Professional Documents
Culture Documents
Pontos
Anderson Castro Soares de Oliveira
Notes
Notes
Notes
Notes
Distribuio de Pontos
I
Notes
Distribuio de Pontos
Notes
No padro regular existe uma distncia mdia entre os pontos que tende a ser constante.
Notes
O modelo de CSR considera que os pontos so independentes e tem uma distribuio de probabilidade uniforme
sobre a rea de estudo
Notes
x
A
Notes
so no-correlacionadas e homogneas
esto associadas mesma distribuio de probabilidade de
Poisson
A hiptese de completa aleatoriedade espacial para um padro de ponto espacial afirma que:
I
em que:
I
I
Notes
x e
x!
Mtodo Quadrat
I
U=
Notes
i=1
n
P
ui
S2 =
(ui W )2
i=1
n1
Mtodo Quadrat
I
A interpretao do ndice :
I
I
I
Notes
Mtodo Quadrat
I
Notes
Mtodo Quadrat
Notes
Mtodo Quadrat
I
Notes
[0; 0, 5]
0
1
0
0
1
1
(0, 5; 1]
1
2
2
3
5
0
x
(1; 1, 5]
17
14
20
18
23
18
(1, 5; 2]
8
8
18
12
10
17
(2; 2, 5]
1
0
0
0
0
0
Mtodo Quadrat
I
Assim, temos:
S2
60, 71
I =
=
= 9, 10
6, 67
U
2c = (m 1)I = 29 9, 10 = 263, 9
Notes
Mtodo Quadrat
Notes
Quando no existe a definio natural do tamanho do quadrat, deve-se preocupar com a determinao desse tamanho.
Outros indices de disperso podem ser utilizados para tentar contornar o problema do tamanho de forma dos quadrats.
ui2
n
P
ui
IM = n i=1 2 i=1
n
n
P
P
ui
ui
i=1
Notes
i=1
Este ndice foi desenvolvido para tentar torn-lo independente do tamanho da unidade amostral
Notes
i=1
Notes
[0; 0, 5]
0
1
0
0
1
1
(0, 5; 1]
1
2
2
3
5
0
x
(1; 1, 5]
17
14
20
18
23
18
(1, 5; 2]
8
8
18
12
10
17
(2; 2, 5]
1
0
0
0
0
0
Assim, temos:
n = 30
n
X
ui2 = 3094
i=1
I
ui = 200
i=1
n
X
3094 200
2
(200) 200
= 2, 18
A estatstica do teste
2c = 2, 18 (200 1) + 30 200 = 263, 82
Notes
Notes
Notes
Notes
Notes
Notes
A interpretao do ndice :
I
I
I
Notes
Notes
Notes
Notes
Notes
Notes
Propriedades de segunda ordem podem ser definidas considerando a intensidade conjunta de dois pontos (pi , pj )
(
)
C N(dsi )N(dsj )
(pi , pj ) =
lim
|dsi ||dsj |
|dsi |,|dsj |0
Notes
Quando o processo isotrpico a covarincia depende somente da distncia euclidiana entre os pontos e no da direo entre eles
(pi , pj ) = (|h|)
Estimador Kernel
Notes
O comportamento de padres de pontos pode ser analisado por meio da intensidade do processo
O estimador Kernel um interpolador, que possibilita a estimao da intensidade do evento em toda a rea, mesmo
nas regies onde o processo no tenha gerado nenhuma
ocorrncia real
Estimador Kernel
I
Notes
O estimador Kernal realiza uma contagem de todos os pontos dentro de uma regio de influncia, ponderando-os pela
distncia de cada um localizao de interesse
Estimador Kernel
I
2
i=1
em que:
I
Notes
Estimador Kernel
I
Normal
1 h2
K (h) = e 2
2
Qurtica
K (h) =
3
(1 h2 )2
Triangular
K (h) = (1 |h|)
Exponencial Negativo
K (h) =
Notes
1 h
e
2
Estimador Kernel
I
Se for utilizado a funo kernel normal a estimador de intensidade ser dado por:
n
d(pi ,p)2
X
1
1
(p) =
e 2 2
2
2
i=1
Se for utilizado a funo kernel qurtica a estimador de intensidade ser dado por:
n
2 2
X
3
d(p
,
p)
1
i
(p) =
1
2
2
i=1
Notes
Estimador Kernel
I
Um critrio para determinar o raio ( ) calcular o erro quadrtico mdio dado por:
i
h
2
( ))
EQM( ) = (
em que ( ) a intensidade de um processo de Cox
Notes
Estimador Kernel
I
Notes
Estimador Kernel
I
Notes
1,1267
Estimador Kernel
I
Notes
Dependncia Espacial
Notes
As propriedades de segunda ordem ou dependncia espacial em um processo espacial de pontos medem a fora e
o tipo de interao entre os eventos do processo de pontos
Esta relao utilizada para verificar a completa aleatoriedade espacial (CSR), em que inicialmente verifica-se se
existe o desvio da aleatoriedade, e caso isto ocorra, identificase a natureza do desvio (regular ou agrupamento)
Dependncia Espacial
Notes
As tcnicas mais utilizadas para estudar a relao da distncia entre pontos e propriedades de segunda ordem so
mtodo baseadas nas funes empricas F, G, J e K
Funo F
I
Notes
Funo F
Notes
Funo F
I
Considerando o efeito de borda a funo F pode ser estimada empiricamente da seguinte forma
n
P
F (d) =
Id (pi , ri )
i=1
n
P
Id (pi )
i=1
Notes
Funo F
I
d >0
F (d) =
i=1
em que:Fi so funes de distribuio empricas, estimadas a partir de k simulaes independentes dos n eventos
Notes
Funo F
I
Notes
Funo F
I
Notes
Funo G
I
d >0
Notes
Funo G
Notes
G(d)
= i=1
n
em que
Id (pi ) = 1 se d(pi , pj ) d
Id (pi ) = 0 se d(pi , pj ) > d
Funo G
I
Considerando o efeito de borda a funo G pode ser estimada empiricamente da seguinte forma
n
P
G(d)
=
Id (pi , ri )
i=1
n
P
Id (pi )
i=1
Notes
Funo G
I
G(d) =
i=1
Notes
Para verificar a hiptese de aleatoriedade obtido um envelope simulado composto por LS(G(d)) e LI(G(d))
Funo G
I
Notes
G(d)
possvel verificar o padro dos eventos.
Funo F Funo G
Notes
Funo J
I
I
I
Notes
Funo J
Notes
Para verificar a hiptese de aleatoriedade obtido um envelope simulado para funo J em que so obtidos os limites superior e inferior da mesma forma que as funes
anteriores
Funo K
Notes
A funo K, proposta por Ripley (1977), tambm denominada medida de momento de segunda ordem reduzido.
As funes F e G, consideram apenas distncias mais prxima, considerando somente as escalas mais curtas de variao
A funo K fornece uma estimativa de dependncia espacial em uma ampla gama de escalas, com base em todas
as distncias entre os eventos na rea de estudo
Funo K
I
E[N0 (d)]
em que:
I
Notes
Funo K
I
E[N0 (d)]
em que:
I
Notes
Funo K
I
em que:
I
I
I
A area do estudo
n o numero de eventos
Id (ui j) uma funo indicadora
Id (uij ) = 1
Id (uij ) = 0
Notes
se d(pi , pj ) d
se d(pi , pj ) > d
Funo K
I
Uma abordagem similar a outras funes obter um envelope simulado para a funo K
A interpretao desta funo :
I
I
I
Notes
d >0
Funo G
I
Notes
Funo K
I
O estimador da funo L
s
L(d)
=
Notes
(d)
K
d
Funo K
I
Uma abordagem similar a outras funes obter um envelope simulado para a funo L
A interpretao da funo L :
I
I
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
Notes
No conjunto de dados celulas, foram observados as localizaes dos centros de 42 clulas biolgicas observadas
sob microscopia ptica em uma seo histolgica. A coordenadas foram adaptadas ao quadrado unitrio.
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Exemplo
I
Notes
Notes
O objetivo bsico da anlise de processos pontuais marcados verificar se existe dependncia entre marcas e pontos
xi S
Notes
mi M
Notes
Anlise condicional nas localizaes - os pontos X so inicialmente gerados de acordo com a processo pontual espacial S, em seguida, a marca M atribuida os pontos por um
mecanismo aleatrio [M|X ];
Anlise condicional nas marcas - as marcas M so inicialmente geradas de acordo com algum mecanismo aleatrio
[M], em seguida, elas so colocados em determinados locais X por um processo pontual processo pontual espacial
S [X |M];
Anlise conjunta - os pontos X e as marcas M so gerados
de acordo com um processo ponto marcado.
Notes
Considerando mi o valor da marca a um ponto e mj o valor da marca em qualquer ponto a uma distncia h, a sua
relao espacial quantificada por uma funo f (mi , mj )
Quando as marcas representam uma varivel aleatria contnua em geral utiliza-se funo dada por:
f (mi , mj ) = mi mj
Quando as marcas representam uma varivel aleatria qualitativa em geral utiliza-se funo dada por:
f (mi , mj ) = I(mi = mj )
Notes
A funo de correlao marcada uma medida da dependncia entre as marcas de dois pontos separados a uma
distncia h
E[f (mi , mj ) d]
f (d) =
2
em que:
I
I
Notes
i=1 j=1
em que
eb d |xi xj |
wij =
A Wi Wj
I
Notes
Notes
I
I
Notes
Notes
A funo K ponderada por marca caracteriza a relao espacial de marcas quantitativas, definida por:
"
#
n
n
PP
E
mi , mj )Id (uij )
Kmm (d) =
i=1 j=1
em que:
I
I
I
I
Notes
se d(pi , pj ) d
se d(pi , pj ) > d
intensidade do processo
2 a mdia das marcas
Kmm (d) =
A i=1 j=1
n2
mi , mj wij Id (uij )
em que:
I
I
I
I
A area do estudo
n o numero de eventos
mi e mj so marcas nos pontos i e j
Id (ui j) uma funo indicadora
Id (uij ) = 1
Id (uij ) = 0
I
I
Notes
se d(pi , pj ) d
se d(pi , pj ) > d
I
I
Notes
Kmm (d)
K (d)
I
I
Notes
Kmm (d)
K (d)
Marcas qualitativas
Notes
Quando a marca qualitativa os processos pontuais marcados so denominados processo multivariados, em que
para cada m = 1, 2, ..., M os eventos so distintos
Marcas qualitativas
I
Notes
Funo K -cruzada
I
E [E[Nab (d)])]
b
em que:
I
Notes
Funo K -cruzada
I
ab (d) =
K
Id (uij )
A i=1 j=1
na nb
wij
em que:
I
I
I
A area do estudo
na e nb so os numero de eventos do tipo a e b
Id (ui j) uma funo indicadora
Id (uij ) = 1 se d(pi , pj ) d
Id (uij ) = 0 se d(pi , pj ) > d
Notes
Funo K -cruzada
I
Teoricamente Kab (d) = Kba (d), mas os valores estimados correspondentes no necessariamente ser equivalentes, assim para corrigir
ab (d) = nb Kab (d) + na Kba (d)
K
na nb
I
I
Notes
Funo K -multivariada
I
A funo K -multivariada caracteriza a relao espacial entre uma marca A e de qualquer marca diferente de A, e
definida por:
E [E[Ni. (d)])]
Ki. (d) =
.
em que:
I
Notes
Funo K -cruzada
I
Id (uij )
A area do estudo
na e n. so os numero de eventos do tipo a e diferentes de
a
Id (ui j) uma funo indicadora
Id (uij ) = 1 se d(pi , pj ) d
Id (uij ) = 0 se d(pi , pj ) > d
Notes