Análise espacial de padrões pontuais › ... › 08 › EST083_padrao_pontual_espacial.pdf ·...
Transcript of Análise espacial de padrões pontuais › ... › 08 › EST083_padrao_pontual_espacial.pdf ·...
Análise espacial de padrões pontuais
Tiago M. Magalhães
Departamento de Estatística - ICE-UFJF
Juiz de Fora, 10 de outubro de 2018
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 1 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 2 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 3 / 46
Introdução
ObjetivoDeterminar a distribuição espacial;
Identificar agrupamentos.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 4 / 46
Introdução
ObjetivoDeterminar a distribuição espacial;
Identificar agrupamentos.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 4 / 46
Introdução
ObjetivoDeterminar a distribuição espacial;
Identificar agrupamentos.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 4 / 46
Introdução
Processo pontualÉ um processo estocástico em que se observa a localização do evento de
interesse em uma região limitada A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 5 / 46
Introdução
Processo pontualÉ um processo estocástico em que se observa a localização do evento de
interesse em uma região limitada A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 5 / 46
●●●
●●
●●●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
HITANDRUN
DISORDERLY
BURGLARY
Figura 1: Crimes em St. Louis em 2014.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 6 / 46
Exemplos
Numata (1961)Em uma floresta, amostrou-se uma região quadrada em que foi observado
a presença de mudas de pinheiros negros japoneses.
Ripley (1977)
As localizações dos centros de 42 células biológicas observadas sob micros-
cópio óptico em um corte histológico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 7 / 46
Exemplos
Numata (1961)Em uma floresta, amostrou-se uma região quadrada em que foi observado
a presença de mudas de pinheiros negros japoneses.
Ripley (1977)As localizações dos centros de 42 células biológicas observadas sob micros-
cópio óptico em um corte histológico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 7 / 46
Exemplos
Numata (1961)Em uma floresta, amostrou-se uma região quadrada em que foi observado
a presença de mudas de pinheiros negros japoneses.
Ripley (1977)As localizações dos centros de 42 células biológicas observadas sob micros-
cópio óptico em um corte histológico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 7 / 46
Exemplos
Strauss (1975)As localizações de 195 mudas de sequóias da Califórnia em uma região de
amostragem quadrada.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 8 / 46
Exemplos
Strauss (1975)As localizações de 195 mudas de sequóias da Califórnia em uma região de
amostragem quadrada.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 8 / 46
●
●●
●
●
●● ●
●●
●●
● ●
●
●
●●
●
● ●
●
●●
● ● ●
●
●
● ●
●●
●
●●
●
●
●
●
●
●
●
● ●
●
● ●
●● ●
●
●
●
●
●
●
●
●
●● ●
●●
● ● ●
●● ●
●
●
●●●
● ●
●
●● ● ● ● ●●
● ●● ●
●●
● ●
●
●●●
●
●
●
● ●●●● ● ●
Figura 2: Três exemplos de padrões pontual.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 9 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 10 / 46
Análise de padrão pontual
O foco é a distribuição espacial do evento de interesse e fazer inferências
sobre o processo gerador.
Em particular, está interessada em:
A distribuição dos pontos no espaço;
E a interação entre eles.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 11 / 46
Análise de padrão pontual
O foco é a distribuição espacial do evento de interesse e fazer inferências
sobre o processo gerador. Em particular, está interessada em:
A distribuição dos pontos no espaço;
E a interação entre eles.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 11 / 46
Análise de padrão pontual
O foco é a distribuição espacial do evento de interesse e fazer inferências
sobre o processo gerador. Em particular, está interessada em:
A distribuição dos pontos no espaço;
E a interação entre eles.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 11 / 46
Análise de padrão pontual
O foco é a distribuição espacial do evento de interesse e fazer inferências
sobre o processo gerador. Em particular, está interessada em:
A distribuição dos pontos no espaço;
E a interação entre eles.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 11 / 46
Análise de padrão pontual
O foco é a distribuição espacial do evento de interesse e fazer inferências
sobre o processo gerador. Em particular, está interessada em:
A distribuição dos pontos no espaço;
E a interação entre eles.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 11 / 46
Aleatoriedade espacial completa (AEC)
DefiniçãoIntuitivamente, significa que os eventos estão distribuídos de forma inde-
pendente, ao acaso, e uniforme dentro da área de estudo.
Pode ser verificada graficamente ou por algumas funções.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 12 / 46
Aleatoriedade espacial completa (AEC)
DefiniçãoIntuitivamente, significa que os eventos estão distribuídos de forma inde-
pendente, ao acaso, e uniforme dentro da área de estudo.
Pode ser verificada graficamente ou por algumas funções.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 12 / 46
Aleatoriedade espacial completa (AEC)
DefiniçãoIntuitivamente, significa que os eventos estão distribuídos de forma inde-
pendente, ao acaso, e uniforme dentro da área de estudo.
Pode ser verificada graficamente ou por algumas funções.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 12 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r ,∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r ,∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r ,∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r , ∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r , ∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
A função G mede a distribuição das distâncias de um evento arbitrário ao
evento mais próximo a ele. Definindo esta distância por
di = minj{dij ,∀j 6= i}, i = 1, . . . , n,
então a função G pode ser estimada por
G(r) = #{di : di ≤ r , ∀i}n ,
i.e., a proporção de distâncias que são menores que r .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 13 / 46
Função G : distância ao evento mais próximo
Vizinho mais próximo a uma distância r implica que nenhum outro ponto
está dentro de um círculo com raio r .
Lembrando que, se Y ∼ Poisson(λπr2),
então:
P(Y = 0) = exp{−λπr2}.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 14 / 46
Função G : distância ao evento mais próximo
Vizinho mais próximo a uma distância r implica que nenhum outro ponto
está dentro de um círculo com raio r . Lembrando que, se Y ∼ Poisson(λπr2),
então:
P(Y = 0) = exp{−λπr2}.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 14 / 46
Função G : distância ao evento mais próximo
Vizinho mais próximo a uma distância r implica que nenhum outro ponto
está dentro de um círculo com raio r . Lembrando que, se Y ∼ Poisson(λπr2),
então:
P(Y = 0) = exp{−λπr2}.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 14 / 46
Função G : distância ao evento mais próximo
Vizinho mais próximo a uma distância r implica que nenhum outro ponto
está dentro de um círculo com raio r . Lembrando que, se Y ∼ Poisson(λπr2),
então:
P(Y = 0) = exp{−λπr2}.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 14 / 46
Função G : distância ao evento mais próximo
Sob AEC, a função G é definida como:
G(r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 15 / 46
Função G : distância ao evento mais próximo
Sob AEC, a função G é definida como:
G(r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 15 / 46
Função G : distância ao evento mais próximo
Sob AEC, a função G é definida como:
G(r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 15 / 46
Função G : distância ao evento mais próximo
ExemplosEnvelopes para os dados de Numata (1961), Ripley (1977) e Strauss (1975).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 16 / 46
Função G : distância ao evento mais próximo
ExemplosEnvelopes para os dados de Numata (1961), Ripley (1977) e Strauss (1975).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 16 / 46
0.00 0.05 0.10 0.15
0.0
0.2
0.4
0.6
0.8
1.0
Cells
r
G(r
)
Gobs(r)
Gtheo(r)
Ghi(r)
Glo(r)
0.00 0.02 0.04 0.06 0.08 0.10
0.0
0.2
0.4
0.6
0.8
1.0
Japanese
r
G(r
)
Gobs(r)
Gtheo(r)
Ghi(r)
Glo(r)
0.00 0.01 0.02 0.03 0.04 0.05 0.06
0.0
0.2
0.4
0.6
0.8
Redwood
r
G(r
)
Gobs(r)
Gtheo(r)
Ghi(r)
Glo(r)
Figura 3: Envelopes da função G para três padrões pontuais.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 17 / 46
Função F : distância de um ponto ao evento mais próximo
A função F mede a distribuição de todas distâncias de um ponto arbitrário
do plano ao ponto mais próximo a ele.
A função F pode ser estimada por
F (r) = #{di : di ≤ r ,∀i}m .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 18 / 46
Função F : distância de um ponto ao evento mais próximo
A função F mede a distribuição de todas distâncias de um ponto arbitrário
do plano ao ponto mais próximo a ele. A função F pode ser estimada por
F (r) = #{di : di ≤ r ,∀i}m .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 18 / 46
Função F : distância de um ponto ao evento mais próximo
A função F mede a distribuição de todas distâncias de um ponto arbitrário
do plano ao ponto mais próximo a ele. A função F pode ser estimada por
F (r) = #{di : di ≤ r ,∀i}m .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 18 / 46
Função F : distância de um ponto ao evento mais próximo
A função F mede a distribuição de todas distâncias de um ponto arbitrário
do plano ao ponto mais próximo a ele. A função F pode ser estimada por
F (r) = #{di : di ≤ r ,∀i}m .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 18 / 46
Função F : distância de um ponto ao evento mais próximo
Sob AEC, a função G é definida como:
F (r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 19 / 46
Função F : distância de um ponto ao evento mais próximo
Sob AEC, a função G é definida como:
F (r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 19 / 46
Função F : distância de um ponto ao evento mais próximo
Sob AEC, a função G é definida como:
F (r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 19 / 46
Função F : distância de um ponto ao evento mais próximo
Sob AEC, a função G é definida como:
F (r) = 1− exp{−λπr2},
em que λ é o número de eventos médio por unidade de área (intensidade).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 19 / 46
0.00 0.02 0.04 0.06 0.08
0.0
0.2
0.4
0.6
0.8
Cells
r
F(r
)
Fobs(r)
Ftheo(r)
Fh i(r)
Flo(r)
0.00 0.02 0.04 0.06 0.08 0.10
0.0
0.2
0.4
0.6
0.8
1.0
Japanese
r
F(r
)
Fobs(r)
Ftheo(r)
Fh i(r)
Flo(r)
0.00 0.02 0.04 0.06
0.0
0.2
0.4
0.6
0.8
1.0
Redwood
r
F(r
)
Fobs(r)
Ftheo(r)
Fh i(r)
Flo(r)
Figura 4: Envelopes da função F para três padrões pontuais.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 20 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 21 / 46
Análise espacial de padrão pontual
Descreve o padrão pontual estimando densidade estatística espacial a partir
de dados observados.
A densidade espacial tem as mesmas propriedades de
uma densidade univariada, a diferença é o domínio, no caso, é a área onde
o processo ocorre. A intensidade λ(x) do processo pontual é proporcional
a densidade espacial.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 22 / 46
Análise espacial de padrão pontual
Descreve o padrão pontual estimando densidade estatística espacial a partir
de dados observados. A densidade espacial tem as mesmas propriedades de
uma densidade univariada, a diferença é o domínio, no caso, é a área onde
o processo ocorre.
A intensidade λ(x) do processo pontual é proporcional
a densidade espacial.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 22 / 46
Análise espacial de padrão pontual
Descreve o padrão pontual estimando densidade estatística espacial a partir
de dados observados. A densidade espacial tem as mesmas propriedades de
uma densidade univariada, a diferença é o domínio, no caso, é a área onde
o processo ocorre. A intensidade λ(x) do processo pontual é proporcional
a densidade espacial.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 22 / 46
Análise espacial de padrão pontual
Descreve o padrão pontual estimando densidade estatística espacial a partir
de dados observados. A densidade espacial tem as mesmas propriedades de
uma densidade univariada, a diferença é o domínio, no caso, é a área onde
o processo ocorre. A intensidade λ(x) do processo pontual é proporcional
a densidade espacial.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 22 / 46
Análise espacial de padrão pontual
A intensidade e a densidade espacial fazem parte das propriedades de pri-
meira ordem. São medidas da distribuição dos eventos em uma área de
estudo.
A interação entre dois pontos arbitrários é medida pelas propriedades de
segunda ordem.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 23 / 46
Análise espacial de padrão pontual
A intensidade e a densidade espacial fazem parte das propriedades de pri-
meira ordem. São medidas da distribuição dos eventos em uma área de
estudo.
A interação entre dois pontos arbitrários é medida pelas propriedades de
segunda ordem.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 23 / 46
Análise espacial de padrão pontual
A intensidade e a densidade espacial fazem parte das propriedades de pri-
meira ordem. São medidas da distribuição dos eventos em uma área de
estudo.
A interação entre dois pontos arbitrários é medida pelas propriedades de
segunda ordem.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 23 / 46
Processo Poisson homogêneo (PPH)
Processo pontuais em que todos os eventos são independentes e uniforme-
mente distribuídos em uma região A.
Isto é, a ocorrência de um ponto
não afeta a probabilidade de um outro ponto ocorrer em um vizinhança e
nenhuma região é mais provável do evento de interesse ocorrer.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 24 / 46
Processo Poisson homogêneo (PPH)
Processo pontuais em que todos os eventos são independentes e uniforme-
mente distribuídos em uma região A. Isto é, a ocorrência de um ponto
não afeta a probabilidade de um outro ponto ocorrer em um vizinhança e
nenhuma região é mais provável do evento de interesse ocorrer.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 24 / 46
Processo Poisson homogêneo (PPH)
Processo pontuais em que todos os eventos são independentes e uniforme-
mente distribuídos em uma região A. Isto é, a ocorrência de um ponto
não afeta a probabilidade de um outro ponto ocorrer em um vizinhança e
nenhuma região é mais provável do evento de interesse ocorrer.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 24 / 46
Processo Poisson homogêneo (PPH)
Formalmente (Diggle, 2003), um PPH em uma área A é definido como
1 O número de eventos em A, com área |A|, segue uma distribuição de
Poisson com média λ|A|, em que λ é a intensidade (constante) de um
processo pontual.
2 Os n eventos observados em A estão uniformemente distribuídos.
Adicionalmente, o PPH é estacionário e isotrópico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 25 / 46
Processo Poisson homogêneo (PPH)
Formalmente (Diggle, 2003), um PPH em uma área A é definido como
1 O número de eventos em A, com área |A|, segue uma distribuição de
Poisson com média λ|A|, em que λ é a intensidade (constante) de um
processo pontual.
2 Os n eventos observados em A estão uniformemente distribuídos.
Adicionalmente, o PPH é estacionário e isotrópico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 25 / 46
Processo Poisson homogêneo (PPH)
Formalmente (Diggle, 2003), um PPH em uma área A é definido como
1 O número de eventos em A, com área |A|, segue uma distribuição de
Poisson com média λ|A|, em que λ é a intensidade (constante) de um
processo pontual.
2 Os n eventos observados em A estão uniformemente distribuídos.
Adicionalmente, o PPH é estacionário e isotrópico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 25 / 46
Processo Poisson homogêneo (PPH)
Formalmente (Diggle, 2003), um PPH em uma área A é definido como
1 O número de eventos em A, com área |A|, segue uma distribuição de
Poisson com média λ|A|, em que λ é a intensidade (constante) de um
processo pontual.
2 Os n eventos observados em A estão uniformemente distribuídos.
Adicionalmente, o PPH é estacionário e isotrópico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 25 / 46
Processo Poisson homogêneo (PPH)
Formalmente (Diggle, 2003), um PPH em uma área A é definido como
1 O número de eventos em A, com área |A|, segue uma distribuição de
Poisson com média λ|A|, em que λ é a intensidade (constante) de um
processo pontual.
2 Os n eventos observados em A estão uniformemente distribuídos.
Adicionalmente, o PPH é estacionário e isotrópico.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 25 / 46
Processo Poisson não-homogêneo (PPN)
Em muitas situações um PPH não é considerado realístico. Por exemplo, a
distribuição de uma população é afetada pela habitação, vizinhança etc.
O PPN é uma generalização do PPH. O princípio da independência dos
eventos se mantém, mas a variação espacial é mais diversa.
Algumas regiões têm mais propensão para ocorrências de certo eventos do
que outras.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 26 / 46
Processo Poisson não-homogêneo (PPN)
Em muitas situações um PPH não é considerado realístico. Por exemplo, a
distribuição de uma população é afetada pela habitação, vizinhança etc.
O PPN é uma generalização do PPH. O princípio da independência dos
eventos se mantém, mas a variação espacial é mais diversa.
Algumas regiões têm mais propensão para ocorrências de certo eventos do
que outras.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 26 / 46
Processo Poisson não-homogêneo (PPN)
Em muitas situações um PPH não é considerado realístico. Por exemplo, a
distribuição de uma população é afetada pela habitação, vizinhança etc.
O PPN é uma generalização do PPH. O princípio da independência dos
eventos se mantém, mas a variação espacial é mais diversa.
Algumas regiões têm mais propensão para ocorrências de certo eventos do
que outras.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 26 / 46
Processo Poisson não-homogêneo (PPN)
Em muitas situações um PPH não é considerado realístico. Por exemplo, a
distribuição de uma população é afetada pela habitação, vizinhança etc.
O PPN é uma generalização do PPH. O princípio da independência dos
eventos se mantém, mas a variação espacial é mais diversa.
Algumas regiões têm mais propensão para ocorrências de certo eventos do
que outras.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 26 / 46
Estimação da intensidade
Em um PPH, a intensidade é estimada por:
λ(x) = λ = n|A| .
Observação: A expressão acima garante que o número esperado de pontos
é, de fato, o número de pontos observados.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 27 / 46
Estimação da intensidade
Em um PPH, a intensidade é estimada por:
λ(x) = λ = n|A| .
Observação: A expressão acima garante que o número esperado de pontos
é, de fato, o número de pontos observados.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 27 / 46
Estimação da intensidade
Em um PPH, a intensidade é estimada por:
λ(x) = λ = n|A| .
Observação: A expressão acima garante que o número esperado de pontos
é, de fato, o número de pontos observados.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 27 / 46
Estimação da intensidade
Em um PPH, a intensidade é estimada por:
λ(x) = λ = n|A| .
Observação: A expressão acima garante que o número esperado de pontos
é, de fato, o número de pontos observados.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 27 / 46
Estimação da intensidade
Para um PPN, a estimação da intensidade pode ser feita por métodos não
paramétricos, alisadores de núcleo ou por métodos paramétricos, propõe-
se uma função para intensidade, cujo os parâmetros serão estimados via
maximização da verossimilhança do processo pontual.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 28 / 46
Estimação da intensidade
Para um PPN, a estimação da intensidade pode ser feita por métodos não
paramétricos, alisadores de núcleo ou por métodos paramétricos, propõe-
se uma função para intensidade, cujo os parâmetros serão estimados via
maximização da verossimilhança do processo pontual.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 28 / 46
Estimação da intensidade
Sejam os n pontos observados {xi}ni=1, o estimador por alisamento de núcleo
é da forma:
λ(x) = 1h2
n∑i=1
κ
( ||x − xi ||h
)/q(||x ||),
em que κ(u) é um função núcleo bivariada e simétrica, q(||x ||) é correção
da borda e a largura da janela h mede o nível do alisamento.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 29 / 46
Estimação da intensidade
Sejam os n pontos observados {xi}ni=1, o estimador por alisamento de núcleo
é da forma:
λ(x) = 1h2
n∑i=1
κ
( ||x − xi ||h
)/q(||x ||),
em que κ(u) é um função núcleo bivariada e simétrica, q(||x ||) é correção
da borda e a largura da janela h mede o nível do alisamento.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 29 / 46
Estimação da intensidade
Sejam os n pontos observados {xi}ni=1, o estimador por alisamento de núcleo
é da forma:
λ(x) = 1h2
n∑i=1
κ
( ||x − xi ||h
)/q(||x ||),
em que κ(u) é um função núcleo bivariada e simétrica, q(||x ||) é correção
da borda e a largura da janela h mede o nível do alisamento.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 29 / 46
Estimação da intensidade
Sejam os n pontos observados {xi}ni=1, o estimador por alisamento de núcleo
é da forma:
λ(x) = 1h2
n∑i=1
κ
( ||x − xi ||h
)/q(||x ||),
em que κ(u) é um função núcleo bivariada e simétrica, q(||x ||) é correção
da borda e a largura da janela h mede o nível do alisamento.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 29 / 46
Estimação da intensidade
Como exemplo de função núcleo, a função núcleo quártico é escrita como
κ(u) =
3π (1− ||u||2)2, se u ∈ (−1, 1)
0, caso contrário,
em que ||u||2 denota a norma quadrada, por exemplo u = (u1, u2), ||u||2 =
u21 + u2
2 .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 30 / 46
Estimação da intensidade
Como exemplo de função núcleo, a função núcleo quártico é escrita como
κ(u) =
3π (1− ||u||2)2, se u ∈ (−1, 1)
0, caso contrário,
em que ||u||2 denota a norma quadrada, por exemplo u = (u1, u2), ||u||2 =
u21 + u2
2 .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 30 / 46
Estimação da intensidade
Como exemplo de função núcleo, a função núcleo quártico é escrita como
κ(u) =
3π (1− ||u||2)2, se u ∈ (−1, 1)
0, caso contrário,
em que ||u||2 denota a norma quadrada, por exemplo u = (u1, u2), ||u||2 =
u21 + u2
2 .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 30 / 46
Estimação da intensidade
Como exemplo de função núcleo, a função núcleo quártico é escrita como
κ(u) =
3π (1− ||u||2)2, se u ∈ (−1, 1)
0, caso contrário,
em que ||u||2 denota a norma quadrada, por exemplo u = (u1, u2), ||u||2 =
u21 + u2
2 .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 30 / 46
Verossimilhança de PPN
O logaritmo da verossimilhança de n realizações de eventos independentes
PPN com intensidade λ(x) é definida como:
L(λ) =n∑
i=1log λ(xi)−
∫Aλ(x)dx ,
em que∫
A λ(x)dx é o número esperado de casos de um PPN com intensi-
dade λ(x) em uma região A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 31 / 46
Verossimilhança de PPN
O logaritmo da verossimilhança de n realizações de eventos independentes
PPN com intensidade λ(x) é definida como:
L(λ) =n∑
i=1log λ(xi)−
∫Aλ(x)dx ,
em que∫
A λ(x)dx é o número esperado de casos de um PPN com intensi-
dade λ(x) em uma região A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 31 / 46
Verossimilhança de PPN
O logaritmo da verossimilhança de n realizações de eventos independentes
PPN com intensidade λ(x) é definida como:
L(λ) =n∑
i=1log λ(xi)−
∫Aλ(x)dx ,
em que∫
A λ(x)dx é o número esperado de casos de um PPN com intensi-
dade λ(x) em uma região A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 31 / 46
Verossimilhança de PPN
O logaritmo da verossimilhança de n realizações de eventos independentes
PPN com intensidade λ(x) é definida como:
L(λ) =n∑
i=1log λ(xi)−
∫Aλ(x)dx ,
em que∫
A λ(x)dx é o número esperado de casos de um PPN com intensi-
dade λ(x) em uma região A.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 31 / 46
Verossimilhança de PPN
Como exemplo,
log λ(x) =n∑
i=1βjzj(x),
usando covariáveis zj(x), j = 1, . . . , p medidas na localização x .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 32 / 46
Verossimilhança de PPN
Como exemplo,
log λ(x) =n∑
i=1βjzj(x),
usando covariáveis zj(x), j = 1, . . . , p medidas na localização x .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 32 / 46
Verossimilhança de PPN
Como exemplo,
log λ(x) =n∑
i=1βjzj(x),
usando covariáveis zj(x), j = 1, . . . , p medidas na localização x .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 32 / 46
Verossimilhança de PPN
Como exemplo,
log λ(x) =n∑
i=1βjzj(x),
usando covariáveis zj(x), j = 1, . . . , p medidas na localização x .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 32 / 46
Propriedades de segunda ordem
Mede a força e o tipo de interação entre dois eventos em um processo
pontual. Esta interação pode ser um agrupamento ou uma competição.
Uma maneira de calcular quando o processo PPH é pela média de funções
K . Funções K medem o número de eventos encontrado até uma dada
distância para um particular evento e é definida por:
K (s) = λ−1E[N0(s)],
em que N0(s) é o número de eventos adicionais até a distância s em torno
de um evento arbitrário.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 33 / 46
Propriedades de segunda ordem
Mede a força e o tipo de interação entre dois eventos em um processo
pontual. Esta interação pode ser um agrupamento ou uma competição.
Uma maneira de calcular quando o processo PPH é pela média de funções
K . Funções K medem o número de eventos encontrado até uma dada
distância para um particular evento e é definida por:
K (s) = λ−1E[N0(s)],
em que N0(s) é o número de eventos adicionais até a distância s em torno
de um evento arbitrário.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 33 / 46
Propriedades de segunda ordem
Mede a força e o tipo de interação entre dois eventos em um processo
pontual. Esta interação pode ser um agrupamento ou uma competição.
Uma maneira de calcular quando o processo PPH é pela média de funções
K . Funções K medem o número de eventos encontrado até uma dada
distância para um particular evento e é definida por:
K (s) = λ−1E[N0(s)],
em que N0(s) é o número de eventos adicionais até a distância s em torno
de um evento arbitrário.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 33 / 46
Propriedades de segunda ordem
Mede a força e o tipo de interação entre dois eventos em um processo
pontual. Esta interação pode ser um agrupamento ou uma competição.
Uma maneira de calcular quando o processo PPH é pela média de funções
K . Funções K medem o número de eventos encontrado até uma dada
distância para um particular evento e é definida por:
K (s) = λ−1E[N0(s)],
em que N0(s) é o número de eventos adicionais até a distância s em torno
de um evento arbitrário.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 33 / 46
Propriedades de segunda ordem
Mede a força e o tipo de interação entre dois eventos em um processo
pontual. Esta interação pode ser um agrupamento ou uma competição.
Uma maneira de calcular quando o processo PPH é pela média de funções
K . Funções K medem o número de eventos encontrado até uma dada
distância para um particular evento e é definida por:
K (s) = λ−1E[N0(s)],
em que N0(s) é o número de eventos adicionais até a distância s em torno
de um evento arbitrário.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 33 / 46
Propriedades de segunda ordem
A função K pode ser estimada por:
K (s) = |A|n(n − 1)
n∑i=1
∑i 6=j
w−1ij |{xj : d(xi , xj) ≤ s}|,
em que wij são pesos equivalentes a proporção da área dentro da região A,
de círculo centrado em xi e raio d(xi , xj), a distância entre xi e xj .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 34 / 46
Propriedades de segunda ordem
A função K pode ser estimada por:
K (s) = |A|n(n − 1)
n∑i=1
∑i 6=j
w−1ij |{xj : d(xi , xj) ≤ s}|,
em que wij são pesos equivalentes a proporção da área dentro da região A,
de círculo centrado em xi e raio d(xi , xj), a distância entre xi e xj .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 34 / 46
Propriedades de segunda ordem
A função K pode ser estimada por:
K (s) = |A|n(n − 1)
n∑i=1
∑i 6=j
w−1ij |{xj : d(xi , xj) ≤ s}|,
em que wij são pesos equivalentes a proporção da área dentro da região A,
de círculo centrado em xi e raio d(xi , xj), a distância entre xi e xj .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 34 / 46
Propriedades de segunda ordem
A função K pode ser estimada por:
K (s) = |A|n(n − 1)
n∑i=1
∑i 6=j
w−1ij |{xj : d(xi , xj) ≤ s}|,
em que wij são pesos equivalentes a proporção da área dentro da região A,
de círculo centrado em xi e raio d(xi , xj), a distância entre xi e xj .
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 34 / 46
Propriedades de segunda ordem
1 Em um PPH, K (s) = πs2;
2 Comparar K (s) com K (s);
3 Valores de K (s) maiores que πs2 indicam agrupamentos;
4 Valores de K (s) menores que πs2 indicam competição.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 35 / 46
Propriedades de segunda ordem
1 Em um PPH, K (s) = πs2;
2 Comparar K (s) com K (s);
3 Valores de K (s) maiores que πs2 indicam agrupamentos;
4 Valores de K (s) menores que πs2 indicam competição.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 35 / 46
Propriedades de segunda ordem
1 Em um PPH, K (s) = πs2;
2 Comparar K (s) com K (s);
3 Valores de K (s) maiores que πs2 indicam agrupamentos;
4 Valores de K (s) menores que πs2 indicam competição.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 35 / 46
Propriedades de segunda ordem
1 Em um PPH, K (s) = πs2;
2 Comparar K (s) com K (s);
3 Valores de K (s) maiores que πs2 indicam agrupamentos;
4 Valores de K (s) menores que πs2 indicam competição.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 35 / 46
Propriedades de segunda ordem
1 Em um PPH, K (s) = πs2;
2 Comparar K (s) com K (s);
3 Valores de K (s) maiores que πs2 indicam agrupamentos;
4 Valores de K (s) menores que πs2 indicam competição.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 35 / 46
0.00 0.05 0.10 0.15 0.20
0.00
0.05
0.10
0.15
0.20
0.25
Cells
r
K(r
)
Kobs(r)
Ktheo(r)
Khi(r)
Klo(r)
0.00 0.05 0.10 0.15 0.20
0.00
0.05
0.10
0.15
0.20
Japanese
r
K(r
)
Kobs(r)
Ktheo(r)
Khi(r)
Klo(r)
0.00 0.05 0.10 0.15 0.20
0.00
0.05
0.10
0.15
Redwood
r
K(r
)
Kobs(r)
Ktheo(r)
Khi(r)
Klo(r)
Figura 5: Envelopes da função K para três padrões pontuais.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 36 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 37 / 46
Aplicação em Epidemiologia
Estudos caso-controleAdicionalmente aos eventos de interesse, indivíduos precisam ser amostrados
para serem usados como controle. Se não for possível, utilizar eventos não
relacionados com o problema em questão.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 38 / 46
Aplicação em Epidemiologia
Estudos caso-controleAdicionalmente aos eventos de interesse, indivíduos precisam ser amostrados
para serem usados como controle. Se não for possível, utilizar eventos não
relacionados com o problema em questão.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 38 / 46
Aplicação em Epidemiologia
Em geral, são tomadas n1 amostras de casos e n0 de controle. Assume-se
um processo PPN com intensidades λ1(x) e λ0(x), respectivamente. Nesta
situação,
λ1(x) = n1n0λ0(x).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 39 / 46
Aplicação em Epidemiologia
Em geral, são tomadas n1 amostras de casos e n0 de controle. Assume-se
um processo PPN com intensidades λ1(x) e λ0(x), respectivamente. Nesta
situação,
λ1(x) = n1n0λ0(x).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 39 / 46
Regressão binária
Kelsall e Diggle (1998) propuseram um estimador de regressão binária para
estimar a probabilidade da ocorrência do evento de interesse em uma dada
localização. Se Y1, . . . ,Yn1+n2 são realizações de uma Bernoulli, temos que:
p(xi) = P(Yi = 1|Xi = xi) = λ1(xi)λ0(xi) + λ1(xi)
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 40 / 46
Regressão binária
Kelsall e Diggle (1998) propuseram um estimador de regressão binária para
estimar a probabilidade da ocorrência do evento de interesse em uma dada
localização. Se Y1, . . . ,Yn1+n2 são realizações de uma Bernoulli, temos que:
p(xi) = P(Yi = 1|Xi = xi) = λ1(xi)λ0(xi) + λ1(xi)
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 40 / 46
Regressão binária
Kelsall e Diggle (1998) propuseram um estimador de regressão binária para
estimar a probabilidade da ocorrência do evento de interesse em uma dada
localização. Se Y1, . . . ,Yn1+n2 são realizações de uma Bernoulli, temos que:
p(xi) = P(Yi = 1|Xi = xi) = λ1(xi)λ0(xi) + λ1(xi)
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 40 / 46
Regressão binária
Um estimador de kernel pode ser usado:
ph(x) =∑n
i=1 h−2κh((x − xi)/h)yi∑ni=1 h−2κh((x − xi)/h) ,
em que κh(u) é uma função kernel.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 41 / 46
Regressão binária
Um estimador de kernel pode ser usado:
ph(x) =∑n
i=1 h−2κh((x − xi)/h)yi∑ni=1 h−2κh((x − xi)/h) ,
em que κh(u) é uma função kernel.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 41 / 46
Regressão binária
Um estimador de kernel pode ser usado:
ph(x) =∑n
i=1 h−2κh((x − xi)/h)yi∑ni=1 h−2κh((x − xi)/h) ,
em que κh(u) é uma função kernel.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 41 / 46
Regressão binária
Note que:
logit(p(x)) = log( p(x)1− p(x)
)= log
(λ1(x)λ0(x)
)= r(x) + log(n1/n0).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 42 / 46
Regressão binária
Note que:
logit(p(x)) = log( p(x)1− p(x)
)= log
(λ1(x)λ0(x)
)= r(x) + log(n1/n0).
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 42 / 46
Roteiro
1 Introdução
2 Análise de padrão pontual
3 Análise espacial de padrão pontual
4 Aplicação em Epidemiologia
5 Bibliografia
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 43 / 46
Bibliografia I
Diggle, P. J. (2003), Statistical Analysis of Spatial Point Patterns, 2 edn,
Arnold, London.
Kelsall, J. E. e Diggle, P. J. (1998), ‘Spatial variation in risk of disease: A
nonparametric binary regression approach’, Journal of the Royal
Statistical Society. Series C: Applied Statistics 47(4), 559–573.
Numata, M. (1961), ‘Forest vegetation in the vicinity of Choshi. Coastal
flora and vegetation at Choshi, Chiba Prefecture IV’, Bulletin of Choshi
Marine Laboratory, Chiba University 3, 28–48. Em japonês.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 44 / 46
Bibliografia II
Ripley, B. D. (1977), ‘Modelling spatial patterns (with discussion)’,
Journal of the Royal Statistical Society. Series B: Methodological
39(2), 172–212.
Strauss, D. J. (1975), ‘A model for clustering’, Biometrika 62(2), 467–475.
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 45 / 46
Obrigado!
Í ufjf.br/tiago_magalhaes
Departamento de Estatística, Sala 307
Tiago M. Magalhães (ICE-UFJF) Análise espacial de padrões pontuais 10 de outubro de 2018 46 / 46