+m3 <- mle2(ll, start=start,
+ data=L, vecpar=TRUE)
+
+```
+
+### Comparação dos ajustes
+
+```{r}
+##----------------------------------------------------------------------
+
+## Log-verossimilhaça.
+cbind(logLik(m0), logLik(m1), logLik(m2), logLik(m3))
+
+## Estimativas dos parâmetros.
+cbind(coef(m0), coef(m1), coef(m2)[-1], coef(m3)[-1])
+
+## Estimativa do parâmetro de dispersão.
+exp(coef(m3)[1])
+
+## Perfil de log-verossmilhança.
+plot(profile(m3, which=1))
+
+## Teste para o parâmetro de dispersão.
+anova(m3, m2)
+
+## Teste para interação (Wald).
+a <- c(0, attr(model.matrix(m0), "assign"))
+ai <- a==3
+L <- t(replicate(sum(ai), rbind(coef(m3)*0), simplify="matrix"))
+L[,ai] <- diag(sum(ai))
+
+## Teste de Wald explicito.
+## t(L%*%coef(m3))%*%
+## solve(L%*%vcov(m3)%*%t(L))%*%
+## (L%*%coef(m3))
+crossprod(L%*%coef(m3), solve(L%*%vcov(m3)%*%t(L), L%*%coef(m3)))
+
+## Teste de Wald para interação (poderia ser LRT, claro).
+linearHypothesis(model=m0, ## É necessário um objeto glm.
+ hypothesis.matrix=L,
+ vcov.=vcov(m3),
+ coef.=coef(m3))
+
+## Teste pelo modelo quasi Poisson.
+anova(m1, test="Chisq")
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ortogonalidade entre dispersão e locação.
+
+V <- cov2cor(vcov(m3))
+corrplot.mixed(V, upper="ellipse", col="gray50")
+dev.off()
+
+V[1,-1]
+sum(abs(V[1,-1]))
+
+```
+
+### Predição
+
+```{r}
+##----------------------------------------------------------------------
+## Predição das médias com IC.
+
+pred <- expand.grid(IP=levels(da$IP),
+ DAS=levels(da$DAS),
+ volume=100,
+ KEEP.OUT.ATTRS=FALSE)
+pred <- list(pois=pred, quasi=pred, cg=pred)
+
+## Quantil normal.
+qn <- qnorm(0.975)*c(lwr=-1, fit=0, upr=1)
+
+## Preditos pela Poisson.
+aux <- predict(m0, newdata=pred$pois, se.fit=TRUE)
+aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+pred$pois <- cbind(pred$pois, aux)
+str(pred$pois)
+
+aux <- predict(m1, newdata=pred$quasi, se.fit=TRUE)
+aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+pred$quasi <- cbind(pred$quasi, aux)
+
+alpha <- coef(m3)[1] ## Locação.
+theta <- coef(m3)[-1] ## Dispersão.
+
+## Preditor linear.
+X <- model.matrix(~IP*DAS, data=pred$cg)
+pred$cg$eta <- c(X%*%theta)
+
+## Matrix de covariância completa.
+V <- vcov(m3)
+
+## Marginal em theta.
+Vm <- V[-1,-1]
+
+## Condicional.
+Vc <- V[-1,-1]-V[-1,1]%*%solve(V[1,1])%*%V[1,-1]
+
+max(abs(Vm-Vc))
+
+## Preditos pela Gamma-count.
+U <- chol(Vm)
+aux <- sqrt(apply(X%*%t(U), MARGIN=1,
+ FUN=function(x){ sum(x^2) }))
+
+## Para calcular a média de uma Gamma-Count pelo preditor linear.
+eta2mean <- function(eta, offset, alpha, tol=1e-5){
+ stopifnot(length(eta)==1L)
+ stopifnot(length(offset)==1L)
+ stopifnot(length(alpha)==1L)
+ change <- 1
+ S <- 0; x <- 1; p <- 1
+ while (p>tol){
+ p <- pgamma(offset,
+ shape=exp(alpha)*x,
+ rate=exp(alpha)*exp(eta))
+ S <- S+p
+ x <- x+1
+ }
+ return(S)
+}
+
+aux <- pred$cg$eta+outer(aux, qn, FUN="*")
+aux <- apply(aux, MARGIN=2,
+ FUN=function(col){
+ sapply(col, FUN=eta2mean,
+ offset=pred$cg$volume[1], alpha=alpha)
+ })
+pred$cg <- cbind(pred$cg, aux)
+
+##----------------------------------------------------------------------
+
+pred <- ldply(pred, .id="modelo")
+pred <- arrange(pred, DAS, IP, modelo)
+str(pred)
+
+source("http://git.leg.ufpr.br/leg/legTools/raw/devel/R/panel.segplot.by.R")
+
+segplot(IP~lwr+upr|DAS, centers=fit, data=pred,
+ draw=FALSE, scales=list(x="free"),
+ panel=panel.segplot.by, groups=pred$modelo, f=0.1,
+ pch=pred$modelo, layout=c(1, NA), as.table=TRUE,
+ key=list(type="o", divide=1,
+ lines=list(pch=1:nlevels(pred$modelo), lty=1, col=1),
+ text=list(c("Poisson", "Quasi-Poisson",
+ "Gamma-Count"))))
+
+```
+
+****
+## Número de vagens viáveis em soja
+
+Nesse conjunto de dados, **o efeito de bloco pode ser aleatório**. Teria
+que implementar uma versão da Gamma-Count para acomodar termos de efeito
+aleatório.
+
+### Análise exploratória
+
+```{r}
+##----------------------------------------------------------------------
+## Carrega os dados.
+
+db <- read.table("http://www.leg.ufpr.br/~walmes/data/soja.txt",
+ header=TRUE, sep="\t", dec=",")
+names(db)[1:2] <- c("k", "a")
+db <- db[-74,c(1:3, 8, 10)]
+str(db)
+
+xyplot(nv~k|a, data=db)
+xyplot(ts~k|a, data=db)
+
+##----------------------------------------------------------------------
+## Gráfico de média-variância não é possível pois não existem repetições
+## com o mesmo preditor.
+
+```
+
+### Ajuste dos modelos
+
+```{r}
+##----------------------------------------------------------------------
+## Ajuste do Poisson e Quasi-Poisson.
+
+db <- transform(db, A=factor(a), K=factor(k))
+
+## Modelo Poisson para ter referência.
+m0 <- glm(nv~bloco+A*K, data=db, family=poisson)
+summary(m0)
+anova(m0, test="Chisq")
+
+## Modelo quasi Poisson para usar os valores iniciais.
+## m1 <- glm(count/volume~IP*DAS, data=da, family=quasipoisson)
+m1 <- update(m0, family=quasipoisson)
+summary(m1)
+anova(m1, test="F")
+
+par(mfrow=c(2,2)); plot(m1); layout(1)
+cbind(coef(m0), coef(m1))
+
+##----------------------------------------------------------------------
+## Ajuste do Gamma-Count.
+
+start <- c("alpha"=log(1), coef(m0))
+parnames(ll) <- names(start)
+
+y <- with(db, nv)
+X <- model.matrix(~bloco+A*K, data=db)
+
+L <- with(db,
+ list(y=nv, offset=1,
+ X=model.matrix(~bloco+A*K)))
+
+m2 <- mle2(ll, start=start, fixed=list(alpha=0),
+ data=L, vecpar=TRUE)
+
+m3 <- mle2(ll, start=start,
+ data=L, vecpar=TRUE)
+
+```
+
+### Comparação dos ajustes
+
+```{r}
+##----------------------------------------------------------------------
+
+## Log-verossimilhaça.
+cbind(logLik(m0), logLik(m1), logLik(m2), logLik(m3))
+
+## Estimativas dos parâmetros.
+cbind(coef(m0), coef(m1), coef(m2)[-1], coef(m3)[-1])
+
+## Estimativa do parâmetro de dispersão.
+exp(coef(m3)[1])
+
+## Perfil de log-verossmilhança.
+plot(profile(m3, which=1))
+
+## Teste para o parâmetro de dispersão.
+anova(m3, m2)
+
+## Teste para interação (Wald).
+a <- c(0, attr(model.matrix(m0), "assign"))
+ai <- a==4
+L <- t(replicate(sum(ai), rbind(coef(m3)*0), simplify="matrix"))
+L[,ai] <- diag(sum(ai))
+
+## Teste de Wald explicito.
+## t(L%*%coef(m3))%*%
+## solve(L%*%vcov(m3)%*%t(L))%*%
+## (L%*%coef(m3))
+crossprod(L%*%coef(m3), solve(L%*%vcov(m3)%*%t(L), L%*%coef(m3)))
+
+## Teste de Wald para interação (poderia ser LRT, claro).
+linearHypothesis(model=m0, ## É necessário um objeto glm.
+ hypothesis.matrix=L,
+ vcov.=vcov(m3),
+ coef.=coef(m3))
+
+## Teste pelo modelo quasi Poisson.
+anova(m1, test="Chisq")
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ortogonalidade entre dispersão e locação.
+
+V <- vcov(m3)
+corrplot.mixed(V, upper="ellipse", col="gray50")
+dev.off()
+
+V[1,-1]
+sum(abs(V[1,-1]))
+
+```
+
+### Predição
+
+```{r}
+##----------------------------------------------------------------------
+## Predição das médias com IC.
+
+pred <- expand.grid(A=levels(db$A),
+ K=levels(db$K),
+ bloco=factor("I", levels=levels(db$bloco)),
+ KEEP.OUT.ATTRS=FALSE)
+pred <- list(pois=pred, quasi=pred, cg=pred)
+
+## Quantil normal.
+qn <- qnorm(0.975)*c(lwr=-1, fit=0, upr=1)
+
+## Preditor linear que considera o efeito médio dos blocos.
+X <- LSmatrix(m0, effect=c("A", "K"))
+
+## Preditos pela Poisson.
+## aux <- predict(m0, newdata=pred$pois, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$pois <- cbind(pred$pois, aux)
+aux <- confint(glht(m0, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$pois <- cbind(pred$pois, exp(aux))
+
+## aux <- predict(m1, newdata=pred$quasi, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$quasi <- cbind(pred$quasi, aux)
+aux <- confint(glht(m1, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$quasi <- cbind(pred$quasi, exp(aux))
+
+alpha <- coef(m3)[1] ## Locação.
+theta <- coef(m3)[-1] ## Dispersão.
+
+## Preditor linear.
+pred$cg$eta <- c(X%*%theta)
+
+## Matrix de covariância completa.
+V <- vcov(m3)
+
+## Marginal em theta.
+Vm <- V[-1,-1]
+
+## Condicional.
+Vc <- V[-1,-1]-V[-1,1]%*%solve(V[1,1])%*%V[1,-1]
+
+max(abs(Vm-Vc))
+
+## Preditos pela Gamma-count.
+U <- chol(Vm)
+aux <- sqrt(apply(X%*%t(U), MARGIN=1,
+ FUN=function(x){ sum(x^2) }))
+
+aux <- pred$cg$eta+outer(aux, qn, FUN="*")
+aux <- apply(aux, MARGIN=2,
+ FUN=function(col){
+ sapply(col, FUN=eta2mean,
+ offset=1, alpha=alpha)
+ })
+pred$cg <- cbind(pred$cg, aux)
+
+##----------------------------------------------------------------------
+
+pred <- ldply(pred, .id="modelo")
+pred <- arrange(pred, A, K, modelo)
+str(pred)
+
+xyplot(nv~K|A, data=db, layout=c(NA, 1), as.table=TRUE,
+ col=1, cex=0.7, pch=19)+
+ as.layer(
+ segplot(K~lwr+upr|A, centers=fit, data=pred,
+ draw=FALSE, horizontal=FALSE, ## scales=list(x="free"),
+ panel=panel.segplot.by, groups=pred$modelo, f=0.15,
+ pch=pred$modelo, layout=c(NA, 1), as.table=TRUE,
+ key=list(type="o", divide=1,
+ lines=list(pch=1:nlevels(pred$modelo),
+ lty=1, col=1),
+ text=list(c("Poisson", "Quasi-Poisson",
+ "Gamma-Count"))))
+ )
+
+```
+
+## Ocorrência de mosca branca
+
+<http://www.leg.ufpr.br/~walmes/data/ninfas.txt>
+
+### Análise exploratória
+
+```{r}
+##----------------------------------------------------------------------
+## Análise exploratória.
+
+dc <- read.table("moscaBranca.txt", header=TRUE, sep="\t")
+dc <- transform(dc,
+ data=as.Date(dc$data),
+ bloc=factor(bloc),
+ tot=inf+med+sup,
+ off=100)
+dc$aval <- with(dc, c(data-min(data)))
+dc$Aval <- factor(dc$aval)
+names(dc)[2:3] <- c("Vari","Bloc")
+dc <- droplevels(subset(dc, grepl("BRS", x=Vari)))
+str(dc)
+
+## xyplot(sup+med+inf~data, groups=Vari, outer=TRUE, data=dc)
+xyplot(tot~data|Vari, data=dc)
+
+```
+
+### Ajuste dos modelos
+
+```{r}
+##----------------------------------------------------------------------
+## Ajuste do Poisson e Quasi-Poisson.
+
+## IMPORTANT: Foi usado um offset de 100 por problemas de
+## over/underflow. O problema não é com a Poisson mas com a
+## Gamma-Count. Todas as análises consideram um offset de 100, portanto,
+## permanecem comparáveis e igualmente interpretáveis.
+
+## Modelo Poisson para ter referência.
+m0 <- glm(tot~offset(log(off))+Bloc+Vari*Aval,
+ data=dc, family=poisson)
+summary(m0)
+anova(m0, test="Chisq")
+
+## Modelo quasi Poisson para usar os valores iniciais.
+## m1 <- glm(count/volume~IP*DAS, data=da, family=quasipoisson)
+m1 <- update(m0, family=quasipoisson)
+summary(m1)
+anova(m1, test="F")
+
+par(mfrow=c(2,2)); plot(m1); layout(1)
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ajuste do Gamma-Count.
+
+start <- c("alpha"=log(0.05), coef(m0))
+parnames(ll) <- names(start)
+
+y <- with(dc, tot)
+X <- model.matrix(~Bloc+Vari*Aval, data=dc)
+
+L <- with(dc, list(y=tot, offset=100, X=X))
+
+m3 <- mle2(ll, start=start,
+ data=L, vecpar=TRUE)
+## summary(m3)
+
+```
+
+### Comparação dos ajustes
+
+```{r}
+##----------------------------------------------------------------------
+
+## Log-verossimilhaça.
+cbind(logLik(m0), logLik(m1), logLik(m3))
+
+## Estimativas dos parâmetros.
+cbind(coef(m0), coef(m1), coef(m3)[-1])
+
+## Estimativa do parâmetro de dispersão.
+exp(coef(m3)[1])
+
+## Perfil de log-verossmilhança.
+plot(profile(m3, which=1))
+
+a <- c(0, attr(model.matrix(m0), "assign"))
+ai <- a==4
+L <- t(replicate(sum(ai), rbind(coef(m3)*0), simplify="matrix"))
+L[,ai] <- diag(sum(ai))
+
+## Teste de Wald explicito.
+## t(L%*%coef(m3))%*%
+## solve(L%*%vcov(m3)%*%t(L))%*%
+## (L%*%coef(m3))
+crossprod(L%*%coef(m3), solve(L%*%vcov(m3)%*%t(L), L%*%coef(m3)))
+
+## Teste de Wald para interação (poderia ser LRT, claro).
+linearHypothesis(model=m0, ## É necessário um objeto glm.
+ hypothesis.matrix=L,
+ vcov.=vcov(m3),
+ coef.=coef(m3))
+
+## Teste pelo modelo quasi Poisson.
+anova(m1, test="Chisq")
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ortogonalidade entre dispersão e locação.
+
+V <- cov2cor(vcov(m3))
+corrplot.mixed(V, upper="ellipse", col="gray50")
+dev.off()
+
+```
+
+### Predição
+
+```{r}
+##----------------------------------------------------------------------
+## Predição das médias com IC.
+
+pred <- expand.grid(Vari=levels(dc$Vari),
+ Aval=unique(dc$Aval),
+ Bloc=factor("1", levels=levels(dc$Bloc)),
+ off=100,
+ KEEP.OUT.ATTRS=FALSE)
+pred <- list(pois=pred, quasi=pred, cg=pred)
+
+## Quantil normal.
+qn <- qnorm(0.975)*c(lwr=-1, fit=0, upr=1)
+
+X <- LSmatrix(lm(tot~Bloc+Vari*Aval, dc), effect=c("Vari", "Aval"))
+
+## Preditos pela Poisson.
+## aux <- predict(m0, newdata=pred$pois, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$pois <- cbind(pred$pois, aux)
+aux <- confint(glht(m0, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$pois <- cbind(pred$pois, 100*exp(aux))
+
+## aux <- predict(m1, newdata=pred$quasi, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$quasi <- cbind(pred$quasi, aux)
+aux <- confint(glht(m1, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$quasi <- cbind(pred$quasi, 100*exp(aux))
+
+alpha <- coef(m3)[1] ## Locação.
+theta <- coef(m3)[-1] ## Dispersão.
+
+## Preditor linear.
+pred$cg$eta <- c(X%*%theta)
+
+## Matrix de covariância completa.
+V <- vcov(m3)
+
+## Marginal em theta.
+Vm <- V[-1,-1]
+
+## Condicional.
+Vc <- V[-1,-1]-V[-1,1]%*%solve(V[1,1])%*%V[1,-1]
+
+max(abs(Vm-Vc))
+
+## Preditos pela Gamma-count.
+U <- chol(Vm)
+aux <- sqrt(apply(X%*%t(U), MARGIN=1,
+ FUN=function(x){ sum(x^2) }))
+
+aux <- pred$cg$eta+outer(aux, qn, FUN="*")
+aux <- apply(aux, MARGIN=2,
+ FUN=function(col){
+ sapply(col, FUN=eta2mean,
+ offset=100, alpha=alpha)
+ })
+pred$cg <- cbind(pred$cg, aux)
+
+##----------------------------------------------------------------------
+
+pred <- ldply(pred, .id="modelo")
+pred <- arrange(pred, Aval, Vari, modelo)
+str(pred)
+
+## source("http://git.leg.ufpr.br/leg/legTools/raw/devel/R/panel.segplot.by.R")
+
+xyplot(tot~Aval|Vari, data=dc, layout=c(NA, 1), as.table=TRUE,
+ col=1, cex=0.7, pch=19)+
+ as.layer(
+ segplot(Aval~lwr+upr|Vari, centers=fit, data=pred,
+ horizontal=FALSE,
+ draw=FALSE,
+ panel=panel.segplot.by, groups=pred$modelo, f=0.15,
+ pch=pred$modelo, layout=c(NA, 1), as.table=TRUE,
+ key=list(type="o", divide=1,
+ lines=list(pch=1:nlevels(pred$modelo),
+ lty=1, col=1),
+ text=list(c("Poisson", "Quasi-Poisson",
+ "Gamma-Count"))))
+ )
+
+```
+
+****
+## Produção de ovos
+
+### Análise exploratória
+
+```{r}
+##----------------------------------------------------------------------
+
+dd <- read.table("ovos.txt", header=TRUE, sep="\t")
+str(dd)
+
+ftable(xtabs(~periodo+luz+box, data=dd))
+
+## Cada box tem 6 gaiolas. Cada gaiola tem 10 aves.
+## Modelar a produção por ave dia usando o total de por gaiola em duas
+## semanas. O offset é 10*14=140.
+
+useOuterStrips(
+ xyplot(ovos~dia|luz+periodo, data=dd, jitter.x=TRUE,
+ groups=gaiola,
+ type=c("p", "smooth")))
+
+useOuterStrips(
+ xyplot(massa~dia|luz+periodo, data=dd, jitter.x=TRUE,
+ groups=gaiola,
+ type=c("p", "smooth")))
+
+## Agregar para o total quinzenal.
+dd <- aggregate(ovos~periodo+box+luz+gaiola, data=dd, FUN=sum)
+str(dd)
+
+xyplot(ovos~periodo, groups=luz, data=dd, jitter.x=TRUE,
+ ## groups=gaiola,
+ type=c("p", "smooth"))
+
+```
+
+### Ajuste dos modelos
+
+```{r}
+##----------------------------------------------------------------------
+## Ajuste do Poisson e Quasi-Poisson.
+
+## IMPORTANT: Foi usado um offset de 10*14=140.
+
+dd <- transform(dd,
+ off=10*14, ## 10 aves por gaiola, soma de 14 dias.
+ Per=factor(periodo),
+ Box=factor(box))
+names(dd)[3] <- "Luz"
+
+## WARNING: Esta sendo negligenciada a variância de gaiolas. Isso requer
+## um modelo de efeitos aleatórios que ainda não dispomos.
+
+## Modelo Poisson para ter referência.
+m0 <- glm(ovos~offset(log(off))+Per+Box+Luz,
+ data=dd, family=poisson)
+summary(m0)
+anova(m0, test="Chisq")
+
+## Modelo quasi Poisson para usar os valores iniciais.
+## m1 <- glm(count/volume~IP*DAS, data=da, family=quasipoisson)
+m1 <- update(m0, family=quasipoisson)
+summary(m1)
+anova(m1, test="F")
+
+par(mfrow=c(2,2)); plot(m1); layout(1)
+
+##----------------------------------------------------------------------
+## Ajuste do Gamma-Count.
+
+start <- c("alpha"=log(1), coef(m0))
+parnames(ll) <- names(start)
+
+y <- with(dd, ovos)
+X <- model.matrix(~Per+Box+Luz, data=dd)
+
+L <- list(y=y, offset=140, X=X)
+
+m3 <- mle2(ll, start=start,
+ data=L, vecpar=TRUE)
+## summary(m3)
+
+```
+
+### Comparação dos ajustes
+
+```{r}
+##----------------------------------------------------------------------
+
+## Log-verossimilhaça.
+cbind(logLik(m0), logLik(m1), logLik(m3))
+
+## Estimativas dos parâmetros.
+cbind(coef(m0), coef(m1), coef(m3)[-1])
+
+## Estimativa do parâmetro de dispersão.
+exp(coef(m3)[1])
+
+## Perfil de log-verossmilhança.
+plot(profile(m3, which=1))
+
+a <- c(0, attr(model.matrix(m0), "assign"))
+ai <- a==3
+L <- t(replicate(sum(ai), rbind(coef(m3)*0), simplify="matrix"))
+L[,ai] <- diag(sum(ai))
+
+## Teste de Wald explicito.
+## t(L%*%coef(m3))%*%
+## solve(L%*%vcov(m3)%*%t(L))%*%
+## (L%*%coef(m3))
+crossprod(L%*%coef(m3), solve(L%*%vcov(m3)%*%t(L), L%*%coef(m3)))
+
+## Teste de Wald para interação (poderia ser LRT, claro).
+linearHypothesis(model=m0, ## É necessário um objeto glm.
+ hypothesis.matrix=L,
+ vcov.=vcov(m3),
+ coef.=coef(m3))
+
+## Teste pelo modelo quasi Poisson.
+anova(m1, test="Chisq")
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ortogonalidade entre dispersão e locação.
+
+V <- cov2cor(vcov(m3))
+corrplot.mixed(V, upper="ellipse", col="gray50")
+dev.off()
+
+```
+
+### Predição
+
+```{r}
+##----------------------------------------------------------------------
+## Predição das médias com IC.
+
+pred <- expand.grid(Per=factor(levels(dd$Per)[1],
+ levels=levels(dd$Per)),
+ Box=factor(levels(dd$Box)[1],
+ levels=levels(dd$Box)),
+ Luz=levels(dd$Luz),
+ off=10*14,
+ KEEP.OUT.ATTRS=FALSE)
+pred <- list(pois=pred, quasi=pred, cg=pred)
+
+## Quantil normal.
+qn <- qnorm(0.975)*c(lwr=-1, fit=0, upr=1)
+
+X <- LSmatrix(lm(ovos~Per+Box+Luz, dd), effect=c("Luz"))
+
+## Preditos pela Poisson.
+## aux <- predict(m0, newdata=pred$pois, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$pois <- cbind(pred$pois, aux)
+aux <- confint(glht(m0, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$pois <- cbind(pred$pois, 140*exp(aux))
+
+## aux <- predict(m1, newdata=pred$quasi, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$quasi <- cbind(pred$quasi, aux)
+aux <- confint(glht(m1, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$quasi <- cbind(pred$quasi, 140*exp(aux))
+
+alpha <- coef(m3)[1] ## Locação.
+theta <- coef(m3)[-1] ## Dispersão.
+
+## Preditor linear.
+pred$cg$eta <- c(X%*%theta)
+
+## Matrix de covariância completa.
+V <- vcov(m3)
+
+## Marginal em theta.
+Vm <- V[-1,-1]
+
+## Condicional.
+Vc <- V[-1,-1]-V[-1,1]%*%solve(V[1,1])%*%V[1,-1]
+
+max(abs(Vm-Vc))
+
+## Preditos pela Gamma-count.
+U <- chol(Vm)
+aux <- sqrt(apply(X%*%t(U), MARGIN=1,
+ FUN=function(x){ sum(x^2) }))
+
+aux <- pred$cg$eta+outer(aux, qn, FUN="*")
+aux <- apply(aux, MARGIN=2,
+ FUN=function(col){
+ sapply(col, FUN=eta2mean,
+ offset=140, alpha=alpha)
+ })
+pred$cg <- cbind(pred$cg, aux)
+
+##----------------------------------------------------------------------
+
+pred <- ldply(pred, .id="modelo")
+pred <- arrange(pred, Luz, modelo)
+str(pred)
+
+## source("http://git.leg.ufpr.br/leg/legTools/raw/devel/R/panel.segplot.by.R")
+
+segplot(Luz~lwr+upr, centers=fit, data=pred,
+ horizontal=FALSE,
+ draw=FALSE,
+ panel=panel.segplot.by, groups=pred$modelo, f=0.15,
+ pch=pred$modelo, layout=c(NA, 1), as.table=TRUE,
+ key=list(type="o", divide=1,
+ lines=list(pch=1:nlevels(pred$modelo),
+ lty=1, col=1),
+ text=list(c("Poisson", "Quasi-Poisson",
+ "Gamma-Count"))))
+
+```
+
+****
+## Capulhos no algodão em função da pressão da mosca branca
+
+<http://www.leg.ufpr.br/~walmes/data/mosca_algodao_prod.txt>
+
+### Análise exploratória
+
+```{r}
+##----------------------------------------------------------------------
+
+da <- read.table(
+ "http://www.leg.ufpr.br/~walmes/data/mosca_algodao_prod.txt",
+ header=TRUE, sep="\t")
+## da <- aggregate(ncapu~vaso+dexp, data=da, FUN=sum)
+str(da)
+
+xyplot(ncapu~dexp, data=da, jitter.x=TRUE,
+ type=c("p", "smooth"))
+
+```
+
+### Ajuste dos modelos
+
+```{r}
+##----------------------------------------------------------------------
+## Ajuste do Poisson e Quasi-Poisson.
+
+## da <- transform(da, Dexp=factor(dexp))
+da <- transform(da, dexp=dexp-mean(range(dexp)))
+
+## WARNING: Esta sendo negligenciada a variância entre vasos. Isso
+## requer um modelo de efeitos aleatórios que ainda não dispomos.
+
+## Modelo Poisson para ter referência.
+m0 <- glm(ncapu~dexp+I(dexp^2), data=da, family=poisson)
+summary(m0)
+anova(m0, test="Chisq")
+
+## Modelo quasi Poisson para usar os valores iniciais.
+m1 <- update(m0, family=quasipoisson)
+summary(m1)
+anova(m1, test="F")
+
+par(mfrow=c(2,2)); plot(m1); layout(1)
+
+##----------------------------------------------------------------------
+## Ajuste do Gamma-Count.
+
+start <- c("alpha"=log(2), coef(m0))
+parnames(ll) <- names(start)
+
+y <- with(da, ncapu)
+X <- model.matrix(m0)
+
+L <- list(y=y, offset=1, X=X)
+
+m3 <- mle2(ll, start=start,
+ data=L, vecpar=TRUE)
+summary(m3)
+
+```
+
+### Comparação dos ajustes
+
+```{r}
+##----------------------------------------------------------------------
+
+## Log-verossimilhaça.
+cbind(logLik(m0), logLik(m1), logLik(m3))
+
+## Estimativas dos parâmetros.
+cbind(coef(m0), coef(m1), coef(m3)[-1])
+
+## Estimativa do parâmetro de dispersão.
+exp(coef(m3)[1])
+
+## Perfil de log-verossmilhança.
+plot(profile(m3, which=1))
+
+a <- c(0, attr(model.matrix(m0), "assign"))
+ai <- a!=0
+L <- t(replicate(sum(ai), rbind(coef(m3)*0), simplify="matrix"))
+L[,ai] <- diag(sum(ai))
+
+## Teste de Wald explicito.
+## t(L%*%coef(m3))%*%
+## solve(L%*%vcov(m3)%*%t(L))%*%
+## (L%*%coef(m3))
+crossprod(L%*%coef(m3), solve(L%*%vcov(m3)%*%t(L), L%*%coef(m3)))
+
+## Teste de Wald para interação (poderia ser LRT, claro).
+linearHypothesis(model=m0, ## É necessário um objeto glm.
+ hypothesis.matrix=L,
+ vcov.=vcov(m3),
+ coef.=coef(m3))
+
+## Teste pelo modelo quasi Poisson.
+anova(m1, test="Chisq")
+anova(m1, test="F")
+
+##----------------------------------------------------------------------
+## Ortogonalidade entre dispersão e locação.
+
+V <- cov2cor(vcov(m3))
+corrplot.mixed(V, upper="ellipse", col="gray50")
+dev.off()
+
+```
+
+### Predição
+
+```{r}
+##----------------------------------------------------------------------
+## Predição das médias com IC.
+
+pred <- data.frame(dexp=with(da, seq(min(dexp), max(dexp), l=30)))
+pred <- list(pois=pred, quasi=pred, cg=pred)
+
+## Quantil normal.
+qn <- qnorm(0.975)*c(lwr=-1, fit=0, upr=1)
+
+X <- model.matrix(formula(m0)[-2], data=pred$cg)
+
+## Preditos pela Poisson.
+## aux <- predict(m0, newdata=pred$pois, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$pois <- cbind(pred$pois, aux)
+aux <- confint(glht(m0, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$pois <- cbind(pred$pois, exp(aux))
+
+## aux <- predict(m1, newdata=pred$quasi, se.fit=TRUE)
+## aux <- exp(aux$fit+outer(aux$se.fit, qn, FUN="*"))
+## pred$quasi <- cbind(pred$quasi, aux)
+aux <- confint(glht(m1, linfct=X), calpha=univariate_calpha())$confint
+colnames(aux)[1] <- "fit"
+pred$quasi <- cbind(pred$quasi, exp(aux))
+
+alpha <- coef(m3)[1] ## Locação.
+theta <- coef(m3)[-1] ## Dispersão.
+
+## Preditor linear.
+pred$cg$eta <- c(X%*%theta)
+
+## Matrix de covariância completa.
+V <- vcov(m3)
+
+## Marginal em theta.
+Vm <- V[-1,-1]
+
+## Condicional.
+Vc <- V[-1,-1]-V[-1,1]%*%solve(V[1,1])%*%V[1,-1]
+
+max(abs(Vm-Vc))
+
+## Preditos pela Gamma-count.
+U <- chol(Vm)
+aux <- sqrt(apply(X%*%t(U), MARGIN=1,
+ FUN=function(x){ sum(x^2) }))
+
+aux <- pred$cg$eta+outer(aux, qn, FUN="*")
+aux <- apply(aux, MARGIN=2,
+ FUN=function(col){
+ sapply(col, FUN=eta2mean,
+ offset=1, alpha=alpha)
+ })
+pred$cg <- cbind(pred$cg, aux)
+
+##----------------------------------------------------------------------
+
+pred <- ldply(pred, .id="modelo")
+pred <- arrange(pred, dexp)
+str(pred)
+
+source("https://raw.githubusercontent.com/walmes/wzRfun/master/R/prepanel.cbH.R")
+source("https://raw.githubusercontent.com/walmes/wzRfun/master/R/panel.cbH.R")
+
+xyplot(ncapu~dexp, data=da, jitter.x=TRUE, pch=19, col=1)+
+ as.layer(
+ under=TRUE,
+ xyplot(fit~dexp, data=pred, groups=modelo, type="l",
+ ly=pred$lwr, uy=pred$upr, cty="bands",
+ ## fill="gray90",
+ alpha=0.5,
+ prepanel=prepanel.cbH,
+ panel.groups=panel.cbH,
+ panel=panel.superpose)
+ )
+
+```
+
+
+****
+## Mais dados para se considerar
+
+* http://www.leg.ufpr.br/~walmes/data/banana_culttecido.txt
+* http://www.leg.ufpr.br/~walmes/data/frango_comportamento.txt
+* http://www.leg.ufpr.br/~walmes/data/mosca_algodao_aval.txt
diff --git a/vignettes/moscaBranca.txt b/vignettes/moscaBranca.txt
new file mode 100644
index 0000000000000000000000000000000000000000..69bcefeafd82cfa9ffbc150ae30fa54a640a6199
--- /dev/null
+++ b/vignettes/moscaBranca.txt
@@ -0,0 +1,241 @@
+data vari bloc sup med inf
+2009-12-11 BRS 245 RR 1 168 71 39
+2009-12-11 BRS 245 RR 2 30 46 22
+2009-12-11 BRS 245 RR 3 28 36 7
+2009-12-11 BRS 245 RR 4 6 1 31
+2009-12-11 BRS 243 RR 1 31 22 28
+2009-12-11 BRS 243 RR 2 4 6 10
+2009-12-11 BRS 243 RR 3 3 12 27
+2009-12-11 BRS 243 RR 4 48 76 13
+2009-12-11 BRS 246 RR 1 100 50 34
+2009-12-11 BRS 246 RR 2 54 15 7
+2009-12-11 BRS 246 RR 3 1 50 12
+2009-12-11 BRS 246 RR 4 9 2 13
+2009-12-11 BRS 239 1 40 32 44
+2009-12-11 BRS 239 2 76 38 16
+2009-12-11 BRS 239 3 52 43 25
+2009-12-11 BRS 239 4 23 41 16
+2009-12-11 EMBRAPA 48 1 84 61 56
+2009-12-11 EMBRAPA 48 2 129 189 133
+2009-12-11 EMBRAPA 48 3 84 35 12
+2009-12-11 EMBRAPA 48 4 34 17 30
+2009-12-11 CD 214 RR 1 17 137 3
+2009-12-11 CD 214 RR 2 107 95 31
+2009-12-11 CD 214 RR 3 130 120 26
+2009-12-11 CD 214 RR 4 0 34 25
+2009-12-11 CD 202 1 16 21 12
+2009-12-11 CD 202 2 260 34 44
+2009-12-11 CD 202 3 91 67 19
+2009-12-11 CD 202 4 5 2 7
+2009-12-11 M 7908 RR 1 27 37 29
+2009-12-11 M 7908 RR 2 103 72 32
+2009-12-11 M 7908 RR 3 50 60 32
+2009-12-11 M 7908 RR 4 53 26 41
+2009-12-11 VMAX RR 1 24 12 11
+2009-12-11 VMAX RR 2 67 6 15
+2009-12-11 VMAX RR 3 0 0 0
+2009-12-11 VMAX RR 4 12 26 36
+2009-12-11 CD 219 RR 1 0 22 16
+2009-12-11 CD 219 RR 2 391 208 88
+2009-12-11 CD 219 RR 3 53 81 23
+2009-12-11 CD 219 RR 4 38 39 93
+2009-12-19 BRS 245 RR 1 147 54 37
+2009-12-19 BRS 245 RR 2 98 65 17
+2009-12-19 BRS 245 RR 3 0 53 4
+2009-12-19 BRS 245 RR 4 16 11 6
+2009-12-19 BRS 243 RR 1 79 96 38
+2009-12-19 BRS 243 RR 2 4 20 19
+2009-12-19 BRS 243 RR 3 19 2 12
+2009-12-19 BRS 243 RR 4 8 3 5
+2009-12-19 BRS 246 RR 1 77 42 32
+2009-12-19 BRS 246 RR 2 72 110 23
+2009-12-19 BRS 246 RR 3 64 17 14
+2009-12-19 BRS 246 RR 4 25 7 13
+2009-12-19 BRS 239 1 53 14 7
+2009-12-19 BRS 239 2 144 38 12
+2009-12-19 BRS 239 3 136 48 42
+2009-12-19 BRS 239 4 49 23 30
+2009-12-19 EMBRAPA 48 1 69 38 19
+2009-12-19 EMBRAPA 48 2 172 158 83
+2009-12-19 EMBRAPA 48 3 150 104 32
+2009-12-19 EMBRAPA 48 4 22 12 8
+2009-12-19 CD 214 RR 1 36 25 10
+2009-12-19 CD 214 RR 2 59 101 27
+2009-12-19 CD 214 RR 3 376 115 82
+2009-12-19 CD 214 RR 4 363 170 62
+2009-12-19 CD 202 1 14 21 19
+2009-12-19 CD 202 2 175 160 51
+2009-12-19 CD 202 3 77 51 23
+2009-12-19 CD 202 4 38 34 6
+2009-12-19 M 7908 RR 1 52 15 12
+2009-12-19 M 7908 RR 2 138 261 139
+2009-12-19 M 7908 RR 3 87 48 19
+2009-12-19 M 7908 RR 4 21 10 16
+2009-12-19 VMAX RR 1 53 17 9
+2009-12-19 VMAX RR 2 129 65 68
+2009-12-19 VMAX RR 3 11 18 7
+2009-12-19 VMAX RR 4 12 19 14
+2009-12-19 CD 219 RR 1 11 40 18
+2009-12-19 CD 219 RR 2 85 1157 278
+2009-12-19 CD 219 RR 3 95 75 24
+2009-12-19 CD 219 RR 4 24 34 135
+2009-12-24 BRS 245 RR 1 138 54 39
+2009-12-24 BRS 245 RR 2 47 56 14
+2009-12-24 BRS 245 RR 3 32 14 10
+2009-12-24 BRS 245 RR 4 24 21 5
+2009-12-24 BRS 243 RR 1 85 38 11
+2009-12-24 BRS 243 RR 2 21 7 19
+2009-12-24 BRS 243 RR 3 8 3 14
+2009-12-24 BRS 243 RR 4 10 30 4
+2009-12-24 BRS 246 RR 1 99 85 40
+2009-12-24 BRS 246 RR 2 84 56 23
+2009-12-24 BRS 246 RR 3 17 23 13
+2009-12-24 BRS 246 RR 4 51 19 23
+2009-12-24 BRS 239 1 156 42 22
+2009-12-24 BRS 239 2 60 66 10
+2009-12-24 BRS 239 3 144 57 11
+2009-12-24 BRS 239 4 75 23 15
+2009-12-24 EMBRAPA 48 1 135 44 43
+2009-12-24 EMBRAPA 48 2 87 169 62
+2009-12-24 EMBRAPA 48 3 268 107 111
+2009-12-24 EMBRAPA 48 4 20 14 3
+2009-12-24 CD 214 RR 1 85 47 25
+2009-12-24 CD 214 RR 2 76 108 36
+2009-12-24 CD 214 RR 3 265 155 146
+2009-12-24 CD 214 RR 4 464 223 170
+2009-12-24 CD 202 1 25 4 9
+2009-12-24 CD 202 2 182 100 23
+2009-12-24 CD 202 3 77 53 22
+2009-12-24 CD 202 4 64 65 10
+2009-12-24 M 7908 RR 1 39 13 16
+2009-12-24 M 7908 RR 2 216 152 151
+2009-12-24 M 7908 RR 3 62 32 22
+2009-12-24 M 7908 RR 4 82 24 19
+2009-12-24 VMAX RR 1 57 9 16
+2009-12-24 VMAX RR 2 88 176 26
+2009-12-24 VMAX RR 3 0 0 0
+2009-12-24 VMAX RR 4 71 4 11
+2009-12-24 CD 219 RR 1 89 99 14
+2009-12-24 CD 219 RR 2 15 751 423
+2009-12-24 CD 219 RR 3 131 79 13
+2009-12-24 CD 219 RR 4 140 159 215
+2010-01-02 BRS 245 RR 1 25 11 30
+2010-01-02 BRS 245 RR 2 8 11 3
+2010-01-02 BRS 245 RR 3 9 2 0
+2010-01-02 BRS 245 RR 4 18 8 3
+2010-01-02 BRS 243 RR 1 42 19 3
+2010-01-02 BRS 243 RR 2 6 3 6
+2010-01-02 BRS 243 RR 3 2 0 3
+2010-01-02 BRS 243 RR 4 8 25 3
+2010-01-02 BRS 246 RR 1 24 30 14
+2010-01-02 BRS 246 RR 2 18 7 2
+2010-01-02 BRS 246 RR 3 7 2 1
+2010-01-02 BRS 246 RR 4 25 14 11
+2010-01-02 BRS 239 1 38 20 55
+2010-01-02 BRS 239 2 21 4 5
+2010-01-02 BRS 239 3 21 23 7
+2010-01-02 BRS 239 4 8 12 5
+2010-01-02 EMBRAPA 48 1 10 7 13
+2010-01-02 EMBRAPA 48 2 27 13 12
+2010-01-02 EMBRAPA 48 3 101 23 18
+2010-01-02 EMBRAPA 48 4 11 8 6
+2010-01-02 CD 214 RR 1 27 16 27
+2010-01-02 CD 214 RR 2 12 35 11
+2010-01-02 CD 214 RR 3 62 24 54
+2010-01-02 CD 214 RR 4 36 48 3
+2010-01-02 CD 202 1 18 8 6
+2010-01-02 CD 202 2 41 6 17
+2010-01-02 CD 202 3 28 7 10
+2010-01-02 CD 202 4 21 12 14
+2010-01-02 M 7908 RR 1 22 11 2
+2010-01-02 M 7908 RR 2 78 30 18
+2010-01-02 M 7908 RR 3 41 12 1
+2010-01-02 M 7908 RR 4 101 83 60
+2010-01-02 VMAX RR 1 34 6 4
+2010-01-02 VMAX RR 2 42 30 10
+2010-01-02 VMAX RR 3 0 4 2
+2010-01-02 VMAX RR 4 43 7 5
+2010-01-02 CD 219 RR 1 166 39 33
+2010-01-02 CD 219 RR 2 135 265 65
+2010-01-02 CD 219 RR 3 26 43 1
+2010-01-02 CD 219 RR 4 77 88 9
+2010-01-11 BRS 245 RR 1 2 7 10
+2010-01-11 BRS 245 RR 2 3 5 2
+2010-01-11 BRS 245 RR 3 1 1 0
+2010-01-11 BRS 245 RR 4 4 0 3
+2010-01-11 BRS 243 RR 1 0 5 3
+2010-01-11 BRS 243 RR 2 0 1 1
+2010-01-11 BRS 243 RR 3 1 1 0
+2010-01-11 BRS 243 RR 4 4 0 2
+2010-01-11 BRS 246 RR 1 4 9 6
+2010-01-11 BRS 246 RR 2 3 4 0
+2010-01-11 BRS 246 RR 3 0 0 0
+2010-01-11 BRS 246 RR 4 2 0 0
+2010-01-11 BRS 239 1 1 10 2
+2010-01-11 BRS 239 2 1 0 0
+2010-01-11 BRS 239 3 4 3 1
+2010-01-11 BRS 239 4 2 0 1
+2010-01-11 EMBRAPA 48 1 0 2 1
+2010-01-11 EMBRAPA 48 2 2 0 0
+2010-01-11 EMBRAPA 48 3 3 1 2
+2010-01-11 EMBRAPA 48 4 1 0 1
+2010-01-11 CD 214 RR 1 2 0 1
+2010-01-11 CD 214 RR 2 3 7 4
+2010-01-11 CD 214 RR 3 4 16 8
+2010-01-11 CD 214 RR 4 1 0 4
+2010-01-11 CD 202 1 12 2 0
+2010-01-11 CD 202 2 7 1 4
+2010-01-11 CD 202 3 1 0 0
+2010-01-11 CD 202 4 3 1 0
+2010-01-11 M 7908 RR 1 2 9 3
+2010-01-11 M 7908 RR 2 11 6 4
+2010-01-11 M 7908 RR 3 4 1 1
+2010-01-11 M 7908 RR 4 55 10 0
+2010-01-11 VMAX RR 1 1 1 1
+2010-01-11 VMAX RR 2 23 7 0
+2010-01-11 VMAX RR 3 5 1 4
+2010-01-11 VMAX RR 4 10 0 0
+2010-01-11 CD 219 RR 1 65 12 4
+2010-01-11 CD 219 RR 2 217 145 27
+2010-01-11 CD 219 RR 3 10 2 1
+2010-01-11 CD 219 RR 4 11 4 0
+2010-01-18 BRS 245 RR 1 5 9 12
+2010-01-18 BRS 245 RR 2 3 0 1
+2010-01-18 BRS 245 RR 3 0 0 0
+2010-01-18 BRS 245 RR 4 3 2 1
+2010-01-18 BRS 243 RR 1 6 0 7
+2010-01-18 BRS 243 RR 2 1 0 0
+2010-01-18 BRS 243 RR 3 0 0 0
+2010-01-18 BRS 243 RR 4 0 0 0
+2010-01-18 BRS 246 RR 1 5 2 10
+2010-01-18 BRS 246 RR 2 1 0 0
+2010-01-18 BRS 246 RR 3 0 0 0
+2010-01-18 BRS 246 RR 4 0 0 0
+2010-01-18 BRS 239 1 3 1 0
+2010-01-18 BRS 239 2 1 0 0
+2010-01-18 BRS 239 3 0 0 0
+2010-01-18 BRS 239 4 2 9 3
+2010-01-18 EMBRAPA 48 1 1 6 4
+2010-01-18 EMBRAPA 48 2 0 1 0
+2010-01-18 EMBRAPA 48 3 0 0 0
+2010-01-18 EMBRAPA 48 4 2 1 4
+2010-01-18 CD 214 RR 1 5 2 4
+2010-01-18 CD 214 RR 2 3 2 2
+2010-01-18 CD 214 RR 3 0 0 2
+2010-01-18 CD 214 RR 4 0 0 0
+2010-01-18 CD 202 1 1 9 6
+2010-01-18 CD 202 2 0 0 1
+2010-01-18 CD 202 3 0 0 0
+2010-01-18 CD 202 4 0 2 1
+2010-01-18 M 7908 RR 1 3 1 13
+2010-01-18 M 7908 RR 2 5 0 0
+2010-01-18 M 7908 RR 3 1 0 0
+2010-01-18 M 7908 RR 4 2 0 0
+2010-01-18 VMAX RR 1 0 1 0
+2010-01-18 VMAX RR 2 13 3 0
+2010-01-18 VMAX RR 3 1 0 0
+2010-01-18 VMAX RR 4 6 1 3
+2010-01-18 CD 219 RR 1 49 12 2
+2010-01-18 CD 219 RR 2 110 42 28
+2010-01-18 CD 219 RR 3 7 3 0
+2010-01-18 CD 219 RR 4 4 3 4
diff --git a/vignettes/ovos.txt b/vignettes/ovos.txt
new file mode 100644
index 0000000000000000000000000000000000000000..7efcd47a26803c5de8f0c43312368a79918e12b8
--- /dev/null
+++ b/vignettes/ovos.txt
@@ -0,0 +1,2101 @@
+periodo box luz gaiola dia ovos massa
+1 1 verde 1 1 9 698
+1 1 verde 2 1 7 591
+1 1 verde 3 1 9 589
+1 1 verde 4 1 7 401
+1 1 verde 5 1 9 611
+1 1 verde 6 1 8 531
+1 2 amarelo 1 1 9 569
+1 2 amarelo 2 1 8 546
+1 2 amarelo 3 1 6 410
+1 2 amarelo 4 1 10 631
+1 2 amarelo 5 1 8 565
+1 2 amarelo 6 1 7 457
+1 3 azul 1 1 8 490
+1 3 azul 2 1 10 667
+1 3 azul 3 1 7 465
+1 3 azul 4 1 8 496
+1 3 azul 5 1 7 464
+1 3 azul 6 1 8 531
+1 4 branco 1 1 9 598
+1 4 branco 2 1 8 503
+1 4 branco 3 1 9 595
+1 4 branco 4 1 7 434
+1 4 branco 5 1 9 589
+1 4 branco 6 1 7 435
+1 5 vermelho 1 1 9 582
+1 5 vermelho 2 1 8 516
+1 5 vermelho 3 1 8 520
+1 5 vermelho 4 1 9 588
+1 5 vermelho 5 1 9 560
+1 5 vermelho 6 1 7 462
+1 1 verde 1 2 7 429
+1 1 verde 2 2 7 469
+1 1 verde 3 2 5 333
+1 1 verde 4 2 6 371
+1 1 verde 5 2 5 345
+1 1 verde 6 2 7 455
+1 2 amarelo 1 2 10 640
+1 2 amarelo 2 2 8 540
+1 2 amarelo 3 2 10 671
+1 2 amarelo 4 2 9 582
+1 2 amarelo 5 2 7 458
+1 2 amarelo 6 2 6 381
+1 3 azul 1 2 7 440
+1 3 azul 2 2 9 605
+1 3 azul 3 2 6 373
+1 3 azul 4 2 9 590
+1 3 azul 5 2 7 460
+1 3 azul 6 2 7 487
+1 4 branco 1 2 8 511
+1 4 branco 2 2 7 468
+1 4 branco 3 2 7 450
+1 4 branco 4 2 7 449
+1 4 branco 5 2 10 670
+1 4 branco 6 2 4 270
+1 5 vermelho 1 2 8 530
+1 5 vermelho 2 2 6 379
+1 5 vermelho 3 2 7 441
+1 5 vermelho 4 2 7 455
+1 5 vermelho 5 2 6 366
+1 5 vermelho 6 2 10 661
+1 1 verde 1 3 9 574
+1 1 verde 2 3 8 558
+1 1 verde 3 3 9 606
+1 1 verde 4 3 10 620
+1 1 verde 5 3 9 619
+1 1 verde 6 3 8 523
+1 2 amarelo 1 3 8 508
+1 2 amarelo 2 3 7 421
+1 2 amarelo 3 3 8 514
+1 2 amarelo 4 3 8 535
+1 2 amarelo 5 3 8 505
+1 2 amarelo 6 3 5 340
+1 3 azul 1 3 9 557
+1 3 azul 2 3 7 467
+1 3 azul 3 3 10 645
+1 3 azul 4 3 8 516
+1 3 azul 5 3 8 513
+1 3 azul 6 3 8 532
+1 4 branco 1 3 9 594
+1 4 branco 2 3 9 595
+1 4 branco 3 3 8 50
+1 4 branco 4 3 8 521
+1 4 branco 5 3 9 590
+1 4 branco 6 3 8 509
+1 5 vermelho 1 3 10 658
+1 5 vermelho 2 3 8 511
+1 5 vermelho 3 3 9 573
+1 5 vermelho 4 3 9 569
+1 5 vermelho 5 3 7 414
+1 5 vermelho 6 3 8 519
+1 1 verde 1 4 9 564
+1 1 verde 2 4 7 441
+1 1 verde 3 4 5 320
+1 1 verde 4 4 9 545
+1 1 verde 5 4 10 665
+1 1 verde 6 4 9 595
+1 2 amarelo 1 4 9 587
+1 2 amarelo 2 4 5 526
+1 2 amarelo 3 4 9 591
+1 2 amarelo 4 4 6 413
+1 2 amarelo 5 4 6 385
+1 2 amarelo 6 4 9 599
+1 3 azul 1 4 8 487
+1 3 azul 2 4 9 623
+1 3 azul 3 4 10 637
+1 3 azul 4 4 9 579
+1 3 azul 5 4 5 330
+1 3 azul 6 4 9 608
+1 4 branco 1 4 7 448
+1 4 branco 2 4 8 519
+1 4 branco 3 4 5 530
+1 4 branco 4 4 6 337
+1 4 branco 5 4 10 653
+1 4 branco 6 4 9 569
+1 5 vermelho 1 4 10 654
+1 5 vermelho 2 4 7 439
+1 5 vermelho 3 4 7 440
+1 5 vermelho 4 4 9 572
+1 5 vermelho 5 4 6 365
+1 5 vermelho 6 4 8 514
+1 1 verde 1 5 9 576
+1 1 verde 2 5 4 261
+1 1 verde 3 5 8 528
+1 1 verde 4 5 8 500
+1 1 verde 5 5 7 460
+1 1 verde 6 5 8 613
+1 2 amarelo 1 5 7 458
+1 2 amarelo 2 5 7 441
+1 2 amarelo 3 5 9 602
+1 2 amarelo 4 5 8 530
+1 2 amarelo 5 5 9 590
+1 2 amarelo 6 5 8 510
+1 3 azul 1 5 9 560
+1 3 azul 2 5 9 629
+1 3 azul 3 5 8 533
+1 3 azul 4 5 10 630
+1 3 azul 5 5 6 396
+1 3 azul 6 5 6 407
+1 4 branco 1 5 10 654
+1 4 branco 2 5 9 566
+1 4 branco 3 5 9 592
+1 4 branco 4 5 7 385
+1 4 branco 5 5 8 506
+1 4 branco 6 5 8 491
+1 5 vermelho 1 5 8 518
+1 5 vermelho 2 5 8 527
+1 5 vermelho 3 5 8 493
+1 5 vermelho 4 5 10 657
+1 5 vermelho 5 5 9 555
+1 5 vermelho 6 5 9 572
+1 1 verde 1 6 9 564
+1 1 verde 2 6 8 527
+1 1 verde 3 6 8 514
+1 1 verde 4 6 9 546
+1 1 verde 5 6 10 711
+1 1 verde 6 6 7 441
+1 2 amarelo 1 6 7 441
+1 2 amarelo 2 6 8 516
+1 2 amarelo 3 6 7 450
+1 2 amarelo 4 6 10 659
+1 2 amarelo 5 6 7 451
+1 2 amarelo 6 6 6 371
+1 3 azul 1 6 8 493
+1 3 azul 2 6 8 546
+1 3 azul 3 6 10 633
+1 3 azul 4 6 7 437
+1 3 azul 5 6 7 436
+1 3 azul 6 6 7 472
+1 4 branco 1 6 8 541
+1 4 branco 2 6 8 515
+1 4 branco 3 6 8 507
+1 4 branco 4 6 7 439
+1 4 branco 5 6 10 649
+1 4 branco 6 6 6 369
+1 5 vermelho 1 6 10 652
+1 5 vermelho 2 6 6 380
+1 5 vermelho 3 6 9 560
+1 5 vermelho 4 6 7 435
+1 5 vermelho 5 6 10 623
+1 5 vermelho 6 6 8 486
+1 1 verde 1 7 8 504
+1 1 verde 2 7 8 519
+1 1 verde 3 7 9 597
+1 1 verde 4 7 8 496
+1 1 verde 5 7 8 534
+1 1 verde 6 7 6 412
+1 2 amarelo 1 7 8 547
+1 2 amarelo 2 7 7 450
+1 2 amarelo 3 7 9 591
+1 2 amarelo 4 7 9 582
+1 2 amarelo 5 7 8 518
+1 2 amarelo 6 7 5 307
+1 3 azul 1 7 10 623
+1 3 azul 2 7 9 606
+1 3 azul 3 7 6 403
+1 3 azul 4 7 6 397
+1 3 azul 5 7 10 644
+1 3 azul 6 7 8 520
+1 4 branco 1 7 8 520
+1 4 branco 2 7 6 396
+1 4 branco 3 7 7 466
+1 4 branco 4 7 9 591
+1 4 branco 5 7 9 570
+1 4 branco 6 7 8 507
+1 5 vermelho 1 7 10 658
+1 5 vermelho 2 7 6 403
+1 5 vermelho 3 7 7 452
+1 5 vermelho 4 7 9 606
+1 5 vermelho 5 7 9 564
+1 5 vermelho 6 7 9 583
+1 1 verde 1 8 7 463
+1 1 verde 2 8 6 310
+1 1 verde 3 8 8 519
+1 1 verde 4 8 9 567
+1 1 verde 5 8 10 685
+1 1 verde 6 8 6 392
+1 2 amarelo 1 8 8 572
+1 2 amarelo 2 8 8 509
+1 2 amarelo 3 8 7 449
+1 2 amarelo 4 8 9 586
+1 2 amarelo 5 8 7 459
+1 2 amarelo 6 8 7 448
+1 3 azul 1 8 6 375
+1 3 azul 2 8 8 548
+1 3 azul 3 8 7 465
+1 3 azul 4 8 7 448
+1 3 azul 5 8 6 389
+1 3 azul 6 8 6 415
+1 4 branco 1 8 10 648
+1 4 branco 2 8 10 652
+1 4 branco 3 8 7 451
+1 4 branco 4 8 7 470
+1 4 branco 5 8 9 578
+1 4 branco 6 8 7 443
+1 5 vermelho 1 8 9 578
+1 5 vermelho 2 8 7 444
+1 5 vermelho 3 8 8 507
+1 5 vermelho 4 8 9 585
+1 5 vermelho 5 8 7 441
+1 5 vermelho 6 8 9 567
+1 1 verde 1 9 8 523
+1 1 verde 2 9 9 585
+1 1 verde 3 9 8 524
+1 1 verde 4 9 8 519
+1 1 verde 5 9 7 480
+1 1 verde 6 9 7 447
+1 2 amarelo 1 9 9 600
+1 2 amarelo 2 9 6 374
+1 2 amarelo 3 9 8 525
+1 2 amarelo 4 9 9 579
+1 2 amarelo 5 9 8 518
+1 2 amarelo 6 9 7 434
+1 3 azul 1 9 9 561
+1 3 azul 2 9 8 564
+1 3 azul 3 9 8 534
+1 3 azul 4 9 7 462
+1 3 azul 5 9 6 382
+1 3 azul 6 9 8 547
+1 4 branco 1 9 8 518
+1 4 branco 2 9 6 377
+1 4 branco 3 9 8 539
+1 4 branco 4 9 8 543
+1 4 branco 5 9 7 459
+1 4 branco 6 9 8 506
+1 5 vermelho 1 9 10 651
+1 5 vermelho 2 9 8 512
+1 5 vermelho 3 9 9 579
+1 5 vermelho 4 9 5 314
+1 5 vermelho 5 9 9 568
+1 5 vermelho 6 9 9 564
+1 1 verde 1 10 7 447
+1 1 verde 2 10 6 403
+1 1 verde 3 10 8 502
+1 1 verde 4 10 9 559
+1 1 verde 5 10 9 615
+1 1 verde 6 10 7 477
+1 2 amarelo 1 10 8 538
+1 2 amarelo 2 10 8 539
+1 2 amarelo 3 10 9 597
+1 2 amarelo 4 10 7 464
+1 2 amarelo 5 10 7 464
+1 2 amarelo 6 10 5 327
+1 3 azul 1 10 9 550
+1 3 azul 2 10 7 468
+1 3 azul 3 10 7 464
+1 3 azul 4 10 8 493
+1 3 azul 5 10 9 572
+1 3 azul 6 10 9 599
+1 4 branco 1 10 9 587
+1 4 branco 2 10 7 441
+1 4 branco 3 10 9 587
+1 4 branco 4 10 5 335
+1 4 branco 5 10 10 656
+1 4 branco 6 10 8 498
+1 5 vermelho 1 10 9 585
+1 5 vermelho 2 10 8 515
+1 5 vermelho 3 10 7 452
+1 5 vermelho 4 10 9 581
+1 5 vermelho 5 10 6 371
+1 5 vermelho 6 10 7 441
+1 1 verde 1 11 9 581
+1 1 verde 2 11 6 391
+1 1 verde 3 11 9 573
+1 1 verde 4 11 9 622
+1 1 verde 5 11 7 469
+1 1 verde 6 11 7 454
+1 2 amarelo 1 11 5 356
+1 2 amarelo 2 11 8 500
+1 2 amarelo 3 11 7 455
+1 2 amarelo 4 11 8 518
+1 2 amarelo 5 11 8 505
+1 2 amarelo 6 11 6 406
+1 3 azul 1 11 7 433
+1 3 azul 2 11 6 415
+1 3 azul 3 11 9 599
+1 3 azul 4 11 9 570
+1 3 azul 5 11 5 310
+1 3 azul 6 11 7 485
+1 4 branco 1 11 7 441
+1 4 branco 2 11 8 507
+1 4 branco 3 11 8 507
+1 4 branco 4 11 7 446
+1 4 branco 5 11 9 589
+1 4 branco 6 11 8 515
+1 5 vermelho 1 11 8 507
+1 5 vermelho 2 11 7 463
+1 5 vermelho 3 11 6 391
+1 5 vermelho 4 11 7 461
+1 5 vermelho 5 11 7 427
+1 5 vermelho 6 11 9 579
+1 1 verde 1 12 8 509
+1 1 verde 2 12 9 616
+1 1 verde 3 12 9 588
+1 1 verde 4 12 8 503
+1 1 verde 5 12 7 517
+1 1 verde 6 12 5 312
+1 2 amarelo 1 12 9 630
+1 2 amarelo 2 12 8 542
+1 2 amarelo 3 12 7 451
+1 2 amarelo 4 12 8 546
+1 2 amarelo 5 12 8 529
+1 2 amarelo 6 12 7 470
+1 3 azul 1 12 8 496
+1 3 azul 2 12 7 481
+1 3 azul 3 12 7 436
+1 3 azul 4 12 6 384
+1 3 azul 5 12 7 475
+1 3 azul 6 12 5 356
+1 4 branco 1 12 7 448
+1 4 branco 2 12 8 521
+1 4 branco 3 12 9 609
+1 4 branco 4 12 8 519
+1 4 branco 5 12 9 578
+1 4 branco 6 12 6 398
+1 5 vermelho 1 12 9 598
+1 5 vermelho 2 12 8 505
+1 5 vermelho 3 12 7 441
+1 5 vermelho 4 12 10 668
+1 5 vermelho 5 12 5 318
+1 5 vermelho 6 12 8 532
+1 1 verde 1 13 10 648
+1 1 verde 2 13 7 450
+1 1 verde 3 13 8 514
+1 1 verde 4 13 9 586
+1 1 verde 5 13 8 557
+1 1 verde 6 13 7 457
+1 2 amarelo 1 13 9 608
+1 2 amarelo 2 13 8 529
+1 2 amarelo 3 13 5 332
+1 2 amarelo 4 13 7 425
+1 2 amarelo 5 13 6 381
+1 2 amarelo 6 13 6 411
+1 3 azul 1 13 7 434
+1 3 azul 2 13 9 590
+1 3 azul 3 13 4 252
+1 3 azul 4 13 9 583
+1 3 azul 5 13 7 453
+1 3 azul 6 13 9 606
+1 4 branco 1 13 8 502
+1 4 branco 2 13 5 303
+1 4 branco 3 13 7 444
+1 4 branco 4 13 5 336
+1 4 branco 5 13 7 446
+1 4 branco 6 13 7 445
+1 5 vermelho 1 13 10 645
+1 5 vermelho 2 13 8 537
+1 5 vermelho 3 13 8 501
+1 5 vermelho 4 13 7 436
+1 5 vermelho 5 13 7 426
+1 5 vermelho 6 13 8 523
+1 1 verde 1 14 6 367
+1 1 verde 2 14 7 444
+1 1 verde 3 14 7 445
+1 1 verde 4 14 8 509
+1 1 verde 5 14 6 436
+1 1 verde 6 14 7 432
+1 2 amarelo 1 14 9 596
+1 2 amarelo 2 14 8 544
+1 2 amarelo 3 14 6 404
+1 2 amarelo 4 14 8 512
+1 2 amarelo 5 14 8 514
+1 2 amarelo 6 14 6 408
+1 3 azul 1 14 8 487
+1 3 azul 2 14 8 515
+1 3 azul 3 14 9 584
+1 3 azul 4 14 7 463
+1 3 azul 5 14 8 523
+1 3 azul 6 14 9 624
+1 4 branco 1 14 9 581
+1 4 branco 2 14 8 521
+1 4 branco 3 14 7 444
+1 4 branco 4 14 8 525
+1 4 branco 5 14 10 653
+1 4 branco 6 14 8 505
+1 5 vermelho 1 14 9 603
+1 5 vermelho 2 14 7 444
+1 5 vermelho 3 14 9 572
+1 5 vermelho 4 14 7 442
+1 5 vermelho 5 14 8 491
+1 5 vermelho 6 14 9 593
+2 1 amarelo 1 1 9 555
+2 1 amarelo 2 1 7 451
+2 1 amarelo 3 1 6 414
+2 1 amarelo 4 1 8 490
+2 1 amarelo 5 1 7 434
+2 1 amarelo 6 1 7 437
+2 2 branco 1 1 9 589
+2 2 branco 2 1 9 571
+2 2 branco 3 1 7 430
+2 2 branco 4 1 8 496
+2 2 branco 5 1 6 414
+2 2 branco 6 1 7 455
+2 3 vermelho 1 1 7 493
+2 3 vermelho 2 1 9 639
+2 3 vermelho 3 1 9 607
+2 3 vermelho 4 1 6 420
+2 3 vermelho 5 1 9 585
+2 3 vermelho 6 1 8 541
+2 4 azul 1 1 9 560
+2 4 azul 2 1 9 578
+2 4 azul 3 1 9 553
+2 4 azul 4 1 7 469
+2 4 azul 5 1 10 638
+2 4 azul 6 1 9 558
+2 5 verde 1 1 9 560
+2 5 verde 2 1 7 469
+2 5 verde 3 1 9 546
+2 5 verde 4 1 9 564
+2 5 verde 5 1 8 482
+2 5 verde 6 1 7 455
+2 1 amarelo 1 2 8 496
+2 1 amarelo 2 2 7 464
+2 1 amarelo 3 2 8 522
+2 1 amarelo 4 2 9 561
+2 1 amarelo 5 2 8 558
+2 1 amarelo 6 2 7 495
+2 2 branco 1 2 6 411
+2 2 branco 2 2 10 663
+2 2 branco 3 2 7 462
+2 2 branco 4 2 6 378
+2 2 branco 5 2 10 652
+2 2 branco 6 2 6 394
+2 3 vermelho 1 2 9 557
+2 3 vermelho 2 2 7 477
+2 3 vermelho 3 2 8 500
+2 3 vermelho 4 2 8 534
+2 3 vermelho 5 2 6 392
+2 3 vermelho 6 2 6 376
+2 4 azul 1 2 8 536
+2 4 azul 2 2 7 474
+2 4 azul 3 2 6 370
+2 4 azul 4 2 6 385
+2 4 azul 5 2 9 591
+2 4 azul 6 2 8 493
+2 5 verde 1 2 9 620
+2 5 verde 2 2 7 453
+2 5 verde 3 2 7 438
+2 5 verde 4 2 10 661
+2 5 verde 5 2 5 320
+2 5 verde 6 2 8 505
+2 1 amarelo 1 3 8 510
+2 1 amarelo 2 3 9 565
+2 1 amarelo 3 3 7 450
+2 1 amarelo 4 3 9 550
+2 1 amarelo 5 3 8 557
+2 1 amarelo 6 3 6 394
+2 2 branco 1 3 9 601
+2 2 branco 2 3 8 543
+2 2 branco 3 3 7 453
+2 2 branco 4 3 8 510
+2 2 branco 5 3 8 489
+2 2 branco 6 3 8 518
+2 3 vermelho 1 3 4 246
+2 3 vermelho 2 3 6 420
+2 3 vermelho 3 3 7 454
+2 3 vermelho 4 3 9 574
+2 3 vermelho 5 3 6 380
+2 3 vermelho 6 3 9 602
+2 4 azul 1 3 9 568
+2 4 azul 2 3 8 534
+2 4 azul 3 3 7 462
+2 4 azul 4 3 8 454
+2 4 azul 5 3 9 596
+2 4 azul 6 3 5 309
+2 5 verde 1 3 9 603
+2 5 verde 2 3 7 454
+2 5 verde 3 3 8 492
+2 5 verde 4 3 6 378
+2 5 verde 5 3 9 539
+2 5 verde 6 3 9 562
+2 1 amarelo 1 4 5 313
+2 1 amarelo 2 4 10 633
+2 1 amarelo 3 4 6 375
+2 1 amarelo 4 4 8 490
+2 1 amarelo 5 4 10 700
+2 1 amarelo 6 4 6 406
+2 2 branco 1 4 8 541
+2 2 branco 2 4 8 512
+2 2 branco 3 4 9 622
+2 2 branco 4 4 7 457
+2 2 branco 5 4 8 504
+2 2 branco 6 4 5 316
+2 3 vermelho 1 4 6 381
+2 3 vermelho 2 4 8 547
+2 3 vermelho 3 4 9 576
+2 3 vermelho 4 4 6 381
+2 3 vermelho 5 4 7 484
+2 3 vermelho 6 4 6 399
+2 4 azul 1 4 8 521
+2 4 azul 2 4 9 552
+2 4 azul 3 4 8 523
+2 4 azul 4 4 7 472
+2 4 azul 5 4 9 600
+2 4 azul 6 4 6 379
+2 5 verde 1 4 8 524
+2 5 verde 2 4 8 506
+2 5 verde 3 4 9 581
+2 5 verde 4 4 10 664
+2 5 verde 5 4 9 539
+2 5 verde 6 4 7 454
+2 1 amarelo 1 5 8 510
+2 1 amarelo 2 5 8 529
+2 1 amarelo 3 5 8 522
+2 1 amarelo 4 5 7 443
+2 1 amarelo 5 5 7 491
+2 1 amarelo 6 5 5 334
+2 2 branco 1 5 8 536
+2 2 branco 2 5 8 533
+2 2 branco 3 5 7 460
+2 2 branco 4 5 8 512
+2 2 branco 5 5 8 506
+2 2 branco 6 5 6 414
+2 3 vermelho 1 5 10 618
+2 3 vermelho 2 5 7 481
+2 3 vermelho 3 5 8 516
+2 3 vermelho 4 5 6 370
+2 3 vermelho 5 5 7 464
+2 3 vermelho 6 5 7 469
+2 4 azul 1 5 9 574
+2 4 azul 2 5 8 536
+2 4 azul 3 5 8 506
+2 4 azul 4 5 5 328
+2 4 azul 5 5 9 583
+2 4 azul 6 5 8 488
+2 5 verde 1 5 10 670
+2 5 verde 2 5 6 383
+2 5 verde 3 5 8 492
+2 5 verde 4 5 6 383
+2 5 verde 5 5 9 553
+2 5 verde 6 5 9 583
+2 1 amarelo 1 6 7 466
+2 1 amarelo 2 6 8 514
+2 1 amarelo 3 6 7 458
+2 1 amarelo 4 6 8 523
+2 1 amarelo 5 6 8 564
+2 1 amarelo 6 6 6 405
+2 2 branco 1 6 9 599
+2 2 branco 2 6 9 595
+2 2 branco 3 6 9 608
+2 2 branco 4 6 8 534
+2 2 branco 5 6 9 584
+2 2 branco 6 6 6 366
+2 3 vermelho 1 6 8 535
+2 3 vermelho 2 6 9 581
+2 3 vermelho 3 6 8 537
+2 3 vermelho 4 6 9 628
+2 3 vermelho 5 6 8 544
+2 3 vermelho 6 6 10 637
+2 4 azul 1 6 10 637
+2 4 azul 2 6 9 598
+2 4 azul 3 6 7 473
+2 4 azul 4 6 10 655
+2 4 azul 5 6 9 585
+2 4 azul 6 6 6 370
+2 5 verde 1 6 9 620
+2 5 verde 2 6 5 327
+2 5 verde 3 6 9 584
+2 5 verde 4 6 9 593
+2 5 verde 5 6 10 579
+2 5 verde 6 6 9 577
+2 1 amarelo 1 7 9 577
+2 1 amarelo 2 7 8 551
+2 1 amarelo 3 7 7 467
+2 1 amarelo 4 7 6 378
+2 1 amarelo 5 7 7 470
+2 1 amarelo 6 7 5 327
+2 2 branco 1 7 9 574
+2 2 branco 2 7 8 545
+2 2 branco 3 7 8 538
+2 2 branco 4 7 7 450
+2 2 branco 5 7 8 536
+2 2 branco 6 7 5 375
+2 3 vermelho 1 7 7 461
+2 3 vermelho 2 7 7 498
+2 3 vermelho 3 7 7 473
+2 3 vermelho 4 7 6 338
+2 3 vermelho 5 7 8 557
+2 3 vermelho 6 7 6 397
+2 4 azul 1 7 8 524
+2 4 azul 2 7 8 530
+2 4 azul 3 7 7 446
+2 4 azul 4 7 10 656
+2 4 azul 5 7 9 600
+2 4 azul 6 7 9 598
+2 5 verde 1 7 7 450
+2 5 verde 2 7 8 554
+2 5 verde 3 7 7 471
+2 5 verde 4 7 7 444
+2 5 verde 5 7 6 344
+2 5 verde 6 7 9 594
+2 1 amarelo 1 8 9 582
+2 1 amarelo 2 8 10 636
+2 1 amarelo 3 8 6 396
+2 1 amarelo 4 8 8 502
+2 1 amarelo 5 8 7 475
+2 1 amarelo 6 8 6 395
+2 2 branco 1 8 9 597
+2 2 branco 2 8 8 523
+2 2 branco 3 8 8 514
+2 2 branco 4 8 8 539
+2 2 branco 5 8 8 525
+2 2 branco 6 8 6 402
+2 3 vermelho 1 8 5 300
+2 3 vermelho 2 8 8 542
+2 3 vermelho 3 8 9 580
+2 3 vermelho 4 8 7 463
+2 3 vermelho 5 8 7 477
+2 3 vermelho 6 8 7 451
+2 4 azul 1 8 9 565
+2 4 azul 2 8 9 598
+2 4 azul 3 8 7 451
+2 4 azul 4 8 7 458
+2 4 azul 5 8 9 647
+2 4 azul 6 8 7 434
+2 5 verde 1 8 7 476
+2 5 verde 2 8 7 460
+2 5 verde 3 8 10 658
+2 5 verde 4 8 7 439
+2 5 verde 5 8 8 470
+2 5 verde 6 8 8 514
+2 1 amarelo 1 9 5 282
+2 1 amarelo 2 9 8 520
+2 1 amarelo 3 9 7 470
+2 1 amarelo 4 9 9 569
+2 1 amarelo 5 9 8 545
+2 1 amarelo 6 9 6 373
+2 2 branco 1 9 7 464
+2 2 branco 2 9 9 582
+2 2 branco 3 9 9 597
+2 2 branco 4 9 7 492
+2 2 branco 5 9 8 532
+2 2 branco 6 9 8 530
+2 3 vermelho 1 9 6 389
+2 3 vermelho 2 9 8 502
+2 3 vermelho 3 9 9 585
+2 3 vermelho 4 9 8 522
+2 3 vermelho 5 9 7 456
+2 3 vermelho 6 9 6 337
+2 4 azul 1 9 8 520
+2 4 azul 2 9 8 521
+2 4 azul 3 9 8 508
+2 4 azul 4 9 6 421
+2 4 azul 5 9 9 575
+2 4 azul 6 9 6 388
+2 5 verde 1 9 10 667
+2 5 verde 2 9 9 585
+2 5 verde 3 9 9 564
+2 5 verde 4 9 9 593
+2 5 verde 5 9 7 411
+2 5 verde 6 9 8 511
+2 1 amarelo 1 10 9 594
+2 1 amarelo 2 10 7 441
+2 1 amarelo 3 10 8 523
+2 1 amarelo 4 10 7 438
+2 1 amarelo 5 10 6 396
+2 1 amarelo 6 10 6 366
+2 2 branco 1 10 7 460
+2 2 branco 2 10 7 457
+2 2 branco 3 10 9 604
+2 2 branco 4 10 7 442
+2 2 branco 5 10 8 509
+2 2 branco 6 10 6 404
+2 3 vermelho 1 10 9 557
+2 3 vermelho 2 10 7 486
+2 3 vermelho 3 10 7 435
+2 3 vermelho 4 10 8 520
+2 3 vermelho 5 10 8 507
+2 3 vermelho 6 10 6 368
+2 4 azul 1 10 8 513
+2 4 azul 2 10 8 531
+2 4 azul 3 10 9 570
+2 4 azul 4 10 8 525
+2 4 azul 5 10 8 498
+2 4 azul 6 10 8 484
+2 5 verde 1 10 9 610
+2 5 verde 2 10 5 330
+2 5 verde 3 10 8 507
+2 5 verde 4 10 9 582
+2 5 verde 5 10 7 409
+2 5 verde 6 10 9 564
+2 1 amarelo 1 11 8 524
+2 1 amarelo 2 11 10 653
+2 1 amarelo 3 11 8 533
+2 1 amarelo 4 11 9 552
+2 1 amarelo 5 11 7 488
+2 1 amarelo 6 11 4 249
+2 2 branco 1 11 10 671
+2 2 branco 2 11 8 538
+2 2 branco 3 11 8 525
+2 2 branco 4 11 10 666
+2 2 branco 5 11 6 397
+2 2 branco 6 11 6 397
+2 3 vermelho 1 11 10 633
+2 3 vermelho 2 11 6 405
+2 3 vermelho 3 11 8 537
+2 3 vermelho 4 11 9 578
+2 3 vermelho 5 11 6 387
+2 3 vermelho 6 11 6 375
+2 4 azul 1 11 8 518
+2 4 azul 2 11 8 511
+2 4 azul 3 11 7 449
+2 4 azul 4 11 8 528
+2 4 azul 5 11 8 508
+2 4 azul 6 11 7 455
+2 5 verde 1 11 8 523
+2 5 verde 2 11 6 389
+2 5 verde 3 11 8 497
+2 5 verde 4 11 10 640
+2 5 verde 5 11 7 417
+2 5 verde 6 11 8 499
+2 1 amarelo 1 12 9 575
+2 1 amarelo 2 12 8 526
+2 1 amarelo 3 12 7 462
+2 1 amarelo 4 12 8 522
+2 1 amarelo 5 12 7 486
+2 1 amarelo 6 12 5 333
+2 2 branco 1 12 9 602
+2 2 branco 2 12 9 593
+2 2 branco 3 12 7 459
+2 2 branco 4 12 9 579
+2 2 branco 5 12 7 452
+2 2 branco 6 12 6 389
+2 3 vermelho 1 12 7 431
+2 3 vermelho 2 12 7 490
+2 3 vermelho 3 12 5 323
+2 3 vermelho 4 12 6 385
+2 3 vermelho 5 12 8 540
+2 3 vermelho 6 12 6 404
+2 4 azul 1 12 8 524
+2 4 azul 2 12 8 519
+2 4 azul 3 12 8 525
+2 4 azul 4 12 8 518
+2 4 azul 5 12 8 519
+2 4 azul 6 12 8 496
+2 5 verde 1 12 8 543
+2 5 verde 2 12 6 401
+2 5 verde 3 12 8 489
+2 5 verde 4 12 9 589
+2 5 verde 5 12 7 437
+2 5 verde 6 12 8 502
+2 1 amarelo 1 13 8 494
+2 1 amarelo 2 13 7 455
+2 1 amarelo 3 13 8 540
+2 1 amarelo 4 13 7 442
+2 1 amarelo 5 13 8 572
+2 1 amarelo 6 13 4 266
+2 2 branco 1 13 9 599
+2 2 branco 2 13 9 621
+2 2 branco 3 13 6 410
+2 2 branco 4 13 9 584
+2 2 branco 5 13 6 395
+2 2 branco 6 13 4 275
+2 3 vermelho 1 13 6 382
+2 3 vermelho 2 13 7 487
+2 3 vermelho 3 13 10 643
+2 3 vermelho 4 13 6 378
+2 3 vermelho 5 13 5 334
+2 3 vermelho 6 13 6 407
+2 4 azul 1 13 10 650
+2 4 azul 2 13 7 454
+2 4 azul 3 13 7 458
+2 4 azul 4 13 8 520
+2 4 azul 5 13 9 578
+2 4 azul 6 13 5 324
+2 5 verde 1 13 8 524
+2 5 verde 2 13 5 318
+2 5 verde 3 13 7 431
+2 5 verde 4 13 7 457
+2 5 verde 5 13 7 428
+2 5 verde 6 13 7 446
+2 1 amarelo 1 14 9 553
+2 1 amarelo 2 14 6 420
+2 1 amarelo 3 14 7 427
+2 1 amarelo 4 14 5 320
+2 1 amarelo 5 14 6 384
+2 1 amarelo 6 14 6 402
+2 2 branco 1 14 10 630
+2 2 branco 2 14 7 504
+2 2 branco 3 14 9 584
+2 2 branco 4 14 9 551
+2 2 branco 5 14 7 511
+2 2 branco 6 14 6 432
+2 3 vermelho 1 14 7 444
+2 3 vermelho 2 14 7 490
+2 3 vermelho 3 14 8 533
+2 3 vermelho 4 14 6 336
+2 3 vermelho 5 14 6 390
+2 3 vermelho 6 14 6 384
+2 4 azul 1 14 8 517
+2 4 azul 2 14 8 530
+2 4 azul 3 14 7 504
+2 4 azul 4 14 9 558
+2 4 azul 5 14 9 542
+2 4 azul 6 14 9 596
+2 5 verde 1 14 10 682
+2 5 verde 2 14 8 520
+2 5 verde 3 14 8 472
+2 5 verde 4 14 8 512
+2 5 verde 5 14 8 480
+2 5 verde 6 14 5 476
+3 1 azul 1 1 8 563
+3 1 azul 2 1 7 499
+3 1 azul 3 1 8 531
+3 1 azul 4 1 9 586
+3 1 azul 5 1 7 498
+3 1 azul 6 1 6 349
+3 2 verde 1 1 6 442
+3 2 verde 2 1 9 601
+3 2 verde 3 1 10 636
+3 2 verde 4 1 7 453
+3 2 verde 5 1 7 429
+3 2 verde 6 1 7 484
+3 3 branco 1 1 9 586
+3 3 branco 2 1 8 579
+3 3 branco 3 1 7 478
+3 3 branco 4 1 8 548
+3 3 branco 5 1 7 468
+3 3 branco 6 1 7 399
+3 4 vermelho 1 1 8 573
+3 4 vermelho 2 1 8 562
+3 4 vermelho 3 1 7 446
+3 4 vermelho 4 1 7 428
+3 4 vermelho 5 1 9 599
+3 4 vermelho 6 1 8 479
+3 5 amarelo 1 1 8 498
+3 5 amarelo 2 1 8 527
+3 5 amarelo 3 1 7 496
+3 5 amarelo 4 1 7 465
+3 5 amarelo 5 1 9 590
+3 5 amarelo 6 1 8 545
+3 1 azul 1 2 8 522
+3 1 azul 2 2 7 451
+3 1 azul 3 2 6 396
+3 1 azul 4 2 8 506
+3 1 azul 5 2 9 644
+3 1 azul 6 2 2 127
+3 2 verde 1 2 8 548
+3 2 verde 2 2 7 513
+3 2 verde 3 2 9 585
+3 2 verde 4 2 7 459
+3 2 verde 5 2 8 531
+3 2 verde 6 2 4 288
+3 3 branco 1 2 8 492
+3 3 branco 2 2 6 417
+3 3 branco 3 2 8 531
+3 3 branco 4 2 7 418
+3 3 branco 5 2 7 450
+3 3 branco 6 2 7 460
+3 4 vermelho 1 2 10 647
+3 4 vermelho 2 2 9 602
+3 4 vermelho 3 2 9 618
+3 4 vermelho 4 2 8 570
+3 4 vermelho 5 2 8 522
+3 4 vermelho 6 2 7 466
+3 5 amarelo 1 2 8 444
+3 5 amarelo 2 2 6 379
+3 5 amarelo 3 2 9 574
+3 5 amarelo 4 2 8 542
+3 5 amarelo 5 2 8 487
+3 5 amarelo 6 2 8 502
+3 1 azul 1 3 9 566
+3 1 azul 2 3 7 444
+3 1 azul 3 3 7 471
+3 1 azul 4 3 7 429
+3 1 azul 5 3 8 551
+3 1 azul 6 3 5 338
+3 2 verde 1 3 10 676
+3 2 verde 2 3 9 628
+3 2 verde 3 3 8 510
+3 2 verde 4 3 8 507
+3 2 verde 5 3 7 457
+3 2 verde 6 3 6 380
+3 3 branco 1 3 7 439
+3 3 branco 2 3 8 548
+3 3 branco 3 3 6 392
+3 3 branco 4 3 7 426
+3 3 branco 5 3 7 463
+3 3 branco 6 3 6 391
+3 4 vermelho 1 3 8 511
+3 4 vermelho 2 3 7 478
+3 4 vermelho 3 3 8 535
+3 4 vermelho 4 3 10 672
+3 4 vermelho 5 3 10 656
+3 4 vermelho 6 3 7 457
+3 5 amarelo 1 3 10 664
+3 5 amarelo 2 3 7 457
+3 5 amarelo 3 3 6 375
+3 5 amarelo 4 3 9 597
+3 5 amarelo 5 3 8 484
+3 5 amarelo 6 3 7 438
+3 1 azul 1 4 7 462
+3 1 azul 2 4 5 319
+3 1 azul 3 4 7 467
+3 1 azul 4 4 8 512
+3 1 azul 5 4 9 621
+3 1 azul 6 4 6 402
+3 2 verde 1 4 9 605
+3 2 verde 2 4 7 440
+3 2 verde 3 4 7 469
+3 2 verde 4 4 7 463
+3 2 verde 5 4 7 456
+3 2 verde 6 4 7 467
+3 3 branco 1 4 10 632
+3 3 branco 2 4 6 413
+3 3 branco 3 4 9 564
+3 3 branco 4 4 6 399
+3 3 branco 5 4 7 442
+3 3 branco 6 4 5 322
+3 4 vermelho 1 4 9 574
+3 4 vermelho 2 4 8 546
+3 4 vermelho 3 4 8 545
+3 4 vermelho 4 4 7 486
+3 4 vermelho 5 4 9 577
+3 4 vermelho 6 4 8 542
+3 5 amarelo 1 4 10 694
+3 5 amarelo 2 4 6 397
+3 5 amarelo 3 4 6 374
+3 5 amarelo 4 4 7 468
+3 5 amarelo 5 4 6 372
+3 5 amarelo 6 4 9 554
+3 1 azul 1 5 7 446
+3 1 azul 2 5 5 320
+3 1 azul 3 5 6 391
+3 1 azul 4 5 7 436
+3 1 azul 5 5 7 465
+3 1 azul 6 5 4 269
+3 2 verde 1 5 9 599
+3 2 verde 2 5 8 516
+3 2 verde 3 5 7 464
+3 2 verde 4 5 9 597
+3 2 verde 5 5 8 521
+3 2 verde 6 5 7 461
+3 3 branco 1 5 10 619
+3 3 branco 2 5 6 410
+3 3 branco 3 5 7 431
+3 3 branco 4 5 7 448
+3 3 branco 5 5 9 571
+3 3 branco 6 5 8 557
+3 4 vermelho 1 5 9 577
+3 4 vermelho 2 5 7 447
+3 4 vermelho 3 5 8 505
+3 4 vermelho 4 5 9 627
+3 4 vermelho 5 5 6 409
+3 4 vermelho 6 5 6 387
+3 5 amarelo 1 5 10 692
+3 5 amarelo 2 5 5 332
+3 5 amarelo 3 5 8 527
+3 5 amarelo 4 5 8 533
+3 5 amarelo 5 5 7 430
+3 5 amarelo 6 5 7 435
+3 1 azul 1 6 8 500
+3 1 azul 2 6 6 398
+3 1 azul 3 6 6 377
+3 1 azul 4 6 5 324
+3 1 azul 5 6 4 286
+3 1 azul 6 6 6 390
+3 2 verde 1 6 8 571
+3 2 verde 2 6 7 463
+3 2 verde 3 6 7 470
+3 2 verde 4 6 8 518
+3 2 verde 5 6 7 454
+3 2 verde 6 6 4 250
+3 3 branco 1 6 8 518
+3 3 branco 2 6 7 500
+3 3 branco 3 6 7 453
+3 3 branco 4 6 7 442
+3 3 branco 5 6 7 466
+3 3 branco 6 6 6 407
+3 4 vermelho 1 6 5 334
+3 4 vermelho 2 6 7 468
+3 4 vermelho 3 6 8 529
+3 4 vermelho 4 6 6 403
+3 4 vermelho 5 6 8 526
+3 4 vermelho 6 6 8 534
+3 5 amarelo 1 6 7 461
+3 5 amarelo 2 6 6 406
+3 5 amarelo 3 6 8 515
+3 5 amarelo 4 6 8 536
+3 5 amarelo 5 6 7 430
+3 5 amarelo 6 6 9 577
+3 1 azul 1 7 6 389
+3 1 azul 2 7 4 277
+3 1 azul 3 7 9 611
+3 1 azul 4 7 7 440
+3 1 azul 5 7 9 651
+3 1 azul 6 7 5 352
+3 2 verde 1 7 10 667
+3 2 verde 2 7 8 554
+3 2 verde 3 7 7 453
+3 2 verde 4 7 10 652
+3 2 verde 5 7 6 376
+3 2 verde 6 7 6 406
+3 3 branco 1 7 9 558
+3 3 branco 2 7 6 405
+3 3 branco 3 7 9 584
+3 3 branco 4 7 6 397
+3 3 branco 5 7 7 464
+3 3 branco 6 7 8 563
+3 4 vermelho 1 7 6 397
+3 4 vermelho 2 7 7 474
+3 4 vermelho 3 7 6 447
+3 4 vermelho 4 7 9 613
+3 4 vermelho 5 7 8 520
+3 4 vermelho 6 7 7 467
+3 5 amarelo 1 7 9 590
+3 5 amarelo 2 7 7 459
+3 5 amarelo 3 7 9 576
+3 5 amarelo 4 7 9 605
+3 5 amarelo 5 7 8 486
+3 5 amarelo 6 7 9 579
+3 1 azul 1 8 8 506
+3 1 azul 2 8 6 395
+3 1 azul 3 8 8 512
+3 1 azul 4 8 8 517
+3 1 azul 5 8 6 418
+3 1 azul 6 8 5 332
+3 2 verde 1 8 9 601
+3 2 verde 2 8 8 557
+3 2 verde 3 8 7 459
+3 2 verde 4 8 8 503
+3 2 verde 5 8 8 502
+3 2 verde 6 8 4 268
+3 3 branco 1 8 7 435
+3 3 branco 2 8 7 481
+3 3 branco 3 8 9 569
+3 3 branco 4 8 6 376
+3 3 branco 5 8 6 412
+3 3 branco 6 8 9 617
+3 4 vermelho 1 8 9 590
+3 4 vermelho 2 8 8 532
+3 4 vermelho 3 8 8 514
+3 4 vermelho 4 8 7 450
+3 4 vermelho 5 8 7 477
+3 4 vermelho 6 8 8 515
+3 5 amarelo 1 8 7 464
+3 5 amarelo 2 8 7 477
+3 5 amarelo 3 8 7 439
+3 5 amarelo 4 8 7 475
+3 5 amarelo 5 8 7 427
+3 5 amarelo 6 8 8 512
+3 1 azul 1 9 7 446
+3 1 azul 2 9 5 322
+3 1 azul 3 9 8 505
+3 1 azul 4 9 6 378
+3 1 azul 5 9 7 486
+3 1 azul 6 9 4 276
+3 2 verde 1 9 9 620
+3 2 verde 2 9 7 475
+3 2 verde 3 9 6 380
+3 2 verde 4 9 8 504
+3 2 verde 5 9 8 513
+3 2 verde 6 9 8 531
+3 3 branco 1 9 9 555
+3 3 branco 2 9 5 346
+3 3 branco 3 9 7 457
+3 3 branco 4 9 5 338
+3 3 branco 5 9 6 397
+3 3 branco 6 9 8 566
+3 4 vermelho 1 9 8 494
+3 4 vermelho 2 9 8 535
+3 4 vermelho 3 9 7 469
+3 4 vermelho 4 9 7 466
+3 4 vermelho 5 9 9 590
+3 4 vermelho 6 9 6 384
+3 5 amarelo 1 9 8 546
+3 5 amarelo 2 9 7 456
+3 5 amarelo 3 9 8 508
+3 5 amarelo 4 9 9 605
+3 5 amarelo 5 9 8 490
+3 5 amarelo 6 9 9 570
+3 1 azul 1 10 10 623
+3 1 azul 2 10 6 387
+3 1 azul 3 10 8 522
+3 1 azul 4 10 10 609
+3 1 azul 5 10 9 621
+3 1 azul 6 10 5 320
+3 2 verde 1 10 7 480
+3 2 verde 2 10 5 337
+3 2 verde 3 10 8 536
+3 2 verde 4 10 8 525
+3 2 verde 5 10 6 381
+3 2 verde 6 10 7 454
+3 3 branco 1 10 8 500
+3 3 branco 2 10 8 528
+3 3 branco 3 10 8 527
+3 3 branco 4 10 8 530
+3 3 branco 5 10 6 403
+3 3 branco 6 10 4 264
+3 4 vermelho 1 10 8 528
+3 4 vermelho 2 10 9 582
+3 4 vermelho 3 10 8 510
+3 4 vermelho 4 10 9 608
+3 4 vermelho 5 10 10 660
+3 4 vermelho 6 10 5 331
+3 5 amarelo 1 10 10 689
+3 5 amarelo 2 10 8 521
+3 5 amarelo 3 10 9 581
+3 5 amarelo 4 10 8 520
+3 5 amarelo 5 10 7 442
+3 5 amarelo 6 10 9 570
+3 1 azul 1 11 9 572
+3 1 azul 2 11 2 135
+3 1 azul 3 11 9 602
+3 1 azul 4 11 8 503
+3 1 azul 5 11 9 629
+3 1 azul 6 11 5 350
+3 2 verde 1 11 9 622
+3 2 verde 2 11 9 629
+3 2 verde 3 11 8 536
+3 2 verde 4 11 9 593
+3 2 verde 5 11 7 465
+3 2 verde 6 11 7 463
+3 3 branco 1 11 7 437
+3 3 branco 2 11 7 480
+3 3 branco 3 11 8 524
+3 3 branco 4 11 7 443
+3 3 branco 5 11 7 496
+3 3 branco 6 11 5 351
+3 4 vermelho 1 11 10 639
+3 4 vermelho 2 11 7 443
+3 4 vermelho 3 11 8 526
+3 4 vermelho 4 11 9 588
+3 4 vermelho 5 11 10 654
+3 4 vermelho 6 11 7 447
+3 5 amarelo 1 11 7 483
+3 5 amarelo 2 11 7 462
+3 5 amarelo 3 11 9 467
+3 5 amarelo 4 11 10 666
+3 5 amarelo 5 11 8 499
+3 5 amarelo 6 11 9 589
+3 1 azul 1 12 7 428
+3 1 azul 2 12 6 402
+3 1 azul 3 12 8 517
+3 1 azul 4 12 8 493
+3 1 azul 5 12 9 617
+3 1 azul 6 12 5 327
+3 2 verde 1 12 9 600
+3 2 verde 2 12 7 457
+3 2 verde 3 12 8 533
+3 2 verde 4 12 8 513
+3 2 verde 5 12 7 462
+3 2 verde 6 12 6 384
+3 3 branco 1 12 10 621
+3 3 branco 2 12 6 390
+3 3 branco 3 12 9 579
+3 3 branco 4 12 6 380
+3 3 branco 5 12 5 332
+3 3 branco 6 12 8 553
+3 4 vermelho 1 12 7 459
+3 4 vermelho 2 12 7 464
+3 4 vermelho 3 12 8 538
+3 4 vermelho 4 12 9 570
+3 4 vermelho 5 12 10 667
+3 4 vermelho 6 12 7 442
+3 5 amarelo 1 12 8 532
+3 5 amarelo 2 12 4 267
+3 5 amarelo 3 12 7 437
+3 5 amarelo 4 12 10 681
+3 5 amarelo 5 12 7 434
+3 5 amarelo 6 12 8 511
+3 1 azul 1 13 6 389
+3 1 azul 2 13 6 396
+3 1 azul 3 13 8 527
+3 1 azul 4 13 5 310
+3 1 azul 5 13 7 487
+3 1 azul 6 13 4 260
+3 2 verde 1 13 9 607
+3 2 verde 2 13 7 476
+3 2 verde 3 13 6 396
+3 2 verde 4 13 8 516
+3 2 verde 5 13 4 247
+3 2 verde 6 13 5 322
+3 3 branco 1 13 7 440
+3 3 branco 2 13 8 556
+3 3 branco 3 13 6 396
+3 3 branco 4 13 6 389
+3 3 branco 5 13 6 390
+3 3 branco 6 13 7 489
+3 4 vermelho 1 13 9 601
+3 4 vermelho 2 13 7 455
+3 4 vermelho 3 13 7 465
+3 4 vermelho 4 13 7 456
+3 4 vermelho 5 13 7 447
+3 4 vermelho 6 13 7 456
+3 5 amarelo 1 13 9 610
+3 5 amarelo 2 13 7 454
+3 5 amarelo 3 13 7 448
+3 5 amarelo 4 13 5 333
+3 5 amarelo 5 13 8 486
+3 5 amarelo 6 13 8 504
+3 1 azul 1 14 7 406
+3 1 azul 2 14 5 290
+3 1 azul 3 14 5 295
+3 1 azul 4 14 6 351
+3 1 azul 5 14 5 297
+3 1 azul 6 14 7 408
+3 2 verde 1 14 9 496
+3 2 verde 2 14 6 318
+3 2 verde 3 14 8 528
+3 2 verde 4 14 5 330
+3 2 verde 5 14 6 402
+3 2 verde 6 14 7 424
+3 3 branco 1 14 7 427
+3 3 branco 2 14 6 372
+3 3 branco 3 14 7 444
+3 3 branco 4 14 6 396
+3 3 branco 5 14 5 330
+3 3 branco 6 14 5 333
+3 4 vermelho 1 14 5 345
+3 4 vermelho 2 14 5 360
+3 4 vermelho 3 14 5 367
+3 4 vermelho 4 14 5 335
+3 4 vermelho 5 14 5 350
+3 4 vermelho 6 14 5 295
+3 5 amarelo 1 14 6 378
+3 5 amarelo 2 14 6 408
+3 5 amarelo 3 14 5 315
+3 5 amarelo 4 14 5 330
+3 5 amarelo 5 14 6 426
+3 5 amarelo 6 14 7 423
+4 1 vermelho 1 1 7 437
+4 1 vermelho 2 1 7 458
+4 1 vermelho 3 1 7 455
+4 1 vermelho 4 1 7 456
+4 1 vermelho 5 1 6 438
+4 1 vermelho 6 1 1 68
+4 2 azul 1 1 2 136
+4 2 azul 2 1 4 274
+4 2 azul 3 1 2 140
+4 2 azul 4 1 5 328
+4 2 azul 5 1 6 399
+4 2 azul 6 1 5 321
+4 3 amarelo 1 1 6 360
+4 3 amarelo 2 1 6 425
+4 3 amarelo 3 1 5 315
+4 3 amarelo 4 1 5 315
+4 3 amarelo 5 1 6 398
+4 3 amarelo 6 1 5 358
+4 4 verde 1 1 4 249
+4 4 verde 2 1 7 440
+4 4 verde 3 1 4 255
+4 4 verde 4 1 5 330
+4 4 verde 5 1 6 376
+4 4 verde 6 1 4 259
+4 5 branco 1 1 8 536
+4 5 branco 2 1 7 466
+4 5 branco 3 1 6 372
+4 5 branco 4 1 6 398
+4 5 branco 5 1 7 406
+4 5 branco 6 1 5 320
+4 1 vermelho 1 2 8 539
+4 1 vermelho 2 2 7 454
+4 1 vermelho 3 2 8 512
+4 1 vermelho 4 2 6 396
+4 1 vermelho 5 2 6 402
+4 1 vermelho 6 2 4 281
+4 2 azul 1 2 7 490
+4 2 azul 2 2 6 394
+4 2 azul 3 2 6 391
+4 2 azul 4 2 7 433
+4 2 azul 5 2 6 459
+4 2 azul 6 2 6 394
+4 3 amarelo 1 2 8 524
+4 3 amarelo 2 2 5 318
+4 3 amarelo 3 2 7 461
+4 3 amarelo 4 2 7 438
+4 3 amarelo 5 2 3 277
+4 3 amarelo 6 2 7 465
+4 4 verde 1 2 8 531
+4 4 verde 2 2 6 384
+4 4 verde 3 2 3 279
+4 4 verde 4 2 5 314
+4 4 verde 5 2 6 394
+4 4 verde 6 2 7 444
+4 5 branco 1 2 8 532
+4 5 branco 2 2 6 386
+4 5 branco 3 2 7 460
+4 5 branco 4 2 8 504
+4 5 branco 5 2 6 387
+4 5 branco 6 2 8 518
+4 1 vermelho 1 3 8 503
+4 1 vermelho 2 3 7 448
+4 1 vermelho 3 3 5 288
+4 1 vermelho 4 3 6 378
+4 1 vermelho 5 3 7 506
+4 1 vermelho 6 3 5 329
+4 2 azul 1 3 7 474
+4 2 azul 2 3 6 414
+4 2 azul 3 3 6 394
+4 2 azul 4 3 7 464
+4 2 azul 5 3 6 386
+4 2 azul 6 3 6 379
+4 3 amarelo 1 3 8 516
+4 3 amarelo 2 3 5 344
+4 3 amarelo 3 3 3 192
+4 3 amarelo 4 3 4 244
+4 3 amarelo 5 3 6 414
+4 3 amarelo 6 3 6 431
+4 4 verde 1 3 8 502
+4 4 verde 2 3 6 386
+4 4 verde 3 3 7 448
+4 4 verde 4 3 5 330
+4 4 verde 5 3 7 444
+4 4 verde 6 3 6 371
+4 5 branco 1 3 8 538
+4 5 branco 2 3 7 438
+4 5 branco 3 3 6 368
+4 5 branco 4 3 5 314
+4 5 branco 5 3 9 555
+4 5 branco 6 3 7 458
+4 1 vermelho 1 4 10 635
+4 1 vermelho 2 4 6 394
+4 1 vermelho 3 4 6 407
+4 1 vermelho 4 4 8 570
+4 1 vermelho 5 4 8 541
+4 1 vermelho 6 4 6 413
+4 2 azul 1 4 6 405
+4 2 azul 2 4 6 401
+4 2 azul 3 4 6 377
+4 2 azul 4 4 5 325
+4 2 azul 5 4 6 348
+4 2 azul 6 4 7 454
+4 3 amarelo 1 4 7 424
+4 3 amarelo 2 4 9 48
+4 3 amarelo 3 4 8 501
+4 3 amarelo 4 4 10 643
+4 3 amarelo 5 4 4 290
+4 3 amarelo 6 4 7 480
+4 4 verde 1 4 9 593
+4 4 verde 2 4 8 528
+4 4 verde 3 4 8 508
+4 4 verde 4 4 8 519
+4 4 verde 5 4 8 532
+4 4 verde 6 4 6 394
+4 5 branco 1 4 9 592
+4 5 branco 2 4 8 531
+4 5 branco 3 4 6 388
+4 5 branco 4 4 8 530
+4 5 branco 5 4 8 495
+4 5 branco 6 4 7 472
+4 1 vermelho 1 5 10 634
+4 1 vermelho 2 5 7 457
+4 1 vermelho 3 5 6 381
+4 1 vermelho 4 5 4 250
+4 1 vermelho 5 5 6 437
+4 1 vermelho 6 5 5 347
+4 2 azul 1 5 6 389
+4 2 azul 2 5 5 345
+4 2 azul 3 5 5 318
+4 2 azul 4 5 7 483
+4 2 azul 5 5 6 386
+4 2 azul 6 5 6 397
+4 3 amarelo 1 5 5 320
+4 3 amarelo 2 5 6 423
+4 3 amarelo 3 5 5 332
+4 3 amarelo 4 5 5 337
+4 3 amarelo 5 5 5 352
+4 3 amarelo 6 5 6 405
+4 4 verde 1 5 10 655
+4 4 verde 2 5 9 605
+4 4 verde 3 5 5 533
+4 4 verde 4 5 6 407
+4 4 verde 5 5 8 534
+4 4 verde 6 5 6 378
+4 5 branco 1 5 8 548
+4 5 branco 2 5 7 474
+4 5 branco 3 5 9 577
+4 5 branco 4 5 7 452
+4 5 branco 5 5 6 362
+4 5 branco 6 5 7 464
+4 1 vermelho 1 6 10 652
+4 1 vermelho 2 6 7 458
+4 1 vermelho 3 6 6 379
+4 1 vermelho 4 6 8 506
+4 1 vermelho 5 6 9 656
+4 1 vermelho 6 6 3 194
+4 2 azul 1 6 5 336
+4 2 azul 2 6 7 477
+4 2 azul 3 6 7 475
+4 2 azul 4 6 6 406
+4 2 azul 5 6 5 321
+4 2 azul 6 6 8 537
+4 3 amarelo 1 6 5 321
+4 3 amarelo 2 6 7 431
+4 3 amarelo 3 6 3 209
+4 3 amarelo 4 6 8 524
+4 3 amarelo 5 6 5 355
+4 3 amarelo 6 6 7 457
+4 4 verde 1 6 4 264
+4 4 verde 2 6 6 390
+4 4 verde 3 6 8 517
+4 4 verde 4 6 5 326
+4 4 verde 5 6 5 326
+4 4 verde 6 6 5 326
+4 5 branco 1 6 7 479
+4 5 branco 2 6 7 473
+4 5 branco 3 6 8 500
+4 5 branco 4 6 6 417
+4 5 branco 5 6 6 366
+4 5 branco 6 6 6 389
+4 1 vermelho 1 7 8 499
+4 1 vermelho 2 7 5 329
+4 1 vermelho 3 7 3 169
+4 1 vermelho 4 7 5 333
+4 1 vermelho 5 7 4 268
+4 1 vermelho 6 7 6 401
+4 2 azul 1 7 7 462
+4 2 azul 2 7 5 323
+4 2 azul 3 7 5 332
+4 2 azul 4 7 6 406
+4 2 azul 5 7 6 398
+4 2 azul 6 7 4 242
+4 3 amarelo 1 7 8 510
+4 3 amarelo 2 7 8 548
+4 3 amarelo 3 7 8 517
+4 3 amarelo 4 7 7 446
+4 3 amarelo 5 7 5 326
+4 3 amarelo 6 7 5 328
+4 4 verde 1 7 6 382
+4 4 verde 2 7 9 595
+4 4 verde 3 7 5 331
+4 4 verde 4 7 6 428
+4 4 verde 5 7 7 439
+4 4 verde 6 7 6 366
+4 5 branco 1 7 7 458
+4 5 branco 2 7 2 130
+4 5 branco 3 7 6 393
+4 5 branco 4 7 8 517
+4 5 branco 5 7 6 369
+4 5 branco 6 7 5 316
+4 1 vermelho 1 8 9 564
+4 1 vermelho 2 8 7 470
+4 1 vermelho 3 8 6 380
+4 1 vermelho 4 8 8 487
+4 1 vermelho 5 8 10 700
+4 1 vermelho 6 8 6 436
+4 2 azul 1 8 6 397
+4 2 azul 2 8 5 329
+4 2 azul 3 8 5 327
+4 2 azul 4 8 7 449
+4 2 azul 5 8 7 451
+4 2 azul 6 8 4 246
+4 3 amarelo 1 8 6 401
+4 3 amarelo 2 8 6 416
+4 3 amarelo 3 8 4 280
+4 3 amarelo 4 8 5 315
+4 3 amarelo 5 8 5 326
+4 3 amarelo 6 8 7 473
+4 4 verde 1 8 8 519
+4 4 verde 2 8 7 456
+4 4 verde 3 8 7 445
+4 4 verde 4 8 9 590
+4 4 verde 5 8 9 606
+4 4 verde 6 8 8 512
+4 5 branco 1 8 7 463
+4 5 branco 2 8 7 468
+4 5 branco 3 8 8 500
+4 5 branco 4 8 7 452
+4 5 branco 5 8 7 443
+4 5 branco 6 8 9 578
+4 1 vermelho 1 9 6 362
+4 1 vermelho 2 9 6 386
+4 1 vermelho 3 9 5 321
+4 1 vermelho 4 9 8 508
+4 1 vermelho 5 9 4 292
+4 1 vermelho 6 9 5 335
+4 2 azul 1 9 7 436
+4 2 azul 2 9 4 279
+4 2 azul 3 9 6 402
+4 2 azul 4 9 8 527
+4 2 azul 5 9 5 312
+4 2 azul 6 9 5 316
+4 3 amarelo 1 9 9 560
+4 3 amarelo 2 9 8 557
+4 3 amarelo 3 9 7 451
+4 3 amarelo 4 9 6 380
+4 3 amarelo 5 9 7 450
+4 3 amarelo 6 9 7 485
+4 4 verde 1 9 8 527
+4 4 verde 2 9 7 467
+4 4 verde 3 9 7 450
+4 4 verde 4 9 6 366
+4 4 verde 5 9 7 436
+4 4 verde 6 9 7 447
+4 5 branco 1 9 8 524
+4 5 branco 2 9 6 404
+4 5 branco 3 9 7 429
+4 5 branco 4 9 9 581
+4 5 branco 5 9 7 432
+4 5 branco 6 9 7 438
+4 1 vermelho 1 10 9 568
+4 1 vermelho 2 10 6 378
+4 1 vermelho 3 10 6 395
+4 1 vermelho 4 10 9 566
+4 1 vermelho 5 10 10 683
+4 1 vermelho 6 10 7 469
+4 2 azul 1 10 7 473
+4 2 azul 2 10 4 261
+4 2 azul 3 10 7 455
+4 2 azul 4 10 9 580
+4 2 azul 5 10 7 519
+4 2 azul 6 10 9 560
+4 3 amarelo 1 10 9 559
+4 3 amarelo 2 10 8 564
+4 3 amarelo 3 10 7 437
+4 3 amarelo 4 10 7 443
+4 3 amarelo 5 10 4 252
+4 3 amarelo 6 10 9 604
+4 4 verde 1 10 8 498
+4 4 verde 2 10 8 525
+4 4 verde 3 10 7 453
+4 4 verde 4 10 8 488
+4 4 verde 5 10 10 646
+4 4 verde 6 10 5 330
+4 5 branco 1 10 9 594
+4 5 branco 2 10 6 405
+4 5 branco 3 10 9 547
+4 5 branco 4 10 10 675
+4 5 branco 5 10 7 434
+4 5 branco 6 10 8 504
+4 1 vermelho 1 11 9 571
+4 1 vermelho 2 11 5 317
+4 1 vermelho 3 11 6 413
+4 1 vermelho 4 11 10 623
+4 1 vermelho 5 11 8 560
+4 1 vermelho 6 11 5 330
+4 2 azul 1 11 7 477
+4 2 azul 2 11 5 353
+4 2 azul 3 11 6 385
+4 2 azul 4 11 8 521
+4 2 azul 5 11 7 459
+4 2 azul 6 11 6 391
+4 3 amarelo 1 11 7 465
+4 3 amarelo 2 11 9 635
+4 3 amarelo 3 11 5 338
+4 3 amarelo 4 11 7 455
+4 3 amarelo 5 11 6 378
+4 3 amarelo 6 11 9 633
+4 4 verde 1 11 10 642
+4 4 verde 2 11 8 538
+4 4 verde 3 11 5 328
+4 4 verde 4 11 7 463
+4 4 verde 5 11 9 594
+4 4 verde 6 11 7 464
+4 5 branco 1 11 9 595
+4 5 branco 2 11 7 464
+4 5 branco 3 11 7 448
+4 5 branco 4 11 9 581
+4 5 branco 5 11 9 555
+4 5 branco 6 11 8 512
+4 1 vermelho 1 12 7 434
+4 1 vermelho 2 12 7 488
+4 1 vermelho 3 12 7 486
+4 1 vermelho 4 12 8 510
+4 1 vermelho 5 12 5 344
+4 1 vermelho 6 12 6 414
+4 2 azul 1 12 8 528
+4 2 azul 2 12 5 341
+4 2 azul 3 12 4 251
+4 2 azul 4 12 10 655
+4 2 azul 5 12 8 564
+4 2 azul 6 12 6 379
+4 3 amarelo 1 12 6 391
+4 3 amarelo 2 12 7 485
+4 3 amarelo 3 12 7 450
+4 3 amarelo 4 12 8 528
+4 3 amarelo 5 12 6 402
+4 3 amarelo 6 12 8 549
+4 4 verde 1 12 9 586
+4 4 verde 2 12 8 537
+4 4 verde 3 12 7 462
+4 4 verde 4 12 8 507
+4 4 verde 5 12 9 598
+4 4 verde 6 12 7 444
+4 5 branco 1 12 9 599
+4 5 branco 2 12 7 481
+4 5 branco 3 12 8 491
+4 5 branco 4 12 8 522
+4 5 branco 5 12 7 430
+4 5 branco 6 12 7 434
+4 1 vermelho 1 13 10 632
+4 1 vermelho 2 13 6 366
+4 1 vermelho 3 13 8 533
+4 1 vermelho 4 13 8 512
+4 1 vermelho 5 13 8 604
+4 1 vermelho 6 13 7 448
+4 2 azul 1 13 9 618
+4 2 azul 2 13 7 493
+4 2 azul 3 13 7 499
+4 2 azul 4 13 9 603
+4 2 azul 5 13 7 462
+4 2 azul 6 13 7 413
+4 3 amarelo 1 13 6 390
+4 3 amarelo 2 13 8 506
+4 3 amarelo 3 13 7 455
+4 3 amarelo 4 13 8 522
+4 3 amarelo 5 13 7 479
+4 3 amarelo 6 13 8 579
+4 4 verde 1 13 10 610
+4 4 verde 2 13 8 533
+4 4 verde 3 13 8 620
+4 4 verde 4 13 8 458
+4 4 verde 5 13 9 585
+4 4 verde 6 13 7 437
+4 5 branco 1 13 7 441
+4 5 branco 2 13 6 372
+4 5 branco 3 13 8 490
+4 5 branco 4 13 7 511
+4 5 branco 5 13 7 413
+4 5 branco 6 13 7 427
+4 1 vermelho 1 14 8 525
+4 1 vermelho 2 14 4 249
+4 1 vermelho 3 14 8 529
+4 1 vermelho 4 14 8 456
+4 1 vermelho 5 14 9 641
+4 1 vermelho 6 14 4 280
+4 2 azul 1 14 7 474
+4 2 azul 2 14 5 368
+4 2 azul 3 14 6 407
+4 2 azul 4 14 9 620
+4 2 azul 5 14 6 402
+4 2 azul 6 14 7 467
+4 3 amarelo 1 14 9 583
+4 3 amarelo 2 14 7 487
+4 3 amarelo 3 14 6 405
+4 3 amarelo 4 14 8 553
+4 3 amarelo 5 14 6 403
+4 3 amarelo 6 14 6 408
+4 4 verde 1 14 7 499
+4 4 verde 2 14 8 528
+4 4 verde 3 14 7 479
+4 4 verde 4 14 8 526
+4 4 verde 5 14 7 478
+4 4 verde 6 14 6 400
+4 5 branco 1 14 10 676
+4 5 branco 2 14 8 397
+4 5 branco 3 14 7 547
+4 5 branco 4 14 7 472
+4 5 branco 5 14 7 433
+4 5 branco 6 14 7 477
+5 1 branco 1 1 7 450
+5 1 branco 2 1 5 337
+5 1 branco 3 1 8 519
+5 1 branco 4 1 6 392
+5 1 branco 5 1 6 423
+5 1 branco 6 1 7 458
+5 2 vermelho 1 1 8 543
+5 2 vermelho 2 1 5 315
+5 2 vermelho 3 1 7 476
+5 2 vermelho 4 1 7 460
+5 2 vermelho 5 1 6 376
+5 2 vermelho 6 1 4 279
+5 3 verde 1 1 7 444
+5 3 verde 2 1 9 611
+5 3 verde 3 1 7 454
+5 3 verde 4 1 7 450
+5 3 verde 5 1 4 271
+5 3 verde 6 1 6 433
+5 4 amarelo 1 1 9 587
+5 4 amarelo 2 1 8 529
+5 4 amarelo 3 1 9 617
+5 4 amarelo 4 1 8 542
+5 4 amarelo 5 1 7 460
+5 4 amarelo 6 1 6 415
+5 5 azul 1 1 8 524
+5 5 azul 2 1 6 408
+5 5 azul 3 1 8 510
+5 5 azul 4 1 8 538
+5 5 azul 5 1 8 450
+5 5 azul 6 1 8 530
+5 1 branco 1 2 7 450
+5 1 branco 2 2 8 548
+5 1 branco 3 2 6 388
+5 1 branco 4 2 7 433
+5 1 branco 5 2 7 503
+5 1 branco 6 2 6 401
+5 2 vermelho 1 2 9 625
+5 2 vermelho 2 2 5 340
+5 2 vermelho 3 2 5 340
+5 2 vermelho 4 2 8 552
+5 2 vermelho 5 2 6 397
+5 2 vermelho 6 2 6 395
+5 3 verde 1 2 8 519
+5 3 verde 2 2 9 632
+5 3 verde 3 2 8 520
+5 3 verde 4 2 9 592
+5 3 verde 5 2 7 510
+5 3 verde 6 2 6 411
+5 4 amarelo 1 2 8 513
+5 4 amarelo 2 2 6 391
+5 4 amarelo 3 2 5 335
+5 4 amarelo 4 2 6 445
+5 4 amarelo 5 2 8 533
+5 4 amarelo 6 2 6 395
+5 5 azul 1 2 7 482
+5 5 azul 2 2 6 390
+5 5 azul 3 2 7 457
+5 5 azul 4 2 9 617
+5 5 azul 5 2 8 496
+5 5 azul 6 2 8 516
+5 1 branco 1 3 8 518
+5 1 branco 2 3 6 380
+5 1 branco 3 3 7 442
+5 1 branco 4 3 6 382
+5 1 branco 5 3 6 406
+5 1 branco 6 3 4 268
+5 2 vermelho 1 3 8 554
+5 2 vermelho 2 3 7 491
+5 2 vermelho 3 3 4 256
+5 2 vermelho 4 3 11 761
+5 2 vermelho 5 3 4 268
+5 2 vermelho 6 3 6 410
+5 3 verde 1 3 10 637
+5 3 verde 2 3 8 535
+5 3 verde 3 3 7 439
+5 3 verde 4 3 7 448
+5 3 verde 5 3 6 417
+5 3 verde 6 3 6 426
+5 4 amarelo 1 3 6 380
+5 4 amarelo 2 3 7 459
+5 4 amarelo 3 3 9 605
+5 4 amarelo 4 3 9 547
+5 4 amarelo 5 3 7 463
+5 4 amarelo 6 3 6 401
+5 5 azul 1 3 9 612
+5 5 azul 2 3 7 475
+5 5 azul 3 3 8 515
+5 5 azul 4 3 9 613
+5 5 azul 5 3 8 499
+5 5 azul 6 3 8 510
+5 1 branco 1 4 8 519
+5 1 branco 2 4 6 396
+5 1 branco 3 4 6 402
+5 1 branco 4 4 9 568
+5 1 branco 5 4 8 559
+5 1 branco 6 4 5 348
+5 2 vermelho 1 4 7 478
+5 2 vermelho 2 4 6 419
+5 2 vermelho 3 4 7 479
+5 2 vermelho 4 4 10 680
+5 2 vermelho 5 4 8 543
+5 2 vermelho 6 4 8 533
+5 3 verde 1 4 9 570
+5 3 verde 2 4 7 473
+5 3 verde 3 4 6 395
+5 3 verde 4 4 8 526
+5 3 verde 5 4 6 420
+5 3 verde 6 4 6 399
+5 4 amarelo 1 4 8 510
+5 4 amarelo 2 4 8 530
+5 4 amarelo 3 4 8 541
+5 4 amarelo 4 4 7 475
+5 4 amarelo 5 4 8 537
+5 4 amarelo 6 4 8 531
+5 5 azul 1 4 9 614
+5 5 azul 2 4 6 409
+5 5 azul 3 4 9 585
+5 5 azul 4 4 8 526
+5 5 azul 5 4 7 430
+5 5 azul 6 4 8 511
+5 1 branco 1 5 7 550
+5 1 branco 2 5 6 385
+5 1 branco 3 5 8 538
+5 1 branco 4 5 6 387
+5 1 branco 5 5 6 428
+5 1 branco 6 5 5 334
+5 2 vermelho 1 5 8 572
+5 2 vermelho 2 5 5 324
+5 2 vermelho 3 5 6 421
+5 2 vermelho 4 5 7 460
+5 2 vermelho 5 5 7 461
+5 2 vermelho 6 5 4 284
+5 3 verde 1 5 9 570
+5 3 verde 2 5 8 554
+5 3 verde 3 5 6 392
+5 3 verde 4 5 8 463
+5 3 verde 5 5 7 481
+5 3 verde 6 5 9 636
+5 4 amarelo 1 5 8 519
+5 4 amarelo 2 5 6 403
+5 4 amarelo 3 5 7 419
+5 4 amarelo 4 5 6 383
+5 4 amarelo 5 5 9 607
+5 4 amarelo 6 5 8 521
+5 5 azul 1 5 8 545
+5 5 azul 2 5 7 470
+5 5 azul 3 5 8 524
+5 5 azul 4 5 9 615
+5 5 azul 5 5 8 489
+5 5 azul 6 5 7 436
+5 1 branco 1 6 7 438
+5 1 branco 2 6 9 617
+5 1 branco 3 6 6 394
+5 1 branco 4 6 7 466
+5 1 branco 5 6 7 490
+5 1 branco 6 6 4 267
+5 2 vermelho 1 6 9 619
+5 2 vermelho 2 6 5 341
+5 2 vermelho 3 6 6 396
+5 2 vermelho 4 6 9 600
+5 2 vermelho 5 6 4 270
+5 2 vermelho 6 6 6 380
+5 3 verde 1 6 7 446
+5 3 verde 2 6 8 536
+5 3 verde 3 6 8 544
+5 3 verde 4 6 7 458
+5 3 verde 5 6 6 402
+5 3 verde 6 6 6 424
+5 4 amarelo 1 6 10 664
+5 4 amarelo 2 6 7 462
+5 4 amarelo 3 6 9 562
+5 4 amarelo 4 6 5 328
+5 4 amarelo 5 6 9 584
+5 4 amarelo 6 6 7 471
+5 5 azul 1 6 7 480
+5 5 azul 2 6 7 465
+5 5 azul 3 6 7 451
+5 5 azul 4 6 6 385
+5 5 azul 5 6 7 428
+5 5 azul 6 6 7 448
+5 1 branco 1 7 8 522
+5 1 branco 2 7 5 320
+5 1 branco 3 7 8 544
+5 1 branco 4 7 6 372
+5 1 branco 5 7 7 478
+5 1 branco 6 7 6 407
+5 2 vermelho 1 7 9 623
+5 2 vermelho 2 7 7 491
+5 2 vermelho 3 7 6 412
+5 2 vermelho 4 7 8 535
+5 2 vermelho 5 7 7 492
+5 2 vermelho 6 7 5 320
+5 3 verde 1 7 7 440
+5 3 verde 2 7 7 479
+5 3 verde 3 7 6 395
+5 3 verde 4 7 9 604
+5 3 verde 5 7 7 477
+5 3 verde 6 7 8 556
+5 4 amarelo 1 7 9 610
+5 4 amarelo 2 7 7 499
+5 4 amarelo 3 7 9 635
+5 4 amarelo 4 7 6 394
+5 4 amarelo 5 7 8 535
+5 4 amarelo 6 7 7 445
+5 5 azul 1 7 8 565
+5 5 azul 2 7 6 399
+5 5 azul 3 7 8 501
+5 5 azul 4 7 8 518
+5 5 azul 5 7 7 426
+5 5 azul 6 7 9 583
+5 1 branco 1 8 7 436
+5 1 branco 2 8 7 396
+5 1 branco 3 8 8 522
+5 1 branco 4 8 8 534
+5 1 branco 5 8 5 314
+5 1 branco 6 8 10 668
+5 2 vermelho 1 8 6 317
+5 2 vermelho 2 8 9 600
+5 2 vermelho 3 8 5 269
+5 2 vermelho 4 8 6 402
+5 2 vermelho 5 8 8 493
+5 2 vermelho 6 8 9 625
+5 3 verde 1 8 8 579
+5 3 verde 2 8 7 486
+5 3 verde 3 8 8 573
+5 3 verde 4 8 10 622
+5 3 verde 5 8 8 544
+5 3 verde 6 8 8 595
+5 4 amarelo 1 8 8 537
+5 4 amarelo 2 8 6 396
+5 4 amarelo 3 8 8 575
+5 4 amarelo 4 8 9 625
+5 4 amarelo 5 8 6 372
+5 4 amarelo 6 8 8 581
+5 5 azul 1 8 8 578
+5 5 azul 2 8 8 556
+5 5 azul 3 8 7 530
+5 5 azul 4 8 8 557
+5 5 azul 5 8 8 590
+5 5 azul 6 8 9 602
+5 1 branco 1 9 9 590
+5 1 branco 2 9 3 186
+5 1 branco 3 9 5 331
+5 1 branco 4 9 9 583
+5 1 branco 5 9 6 418
+5 1 branco 6 9 7 470
+5 2 vermelho 1 9 11 780
+5 2 vermelho 2 9 5 354
+5 2 vermelho 3 9 5 331
+5 2 vermelho 4 9 6 416
+5 2 vermelho 5 9 6 427
+5 2 vermelho 6 9 5 340
+5 3 verde 1 9 9 578
+5 3 verde 2 9 7 475
+5 3 verde 3 9 5 333
+5 3 verde 4 9 4 260
+5 3 verde 5 9 4 282
+5 3 verde 6 9 9 605
+5 4 amarelo 1 9 8 530
+5 4 amarelo 2 9 7 466
+5 4 amarelo 3 9 8 524
+5 4 amarelo 4 9 6 391
+5 4 amarelo 5 9 10 683
+5 4 amarelo 6 9 8 511
+5 5 azul 1 9 9 614
+5 5 azul 2 9 6 407
+5 5 azul 3 9 7 436
+5 5 azul 4 9 6 405
+5 5 azul 5 9 7 443
+5 5 azul 6 9 6 385
+5 1 branco 1 10 7 452
+5 1 branco 2 10 7 442
+5 1 branco 3 10 5 346
+5 1 branco 4 10 7 458
+5 1 branco 5 10 8 558
+5 1 branco 6 10 6 388
+5 2 vermelho 1 10 9 614
+5 2 vermelho 2 10 6 427
+5 2 vermelho 3 10 6 411
+5 2 vermelho 4 10 9 618
+5 2 vermelho 5 10 6 376
+5 2 vermelho 6 10 7 455
+5 3 verde 1 10 6 373
+5 3 verde 2 10 7 471
+5 3 verde 3 10 9 594
+5 3 verde 4 10 7 473
+5 3 verde 5 10 6 398
+5 3 verde 6 10 9 605
+5 4 amarelo 1 10 10 648
+5 4 amarelo 2 10 6 403
+5 4 amarelo 3 10 4 257
+5 4 amarelo 4 10 7 471
+5 4 amarelo 5 10 7 441
+5 4 amarelo 6 10 6 395
+5 5 azul 1 10 9 607
+5 5 azul 2 10 7 487
+5 5 azul 3 10 8 504
+5 5 azul 4 10 7 484
+5 5 azul 5 10 6 370
+5 5 azul 6 10 6 377
+5 1 branco 1 11 9 585
+5 1 branco 2 11 5 324
+5 1 branco 3 11 6 392
+5 1 branco 4 11 10 646
+5 1 branco 5 11 6 416
+5 1 branco 6 11 6 414
+5 2 vermelho 1 11 9 624
+5 2 vermelho 2 11 6 437
+5 2 vermelho 3 11 3 210
+5 2 vermelho 4 11 8 533
+5 2 vermelho 5 11 8 524
+5 2 vermelho 6 11 8 536
+5 3 verde 1 11 10 640
+5 3 verde 2 11 9 624
+5 3 verde 3 11 7 482
+5 3 verde 4 11 6 415
+5 3 verde 5 11 7 492
+5 3 verde 6 11 6 416
+5 4 amarelo 1 11 9 568
+5 4 amarelo 2 11 6 408
+5 4 amarelo 3 11 3 206
+5 4 amarelo 4 11 7 464
+5 4 amarelo 5 11 9 611
+5 4 amarelo 6 11 7 462
+5 5 azul 1 11 8 544
+5 5 azul 2 11 7 466
+5 5 azul 3 11 8 514
+5 5 azul 4 11 8 553
+5 5 azul 5 11 7 430
+5 5 azul 6 11 10 637
+5 1 branco 1 12 7 466
+5 1 branco 2 12 5 337
+5 1 branco 3 12 7 485
+5 1 branco 4 12 7 453
+5 1 branco 5 12 4 290
+5 1 branco 6 12 4 272
+5 2 vermelho 1 12 9 624
+5 2 vermelho 2 12 4 241
+5 2 vermelho 3 12 7 492
+5 2 vermelho 4 12 10 677
+5 2 vermelho 5 12 7 455
+5 2 vermelho 6 12 8 520
+5 3 verde 1 12 9 577
+5 3 verde 2 12 8 561
+5 3 verde 3 12 7 451
+5 3 verde 4 12 7 459
+5 3 verde 5 12 6 417
+5 3 verde 6 12 6 412
+5 4 amarelo 1 12 9 571
+5 4 amarelo 2 12 7 452
+5 4 amarelo 3 12 6 373
+5 4 amarelo 4 12 5 338
+5 4 amarelo 5 12 8 535
+5 4 amarelo 6 12 7 445
+5 5 azul 1 12 8 544
+5 5 azul 2 12 5 324
+5 5 azul 3 12 7 449
+5 5 azul 4 12 8 536
+5 5 azul 5 12 7 422
+5 5 azul 6 12 8 523
+5 1 branco 1 13 8 512
+5 1 branco 2 13 6 389
+5 1 branco 3 13 7 490
+5 1 branco 4 13 8 542
+5 1 branco 5 13 9 702
+5 1 branco 6 13 6 388
+5 2 vermelho 1 13 9 629
+5 2 vermelho 2 13 8 573
+5 2 vermelho 3 13 6 414
+5 2 vermelho 4 13 9 623
+5 2 vermelho 5 13 6 400
+5 2 vermelho 6 13 6 395
+5 3 verde 1 13 8 518
+5 3 verde 2 13 6 398
+5 3 verde 3 13 7 465
+5 3 verde 4 13 7 463
+5 3 verde 5 13 6 405
+5 3 verde 6 13 8 549
+5 4 amarelo 1 13 7 450
+5 4 amarelo 2 13 7 492
+5 4 amarelo 3 13 6 393
+5 4 amarelo 4 13 4 243
+5 4 amarelo 5 13 8 520
+5 4 amarelo 6 13 7 450
+5 5 azul 1 13 9 601
+5 5 azul 2 13 2 124
+5 5 azul 3 13 6 308
+5 5 azul 4 13 7 462
+5 5 azul 5 13 7 417
+5 5 azul 6 13 7 426
+5 1 branco 1 14 5 311
+5 1 branco 2 14 8 499
+5 1 branco 3 14 6 366
+5 1 branco 4 14 5 306
+5 1 branco 5 14 6 396
+5 1 branco 6 14 7 480
+5 2 vermelho 1 14 7 490
+5 2 vermelho 2 14 5 350
+5 2 vermelho 3 14 6 378
+5 2 vermelho 4 14 8 672
+5 2 vermelho 5 14 7 546
+5 2 vermelho 6 14 7 431
+5 3 verde 1 14 7 420
+5 3 verde 2 14 7 438
+5 3 verde 3 14 4 261
+5 3 verde 4 14 7 448
+5 3 verde 5 14 5 320
+5 3 verde 6 14 8 616
+5 4 amarelo 1 14 9 592
+5 4 amarelo 2 14 7 459
+5 4 amarelo 3 14 6 378
+5 4 amarelo 4 14 5 315
+5 4 amarelo 5 14 10 624
+5 4 amarelo 6 14 6 378
+5 5 azul 1 14 8 576
+5 5 azul 2 14 7 406
+5 5 azul 3 14 9 637
+5 5 azul 4 14 7 508
+5 5 azul 5 14 5 362
+5 5 azul 6 14 10 624