Tpicos de Estatstica Espacial

Pontos
Anderson Castro Soares de Oliveira

Notes

Anlise de dados pontuais

Definio (Padro de pontos)
O padro de pontos definido como uma base de dados contendo uma srie de localizao de pontos (p1 , p2 , ..., pn ), numa
determinada regio de estudo, onde ocorreu o evento de interesse.

Notes

Anlise de dados pontuais

Definio (Padro de pontos)
O padro de pontos definido como uma base de dados contendo uma srie de localizao de pontos (p1 , p2 , ..., pn ), numa
determinada regio de estudo, onde ocorreu o evento de interesse.

Notes

Anlise de dados pontuais

I

Os dados de distribuies pontuais tm as seguintes caractersticas:

I

Notes

A rea dos eventos no uma medida vlida apesar de em

muitos casos ocuparem espao.
Os pontos em geral no esto associados a valores, mas
apenas ocorrncia dos eventos considerados.
Em alguns estudos os pontos podem estar associados a
atributos de identificao, como por exemplo tipo do crime.
Quando este atributo elemento do estudo, atravs da comparao da distribuio espacial destes atributos, denominase processo pontual marcado.

Distribuio de Pontos
I

Notes

Objetivo : verificar se os eventos observados apresentam

algum tipo de padro sistemtico

Distribuio de Pontos

Notes

No padro agregado existe uma aglomerao de pontos no

espao

No padro regular existe uma distncia mdia entre os pontos que tende a ser constante.

No padro aleatrio os pontos se distribuem aleatriamente

no espao

Completa aleatoriedade espacial (CSR)

Notes

A anlise estatstica dos padres de distribuies de pontos

requer um modelo terico de referncia base para o desenvolvimento de mtodos formais que checam a significncia
dos resultados exploratrios.

O modelo terico mais simples conhecido como completa

aleatoriedade espacial (CSR)

O modelo de CSR considera que os pontos so independentes e tem uma distribuio de probabilidade uniforme
sobre a rea de estudo

Completa aleatoriedade espacial (CSR)

I

O modelo de CSR implica que:

I

Notes

no existem regies em que os eventos possam ocorrer

mais (ou menos)
a presena de um dado evento no altera a probabilidade
de outros eventos que figuram nas proximidades.

Considere uma determinada rea A, em alguma unidade

de rea conveniente, onde se tm x pontos localizados aleatoriamente e, portanto, independentes.

Assim, tem-se uma intensidade de =

dade de rea.

x
A

pontos por uni-

Completa aleatoriedade espacial (CSR)

I

No modelo de CSR considera-se queas ocorrncias em

cada sub-rea Si
I
I

Notes

so no-correlacionadas e homogneas
esto associadas mesma distribuio de probabilidade de
Poisson

Completa aleatoriedade espacial (CSR)

I

A hiptese de completa aleatoriedade espacial para um padro de ponto espacial afirma que:
I

O nmero de eventos em qualquer regio plana com rea A

segue uma distribuio de Poisson com mdia
f (x) =

em que:
I
I

Notes

x e
x!

x representa o numero de pontos na area

a intensidade do processo

Mtodo Quadrat
I

Para testar a hiptese de completa aleatoriedade espacial

pode-se utilizar o mtodo dos quadrats

A rea de estudo pode ser dividida em vrias sub-areas

denominadas quadrats

Seja (u1 , ..., um ) a contagem do nmero de pontos em n

quadrats, ento aleatoriedade pode ser testado com base
na idia de que, se essas contagens seguir uma distribuio de Poisson, espera-se alcanar a igualdade de mdia
e varincia das contagens.

A mdia e a varincia do nmero de pontos em m quadrats

so, respectivamente:
n
P

U=

Notes

i=1

n
P

ui
S2 =

(ui W )2

i=1

n1

Mtodo Quadrat
I

Para verificar o padro de distribuio dos pontos pode-se

calcular o ndice de disperso
S2
I=
U
em que:
I
I

A interpretao do ndice :
I
I
I

Notes

W a mdia das contagens em cada quadrat

S 2 varincia das contagens em cada quadrat
I > 1 indica presena de conglomerados ou agrupamentos.
I = 1 indica que a distribuio espacial aleatria
I < 1 indica a existncia de regularidade

Mtodo Quadrat
I

Assim, o mtodo dos quadrats testa as seguintes hipteses


H0 : = 2 A distribuio dos pontos aleatria
H1 : 6= 2 A distribuio dos pontos no aleatria

A estatstica do teste dada por:

2c = (n 1)I

Notes

Rejeita-se H0 se valor p ou 2c > 2 , em que 2

obtido da distribuio 2 com n 1 graus de liberdade

Mtodo Quadrat

Notes

No conjunto de dados arvores, foi feito um levantamento

de espcies de arvores de grande porte numa regio, em
que foi obtido sua localizao,

Desta forma temos 200 pontos distribudos em um area retangular

Mtodo Quadrat
I

Se fizermos 30 sub-areas temos:

y
(13, 3; 14]
(12, 7; 13, 3]
(12; 12, 7]
(11, 3; 12]
(10, 7; 11, 3]
[10; 10, 7]

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

Considerando grau de liberdade = 29, temos 20,025 =

45, 73.
Concluso: Observando 2c = 263, 9, temos que como
263, 9 > 45, 73, rejeita-se H0 ao nvel de 5% de significncia. Portanto:
I

Notes

temos evidncias de que a distribuio dos pontos no

aleatria
Como I > 0, temos evidncia que a distribuio dos pontos
agragada

Mtodo Quadrat

Notes

Um problema do mtodo determinar tamanho e forma dos

quadrats

Quando no existe a definio natural do tamanho do quadrat, deve-se preocupar com a determinao desse tamanho.

Se o padro de distribuio aleatrio, o tamanho do quadrat apenas altera a magnitude da mdia

Outros indices de disperso podem ser utilizados para tentar contornar o problema do tamanho de forma dos quadrats.

Mtodo Quadrat - Indice de Morisita

I

O Indice de Morisita dada por:

n
P

ui2

n
P

ui

IM = n  i=1 2 i=1
n
n
P
P

ui
ui
i=1

em que ui a contagem do nmero de pontos em n quadrats

A interpretao do ndice :
I
I
I

Notes

i=1

I > 1 indica presena de conglomerados ou agrupamentos.

I = 1 indica que a distribuio espacial aleatria
I < 1 indica a existncia de regularidade

Este ndice foi desenvolvido para tentar torn-lo independente do tamanho da unidade amostral

Mtodo Quadrat - Indice de Morisita

I

A hiptese de aleatoriedade por ser testastada por meio da

estatstica
!
n
n
X
X
2
ui 1 + n
ui
c = I M
i=1

Notes

i=1

Rejeita-se H0 se valor p ou 2c > 2 , em que 2

obtido da distribuio 2 com n 1 graus de liberdade

Mtodo Quadrat - Indice de Morisita

I

No Exemplo das rvores temos 30 sub-areas:

y
(13, 3; 14]
(12, 7; 13, 3]
(12; 12, 7]
(11, 3; 12]
(10, 7; 11, 3]
[10; 10, 7]

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 - Indice de Morisita

I

Assim, temos:
n = 30

n
X

ui2 = 3094

i=1
I

ui = 200

i=1

O Indice de Morisita ser:

IM = 30

n
X

3094 200
2

(200) 200

= 2, 18

A estatstica do teste
2c = 2, 18 (200 1) + 30 200 = 263, 82

Notes

Mtodo Quadrat - Indice de Morisita

I

Considerando grau de liberdade = 29, temos 20,025 =

45, 73.
Concluso: Observando 2c = 263, 82, temos que como
263, 82 > 45, 73, rejeita-se H0 ao nvel de 5% de significncia. Portanto:
I

Notes

temos evidncias de que a distribuio dos pontos no

aleatria
Como I > 0, temos evidncia que a distribuio dos pontos
agregada

ndice do Vizinho Mais Proximo

Notes

A distncia de um ponto ao outro fornece uma varivel que

elimina o efeito do tamanho dos quadrats

A distncia entre dois pontos calculada

q
di,j = (xi xj )2 + (yi yj )2

ndice do Vizinho Mais Proximo

I

A anlise de padro espacial defini-se a vizinhana entre

os pontos:
I

Dois pontos sero vizinhos de ordem k se a distncia entre

eles for a k -sima menor distncia entre todos os pontos no
espao
Assim:
I

Notes

Dois pontos sero vizinhos de primeira ordem ou vizinhos

mais prximos se a distncia entre eles for a menor distncia
entre todos os pontos no espao
Dois pontos sero vizinhos de segunda ordem se a distncia entre eles for a segunda menor distncia entre todos os
pontos no espao

ndice do Vizinho Mais Proximo

I

O ndice do Vizinho Mais Proximo dado por:

dA
R=
dE
em que
I

d A a distncia mdia ao vizinho mais prximo dada por

n
P
di
i=1
dA =
n

d A a distncia esperada ao vizinho mais prximo dada por

r
1 A
dE =
2 n
sendo A a rea do estudo e n o numero de pontos

Notes

ndice do Vizinho Mais Proximo

I

O ndice do Vizinho Mais Proximo dado por:

dA
Rn =
dE
em que
I

d A a distncia mdia ao vizinho mais prximo dada por

n
P
di
i=1
dA =
n

d A a distncia esperada ao vizinho mais prximo dada por

r
1 A
dE =
2 n
sendo A a rea do estudo e n o numero de pontos

Notes

ndice do Vizinho Mais Proximo

I

A interpretao do ndice :
I
I
I

Notes

I < 1 indica presena de conglomerados ou agrupamentos.

I = 1 indica que a distribuio espacial aleatria
I > 1 indica a existncia de regularidade

ndice do Vizinho Mais Proximo

I

A hiptese de aleatoriedade por ser testastada por meio da

estatstica
dA dE
zc =
SE
em que
I

Notes

SE o desvio padro da distncia esperada ao vizinho

mais prximo dada por
r
(4 )A
0, 2614
SE =
=
A
4N 2
N

Rejeita-se H0 se valor p ou zc > z , em que z

obtido da distribuio normal padro

Processos espaciais pontuais

Definio
processos pontuais so definidos como um conjunto de pontos
irregularmente distribudos em um espao, cuja localizao foi
gerada por um mecanismo estocstico
I

Notes

A caracterizao dos processos pontuais pode-se feita em

termos dos efeitos de primeira ordem e efeitos de segunda
ordem.

Processos espaciais pontuais

I

Efeitos de primeira ordem

I
I
I

Efeitos de segunda ordem

I
I

Notes

considerados globais ou de grande escala.

correspondem a variaes no valor mdio do processo.
representam na intensidade do processo (No Eventos /
Unidade de rea).
denominados locais ou de pequena escala.
representam a dependncia espacial no processo

Processos espaciais pontuais

Notes

Seja um conjunto de pontos (p1 , p2 , ...) numa determinada

regio A onde ocorreram eventos

Seja Si subregies de A e N(Si ) nmero de eventos em em

Si

O processo pontual modelado

por meio da esperana

E [N(Si )] e covarincia C N(Si )N(Sj )

Processos espaciais pontuais

Notes

A intensidade do processo dada pela esperana de N(S)

para uma pequena regio dp em torno do ponto p


E [N(ds)]
(p) = lim
|ds|
|ds|0

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

Processos espaciais pontuais

Notes

Quando o processo estacionrio a intensidade apenas

uma constante (p) =

Quando o processo isotrpico a covarincia depende somente da distncia euclidiana entre os pontos e no da direo entre eles
(pi , pj ) = (|h|)

sendo |h| a distncia entre os pontosdois pontos

Estimador Kernel

Notes

O comportamento de padres de pontos pode ser analisado por meio da intensidade do processo

Para estimar a intensidade do processo pode-se utilizar

uma funo bivariada que representa uma densidade de
probabilidade da intensidade

O estimador de intensidade de Kernel uma alternativa

simples, com objetivo de analisar o comportamento de padres de pontos e estimar a intensidade pontual do processo em toda a regio de estudo

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

O estimador de intensidade e computado a partir dos n

eventos pi , ..., pn e tem como formar geral


n
X
d(p
,
p)
1
i
(p) =
k

2
i=1

em que:
I

Notes

( > 0) um raio de influncia que define a vizinhana do

ponto a ser interpolado e controla o "suavizao"da superfcie gerada
d(pi , p) distncia entre um ponto p e o i-simo ponto na
regio de influncia de
k (.) uma funo de interpolao

Estimador Kernel
I

Tipos de funes 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

A escolha da funo kernel de importncia secudria

A escolha do raio ( ) mais importante, pois determina a

regio de influncia do interpolador.

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

O EMQ( ) calculado para vrios raios, e escolhido o

raio que a partir do qual estabiliza o EMQ

Estimador Kernel
I

Notes

Considere o pontos abaixo, um ponto central p = (0, 76; 1, 4),

um raio de 2 e a funo kernel quartica
x
y
d(pi , p) kernel
0,6 1,8 0,4308 0,2171
0,6 1,3 0,1887 0,2345
0,8 1,0 0,4020 0,2198
0,8 1,2 0,2040 0,2338
1,0 1,7 0,3842 0,2214

1,1267

Estimador Kernel
I

Notes

Para o exemplo das arvores temos:

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

A relao das distncias entre pontos e propriedades de

segunda ordem pode ser utilizada para caracterizar a distribuio dos pontos numa regio

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

Estas tcnicas assumem estacionariedade sobre pequenas escalas na regio de trabalho

Funo F
I

A funo F (Ripley, 1977) ou funo de espao vazio a

funo de distribuio acumulada da distncia entre um
ponto aleatoriamente (no-evento) escolhido e o evento mais
prximo

Fixado um distncia d a funo F retorna probabilidade da

distancia de um ponto escolhido ao acaso para o evento
mais prximo ser inferior ou igual a d.
P [d(a, p) d] = F (d)

Notes

Funo F

Notes

A funo F pode ser estimada empiricamente da seguinte

forma
n
P
Id (pi )
F (d) = i=1
n
em que
Id (pi ) = 1 se d(a, pi ) d
Id (pi ) = 0 se d(a, pi ) > d

Este estimador viesado por desconsiderar o efeito de

borda

Fixada uma mesma distncia, pontos aleatrios localizados

nas bordas do mapa tero uma probabilidade menor de ter
um evento prximo do que os pontos localizados no centro
do mapa

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

em que ri a distncia de um evento at o ponto mais prximo na borda

Id (pi , ri ) = 1 se d(a, pi ) d e ri r
Id (pi , ri ) = 0 se d(a, pi ) > d e ri < r

Notes

Funo F
I

Para um processo Poisson completamente aleatrio a funo F dada por:

F (d) = 1 exp(d 2 )

d >0

em que: d a distncia e a intensidade

I

Assumindo-se CSR feita a estimao simulada para a

distribuio F (d) por:
k
P
Fi

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

Para verificar a hiptese de aleatoriedade obtido um envelope simulado dado por:

I
I

Notes

LS(F (d)) limite superior dado pelo percentil 100(1 2 )

LI(F (d)) limite inferior dado pelo percentil 100( 2 )

Funo F
I

Notes

Um grfico contendo a funo F (d) e seu envelope e a

funo estimada F (d) utilizado para verificar o padro
dos eventos.

Funo G
I

A funo G ou mtodo do vizinho mais prximo, introduzida

por Ripley (1977), a funo de distribuio acumulada da
distncia entre um evento e o vizinho mais prximo.

Fixado um distncia d a funo G retorna probabilidade da

distancia de um evento ao seu vizinho mais prximo ser
inferior ou igual a d.


P d(pi , pj ) d = F (d)

Para um processo Poisson completamente aleatrio a funo G dada por:

F (d) = 1 exp(d 2 )

d >0

em que: d a distncia e a intensidade

Notes

Funo G

Notes

A funo G pode ser estimada empiricamente da seguinte

forma
n
P
Id (pi )

G(d)
= i=1
n
em que
Id (pi ) = 1 se d(pi , pj ) d
Id (pi ) = 0 se d(pi , pj ) > d

Este estimador viesado por desconsiderar o efeito de

borda

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

em que ri a distncia de um evento at o ponto mais prximo na borda

Id (pi , ri ) = 1 se d(pi , pj ) d e ri r
Id (pi , ri ) = 0 se d(pi , pj ) > d e ri < r

Notes

Funo G
I

Da mesma forma que na funo F , assumindo-se CSR

feita a estimao simulada para a distribuio G(d)
k
P
i
G

G(d) =

i=1

i so funes de distribuio empricas, estimaem que:G

das a partir de k simulaes independentes dos n eventos
I

Notes

Para verificar a hiptese de aleatoriedade obtido um envelope simulado composto por LS(G(d)) e LI(G(d))

Funo G
I

Notes

Utilizando o grfico das funo emprica G(d) e estimada

G(d)
possvel verificar o padro dos eventos.

Funo F Funo G

Notes

A funo F apresenta grande poder para detectar agrupamentos de eventos,

A funo G mais poderosa para detectar eventos regularmente distribudos

Assumindo-se CSR tem-se que F (d) = G(d)

Funo J
I

A funo J foi proposta por Van Lieshout & Baddeley (1996)

e definida por:
1 G(d)
J(d) =
1 F (d)
em que d > 0 e F (d) < 1
A interpretao desta funo :
I

I
I

Notes

J(d) < 1 indica presena de conglomerados ou

agrupamentos.
J(d) = 1 indica que a distribuio espacial aleatria
J(d) > 1 indica a existncia de regularidade

Funo J

Notes

Sob a hiptese de CSR tem-se que F (d) = G(d), assim

J(d) = 1

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

A funo K definida por:

K (d) =

E[N0 (d)]

em que:
I

Notes

N0 (d) o nmero de eventos mais prximos dentro da

distncia d de um evento arbitrrio
a intensidade

Funo K
I

A funo K definida por:

K (d) =

E[N0 (d)]

em que:
I

Notes

N0 (d) o nmero de eventos mais prximos dentro da

distncia d de um evento arbitrrio
a intensidade

Funo K
I

Para estimar a funo K utiliza-se a expresso:

n X
n
X
Id (uij )
A
(d) =
K
wij
n2
i=1 j=1

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

wij a proporco da circunferncia do crculo centrado no

evento i que est dentro da regio A

Funo K
I

Para um processo Poisson completamente aleatrio a funo F dada por:

K (d) = d 2

Uma abordagem similar a outras funes obter um envelope simulado para a funo K
A interpretao desta funo :
I

I
I

Notes

d >0

K (d) > d 2 indica presena de conglomerados ou

agrupamentos.
K (d) = d 2 indica que a distribuio espacial aleatria
K (d) < d 2 indica a existncia de regularidade

Funo G
I

Notes

(d) utilizado para verificar padres

O grfico da funo K
dos eventos.

Funo K
I

O grfico da funo K no to intuitivo quanto a do grfico

das funes anteriores

Para facilitar a interpretao utiliza-se uma funo auxiliar

L

O estimador da funo L
s

L(d)
=

Notes

(d)
K
d

Assumindo-se CSR tem-se que L(d) = 0

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

K (d) > 0 indica presena de conglomerados ou

agrupamentos.
K (d) = 0 indica que a distribuio espacial aleatria
K (d) < 0 indica a existncia de regularidade

Exemplo
I

Notes

No conjunto de dados arvores, foi feito um levantamento

de espcies de arvores de grande porte numa regio, em
que foi obtido sua localizao, a medida da circunferencia
na altura do peito em centmetros (CPcm) e espcie encontrada.

Exemplo
I

Notes

No conjunto de dados arvores, foi feito um levantamento

de espcies de arvores de grande porte numa regio, em
que foi obtido sua localizao, a medida da circunferencia
na altura do peito em centmetros (CPcm) e espcie encontrada.

Exemplo
I

Notes

Funo F para as arvores

Exemplo
I

Notes

Funo G para as arvores

Exemplo
I

Notes

Funo J para as arvores

Exemplo
I

Notes

Funo K para as arvores

Exemplo
I

Notes

Funo L para as arvores

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.

Os dados foram analisados por Ripley em 1977.

Exemplo
I

Notes

Funo F para as clulas

Exemplo
I

Notes

Funo G para as clulas

Exemplo
I

Notes

Funo J para as clulas

Exemplo
I

Notes

Funo K para as clulas

Exemplo
I

Notes

Funo L para as clulas

Processos pontuais marcados

Notes

Em muitos esto associados aos pontos atributos tais como

espcie, sexo, idade, etc.

Na anlise de padres pontos os atributos so chamados

de "marca"e representam uma informao adicional associada com as coordenadas dos pontos

As marcas podem ser qualitativas ou quantitativas

O objetivo bsico da anlise de processos pontuais marcados verificar se existe dependncia entre marcas e pontos

Processos pontuais marcados

I

Um processo pontual marcado no espao S com marcas

pertencentes a um conjunto M definido como um processo pontual no produto cartesiano S M

Um processo pontual marcado um processo estocstico

representado por:
= {(x1 , m1 ), (x2 , m2 ), ...., (xn , mn )}

xi S

em que xi so as posies e mi so as marcas

Notes

mi M

Processos pontuais marcados

I

Seja X os pontos e M as marcas um modelo estatstico

para o padro de ponto marcado poderia ser formulada de
vrias maneiras:
I

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.

Processos pontuais marcados

I

De acordo com a forma de anlise diferentes hipteses podem ser testadas:

I

Notes

Classificao aleatria - dadas as localizaes X , as marcas so condicionalmente independentes e identicamente

distribudos;
independncia dos componentes: os sub-processos Xm de
pontos de cada marca M, so processos pontuais independentes
Completa aleatoriedade espacial e independncia (CSRI):
os locais X so um processo uniforme de Poisson, e as
marcas so independentes e identicamente distribudos.

Funo de correlao marcada

I

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 )

Essa funo caracteriza a relao entre as marcas mi e mj

em diferentes pontos, condicionada a uma distncia euclidiana h entre os pontos

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

em que I um funo indicadora que vale 1 quando mi =

mj e 0 caso contrrio

Funo de correlao marcada

I

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

d a distncia entre dois pontos

o valor mdio da marca

Funo de correlao marcada

I

Pra estimar a funo de correlao marcada pode utiliza

um estimador no-viesado que corrige o efeito de bordas,
dado por:
n
n
1 XX
f (mi , mj )wij
bf (d) = 2

i=1 j=1

em que
eb d |xi xj |


wij =
A Wi Wj
I

Notes

A Wi Wj representa a interseo da area gerada por

W + xi e W + xj , sendo W crculo centrado no evento i
que est dentro da regio A.

Funo de correlao marcada

I

A funo eb (h) um estimador Epanechnikov de Kernel

dado por:


(
3
h2
se b h b
4b 1 b2
eb =
0
caso contrrio
em que b um parmetro adicional que define o grau de
"suavidade"da funo

Notes

Funo de correlao marcada

I

A interpretao da funo de correlao marcada :

I

I
I

Notes

bf (d) > 1 indica correlao positiva, caracterizando atrao

entre as marcas
bf (d) = 1 indica independncia entre a marcas
bf (d) < 1 indica correlao negativa, caracterizando
repulso entre as marcas

Funo de correlao marcada

I

Notes

Representao da funo de correlao marcada

Funo K ponderada por marca

I

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

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

intensidade do processo
2 a mdia das marcas

Funo K ponderada por marca

I

Um estimador no-viesado, que corrige o efeito de borda

para a funo K dado por:
n P
n
P

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

2 a mdia amostral das marcas

wij a proporco da circunferncia do crculo centrado no
evento i que est dentro da regio A

Funo K ponderada por marca

I

Se as marcas so independentes temos que Kmm (d) =

K (d)

Para determinar a relao espacial das marcas utiliza-se a

funo k ponderada por marca normilizada dada por:
K mm (d) =

A interpretao desta funo

I

I
I

Notes

Kmm (d)
K (d)

K mm (d) > 1 indica correlao positiva, caracterizando

atrao entre as marcas
K mm (d) = 1 indica independncia entre a marcas
K mm (d) < 1 indica correlao negativa, caracterizando
repulso entre as marcas

Funo K ponderada por marca

I

Se as marcas so independentes temos que Kmm (d) =

K (d)

Para determinar a relao espacial das marcas utiliza-se a

funo k ponderada por marca normilizada dada por:
K mm (d) =

A interpretao desta funo

I

I
I

Notes

Kmm (d)
K (d)

K mm (d) > 1 indica correlao positiva, caracterizando

atrao entre as marcas
K mm (d) = 1 indica independncia entre a marcas
K mm (d) < 1 indica correlao negativa, caracterizando
repulso entre as marcas

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

Nestes casos, cada ponto atribudo um valor categrico

ou descritivo alm de sua localizao simples.

Um padro bivariado quando h apenas duas categorias

de pontos (por exemplo, masculino e feminino)

Umpadro Multivariado simplesmente um termo geral duas

ou mais categorias (por exemplo , vermelho , azul e verde)
.

Marcas qualitativas
I

Na anlise de padres de ponto multivariado pode assumir

trs formas , dependendo do contraste que se deseja fazer
:
I

Notes

A A - neste tipo de anlise o interesse saber se os

pontos de um tipo especfico A so associados (ou
dissociados) com pontos do mesmo tipo.
A B - neste tipo de anlise o interesse saber se os
pontos de um tipo especfico A so associados (ou
dissociados) com pontos de um tipo diferente especfico B
A!A - neste tipo de anlise o interesse saber se os
pontos de um tipo especfico A so associados (ou
dissociados) com pontos de qualquer tipo diferente de A.

Para verificar a relao espacial utiliza-se as funes K

multivariadas

Funo K -cruzada
I

A funo K -cruzada caracteriza a relao espacial entre

duas marcas qualitativas, definida por:
Kab (d) =

E [E[Nab (d)])]
b

em que:
I

Notes

Na b(d) o nmero de eventos do tipo b mais prximos de

um evento do tipo a dentro da distncia d
b intensidade dos eventos do tipo b

Funo K -cruzada
I

Um estimador no-viesado, que corrige o efeito de borda

para a funo K -cruzada dado por:
n P
n
P

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

wij a proporco da circunferncia do crculo centrado no

evento i que est dentro da regio A

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

A interpretao desta funo

I

I
I

Notes

K ab (d) > d 2 indica correlao positiva, caracterizando

atrao entre as marcas
K ab (d) = d 2 indica independncia entre a marcas
K ab (d) < d 2 indica correlao negativa, caracterizando
repulso entre as marcas

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

Na .(d) o nmero de eventos diferentes tipo a mais

prximos de um evento do tipo a dentro da distncia d
. intensidade dos eventos diferentes diferentes de a

Funo K -cruzada
I

Um estimador no-viesado, que corrige o efeito de borda

para a funo K -cruzada dado por:
n P
n
P

Id (uij )

a. (d) = A i=1 j=1

K
na n.
wij
em que:
I
I

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

wij a proporco da circunferncia do crculo centrado no

evento i que est dentro da regio A