Tópicos de Estatística Espacial Pontos
|
|
- Adriano Sabala
- 5 Há anos
- Visualizações:
Transcrição
1 Tópicos de Estatística Espacial Pontos Anderson Castro Soares de Oliveira
2 Análise de dados pontuais Definição (Padrão de pontos) O padrão de pontos é definido como uma base de dados contendo uma série de localização de pontos (p 1, p 2,..., p n ), numa determinada região de estudo, onde ocorreu o evento de interesse.
3 Análise de dados pontuais Definição (Padrão de pontos) O padrão de pontos é definido como uma base de dados contendo uma série de localização de pontos (p 1, p 2,..., p n ), numa determinada região de estudo, onde ocorreu o evento de interesse.
4 Análise de dados pontuais Os dados de distribuições pontuais têm as seguintes características: A área dos eventos não é uma medida válida apesar de em muitos casos ocuparem espaço. Os pontos em geral não estão associados a valores, mas apenas à ocorrência dos eventos considerados. Em alguns estudos os pontos podem estar associados a atributos de identificação, como por exemplo tipo do crime. Quando este atributo é elemento do estudo, através da comparação da distribuição espacial destes atributos, denominase processo pontual marcado.
5 Distribuição de Pontos Objetivo : verificar se os eventos observados apresentam algum tipo de padrão sistemático
6 Distribuição de Pontos No padrão agregado existe uma aglomeração de pontos no espaço No padrão regular existe uma distância média entre os pontos que tende a ser constante. No padrão aleatório os pontos se distribuem aleatóriamente no espaço
7 Completa aleatoriedade espacial (CSR) A análise estatística dos padrões de distribuições de pontos requer um modelo teórico de referência base para o desenvolvimento de métodos formais que checam a significância dos resultados exploratórios. O modelo teórico mais simples é conhecido como completa aleatoriedade espacial (CSR) O modelo de CSR considera que os pontos são independentes e tem uma distribuição de probabilidade uniforme sobre a área de estudo
8 Completa aleatoriedade espacial (CSR) O modelo de CSR implica que: não existem regiões em que os eventos possam ocorrer mais (ou menos) a presença de um dado evento não altera a probabilidade de outros eventos que figuram nas proximidades. Considere uma determinada área A, em alguma unidade de área conveniente, onde se têm x pontos localizados aleatoriamente e, portanto, independentes. pontos por uni- Assim, tem-se uma intensidade de λ = x A dade de área.
9 Completa aleatoriedade espacial (CSR) No modelo de CSR considera-se queas ocorrências em cada sub-área S i são não-correlacionadas e homogêneas estão associadas à mesma distribuição de probabilidade de Poisson
10 Completa aleatoriedade espacial (CSR) A hipótese de completa aleatoriedade espacial para um padrão de ponto espacial afirma que: O número de eventos em qualquer região plana com área A segue uma distribuição de Poisson com média λ f (x) = λx e λ x! em que: x representa o numero de pontos na area λ a intensidade do processo
11 Método Quadrat Para testar a hipótese de completa aleatoriedade espacial pode-se utilizar o método dos quadrats A área de estudo pode ser dividida em várias sub-areas denominadas quadrats Seja (u 1,..., u m ) a contagem do número de pontos em n quadrats, então aleatoriedade pode ser testado com base na idéia de que, se essas contagens seguir uma distribuição de Poisson, espera-se alcançar a igualdade de média e variância das contagens. A média e a variância do número de pontos em m quadrats são, respectivamente: U = n u i i=1 n S 2 = n (u i W ) 2 i=1 n 1
12 Método Quadrat Para verificar o padrão de distribuição dos pontos pode-se calcular o índice de dispersão I = S2 U em que: W é a média das contagens em cada quadrat S 2 é variância das contagens em cada quadrat A interpretação do índice é: I > 1 indica presença de conglomerados ou agrupamentos. I = 1 indica que a distribuição espacial é aleatória I < 1 indica a existência de regularidade
13 Método Quadrat Assim, o método dos quadrats testa as seguintes hipóteses { H0 : µ = σ 2 A distribuição dos pontos é aleatória H 1 : µ σ 2 A distribuição dos pontos não é aleatória A estatística do teste é dada por: χ 2 c = (n 1)I Rejeita-se H 0 se valor p α ou χ 2 c > χ 2 α, em que χ 2 α é obtido da distribuição χ 2 com n 1 graus de liberdade
14 Método Quadrat No conjunto de dados arvores, foi feito um levantamento de espécies de arvores de grande porte numa região, em que foi obtido sua localização, Desta forma temos 200 pontos distribuídos em um area retangular
15 Método Quadrat Se fizermos 30 sub-areas temos: y x [0; 0, 5] (0, 5; 1] (1; 1, 5] (1, 5; 2] (2; 2, 5] (13, 3; 14] (12, 7; 13, 3] (12; 12, 7] (11, 3; 12] (10, 7; 11, 3] [10; 10, 7]
16 Método Quadrat Assim, temos: I = S2 60, 71 = = 9, 10 U 6, 67 χ 2 c = (m 1)I = 29 9, 10 = 263, 9 Considerando grau de liberdade ν = 29, temos χ 2 0,025 = 45, 73. Conclusão: Observando χ 2 c = 263, 9, temos que como 263, 9 > 45, 73, rejeita-se H 0 ao nível de 5% de significância. Portanto: temos evidências de que a distribuição dos pontos não é aleatória Como I > 0, temos evidência que a distribuição dos pontos é agragada
17 Método Quadrat Um problema do método é determinar tamanho e forma dos quadrats Quando não existe a definição natural do tamanho do quadrat, deve-se preocupar com a determinação desse tamanho. Se o padrão de distribuição é aleatório, o tamanho do quadrat apenas altera a magnitude da média Outros indices de dispersão podem ser utilizados para tentar contornar o problema do tamanho de forma dos quadrats.
18 Método Quadrat - Indice de Morisita O Indice de Morisita é dada por: n u 2 i n i=1 i=1 I M = n ( n ) 2 u i n i=1 u i u i i=1 em que u i é a contagem do número de pontos em n quadrats A interpretação do índice é: I > 1 indica presença de conglomerados ou agrupamentos. I = 1 indica que a distribuição espacial é aleatória I < 1 indica a existência de regularidade Este índice foi desenvolvido para tentar torná-lo independente do tamanho da unidade amostral
19 Método Quadrat - Indice de Morisita A hipótese de aleatoriedade por ser testastada por meio da estatística ( n ) n χ 2 c = I M u i 1 + n i=1 Rejeita-se H 0 se valor p α ou χ 2 c > χ 2 α, em que χ 2 α é obtido da distribuição χ 2 com n 1 graus de liberdade i=1 u i
20 Método Quadrat - Indice de Morisita No Exemplo das árvores temos 30 sub-areas: y x [0; 0, 5] (0, 5; 1] (1; 1, 5] (1, 5; 2] (2; 2, 5] (13, 3; 14] (12, 7; 13, 3] (12; 12, 7] (11, 3; 12] (10, 7; 11, 3] [10; 10, 7]
21 Método Quadrat - Indice de Morisita Assim, temos: n = 30 n ui 2 = 3094 i=1 n u i = 200 i=1 O Indice de Morisita será: I M = 30 (200) = 2, 18 A estatística do teste χ 2 c = 2, 18 (200 1) = 263, 82
22 Método Quadrat - Indice de Morisita Considerando grau de liberdade ν = 29, temos χ 2 0,025 = 45, 73. Conclusão: Observando χ 2 c = 263, 82, temos que como 263, 82 > 45, 73, rejeita-se H 0 ao nível de 5% de significância. Portanto: temos evidências de que a distribuição dos pontos não é aleatória Como I > 0, temos evidência que a distribuição dos pontos é agregada
23 Índice do Vizinho Mais Proximo A distância de um ponto ao outro fornece uma variável que elimina o efeito do tamanho dos quadrats A distância entre dois pontos é calculada d i,j = (x i x j ) 2 + (y i y j ) 2
24 Índice do Vizinho Mais Proximo A análise de padrão espacial defini-se a vizinhança entre os pontos: Dois pontos serão vizinhos de ordem k se a distância entre eles for a k-ésima menor distância entre todos os pontos no espaço Assim: Dois pontos serão vizinhos de primeira ordem ou vizinhos mais próximos se a distância entre eles for a menor distância entre todos os pontos no espaço Dois pontos serão vizinhos de segunda ordem se a distância entre eles for a segunda menor distância entre todos os pontos no espaço
25 Índice do Vizinho Mais Proximo O índice do Vizinho Mais Proximo é dado por: R = d A d E em que d A é a distância média ao vizinho mais próximo dada por n d A = d i i=1 n d A é a distância esperada ao vizinho mais próximo dada por d E = 1 A 2 n sendo A é a área do estudo e n é o numero de pontos
26 Índice do Vizinho Mais Proximo O índice do Vizinho Mais Proximo é dado por: Rn = d A d E em que d A é a distância média ao vizinho mais próximo dada por n d A = d i i=1 n d A é a distância esperada ao vizinho mais próximo dada por d E = 1 A 2 n sendo A é a área do estudo e n é o numero de pontos
27 Índice do Vizinho Mais Proximo A interpretação do índice é: I < 1 indica presença de conglomerados ou agrupamentos. I = 1 indica que a distribuição espacial é aleatória I > 1 indica a existência de regularidade
28 Índice do Vizinho Mais Proximo A hipótese de aleatoriedade por ser testastada por meio da estatística em que z c = d A d E S E SE é o desvio padrão da distância esperada ao vizinho mais próximo dada por (4 π)a 0, 2614 S E = 4πN 2 = A N Rejeita-se H 0 se valor p α ou z c > z α, em que z α é obtido da distribuição normal padrão
29 Processos espaciais pontuais Definição processos pontuais são definidos como um conjunto de pontos irregularmente distribuídos em um espaço, cuja localização foi gerada por um mecanismo estocástico A caracterização dos processos pontuais pode-se feita em termos dos efeitos de primeira ordem e efeitos de segunda ordem.
30 Processos espaciais pontuais Efeitos de primeira ordem considerados globais ou de grande escala. correspondem a variações no valor médio do processo. representam na intensidade do processo (No Eventos / Unidade de Área). Efeitos de segunda ordem denominados locais ou de pequena escala. representam a dependência espacial no processo
31 Processos espaciais pontuais Seja um conjunto de pontos (p 1, p 2,...) numa determinada região A onde ocorreram eventos Seja S i subregiões de A e N(S i ) número de eventos em em S i O processo pontual é modelado por meio da esperança E [N(S i )] e covariância C [ N(S i )N(S j ) ]
32 Processos espaciais pontuais A intensidade do processo é dada pela esperança de N(S) para uma pequena região dp em torno do ponto p { } E [N(ds)] λ(p) = lim ds 0 ds Propriedades de segunda ordem podem ser definidas considerando a intensidade conjunta de dois pontos (p i, p j ) λ(p i, p j ) = lim ds i, ds j 0 { [ C N(dsi )N(ds j ) ] } ds i ds j
33 Processos espaciais pontuais Quando o processo é estacionário a intensidade é apenas uma constante λ(p) = λ Quando o processo é isotrópico a covariância depende somente da distância euclidiana entre os pontos e não da direção entre eles λ(p i, p j ) = λ( h ) sendo h a distância entre os pontosdois pontos
34 Estimador Kernel O comportamento de padrões de pontos pode ser analisado por meio da intensidade do processo Para estimar a intensidade do processo pode-se utilizar uma função bivariada que representa uma densidade de probabilidade da intensidade O estimador de intensidade de Kernel é uma alternativa simples, com objetivo de analisar o comportamento de padrões de pontos e estimar a intensidade pontual do processo em toda a região de estudo O estimador Kernel é um interpolador, que possibilita a estimação da intensidade do evento em toda a área, mesmo nas regiões onde o processo não tenha gerado nenhuma ocorrência real
35 Estimador Kernel O estimador Kernal realiza uma contagem de todos os pontos dentro de uma região de influência, ponderando-os pela distância de cada um à localização de interesse
36 Estimador Kernel O estimador de intensidade e computado a partir dos n eventos p i,..., p n e tem como formar geral ˆλ τ (p) = 1 τ 2 n ( ) d(pi, p) k τ i=1 em que: (τ > 0) é um raio de influência que define a vizinhança do ponto a ser interpolado e controla o "suavização"da superfície gerada d(pi, p) é distância entre um ponto p e o i-ésimo ponto na região de influência de τ k(.) é uma função de interpolação
37 Estimador Kernel Tipos de funções kernel K (h) = 1 e h2 2 2π Normal Quártica K (h) = 3 π (1 h2 ) 2 Triangular K (h) = (1 h ) Exponencial Negativo K (h) = 1 2π e h
38 Estimador Kernel Se for utilizado a função kernel normal a estimador de intensidade será dado por: ˆλ τ (p) = 1 τ 2 n i=1 d(p 1 i,p) 2 2π e 2τ 2 Se for utilizado a função kernel quártica a estimador de intensidade será dado por: ˆλ τ (p) = 1 τ 2 n i=1 3 π (1 d(p i, p) 2 τ 2 ) 2
39 Estimador Kernel A escolha da função kernel é de importância secudária A escolha do raio (τ) é mais importante, pois determina a região de influência do interpolador. Um critério para determinar o raio (τ) é calcular o erro quadrático médio dado por: EQM(τ) = [(ˆλ τ Λ(τ)) 2] em que Λ(τ) é a intensidade de um processo de Cox
40 Estimador Kernel O EMQ(τ) é calculado para vários raios, e é escolhido o raio que a partir do qual estabiliza o EMQ
41 Estimador Kernel Considere o pontos abaixo, um ponto central p = (0, 76; 1, 4), um raio de 2 e a função kernel quartica x y d(p i, 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 λ 1,1267
42 Estimador Kernel Para o exemplo das arvores temos:
43 Dependência Espacial As propriedades de segunda ordem ou dependência espacial em um processo espacial de pontos medem a força e o tipo de interação entre os eventos do processo de pontos A relação das distâncias entre pontos e propriedades de segunda ordem pode ser utilizada para caracterizar a distribuição dos pontos numa região Esta relação é 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)
44 Dependência Espacial As técnicas mais utilizadas para estudar a relação da distância entre pontos e propriedades de segunda ordem são método baseadas nas funções empíricas F, G, J e K Estas técnicas assumem estacionariedade sobre pequenas escalas na região de trabalho
45 Função F A função F (Ripley, 1977) ou função de espaço vazio é a função de distribuição acumulada da distância entre um ponto aleatoriamente (não-evento) escolhido e o evento mais próximo Fixado um distância d a função F retorna probabilidade da distancia de um ponto escolhido ao acaso para o evento mais próximo ser inferior ou igual a d. P [d(a, p) d] = F(d)
46 Função F A função F pode ser estimada empiricamente da seguinte forma n I d (p i ) i=1 ˆF(d) = n em que I d (p i ) = 1 se d(a, p i ) d I d (p i ) = 0 se d(a, p i ) > d Este estimador é viesado por desconsiderar o efeito de borda Fixada uma mesma distância, pontos aleatórios localizados nas bordas do mapa terão uma probabilidade menor de ter um evento próximo do que os pontos localizados no centro do mapa
47 Função F Considerando o efeito de borda a função F pode ser estimada empiricamente da seguinte forma ˆF(d) = n I d (p i, r i ) i=1 n I d (p i ) i=1 em que r i é a distância de um evento até o ponto mais próximo na borda I d (p i, r i ) = 1 I d (p i, r i ) = 0 se d(a, p i ) d e r i r se d(a, p i ) > d e r i < r
48 Função F Para um processo Poisson completamente aleatório a função F é dada por: F(d) = 1 exp( λπd 2 ) d > 0 em que: d é a distância e λ é a intensidade Assumindo-se CSR é feita a estimação simulada para a distribuição F(d) por: F(d) = k ˆF i i=1 k em que:ˆf i são funções de distribuição empíricas, estimadas a partir de k simulações independentes dos n eventos
49 Função F Para verificar a hipótese de aleatoriedade é obtido um envelope simulado dado por: LS(F(d)) é limite superior dado pelo percentil 100(1 α 2 ) LI(F(d)) é limite inferior dado pelo percentil 100( α 2 )
50 Função F Um gráfico contendo a função F(d) e seu envelope e a função estimada ˆF(d) é utilizado para verificar o padrão dos eventos.
51 Função G A função G ou método do vizinho mais próximo, introduzida por Ripley (1977), é a função de distribuição acumulada da distância entre um evento e o vizinho mais próximo. Fixado um distância d a função G retorna probabilidade da distancia de um evento ao seu vizinho mais próximo ser inferior ou igual a d. P [ d(p i, p j ) d ] = F(d) Para um processo Poisson completamente aleatório a função G é dada por: F (d) = 1 exp( λπd 2 ) d > 0 em que: d é a distância e λ é a intensidade
52 Função G A função G pode ser estimada empiricamente da seguinte forma n I d (p i ) i=1 Ĝ(d) = n em que I d (p i ) = 1 se d(p i, p j ) d I d (p i ) = 0 se d(p i, p j ) > d Este estimador é viesado por desconsiderar o efeito de borda
53 Função G Considerando o efeito de borda a função G pode ser estimada empiricamente da seguinte forma Ĝ(d) = n I d (p i, r i ) i=1 n I d (p i ) i=1 em que r i é a distância de um evento até o ponto mais próximo na borda I d (p i, r i ) = 1 I d (p i, r i ) = 0 se d(p i, p j ) d e r i r se d(p i, p j ) > d e r i < r
54 Função G Da mesma forma que na função F, assumindo-se CSR é feita a estimação simulada para a distribuição G(d) G(d) = k Ĝ i i=1 k em que:ĝi são funções de distribuição empíricas, estimadas a partir de k simulações independentes dos n eventos Para verificar a hipótese de aleatoriedade é obtido um envelope simulado composto por LS(G(d)) e LI(G(d))
55 Função G Utilizando o gráfico das função empírica G(d) e estimada Ĝ(d) é possível verificar o padrão dos eventos.
56 Função F Função G A função F apresenta grande poder para detectar agrupamentos de eventos, A função G é mais poderosa para detectar eventos regularmente distribuídos Assumindo-se CSR tem-se que F (d) = G(d)
57 Função J A função J foi proposta por Van Lieshout & Baddeley (1996) e é definida por: J(d) = 1 G(d) 1 F(d) em que d > 0 e F(d) < 1 A interpretação desta função é: J(d) < 1 indica presença de conglomerados ou agrupamentos. J(d) = 1 indica que a distribuição espacial é aleatória J(d) > 1 indica a existência de regularidade
58 Função J Sob a hipótese de CSR tem-se que F(d) = G(d), assim J(d) = 1 Para verificar a hipótese de aleatoriedade é obtido um envelope simulado para função J em que são obtidos os limites superior e inferior da mesma forma que as funções anteriores
59 Função K A função K, proposta por Ripley (1977), também denominada medida de momento de segunda ordem reduzido. As funções F e G, consideram apenas distâncias mais próxima, considerando somente as escalas mais curtas de variação A função K fornece uma estimativa de dependência espacial em uma ampla gama de escalas, com base em todas as distâncias entre os eventos na área de estudo
60 Função K A função K é definida por: em que: K (d) = E[N 0(d)] λ N0 (d) é o número de eventos mais próximos dentro da distância d de um evento arbitrário λ é a intensidade
61 Função K A função K é definida por: em que: K (d) = E[N 0(d)] λ N0 (d) é o número de eventos mais próximos dentro da distância d de um evento arbitrário λ é a intensidade
62 Função K Para estimar a função K utiliza-se a expressão: ˆK (d) = A n 2 n i=1 n j=1 I d (u ij ) w ij em que: A é area do estudo n é o numero de eventos I d (u i j) é uma função indicadora I d (u ij ) = 1 I d (u ij ) = 0 se d(p i, p j ) d se d(p i, p j ) > d wij é a proporcão da circunferência do círculo centrado no evento i que está dentro da região A
63 Função K Para um processo Poisson completamente aleatório a função F é dada por: K (d) = πd 2 d > 0 Uma abordagem similar a outras funções é obter um envelope simulado para a função K A interpretação desta função é: K (d) > πd 2 indica presença de conglomerados ou agrupamentos. K (d) = πd 2 indica que a distribuição espacial é aleatória K (d) < πd 2 indica a existência de regularidade
64 Função G O gráfico da função ˆK (d) é utilizado para verificar padrões dos eventos.
65 Função K O gráfico da função K não é tão intuitivo quanto a do gráfico das funções anteriores Para facilitar a interpretação utiliza-se uma função auxiliar L O estimador da função L é ˆK (d) ˆL(d) = d π Assumindo-se CSR tem-se que L(d) = 0
66 Função K Uma abordagem similar a outras funções é obter um envelope simulado para a função L A interpretação da função L é: K (d) > 0 indica presença de conglomerados ou agrupamentos. K (d) = 0 indica que a distribuição espacial é aleatória K (d) < 0 indica a existência de regularidade
67 Exemplo No conjunto de dados arvores, foi feito um levantamento de espécies de arvores de grande porte numa região, em que foi obtido sua localização, a medida da circunferencia na altura do peito em centímetros (CPcm) e espécie encontrada.
68 Exemplo No conjunto de dados arvores, foi feito um levantamento de espécies de arvores de grande porte numa região, em que foi obtido sua localização, a medida da circunferencia na altura do peito em centímetros (CPcm) e espécie encontrada.
69 Exemplo Função F para as arvores
70 Exemplo Função G para as arvores
71 Exemplo Função J para as arvores
72 Exemplo Função K para as arvores
73 Exemplo Função L para as arvores
74 Exemplo No conjunto de dados celulas, foram observados as localizações dos centros de 42 células biológicas observadas sob microscopia óptica em uma seção histológica. A coordenadas foram adaptadas ao quadrado unitário. Os dados foram analisados por Ripley em 1977.
75 Exemplo Função F para as células
76 Exemplo Função G para as células
77 Exemplo Função J para as células
78 Exemplo Função K para as células
79 Exemplo Função L para as células
80 Processos pontuais marcados Em muitos estão associados aos pontos atributos tais como espécie, sexo, idade, etc. Na análise de padrões pontos os atributos são chamados de "marca"e representam uma informação adicional associada com as coordenadas dos pontos As marcas podem ser qualitativas ou quantitativas O objetivo básico da análise de processos pontuais marcados é verificar se existe dependência entre marcas e pontos
81 Processos pontuais marcados Um processo pontual marcado no espaço S com marcas pertencentes a um conjunto M é definido como um processo pontual no produto cartesiano S M Um processo pontual marcado é um processo estocástico representado por: Ψ = {(x 1, m 1 ), (x 2, m 2 ),..., (x n, m n )} x i S m i M em que x i são as posições e m i são as marcas
82 Processos pontuais marcados Seja X os pontos e M as marcas um modelo estatístico para o padrão de ponto marcado poderia ser formulada de várias maneiras: Análise condicional nas localizações - os pontos X são inicialmente gerados de acordo com a processo pontual espacial S, em seguida, a marca M é atribuida os pontos por um mecanismo aleatório [M X]; Análise condicional nas marcas - as marcas M são inicialmente geradas de acordo com algum mecanismo aleatório [M], em seguida, elas são colocados em determinados locais X por um processo pontual processo pontual espacial S [X M]; Análise conjunta - os pontos X e as marcas M são gerados de acordo com um processo ponto marcado.
83 Processos pontuais marcados De acordo com a forma de análise diferentes hipóteses podem ser testadas: Classificação aleatória - dadas as localizações X, as marcas são condicionalmente independentes e identicamente distribuídos; independência dos componentes: os sub-processos Xm de pontos de cada marca M, são processos pontuais independentes Completa aleatoriedade espacial e independência (CSRI): os locais X são um processo uniforme de Poisson, e as marcas são independentes e identicamente distribuídos.
84 Função de correlação marcada Considerando m i o valor da marca a um ponto e m j o valor da marca em qualquer ponto a uma distância h, a sua relação espacial é quantificada por uma função f (m i, m j ) Essa função caracteriza a relação entre as marcas m i e m j em diferentes pontos, condicionada a uma distância euclidiana h entre os pontos Quando as marcas representam uma variável aleatória contínua em geral utiliza-se função dada por: f (m i, m j ) = m i m j Quando as marcas representam uma variável aleatória qualitativa em geral utiliza-se função dada por: f (m i, m j ) = I(m i = m j ) em que I é um função indicadora que vale 1 quando m i = m j e 0 caso contrário
85 Função de correlação marcada A função de correlação marcada é uma medida da dependência entre as marcas de dois pontos separados a uma distância h ρ f (d) = E[f (m i, m j ) d] µ 2 em que: d é a distância entre dois pontos µ é o valor médio da marca
86 Função de correlação marcada Pra estimar a função de correlação marcada pode utiliza um estimador não-viesado que corrige o efeito de bordas, dado por: ρ f (d) = 1 n n µ 2 f (m i, m j )w ij em que i=1 j=1 w ij = e ( b d xi x j ) A ( ) W i W j A ( W i W j ) representa a interseção da area gerada por W + x i e W + x j, sendo W círculo centrado no evento i que está dentro da região A.
87 Função de correlação marcada A função e b (h) é um estimador Epanechnikov de Kernel dado por: ( 1 h2 se b h b e b = { 3 4b b 2 ) 0 caso contrário em que b é um parâmetro adicional que define o grau de "suavidade"da função
88 Função de correlação marcada A interpretação da função de correlação marcada é: ρf (d) > 1 indica correlação positiva, caracterizando atração entre as marcas ρf (d) = 1 indica independência entre a marcas ρ f (d) < 1 indica correlação negativa, caracterizando repulsão entre as marcas
89 Função de correlação marcada Representação da função de correlação marcada
90 Função K ponderada por marca A função K ponderada por marca caracteriza a relação espacial de marcas quantitativas, definida por: [ ] n n E m i, m j )I d (u ij ) K mm (d) = em que: i=1 j=1 λµ 2 mi e m j são marcas nos pontos i e j Id (u i j) é uma função indicadora I d (u ij ) = 1 I d (u ij ) = 0 se d(p i, p j ) d se d(p i, p j ) > d λ é intensidade do processo µ 2 é a média das marcas
91 Função K ponderada por marca Um estimador não-viesado, que corrige o efeito de borda para a função K é dado por: K mm (d) = A n 2 n i=1 j=1 n m i, m j w ij I d (u ij ) ˆµ 2 em que: A é area do estudo n é o numero de eventos m i e m j são marcas nos pontos i e j Id (u i j) é uma função indicadora I d (u ij ) = 1 I d (u ij ) = 0 se d(p i, p j ) d se d(p i, p j ) > d ˆµ 2 é a média amostral das marcas wij é a proporcão da circunferência do círculo centrado no evento i que está dentro da região A
92 Função K ponderada por marca Se as marcas são independentes temos que K mm (d) = K (d) Para determinar a relação espacial das marcas utiliza-se a função k ponderada por marca normilizada dada por: K mm (d) = K mm(d) K (d) A interpretação desta função é K mm (d) > 1 indica correlação positiva, caracterizando atração entre as marcas K mm (d) = 1 indica independência entre a marcas K mm (d) < 1 indica correlação negativa, caracterizando repulsão entre as marcas
93 Função K ponderada por marca Se as marcas são independentes temos que K mm (d) = K (d) Para determinar a relação espacial das marcas utiliza-se a função k ponderada por marca normilizada dada por: K mm (d) = K mm(d) K (d) A interpretação desta função é K mm (d) > 1 indica correlação positiva, caracterizando atração entre as marcas K mm (d) = 1 indica independência entre a marcas K mm (d) < 1 indica correlação negativa, caracterizando repulsão entre as marcas
94 Marcas qualitativas Quando a marca é qualitativa os processos pontuais marcados são denominados processo multivariados, em que para cada m = 1, 2,..., M os eventos são distintos Nestes casos, cada ponto é atribuído um valor categórico ou descritivo além de sua localização simples. Um padrão bivariado é quando há apenas duas categorias de pontos (por exemplo, masculino e feminino) Umpadrão Multivariado é simplesmente um termo geral duas ou mais categorias (por exemplo, vermelho, azul e verde).
95 Marcas qualitativas Na análise de padrões de ponto multivariado pode assumir três formas, dependendo do contraste que se deseja fazer : A A - neste tipo de análise o interesse é saber se os pontos de um tipo específico A são associados (ou dissociados) com pontos do mesmo tipo. A B - neste tipo de análise o interesse é saber se os pontos de um tipo específico A são associados (ou dissociados) com pontos de um tipo diferente específico B A!A - neste tipo de análise o interesse é saber se os pontos de um tipo específico A são associados (ou dissociados) com pontos de qualquer tipo diferente de A. Para verificar a relação espacial utiliza-se as funções K multivariadas
96 Função K -cruzada A função K -cruzada caracteriza a relação espacial entre duas marcas qualitativas, definida por: em que: K ab (d) = E [E[N ab(d)])] λ b Na b(d) é o número de eventos do tipo b mais próximos de um evento do tipo a dentro da distância d λb é intensidade dos eventos do tipo b
97 Função K -cruzada Um estimador não-viesado, que corrige o efeito de borda para a função K -cruzada é dado por: ˆK ab (d) = A n a n b n n I d (u ij ) i=1 j=1 w ij em que: A é area do estudo na e n b são os numero de eventos do tipo a e b Id (u i j) é uma função indicadora I d (u ij ) = 1 I d (u ij ) = 0 se d(p i, p j ) d se d(p i, p j ) > d w ij é a proporcão da circunferência do círculo centrado no evento i que está dentro da região A
98 Função K -cruzada Teoricamente K ab (d) = K ba (d), mas os valores estimados correspondentes não necessariamente ser equivalentes, assim para corrigir ˆK ab (d) = n bk ab (d) + n a K ba (d) n a n b A interpretação desta função é K ab (d) > πd 2 indica correlação positiva, caracterizando atração entre as marcas K ab (d) = πd 2 indica independência entre a marcas K ab (d) < πd 2 indica correlação negativa, caracterizando repulsão entre as marcas
99 Função K -multivariada A função K -multivariada caracteriza a relação espacial entre uma marca A e de qualquer marca diferente de A, e é definida por: K i. (d) = E [E[N i.(d)])] λ. em que: Na.(d) é o número de eventos diferentes tipo a mais próximos de um evento do tipo a dentro da distância d λ. é intensidade dos eventos diferentes diferentes de a
100 Função K -cruzada Um estimador não-viesado, que corrige o efeito de borda para a função K -cruzada é dado por: ˆK a. (d) = A n a n. n n I d (u ij ) i=1 j=1 w ij em que: A é area do estudo na e n. são os numero de eventos do tipo a e diferentes de a Id (u i j) é uma função indicadora I d (u ij ) = 1 I d (u ij ) = 0 se d(p i, p j ) d se d(p i, p j ) > d w ij é a proporcão da circunferência do círculo centrado no evento i que está dentro da região A
Instituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Distribuição de Pontos Caracterização de Distribuição de Pontos Estimador de Kernel Método do Vizinho Mais Próximo Função K Exemplos Práticos com o Sistema SPRING Introdução 3 Consideramos
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisLABORATÓRIO Nº 1. Análise de Padrões de Distribuição de Pontos
LABORATÓRIO Nº 1 Análise de Padrões de Distribuição de Pontos 1. Objetivos: O objetivo deste laboratório é ilustrar as várias formas de analisar padrão de pontos, a partir de alguns conjuntos de dados.
Leia maisSER-301: ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS
SER-301: ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS Bárbara Maria Giaccom Ribeiro RELATÓRIO DE ATIVIDADES LABORATÓRIO Nº 1: ANÁLISE DE PADRÕES DE PONTOS INPE São José dos Campos 2008 1 INTRODUÇÃO O Laboratório
Leia maisUD 3 ANÁLISE ESPACIAL
UD 3 ANÁLISE ESPACIAL Conteúdo Introdução à análise espacial; Análises espaciais sobre dados matriciais; Análises espaciais sobre dados vetoriais. Introdução à análise espacial Tem por objetivo mensurar
Leia maisESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt
ESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt lucas.breniuk@hotmail.com Estimação de parâmetros Média Variância Proporção Estimação de parâmetros Média: " estimador
Leia maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia maisProcessos Pontuais Aplicados ao Estudo da Distribuição Espacial de Enfermidades na Área Urbana da Cidade de Rio Claro, SP
Processos Pontuais Aplicados ao Estudo da Distribuição Espacial de Enfermidades na Área Urbana da Cidade de Rio Claro, SP Jane Maiara Bertolla 1 Márcia Tiemi Kawamoto 1 Jorge Gustavo Falcão 2 Maria da
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisDelineamento e Análise Experimental Aula 3
Aula 3 Castro Soares de Oliveira Teste de hipótese Teste de hipótese é uma metodologia estatística que permite tomar decisões sobre uma ou mais populações baseando-se no conhecimento de informações da
Leia maisMÉTODOS PARA ANÁLISE DE INDEPENDÊNCIA ENTRE MARCAS E PONTOS EM PROCESSOS PONTUAIS MARCADOS RICARDO ALVES DE OLINDA
MÉTODOS PARA ANÁLISE DE INDEPENDÊNCIA ENTRE MARCAS E PONTOS EM PROCESSOS PONTUAIS MARCADOS RICARDO ALVES DE OLINDA 2008 RICARDO ALVES DE OLINDA MÉTODOS PARA ANÁLISE DE INDEPENDÊNCIA ENTRE MARCAS E PONTOS
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisESTIMATIVA E DISTRIBUIÇÃO ESPACIAL DA BIOMASSA NA FLORESTA OMBRÓFILA MISTA
ESTIMATIVA E DISTRIBUIÇÃO ESPACIAL DA BIOMASSA NA FLORESTA OMBRÓFILA MISTA Henrique Luis Godinho Cassol SER301 - Análise Espacial de Dados Geográficos INTRODUÇÃO MATERIAIS E MÉTODOS RESULTADOS CONCLUSÕES
Leia maisS I M U L A Ç Ã O 84
S I M U L A Ç Ã O 84 - 1 - Elabore uma rotina que lhe permita gerar números pseudo-aleatórios (NPA) com distribuição X ( f X ( x ) representa a função de densidade de probabilidade de X e F X ( x ) representa
Leia maisModelagem de dados espaciais
VI Simpósio da Sociedade Brasileira de Engenharia de Avaliações Modelagem de dados espaciais José Luiz Portugal UFPE joseluiz.portugal@gmail.com Objetivos Contextualizar modelos de dados espaciais Compreender
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisTeste χ 2 de aderência
Teste χ 2 de aderência Chuck Norris Arnold Schwarzenegger 15 de julho de 2013 Resumo O teste χ 2 de aderência é considerado para testar a hipótese de que uma distribuição de probabilidades as frequências
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisAnálise Espacial de Padrões de Consumo de Energia Elétrica em Áreas Urbanas
Disciplina SER 301 Análise Espacial Professores: Eduardo G. Camargo e Antônio Miguel V. Monteiro Análise Espacial de Padrões de Consumo de Energia Elétrica em Áreas Urbanas JOEL DAVID MELO TRUJILLO. São
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisINTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À ESTATÍSTICA ESPACIAL Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Métodos Índices de agregação Métodos de quantificação da dependência especial Correlograma Variograma Métodos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisStela Adami Vayego Estatística II CE003/DEST/UFPR
Resumo 1 Teste de hipóteses não paramétricos Os métodos não-paramétricos fazem poucas suposições sobre a natureza das distribuições dos dados. Não exige que as distribuições nas populações sejam normais,
Leia maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos
PHD 574 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 8 a aula Testes Não-Paramétricos de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 005 Estatística Aplicada
Leia maisStela Adami Vayego DEST/UFPR
Resumo 1 Testes de hipóteses não paramétricos Os métodos não-paramétricos fazem poucas suposições sobre a natureza das distribuições dos dados. Não exige que as distribuições nas populações sejam normais,
Leia maisAnálise de Aderência e de Associação
Análise de Aderência e de Associação Capítulo 14, Estatística Básica (Bussab & Morettin, 8a Edição) Capítulo 8, Introdução Computacional à Probabilidade e Estatística (Pedrosa & Gama, Porto Editora) 8a
Leia maisAplicação do Estimador de densidade por Kernel
LABORATÓRIO 1: ANÁLISE DE PADRÕES DE DISTRIBUIÇÃO DE PONTOS O objetivo deste laboratório é ilustrar as várias formas de analisar padrão de pontos, a partir de alguns conjuntos de dados. As ferramentas
Leia maisProcessos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisAumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento
Aumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento Ian Meneghel Danilevicz Walmir dos Reis Miranda Filho Métodos Computacionais Aplicados à Estatística Prof.: Cristiano
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisDelineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Leia maisIdentificação da Distribuição Teórica de Probabilidades
Identificação da Distribuição Teórica de Probabilidades A utilização de gráficos, tais como um histograma, são muito úteis para a identificação ou delineamento da distribuição teórica de probabilidades.
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
Leia mais6EMA Lucas Santana da Cunha 17 e 19 de abril de Universidade Estadual de Londrina
ESTATÍSTICA ECONÔMICA 6EMA020-1000 lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 17 e 19 de abril de 2017 1 o Bimestre Cronograma Critério de Avaliação Bibliografia
Leia maisIntrodução Variograma Modelos básicos de correlação espacial Modelação Interpolação espacial & Simulação. Geoestatística.
Geoestatística Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Geoestatística conjunto de técnicas matemáticas e numéricas para caracterizar fenómenos espaciais contínuos tendo em conta a correlação
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisAutocorrelação Espacial. Sistemas de Informação Geográfica II. Estatística espacial MAUP. Estatísticas espaciais. Estatística espacial
Sistemas de Informação Geográfica II Estatística espacial Alexandre Gonçalves DECivil - IST alexandre.goncalves@tecnico.ulisboa.pt Autocorrelação Espacial Os dados de locais próximos entre si tendem a
Leia maisExcel INTERMEDIÁRIO Estatística. Prof. Cassiano Isler Turma 3
Excel INTERMEDIÁRIO Prof. Cassiano Isler 2017.1 - Turma 3 s s Prof. Cassiano Isler Excel INTERMEDIÁRIO - Aula 4 2 / 29 s COSTA NETO, P. L. O.. 2. ed. São Paulo: Edgard Blücher (2002). GÓMEZ, Luis Alberto.
Leia maisSISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 5. SIG- Eng. Cartográfica Prof. Luciene Delazari
SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS Aula 5 SIG- Eng. Cartográfica Prof. Luciene Delazari MODELAGEM DIGITAL DE SUPERFÍCIES Os modelo digitais de superficie (Digital Surface Model - DSM) são fundamentais
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisMÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência
MÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência Introdução 1 Muito frequentemente fazemos perguntas do tipo se alguma coisa tem relação com outra. Estatisticamente
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisInterpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem
Sistemas de Informação Geográfica II Interpolação 1. Interpolação Autocorrelação Padrões de amostragem Validação de resultados Interpolação Predição do valor de atributos em pontos não-amostrados Tempo
Leia maisANÁLISE DE VARIÂNCIA. y j = µ + τ i + e i j = µ i + e i j
SUMÁRIO 1 Análise de Variância 1 1.1 O Teste F...................................... 1.2 Verificando as pressuposições do modelo..................... 5 1.2.1 Verificação de Normalidade.........................
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisAnálise Espacial com Mapas de Kernel em Software Livre. Anderson Maciel Lima de Medeiros Consultor em Geotecnologias Julho/2015
Análise Espacial com Mapas de Kernel em Software Livre Anderson Maciel Lima de Medeiros Consultor em Geotecnologias Julho/2015 Aviso de Direitos Autorais Este arquivo e seu conteúdo são para uso exclusivo
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisTécnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisCAPÍTULO 3 POPULAÇÃO E AMOSTRA
DEPARTAMENTO DE GEOCIÊNCIAS GCN 7901 ANÁLISE ESTATÍSTICA EM GEOCIÊNCIAS PROFESSOR: Dr. ALBERTO FRANKE CONTATO: alberto.franke@ufsc.br F: 3721 8595 CAPÍTULO 3 POPULAÇÃO E AMOSTRA As pesquisas de opinião
Leia maisARTIGO 2. KRIGAGEM E INVERSO DO QUADRADO DA DISTÂNCIA PARA INTERPOLAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS
ARTIGO 2. KRIGAGEM E INVERSO DO QUADRADO DA DISTÂNCIA PARA INTERPOLAÇÃO DOS PARÂMETROS DA EQUAÇÃO DE CHUVAS INTENSAS Análise conceitual de dados 1. Estrutura de dados: Xi: coordenadas das 140 estações
Leia mais- Testes Qui-quadrado - Aderência e Independência
- Testes Qui-quadrado - Aderência e Independência 1 1. Testes de Aderência Objetivo: Testar a adequabilidade de um modelo probabilístico a um conjunto de dados observados Exemplo 1: Segundo Mendel (geneticista
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisTESTE DE COMPARAÇÃO MÚLTIPLA
SUMÁRIO 1 TESTE DE COMPARAÇÃO MÚLTIPLA Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais. Mas, entre
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisRELATÓRIO DAS ANÁLISES ESTATÍSTICAS DE UM TALH~AO
PADRÕES ESPACIAIS NA EPIDEMIOLOGIA DA MORTE SÚBITA DOS CITROS RELATÓRIO DAS ANÁLISES ESTATÍSTICAS DE UM TALH~AO Responsável técnico: Elias Teixeira Krainski Supervisão: Dr. Paulo Justiniano Ribeiro Jr.
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
Leia maisA ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS: breve introdução José Irineu Rangel Rigotti
A ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS: breve introdução José Irineu Rangel Rigotti A análise de dados espaciais pode ser empreendida sempre que as informações estiverem espacialmente localizadas e
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação LEG/DEST/UFPR 1 / 48 Sumário 1 Distribuições conjuntas
Leia maisConceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa
2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisCONHECIMENTOS ESPECÍFICOS
ECT11_17_52N43767 Uma cadeia de Markov é denominada irredutível (ou ergódica) caso qualquer estado possa ser transformado em qualquer outro estado, não necessariamente em um único passo. Uma cadeia de
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisTestes de hipóteses Paramétricos
Testes de hipóteses Paramétricos Modelos de análise de variância com um factor Teste de Bartlett Teste de comparações múltiplas de Scheffé Rita Brandão (Univ. Açores) Testes de hipóteses Paramétricos 1
Leia maisTratamento estatístico de observações
Tratamento estatístico de observações Prof. Dr. Carlos Aurélio Nadal OBSERVAÇÃO: é o valor obtido durante um processo de medição. DADO: é o resultado do tratamento de uma observação (por aplicação de uma
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisMedidas de Semelhança
Medidas de Semelhança Índices de Semelhança Grandezas numéricas que quantificam o grau de associação entre um par de objetos ou de descritores. Como escolher um Índice? O objetivo da análise é associar
Leia mais