CE-056:

Fundamentos de Geoestatstica
Paulo Justiniano Ribeiro Junior

Departamento de Estatstica
Universidade Federal do Paran a
Segundo semestre de 2004

Endereco para correspond encia: Departamento de Estatstica, Universidade Federal do Paran a, E-

mail: Paulo.Ribeiro@est.ufpr.br
1
PARTE I:
INTRODUC

AO
1. Exemplos B asicos de dados espaciais
2. Terminologia para estatstica espacial
3. Outros exemplos de dados geoestatsticos
4. Caractersticas de Problemas Geoestatsticos
5. Quest oes Centrais em Geoestatstica
1. Estatstica Espacial:
Exemplos B asicos
(a) Taxas de c ancer por regi oes administrati-
vas
tons de cinza correspondem ` a variac ao es-
timada do risco relativo de c ancer colore-
tal em 36 zonas eleitorais da cidade de Bir-
mingham, UK.
395000 400000 405000 410000 415000 420000
2
7
5
0
0
0
2
8
0
0
0
0
2
8
5
0
0
0
2
9
0
0
0
0
2
9
5
0
0
0
3
0
0
0
0
0
Eastings (meters)
N
o
r
t
h
i
n
g
s

(
m
e
t
e
r
s
)
0.9 1.0 1.1 1.2 1.3
2
(b) Precipitac ao no Estado do Paran a
Medidas de chuva em 143 postos meteo-
rol ogicos.
M edias hist oricas para o perodo de Maio-
Junho (estac ao seca).
Maiores detalhes: tese de Jacinta L. Zamboti
(2001).
200 300 400 500 600 700 800
0
1
0
0
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
3
(c) Infecc oes bacterianas no sul da Inglaterra
Localizac oes das resid encias de 651 casos
noticados num per odo de 1 ano na regi ao
central do sul da Inglaterra.

E-W (km)
N
-
S

(
k
m
)
380 400 420 440 460
8
0
1
0
0
1
2
0
1
4
0
4
2. Terminologia para estatstica espa-
cial
(a) Variac ao espacial discreta
Estrutura b asica. Y
i
: i = 1, ..., n
raramente ocorre naturalmente
util como estrat egia pragm atica
modelos s ao tipicamente denidos indire-
tamente a partir de condicionais
[Y
i
[Y
j
, j ,= i]
(b) Variac ao espacial contnua
Estrutura b asica. Y (x) : x IR
2
dados (y
i
, x
i
) : i = 1, ..., n, localizac oes x
i
po-
dem ser:
n ao estoc astica (ex. grade cobrindo
a regi ao em estudo A) ou estoc astica,
por em independente do processo Y (x)
(c) Processo pontual espacial
Estrutura b asica. Conjunto cont avel de pon-
tos x
i
IR
2
, generados estoc asticamente.
` as vezes dados s ao agregados em regi oes
5
Estatstica espacial e a selec ao de m etodos es-
tatsticos nos quais a localizac ao espacial tem
papel explcito na an alise dos dados.
Dois temas estrat egicos
n ao confundir formato dos dados com o pro-
cesso subjacente.
a escolha do modelo pode ser inuenciada
pelos objetivos cientcos do estudo
6
3. Outros Exemplos de Problemas Geo-
estatsticos
(a) Dados de chuva na Suc a
E-W (km)
N
-
S

(
k
m
)
0 100 200 300
0
50
100
150
200
Localizac oes com tamanhos dos pontos proporcionais aos valo-
res observados de precipitac ao
467 postos na Suc a
medidas di arias de chuva em 8 de Maio de
1986
dados do projeto:
Spatial Interpolation Comparison 97
ftp://ftp.geog.uwo.ca/SIC97/.
7
(b) Ilha de Rongelap
estudo do resduo de contaminac ao decor-
rente de testes de armas nucleares du-
rante a d ecada de 50
ilha evacuada em 1985. Segura para re-
ocupac ao
pesquisa produz medidas com rudo Y
i
de
concentrac ao de c esio radioativo
particular interesse em nveis m aximos de
concentrac ao de c esio
E-W
N
-
S
-6000 -5000 -4000 -3000 -2000 -1000 0
-
5
0
0
0
-
4
0
0
0
-
3
0
0
0
-
2
0
0
0
-
1
0
0
0
0
1
0
0
0

8
(c) Esp ecies de lquens
fatores associados a distribuic ao espacial
da presenc a de lquens em troncos de
avores
resposta 0/1: presenc a ou aus encia
covari aveis: di ametro, umidade, sombrea-
mento, cobertura do tronco, viva
4000 5000 6000 7000
9
0
0
0
1
0
0
0
0
1
1
0
0
0
1
2
0
0
0
XCOORD
Y
C
O
O
R
D
9
(d) Mal aria em Gambia
na vila i, dado Y
ij
= 0/1 denota aus encia ou
presenc a de mal aria no sangue da crianc a
j
covari aveis ao nvel de vilas:
localizac ao (coordenadas), presenc a de
centro de sa ude, ndice de vegetac ao de-
rivado de sat elite
covari aveis ao nvel de crianc as:
idade, uso e tratamento de mosquiteiro
interesses: efeito das covari aveis e padr ao
espacial da variac ao residual
E-W (km)
N
-
S

(
k
m
)
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
Western Eastern
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
Central
o o
o
o
o
o
o
o
o
o
oo
o
o
o
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
10
4. Caractersticas Principais dos Pro-
blemas Geoestatsticos
dados consistem em respostas Y
i
associadas
com localizac oes x
i
em princpio, Y pode ser determinado em
qualquer localizac ao x dentro da regi ao es-
pacialmente contnua A
assume-se que Y (x) : x A e um processo
estoc astico
x
i
e tipicamente xo. Se as localizac oes x
i
s ao
geradas por um processo estoc astico pon-
tual, assume-se que este processo e inde-
pendente de Y (x)
objetivos cientcos incluem a predic ao de
um ou mais funcionais de processo (sem
rudo) S(x) : x A
11
Exemplo b asico: chuva no Paran a
200 300 400 500 600 700 800
0
1
0
0
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
Coord X
C
o
o
r
d

Y
100200300400500600700800
1
5
0
2
0
0
2
5
0
3
0
0
3
5
0
4
0
0
4
5
0
0
100
200
300
400
500
Coord X
C
o
o
r
d

Y d
a
t
a
200 300 400 500 600 700
2
0
0
2
5
0
3
0
0
3
5
0
4
0
0
Coord X
d
a
t
a
100 200 300 400
2
0
0
2
5
0
3
0
0
3
5
0
4
0
0
Coord Y
d
a
t
a
12
0 100 200 300 400
0
1
0
0
0
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
0
6
0
0
0
distance
s
e
m
iv
a
ria
n
c
e
0 100 200 300 400
0
2
0
0
4
0
0
6
0
0
8
0
0
1
0
0
0
1
2
0
0
distance
s
e
m
iv
a
ria
n
c
e
variogramas para dados originais (esquerda) e ap os retirada de
tend encia, com modelo ajustado (direita).
200 300 400 500 600 700 800
0
1
0
0
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
Coord X
C
o
o
r
d

Y
160 218 277 336 395
200 300 400 500 600 700 800
0
1
0
0
2
0
0
3
0
0
4
0
0
5
0
0
6
0
0
Coord X
C
o
o
r
d

Y
135 310 485 660 834
Krigagem: mapas de valores preditos (esquerda) e vari ancias de
predic ao (direita).
13
5. Quest oes Centrais
Delineamento
quantas localizac oes?
quantas medidas?
congurac ao das localizac oes?
o que deve-se medir em cada localizac ao?
Modelagem
modelo probabilstico para o sinal [S]
modelo de probabilidade condicional para
as medidas, [Y [S]
Estimac ao
valores para par ametros desconhecidos do
modelo
infer encias sobre os par ametros ou
func oes destes
Predic ao
avalia-se [T[Y ], a distribuic ao condicional
aos dados do objetivo de predic ao
14
Geostatstica Tradicional:
evita refer encia explcita ` a especicac ao pa-
ram etrica dos modelos
variogramas como instrumento de infer encia
(Matheron: estimac ao e escolha)
em geral usa-se estruturas complexas de va-
riogramas
concentra-se em estimadores lineares
m etodos e paradigmas especcos para:
predic ao pontual (SK, OK, KTE, UK)
predic ao de funcionais n ao lineares (IK,
DK, ...)
estimac ao de densidades preditivas (IK,
DK)
simulac oes das preditivas (SGSIM, SISIM,
...)
kriging menu
15
PARTE II:
ESPECIFICAC

AO DO MODELO
GEOESTAT

ISTICO
1. Model based geostatistics
2. A Caminho de um Modelo Espacial
3. O Modelo Gaussiano em Detalhes
4. Func ao de Correlac ao
5. Efeitos Direcionais
6. Modelos N ao-Estacion arios
1. Model based geostatistics
Model based geostatistics means that we adopt
a model-based approach to this class of pro-
blems, by which we mean that we start with an
explicit stochastic model and derive associated
methods of parameter estimation, interpolation
and smoothing by the application of general sta-
tistical principles.
Notac ao
(Y
i
, x
i
) : i = 1, ..., n
x
i
: i = 1, ..., n e o plano amostral
Y (x) : x A e o processo de medida
S(x) : x A e o processo do sinal
T = T(S) e o objetivo de predic ao
[S, Y ] = [S][Y [S] e o modelo geoestatstico
17
2. A caminho da especicac ao de um
modelo especial
Perspectiva hist orica - paradigmas para in-
fer encia
(a) Modelos estatsticos:
reduc ao de dados
escolha, estimac ao e predic ao
(b) Gauss e Legendre
estudos de astronomia
erros normais
discrep ancia dados e modelo: min. qua-
drados
1
o
e 2
o
momentos
(c) Fisher e verossimilhanc a
uso e interpretac ao da verossimilhanc a
relac ao com min. quad.:
2l =
1

2
(y
i

i
)
2
m aximo, curvaturas, infer encia, etc
Royall, 1997
pragmatismo e delineamentos
(d) Infer encia: Model-based vs design-based
18
Perspectiva hist orica - Modelos Lineares Genera-
lizados
Modelo linear
Y = X +
pode ser escrito como:
Y N(,
2
)
= X
e generalizado de 2 formas
Y Q(, ...)
= g() = X
n ao mais requer
normalidade
vari ancia constante
preocupac ao com escala
verossimilanc a em destaque
deviance: D() = l(y, y) l(y, )
extens oes
modelagem de superdispers ao
modelos mixtos
modelos hier arquicos (multinvel)
infer encia Bayesiana
19
Modelo linear generalizado linear cl assico
Y
i
: i = 1, ..., n
mutuamente independentes, com
i
= E[Y
i
]
h(
i
) =

k
j=1
f
ij

j
, com func ao de ligac ao co-
nhecida h().
Modelo Linear Generalizado Mixto
Y
i
: i = 1, ..., n
mutuamente independentes, com
i
= E[Y
i
],
conditional ` as ralizac oes de um conjunto de
de vari aveis aleat orias latentes U
i
,
h(
i
) = U
i
+

k
j=1
f
ij

j
,
para uma func ao de ligac ao conhecida h().
A modelo espacial (geoestatstico)
Y
i
: i = 1, ..., n
mutuamente independentes, com
i
= E[Y
i
],
conditional ` as realizac oes de um conjunto de
de vari aveis aleat orias latentes U
i
,
h(
i
) = U
i
+

p
j=1
f
ij

j
,
para uma func ao de ligac ao conhecida h(),
U
i
= S(x
i
)
onde S(x) : x IR
2
e um processo es-
toc astico espacial.
h(
i
) = U
i
+

k
j=1
f
ij

j
,
20
0.0 0.2 0.4 0.6 0.8 1.0
4
.
0
4
.
5
5
.
0
5
.
5
6
.
0
6
.
5
7
.
0
locations
d
a
t
a
simulac ao ilustrando os componentes do modelo: dados Y (x
i
) (pon-
tos), sinal S(x) (linha curva) e m edia (linha horizontal).
3. O Modelo Gaussiano
(a) S() e um processo Gaussiano estacion ario
com
i. E[S(x)] = 0,
ii. VarS(x) =
2
iii. (u) = CorrS(x), S(x u);
(b) a distribuic ao condicional de Y
i
dado S() e
Gaussiana com m edia + S(x
i
) e vari ancia

2
;
(c) Y
i
: i = 1, ..., n s ao mutuamente independen-
tes, condicional ` a S().
21
Uma formulac ao equivalente para o modelo
Gaussiano:
Y
i
= + S(x
i
) + Z
i
: i = 1, ..., n.
onde Z
i
: i = 1, ..., n s ao mutuamente indepen-
dentes e identicamente distribudos com Z
i

N(0,
2
).
Desta forma a distribuic ao conjunta de Y e
multivariada Normal,
Y MVN(1,
2
R +
2
I)
onde:
1 denota um vetor de 1s com n elementos
I e matrix identidade n n
R e uma matrix n n com (i, j)
th
elemento (u
ij
)
onde
u
ij
= [[x
i
x
j
[[, e distancia Euclideana entre x
i
e
x
j
.
22
4. Especicac ao da func ao de
correlac ao
A famlia de Mat ern
Func ao de correlac ao dada por
(u) = 2
1
()
1
(u/)

(x/)
e s ao par ametros
K

() denota func ao de Bessel de ordem

v alida para > 0 e > 0.
= 0.5: modelo exponencial
: modelo Gaussiano
S(x) e 1 vezes diferenci avel
23
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
distance
c
o
r
r
e
l
a
t
i
o
n
Tr es exemplos de func oes de Mat ern com = 0.2 and = 1 (linha s olida), = 1.5 (linha
interrompida) and = 2 (pontos).
0.0 0.2 0.4 0.6 0.8 1.0
1.5
1.0
0.5
0.0
0.5
1.0
1.5
x
y
simulac oes de processos em 1-D com func oes de correlac ao de de Mat ern com = 0.2 e
= 0.5 (linha s olida), = 1 (linha interrompida) and = 2 (linha pontilhada).
24
VARIOGRAMAS
o variograma de um processo Y (x) e a
func ao
V (x, x
/
) =
1
2
VarY (x) Y (x
/
)
para o modelo linear Gaussiano, com u =
[[x x
/
[[,
V (u) =
2
+
2
1 (u)
os param etros estruturais b asicos s ao
efeito pepita (nugget):
2
patamar (sill):
2
+
2
= VarY (x)
o alcance (range): , tal que (u) =
0
(u/)
variogramas s ao denidos para uma classe
mais ampla de processos, em comparac ao
com correlogramas e covariogramas
variogramas s ao largamente utilizados em
geoestatstica
25
5. Extens oes do modelo b asico
(a) Modelos Gaussianos transformados
O modelo Gaussiano e claramente inapro-
priado para distribuic oes assim etricas.
Certos dados podem indicar relac oes en-
tre m edia e vari ancia, que violam o modelo
Gaussiano.
Par ametro extra da transformac ao Box-
Cox introduz certa exibilidade.
O modelo ca ent ao denido da forma:
assume-se Y

MV N(F,
2
V )
dados y = (y
1
, ..., y
n
), s ao gerados por uma
transformac ao do modelo linear Gaussi-
ano Y = h
1

(Y

) tal que:
Y

i
= h

(Y ) =
_
(y
i
)

if ,= 0
log(y
i
) if = 0
26
(b) Efeitos Direcionais
Condic oes ambientais podem induzir efei-
tos direcionais (vento, formac ao do solo,
etc)
como consequ encia a correlac ao espacial
pode variar com a direc ao
0.1
0.2
0.3
0.4
0.5

0
.
6

0
.7

0.8
1.0 0.5 0.0 0.5 1.0
1.0
0.5
0.0
0.5
1.0
0.1
0.2
0.3
0.4
0
.5

0
.6


0
.
7

1.0 0.5 0.0 0.5 1.0
1.0
0.5
0.0
0.5
1.0
0.1
0.2
0.3
0.4
0
.5

0.6

0
.
7

1.0 0.5 0.0 0.5 1.0
1.0
0.5
0.0
0.5
1.0
contornos de correlac ao para modelo isotr opico (esq.) e dois
modelos anisotr opicos (centro e dir.)
anisotropia geom etrica: possvel (e simples)
abordagem.
dois par ametros extra: angulo de anisotro-
pia
A
e raz ao de anisotropia
R
.
rotac ao e contrac ao/expans ao das coorde-
nadas originais:
(x
1
/, x
2
/) = (x
1
, x
2
)
_
cos(
A
) sin(
A
)
sin(
A
) cos(
A
)
__
1 0
0
1

R
_
27
Correc aode anisotropia geometrica
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Original Space,
1
= 0,
2
= 2
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
25 26 27 28 29 30
31 32 33 34 35 36
x
0.0 0.2 0.4 0.6 0.8 1.0

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Isotropic Space
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
25 26 27 28 29 30
31 32 33 34 35 36
x
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Original Space,
1
= 120,
2
= 2
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
25 26 27 28 29 30
31 32 33 34 35 36
x
1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
Isotropic Space
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
x
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Original Space,
1
= 45,
2
= 2
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
25 26 27 28 29 30
31 32 33 34 35 36
x
0.6 0.4 0.2 0.0 0.2 0.4 0.6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Isotropic Space
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
x
28
(c) Modelos n ao estacion arios
Modelos com m edias n ao constantes
(ou, incluindo covari aveis)
Substituir a m edia constante por
(x) = F =
k

j=1

j
f
j
(x)
para medidas f
j
(x) das covari aveis (linea-
res ou n ao lineares).
Nota: corresponde a krigagem universal
e krigagem com tend encia externa.
Variac ao aleat oria n ao estacion aria
Variabilidade intrinsica: pressuposto
mais fraco de estacionaridade (processo
com incrementos estacion arios, como pas-
seios aleat orios em s eries temporais),
largamente utilizados como modelo de-
faultpara variac ao espacial discreta (Be-
sag, York and Moli e, 1991).
M etodos de deformac ao espacial (Samp-
son and Guttorp, 1992) buscam estacio-
naridade por transformac oes (complexas)
do espac o geogr aco, x.

E preciso ter em mente o balanc o entre a o

aumento da exibilidade de modelos mais
gerais contra a sobre-modelagem de dados
esparsos, que leva a pobre identicac ao
dos par ametros.
29
PARTE III:
PREDIC

AO ESPACIAL
1. Predic ao em processos estoc asticos
2. Predic ao Geostatstica
3. Predic ao no Modelo Gaussiano
4. O que a krigagem faz com os dados?
5. Predic ao de Funcionais
1. Predic ao em processos estoc asticos
General results for prediction
goal: predict the realised value of a (scalar)
r.v. T, using data y a realisation of a (vector)
r.v. Y .
predictor: of T is any function of Y ,

T = t(Y )
best choice: needs a criterion
MMSPE: the best predictor minimises
MSPE(

T) = E[(T

T)
2
]
Theorem 1.
The minimum mean square error predictor of T
is

T = E(T[Y ).
Theorem 2.
(a) The prediction mean square error of

T is
E[(T

T)
2
] = E
Y
[Var(T[Y )],
(the prediction variance is an estimate of the
MSPE).
(b) E[(T

T)
2
] Var(T), with equality if T and Y
are independent random variables.
31
Comments
We call

T the least squares predictor for T,
and Var(T[Y ) its prediction variance
Var(T) Var(T[Y ) measures the contribution
of the data (exploiting dependence between
T and Y )
point prediction, prediction variance are
summaries
complete answer is the distribution [T[Y ]
not transformation invariant:

T the best predictor for T does NOT necessa-

rily imply that g(

T) is the best predictor for
g(T).
32
2. Predic ao Geostatstica
Suppose the target for prediction is T = S(x)
A predictor for T is a function

T =

T(Y )
The mean square prediction error (MSPE) is
MSPE(

T) = E[(

T T)
2
]
The the predictor which minimises MSPE is

T = E[S(x)[Y ]
Two approaches:
Model-based geostatistics:
specify a probability model for [Y, T]
choose

T to minimise MSPE(

T) amongst
all functions

T(Y )
Traditional (linear) geostatistics:
Assume that

T is linear in Y , so that

T = b
0
(x) +
n

i=1
b
i
(x)Y
i
Choose b
i
to minimise MSPE(

T) within the
class of linear predictors
Coincident results under Gaussian assumpti-
ons
33
3. Predic ao sob o modelo Gaussiano
assume that the target for prediction is T =
S(x)
[T, Y ] are jointly multivariate Gaussian.

T = E(T[Y ), Var(T[Y ) and [T[Y ] can be easily
derived from a standard result:
Theorem 4. Let X = (X
1
, X
2
) be jointly multi-
variate Gaussian, with mean vector = (
1
,
2
)
and covariance matrix
=
_

11

12

21

22
_
,
ie X MVN(, ). Then, the conditional distri-
bution of X
1
given X
2
is also multivariate Gaus-
sian, X
1
[X
2
MVN(
1[2
,
1[2
), where

1[2
=
1
+
12

1
22
(X
2

2
)
and

1[2
=
11

12

1
22

21
.
34
For the geostatistical model:
[T, Y ] is multivariate Gaussian with mean vec-
tor 1 and variance matrix
_

2

2
r
/

2
r
2
I +
2
R
_
where r is a vector with elements r
i
= ([[xx
i
[[) :
i = 1, ..., n.
Hence, using Theorem 4 with X
1
= T and X
2
=
Y , we nd that the minimum mean square er-
ror predictor for T = S(x) is

T = +
2
r
/
(
2
I +
2
R)
1
(Y 1) (1)
with prediction variance
Var(T[Y ) =
2

2
r
/
(
2
I +
2
R)
1

2
r. (2)
35
Notes
1. Because the conditional variance does not
depend on Y , the prediction mean square error
is equal to the prediction variance.
2. Equality of prediction mean square error and
prediction variance is a special property of the
multivariate Gaussian distribution, not a gene-
ral result.
3. In conventional geostatistical terminology,
construction of the surface

S(x), where

T =

S(x)
is given by (1), is called simple kriging. This
name is a reference to D.G. Krige, who pionee-
red the use of statistical methods in the South
African mining industry (Krige, 1951).
36
4. O que a krigagem faz com os dados?
The minimum mean square error predictor for
S(x) is given by

T =

S(x) = +
n

i=1
w
i
(x)(Y
i
)
= 1
n

i=1
w
i
(x) +
n

i=1
w
i
(x)Y
i
the predictor

S(x) compromises between its
unconditional mean and the observed data
Y
the nature of the compromise depends on
the target location x, the data-locations x
i
and the values of the model parameters.
call the w
i
(x) the prediction weights.
37
4.1 Effects on predictions
(a) Varying the correlation function
0.0 0.2 0.4 0.6 0.8 1.0
2
1
0
1
2
locations
p
r
e
d
i
c
t
e
d

s
i
g
n
a
l
Predictions from 10 equally spaced data-points using expo-
nential (solid line) or Mat ern of order 2 (dashed line) corre-
lation functions.
0.0 0.2 0.4 0.6 0.8 1.0
2.5
2.0
1.5
1.0
0.5
0.0
0.5
locations
p
r
e
d
i
c
t
e
d

s
i
g
n
a
l
Predictions from 10 randomly spaced data-points using ex-
ponential (solid line) or Mat ern of order 2 (dashed line) cor-
relation functions.
38
(b) Varying the correlation parameter
0.0 0.2 0.4 0.6 0.8 1.0
0.5
0.0
0.5
1.0
1.5
2.0
locations
p
r
e
d
i
c
t
e
d

s
i
g
n
a
l
Predictions from 10 randomly spaced data-points using the
Mat ern ( = 2) correlation function and different values of :
0.05 (solid line), 0.1 (dashed line) and 0.5 (thick dashed line).
39
(c) Varying the noise-to-signal ratio
0.0 0.2 0.4 0.6 0.8 1.0
0.5
0.0
0.5
1.0
1.5
2.0
locations
p
r
e
d
i
c
t
e
d

s
i
g
n
a
l
Predictions from 10 randomly spaced data-points
using the Mat ern correlation function and different
values of
2
: 0 (solid line), 0.25 (dashed line) and 0.5
(thick dashed line).
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.1
0.2
0.3
0.4
locations
p
r
e
d
i
c
t
i
o
n

v
a
r
i
a
n
c
e
Prediction variances from 10 randomly spaced data-
points using the Mat ern correlation function and dif-
ferent values of
2
: 0 (solid line), 0.25 (dashed line) and
0.5 (thick dashed line).
40
4.2 Effects on kriging weights
(a) The prediction weights: varying
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 0
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 0.05
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 0.15
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 0.3
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
Prediction weights for 10 equally spaced data-points with
target location x = 0.50.
i. varying parameter = 0, 0.05, 0.15, 0.30
ii. locations: equally spaced x
i
= 0.05 + 0.1i :
i = 1, ..., 10
iii. prediction location: x = 0.50
iv. correlation function: Mat ern with = 2
v. nugget:
2
= 0
41
(b) The prediction weights: varying
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 0.5
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 1
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 2
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
= 5
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
Prediction weights for 10 equally spaced data-points with
target location x = 0.50.
i. varying parameter = 0.5, 1, 2, 5
ii. locations: equally spaced x
i
= 0.05 + 0.1i :
i = 1, ..., 10
iii. prediction location: x = 0.50
iv. correlation function: Mat ern with = 0.1
v. Nugget:
2
= 0
42
(c) The prediction weights: varying
2
0.2 0.4 0.6 0.8
0
.
0
0
.
4
0
.
8

2
= 0
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8
0
.
0
0
.
4
0
.
8

2
= 0.1
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8
0
.
0
0
.
4
0
.
8

2
= 0.25
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
0.2 0.4 0.6 0.8
0
.
0
0
.
4
0
.
8

2
= 0.5
data locations
p
r
e
d
i
c
t
i
o
n

w
e
i
g
h
t
s
Prediction weights for 10 equally spaced data-points with
target location x = 0.45.
i. varying parameter
2
= 0, 0.1, 0.25, 0.5
ii. locations: equally spaced x
i
= 0.05 + 0.1i :
i = 1, ..., 10
iii. prediction location: x = 0.45
iv. correlation function: Mat ern with = 2
and = 0.1
43
5. Predic ao de Funcionais
Let T be any linear functional of S,
T =
_
A
w(x)S(x)dx
for some prescribed weighting function w(x).
Under the Gaussian model:
[T, Y ] is multivariate Gaussian;
[T[Y ] is univariate Gaussian;
the conditional mean and variance are:
E[T[Y ] =
_
A
w(x)E[S(x)[Y ]dx
Var[T[Y ] =
_
A
_
A
w(x)w(x
/
)CovS(x), S(x
/
)dxdx
/
Note in particular that

T =
_
A
w(x)

S(x)dx
44
In words:
given a predicted surface

S(x), it is legitimate
simply to calculate any linear property of this
surface and to use the result as the predictor
for the corresponding linear property of the
true surface S(x)
it is NOT legitimate to do this for prediction
of non-linear properties
for example, the maximum of

S(x) is a very
bad predictor for the maximum of S(x) (this
problem will be addressed later)
45
PARTE IV:
ESTIMAC

AO DE PAR

AMETROS
1. Propriedades do Segundo Momento
2. Estimac ao usando Variogramas
3. Estimac ao por Verossimilhanc a
4. Predic ao plug-in
5. Estudo de Caso
6. Coment arios e Extens oes
1. Propriedades do segundo momento
o variograma e a func ao
V (x, x
/
) =
1
2
VarY (x) Y (x
/
)
para u = [[x x
/
[[,
V (u) =
2
+
2
1 (u)
os param etros estruturais b asicos s ao
efeito pepita (nugget):
2
patamar (sill):
2
+
2
= VarY (x)
o alcance (range): , tal que (u) =
0
(u/)
implicac oes pr aticas:
qualquer vers ao razo avel do modelo li-
near Gaussiano tem pelo menos tr es
par ametros de covari ancia
um volume da dados substancial pode ser
necess ario para estimar maior n umero de
par ametros
a famlia Mat ern possui um par ametro ex-
tra para determinar a suavidade do pro-
cesso S(x)
Paradigmas para estimac ao
M etodos Ad-hoc (baseados em variogra-
mas)
calcule o variograma emprico
ajuste um modelo te orico de variograma
M etodos baseados na verossimilhanc a
tipicamente sob pressupostos de Gaussia-
nidade

Otimos sob as condic oes declaradas
maior demanda computacional
podem n ao ser robustos
Implementac ao Bayesiana,
estimac ao e predic ao combinadas
cada vez mais aceitos
2. Estimac ao usando Variogramas
O variograma e denido por
V (x, x
/
) =
1
2
VarY (x) Y (x
/
)
se Y (x) e estacion ario,
V (x, x
/
) = V (u) =
1
2
E[Y (x) Y (x
/
)
2
]
onde u = [[x x
/
[[
sugere uma estimativa emprica para V (u):

V (u) = average[y(x
i
) y(x
j
)]
2

onde cada m edia e tomada entre todos os pa-

res [y(x
i
), y(x
j
)] tal que [[x
i
x
j
[[ u
para processo com m edia n ao constante a
tend encia pode ser removida:
dena r
i
= Y
i
(x
i
)
dena

V (u) = average(r
i
r
j
)
2
,
onde cada m edia e tomada entre todos os
pares (r
i
, r
j
)
(a) A nuvem variogr aca
dena as quantidades:
r
i
= Y
i
(x
i
)
u
ij
= [[x
i
x
j
[[
v
ij
=
(r
i
r
j
)
2
2
a nuvem de variograma e um gr aco de
pontos (u
ij
, v
ij
)
Exemplo: Dados de chuva na Suc a
0 50 100 150 200
0
5
0
0
0
0
1
0
0
0
0
0
1
5
0
0
0
0
distance
s
e
m
i
v
a
r
i
a
n
c
e
(b) O variograma emprico
obtido a partir da nuvem de variograma
tomando m edias de classes de dist ancia:
u h/2 u
ij
< u + h/2
forma k classes de dist ancias, cada uma
m edia de n
k
pares,
muito sensvel ` a especicac ao de m edia do
processo (x)
Exemplo: Dados de chuva na Suc a
0 50 100 150 200
0
5
0
0
0
1
0
0
0
0
1
5
0
0
0
distance
s
e
m
i
v
a
r
i
a
n
c
e
Variograma emprico
(c) O ajuste de variogramas
Estime os par ametros

minimizando um
particular crit erio
por exemplo, mnimos quadrados generaliza-
dos (Cressie, 1993)
S() =

k
n
k
[

V
k
V (u
k
; )]/V (u
ij
; )
2
onde

V
k
e a m edia das n
k
ordenadas v
ij
do
variograma.
Outros crit erios: OLS, WLS com diferentes
pesos, GLS, quasi-verossimilhanc a.
Exemplo: Dados de chuva na Suc a
0 50 100 150 200
0
2
0
4
0
6
0
8
0
1
0
0
distance
s
e
m
i
v
a
r
i
a
n
c
e
WLS 1
WLS 2
OLS
Ajuste de variograma emprico por WLS com pesos dados por
n
k
apenas (linha grossa), WLS com pesos sugeridos pro Cressie
(linha cheia) o OLS (linha pontilhada)
(d) Coment arios sobre uso de variogramas
para infer encia
i. Variogramas dos dados originais e
resduos podem ser muito diferentes
Exemplo: Dados do Paran a

0 100 200 300 400

0
1000
2000
3000
4000
5000
6000

0 100 200 300 400

0
200
400
600
800
1000
variogramas empricos dos dados originais (esq.) e resduos
ap os regress ao em latitude, longitude e altitude (dir.)
variograma de dados originais reete (in-
clui) variac ao de tend encia geogr aca de
larga escala.
variograma de resduos elimina esta
fonte de variac ao
ii. Qu ao inst aveis s ao os variogramas
empricos?
sob o modelo linear Gaussiano:
v
ij
V (u
ij
)
2
1
the v
ij
s ao correlacionados
iii. variogramas de diferentes realizac oes do
mesmo processo podem ser bem diferen-
tes

Distance
S
e
m
i
-
v
a
r
i
a
n
c
e
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0

linha s olida mostra o variograma verda-

deiro do processo
linha nas mostram variogramas
empricos de tr es realizac oes do mesmo
processo (modelo)
as altas correlac oes entre

V (u) para su-
cessivos u conferem uma suavidade en-
ganadora
iv. Ajuste de modelos por mnimos quadrados
corresponde a um sistema de equac oes
de estimac ao que produz estimativas vi-
ciadas de ,
mesmo assim e largamente utilizado na
pr atica
potencialmente perigoso devido as
correlac oes inerentes aos sucessivos

V
k
s
v. estimac ao baseada em objeto que e por si
estimado
vi. e possivel ajustar o modelo diretamente
aos dados e n ao ao variograma.
3. Estimac ao por verossimilhanc a
O modelo Gaussiano e dado por:
Y
i
[S N(S(x
i
),
2
)
S(x
i
) = (x
i
) + S
c
(x
i
)
S
c
() e um processo estoc astico Gaussiano
com par ametros de covari ancia (
2
, , ),
(x
i
) = F =

k
j=1
f
k
(x
i
)
k
, onde f
k
(x
i
) e vetor
de covari aveis na localizac ao x
i
Y MVN(F,
2
R +
2
I)
e a func ao de verossimilhac a e:
(, , , , ) 0.5log [(
2
R +
2
I)[ +
(y F)
/
(
2
R +
2
I)
1
(y F).
para qual maximizac ao (num erica) produz as
estimativas de m axima verossimilhanc a
Modelos Gaussianos transformados
A log-verossimilhanc a e:
(, , ) =
1
2
log [
2
V [
+(h

(y) F)
/

2
V
1
(h

(y) F)
+
n

i=1
log
_
(y
i
)
1
_
para = (, , , ).
ML: tipicamente usada sob pressupostos de
normalidade
estimativas otimas sob os pressupostos de-
clarados
por em computacionalmente caros e podem
n ao ser robustos
diculdades computacionais para grande
n umero de dados
Implementac ao Bayesiana combinando
estimac ao e predic ao tem sido cada vez
mais aceita (ao menos entre estatsticos!).
Para famlia de Mat ern considere tomar em
um conjunto discreto 0.5, 1, 2, 3, ..., N
4. Predic ao plug-in
Em geral o interesse est a em predizer
o valor da realizac ao do processo S() em um
ponto
ou a m edia de S() em uma regi ao
T = [B[
1
_
B
S(x)dx
onde [B[ denota a area da regi ao B.
Para o modelo Gaussiano o preditor de
minmos quadrados de T = S(x) e:

T = +
2
r
/
(
2
I +
2
R)
1
(Y 1)
e a vari ancia de predic ao
Var(T[Y ) =
2

2
r
/
(
2
I +
2
R)
1

2
r
onde os unicos termos desconhecidos s ao os
par ametros do modelo
A predic ao plug-in consiste em substituir os
par ametros por suas estimativas.
5. Estudo de caso: chuva na Suc a
E-W (km)
N
-
S

(
k
m
)
0 100 200 300
0
50
100
150
200
Localizac oes com tamanho dos pontos proporcional aos valores ob-
servados. Dist ancias em kilometros
467 localizac oes
medidas de precipitac ao em 8 de Maio 1986
dados s ao valores inteiros com unidade de
medida igual a 1/10 mm
5 localizac oes com valores iguais ` a zero.
chuva na Suc a (cont.)
Estimac ao par ametros de transformac ao e su-
avidade (modelo de Mat ern)

log

L
0.5 0.514 -2464.246
1 0.508 -2462.413
2 0.508 -2464.160
Estimativas de MV de

e valores da log-verossimilhanc a log

L para
diferentes valores de .

0.40 0.50 0.60

-2466
-2465
-2464
-2463

0.40 0.50 0.60

-2466
-2465
-2464
-2463

0.40 0.50 0.60

-2466
-2465
-2464
-2463
Verossimilhanc as prelhadas para . esquerda: = 0.5, meio: = 1,
direita: = 2.
transformac ao logartimica ou n ao-
transformac ao s ao claramente N

AO indicadas!
chuva na Suc a (cont.)

Distance
S
e
m
i
-
v
a
r
i
a
n
c
e
0 50 100 150 200
0
20
40
60
80
100
120
semivariograma emprico para dados transformados e variogramas
te oricos com estimativas de MV para = 0.5 (linha interrompida),
= 1 (linha grossa), = 2 (linha na).
chuva na Suc a (cont.)
Estimativas para modelo com = 0.5

2


2
log

L
0.5 18.36 118.82 87.97 2.48 -2464.315
1 20.13 105.06 35.79 6.92 -2462.438
2 21.36 88.58 17.73 8.72 -2464.185
Maximum likelihood estimates

,

, , and the corresponding va-
lue of the likelihood function log

L for different values of the Mat ern
parameter , for = 0.5

50 100 150 200 250 300

-2464.0
-2463.5
-2463.0
-2462.5

20 30 40 50 60 70
-2464.0
-2463.5
-2463.0
-2462.5

5 6 7 8 9
-2464.0
-2463.5
-2463.0
-2462.5
Verossimilhanc a perlhada para par ametros de covari ancia = 1
and = 0.5. esquerda:
2
, meio: , direita:
2
.
chuva na Suc a (cont.)
0 100 200 300
-100
0
100
200
0 100 200 300 400 500
0 100 200 300
-100
0
100
200
0 5000 10000 15000
Mapas com predic oes (esquerda) e vari ancias de predic ao (direita).
Predic ao da percentagem da area onde
Y (x) 200:

A
200
e de 0.4157
0.410 0.415 0.420
0
100
200
300
400
500
600
Amostras da preditiva de

A
200
.
6. Outros t opicos e extens oes
M axima verossimilhanc a restrita (REML)
Verossimilhanc as perlhadas
Estimac ao de modelos anisotr opicos
Validac ao dos modelos
Modelos n ao estacion arios
tend encias e/ou covari aveis
(a) Predic ao ad-hoc:
(b) estima por OLS,

= (F
/
F)
1
F
/
Y , e
calcula-se resduos Z = Y F

.
(c) calcula-se o variograma emprico
(dos resduos) que e utilizado para
formulac ao do modelo e estimac ao de
par ametros
(d) reestima-se por GLS e usa-se modelo
ajustado para predic ao
Nota: krigagem universal ou krigagem
com tend encia externa
Relac oes funcionais entre m edias e
vari ancias
variac ao aleat oria n ao estacion aria
Intrnseca Campos aleat orios de Markov
(Besag, York and Moli e, 1991).
Deformac oes espaciais Sampson and
Guttorp, 1992 tentam obter estacionari-
dade atrav es de transformac oes n ao line-
ares do espac o geogr aco x.
Ver tese de Alexandra Smith (2001).
exibilidade vs identicabilidade
papel dos variogramas empricos
diagn ostico (abordagem model-based)
ferramenta de infer encia (abordagem tra-
dicional)
ambas abordagens anexam estimativas dos
parametros ao modelo como se fosse valores
verdadeiros.
Predic ao plug-in
usualmente produz boas estimativas pon-
tuais de T = S(x)
em geral sub-estima vari ancia de predic ao
pode produzir estimativas inacuradas de
outras quantidades objetivo T
PARTE V:
INFER

ENCIA BAYESIANA PARA O

MODELO GAUSSIANO
1. Infer encia Bayesiana
2. Resultados para o modelo Gaussiano
3. Estudo de Caso: Dados da Suc a
1. An alise Bayesiana - Conceitos Basi-
cos
Bayesian inference deals with parameter un-
certainty by treating parameters as random va-
riables, and expressing inferences about para-
meters in terms of their conditional distributi-
ons, given all observed data.
For inference about model parameters, the full
model specication now should include the mo-
del parameters:
[Y, ] = [][Y []
Bayes Theorem allows us to calculate:
[Y, ] = [Y [][] = [Y ][[Y ]
Thus,
[[Y ] = [Y [][]/[Y ]
is the posterior distribution where
[Y ] =
_
[Y [][]d.
The Bayesian paradigm:
(a) Model
the full model specication consists of
[Y, ] = [Y [][].
formulate a model for the observable vari-
able Y .
this model denes [Y [] (and hence an ex-
pression for the log-likelihood (; Y ))
(b) Prior
before we observe Y , the marginal [] ex-
presses our uncertainty about
call [] prior distribution for
(c) Posterior
having observed Y , it is no longer an unk-
nown (randomly varying) quantity
therefore revise uncertainty about by
conditioning on the observed value of Y
call [[Y ] posterior distribution for , and
use it to make inferential statements
NOTE: the likelihood function occupies a cen-
tral role in both classical and Bayesian infe-
rence
Prediction
Because Bayesian inference treats as a ran-
dom variable, it makes no formal distinction
between parameter estimation problems and
prediction problems, and thereby provides a
natural means of allowing for parameter uncer-
tainty in predictive inference.
The general idea for prediction is to formulate
a model for
[Y, T, ] = [Y, T[][]
and make inferences based on the conditional
distribution
[T[Y ] =
_
[T, [Y ]d
=
_
[[Y ][T[Y, ]d
Comparing plug-in and Bayesian
the plug-in prediction corresponds to infe-
rences about [T[Y,

]
Bayesian prediction is a weighted average
of plug-in predictions, with different plug-in
values of weighted according to their condi-
tional probabilities given the observed data.
Bayesian prediction is usually more cautious
than plug-in prediction, or in other words:
allowance for parameter uncertainty usually
results in wider prediction intervals
Notes:
(a) Until recently, the need to evaluate the in-
tegral which denes [Y ] represented a major
obstacle to practical application.
(b) Development of Markov Chain Monte Carlo
(MCMC) methods has transformed the situ-
ation.
(c) BUT, for geostatistical problems, reliable
implementation of MCMC is not straight-
forward. Geostatistical models dont have
a natural Markovian structure for the algo-
rithms work well.
(d) in particular for the Gaussian model other
algorithms can be implemented.
2. Results for the Gaussian Model
Uncertainty only in the mean parameter
Assume for now that only the mean parameter
is regarded as random with (conjugate) prior:
N
_
m

;
2
V

_
The posterior is given by
[[Y ] N((V
1

+ F
/
R
1
F)
1
(V
1

+ F
/
R
1
y) ;

2
(V
1

+ F
/
R
1
F)
1
)
N
_

;
2
V

_
The predictive distribution is
p(S

[Y,
2
, ) =
_
p(S

[Y, ,
2
, ) p([Y,
2
, ) d.
with mean and variance given by
E[S

[Y ] = (F
0
r
/
V
1
F)(V
1

+ F
/
V
1
F)
1
V
1

+
_
r
/
V
1
+ (F
0
r
/
V
1
F)(V
1

+ F
/
V
1
F)
1
F
/
V
1
_
Y
Var[S

[Y ] =
2
_
V
0
r
/
V
1
r+
(F
0
r
/
V
1
F)(V
1

+ F
/
V
1
F)
1
(F
0
r
/
V
1
F)
/
_
.
The predictive variance has three interpreta-
ble components: a priori variance, the reduc-
tion due to the data and the uncertainty in the
mean.
V

corresponds to universal (or ordinary)

kriging.
Uncertainty for all model parameters
Assume (w.l.g.) a model without measurement
error and the prior p(,
2
, )
1

2
p().
The posterior distribution:
p(,
2
, [y) = p(,
2
[y, ) p([y)
pr([y) pr() [V

[
1
2
[R
y
[

1
2
(S
2
)

np
2
.
Algorithm 1:
(a) Discretise the distribution [[y], i.e. choose
a range of values for which is sensible for
the particular application, and assign a dis-
crete uniform prior for on a set of values
spanning the chosen range.
(b) Compute the posterior probabilities on this
discrete support set, dening a discrete
posterior distribution with probability mass
function pr([y), say.
(c) Sample a value of from the discrete distri-
bution pr([y).
(d) Attach the sampled value of to the distri-
bution [,
2
[y, ] and sample from this distri-
bution.
(e) Repeat steps (3) and (4) as many times as
required; the resulting sample of triplets
(,
2
, ) is a sample from the joint posterior
distribution.
The predictive distribution is given by:
p(S

[Y ) =
_ _ _
p(S

, ,
2
, [Y ) d d
2
d
=
_ _ _
p
_
s

, ,
2
[y,
_
d d
2
pr([y) d
=
_
p(S

[Y, ) p([y) d.
To sample from this distribution:
Algorithm 2:
(a) Discretise [[Y ], as in Algorithm 1.
(b) Compute the posterior probabilities on the
discrete support set. Denote the resulting
distribution pr([y).
(c) Sample a value of from pr([y).
(d) Attach the sampled value of to [s

[y, ] and
sample from it obtaining realisations of the
predictive distribution.
(e) Repeat steps (3) and (4) as many times as
required to generate a sample from the re-
quired predictive distribution.
Note:
(a) The algorithms are of the same kind to treat
and/or as unknown parameters.
(b) We specify a discrete prior distribution on a
multi-dimensional grid of values.
(c) This implies extra computational load (but
no new principles)
3. A Case Study: Swiss rainfall, 100
data
60 80 120

5
6
3
.
5

5
6
2
.
5

2
p
r
o
f
i
l
e

l
o
g

l
i
k
e
l
i
h
o
o
d
15 20 25

5
6
3
.
5

5
6
2
.
5

p
r
o
f
i
l
e

l
o
g

l
i
k
e
l
i
h
o
o
d
Prole likelihoods for covariance parameters:
2
;

2
D
e
n
s
i
t
y
0 200 400 600 800
0
.
0
0
0
0
.
0
0
5
0
.
0
1
0
0
.
0
1
5

D
e
n
s
i
t
y
0 20 40 60 80 100
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
Posterior distributions for covariance parameters:
2
;

50 100 150 200

1
0
1
5
2
0
2
5
3
0
3
5
200 400 600 800
1
0
2
0
3
0
4
0
5
0
6
0
7
0
8
0

2D prole log-likelihood (left) and samples from posterior

distributions (right) for parameters
2
and
Swiss rainfall: prediction results
0 50 100 150 200 250 300 350

5
0
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Coords X
C
o
o
r
d
s

Y
7 150 294 437 581
0 50 100 150 200 250 300 350

5
0
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Coords X
C
o
o
r
d
s

Y
8 5297 10587 15876 21165
Predicted signal surfaces and associated measures of
precision for the rainfall data: (a) posterior mean; (b) pos-
terior variance
0 50 100 150 200 250 300 350

5
0
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Coords X
C
o
o
r
d
s

Y
0 0.1 0.5 0.9 1
Posterior probability contours for levels 0.10, 0.50 and
0.90 for the random set T = x : S(x) < 150
Swiss rainfall: prediction results (cont.)
0 50 100 150 200 250 300 350

5
0
0
5
0
1
0
0
1
5
0
2
0
0
2
5
0
Coords X
C
o
o
r
d
s

Y
1
2
3
4
Recording stations and selected prediction locations (1 to
4)
0 100 200 300 400 500 600
0
.
0
0
0
0
.
0
0
5
0
.
0
1
0
0
.
0
1
5
rainfall
d
e
n
s
i
t
y
Loc. 1
Loc. 2
Loc. 3
Loc. 4
Bayesian predictive distributions for average rainfall at
selected locations.
PARTE VI:
MODELOS LINEARES
GENERALIZADOS ESPACIAIS
1. Modelos lineares Generalizados Espaciais
2. Infer encia via MCMC
3. estudo de caso: Ilha de Rongelap
4. estudo de caso: Mal aria em G ambia
1. Modelos lineares Generalizados Es-
paciais
Dados Positivos:
0 1 2 3 4 5
0
.
0
0
.
3
0
.
6
Dados Contagem:
0 1 2 3 4 5 6 7
0
.
0
0
0
.
1
5
0
.
3
0
Dados Binomial:
0 1 2 3 4
0
.
0
0
0
.
1
5
0
.
3
0
Dados Positivos com Zeros:
0
.
0
0
.
3
0
.
6
Examplos de Modelos
x
1
, . . . , x
n
posic oes com observac oes
Poisson-log
[Y (x
i
) [ S(x
i
)] e Poisson com densidade
f(z; ) = exp()
z
/z! z = 0, 1, 2, . . .
ligac ao: E[Y (x
i
) [ S(x
i
)] =
i
= exp(S(x
i
))
Binomial-logit
[Y (x
i
) [ S(x
i
)] e binomial com densidade
f(z; ) =
_
r
z
_
(/r)
z
(1 /r)
r
z = 0, 1, . . . , r
ligac ao:
i
= E[Y (x
i
) [ S(x
i
)] , S(x
i
) = log(
i
/(r

i
))
Func ao de Verossimilhanc a
L() =
_
IR
n
n

i
f(y
i
; h
1
(s
i
))f(s [ )ds
1
, . . . , ds
n
Integral de alta dimensionalidade !!!
2. Infer encia para o modelo geoes-
tatstico linear generalizado
avaliac ao da verossimilhanc a envolve
integrac ao num erica de multidimensional
m etodos aproximados (ex Breslow and Clay-
ton, 1993) tem acur acia duvidosa
MCMC e possvel embora n ao rotineira
Esquemas para MCMC
Ingredientes
Prioris para os par ametros de regress ao e
de covari ancia
Dados: Y = (Y
1
, ..., Y
n
)
S = (S(x
1
), ..., S(x
n
))
S

= todos outros S(x)

Estrutura de independ encia condicional
Y S

S
*
use resultados das cadeias para contruir
declarac oes ` a posteriori sobre [T[Y ], onde
T = T(S

)
3. Estudo de caso: Ilha Rongelap
Ilha Rongelap
aproximadamente a 2500 milhas sudoeste
do Hawaii
contaminada por testes de armas nuclea-
res em 1950s
evacuada em 1985
segura para re-assentamento?
Problemas estatsticos
delineamento e medidas de campo de
137
Cs
estimar variac ao espacial da radiotividade
de
137
Cs
comparac ao com padr oes de seguranc a
O modelo Poisson
Medidas b asicas s ao contagens Y
i
em inter-
valos de tempo t
i
nas localizac oes x
i
(i =
1, ..., n)
estrutura dos dados sugere o modelo:
S(x) : x R
2
processo estacion ario Gaussi-
ano (radioatividade local)
Y
i
[S() Poisson(
i
)

i
= t
i
(x
i
) = t
i
expS(x
i
).
Objetivos:
predizer (x) sobre toda ilha
max (x)
arg(max (x))
-6000 -5000 -4000 -3000 -2000 -1000 0
-
5
0
0
0
-
4
0
0
0
-
3
0
0
0
-
2
0
0
0
-
1
0
0
0
0
1
0
0
0
0 2 4 6 8 10
superfcie de radiotividade predita utilizando krigagem logartmica
-6000 -5000 -4000 -3000 -2000 -1000 0
-
5
0
0
0
-
4
0
0
0
-
3
0
0
0
-
2
0
0
0
-
1
0
0
0
0
1
0
0
0
0 5 10 15
superfcie de radiotividade predita utilizando o modelo log-linear
Poisson com processo latentre Gaussiano
Predic ao Bayesiana de funcionais n ao linea-
res da superfcie de radiac ao
Intensity level
D
e
n
s
i
t
y
10 20 30 40 50 60
0
.
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
0
.
1
4
Intensity level
S
u
r
v
i
v
o
r

f
u
n
c
t
i
o
n
0 5 10 15 20
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
0 5 10 15 20
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
0 5 10 15 20
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
The left-hand panel shows the predictive distribution of maximum
radioactivity, contrasting the effects of allowing for (solid line) or
ignoring (dotted line) parameter uncertainty; the right-hand panel
shows 95% pointwise credible intervals for the proportion of the is-
land over which radioactivity exceeds a given threshold.
4. Estudo de caso: Mal aria em Gambia
Neste exemplo a variac ao espacial e de inte-
resse cientco secund ario.
O objetivo prim ario e descrever a de-
pend encia entre a preval encia de parasitas
de mal aria e as covari aveis medidas
em vilas
em indivduos
Particular interesse em saber se o ndice de
vegetac ao derivado de medidas de sat elite
pode ser utilizado como preditor da pre-
val encia de mal aria.
Isto ajudaria prossionais de sa ude a alocar
melhor os recursos que s ao escarsos.
Estrutura dos dados
2039 crianc as em 65 vilas
cada uma testada para presenc a de parasi-
tas de mal aria no sangue
Covari aveis das crianc as
idade (dias)
sexo (F/M)
uso de mosquiteiro (nenhum, n ao tratado e
tratado)
Covari aveis das vilas:
localizac ao
indice de vegetac ao (sat elite)
presenc a de centro de sa ude na vila
Modelo de regress ao logstica
Y
ij
= 0/1 presenc a ou aus encia de parasitas
de mal aria na jth crianc a da ith vila
f
ij
= covari avel da crianc a
w
i
= covari avel da vila
logit(P(Y
ij
= 1[S())) = f
/
ij

1
+ w
i
/

2
+ S(x
i
)

E razo avel assumir infec oes condicionalmente

independentes na mesma vila?
Caso n ao, o modelo deve ser extendido para
permitir variabilidade extra-binomial n aoespa-
cial
U
i
N(0,
2
)
logitP(Y
ij
= 1[S(), U) = f
/
ij

1
+ w
i
/

2
+ U
i
+ S(x
i
)
An alise explorat oria
ajuste modelo logstico padr ao sem S(x) e/ou
U
calcule para cada vila:
N
i
=

n
i
j=1
Y
ij

i
=

n
i
j=1

P
ij

2
i
=

n
i
j=1

P
ij
(1

P
ij
)
resduos de vila, r
i
= (N
i

i
)/
i
derivar dados r
i
ajuste de par ametros de covari ancia
0 5 10 15 20 25 30
0
1
2
3
4
distance (km)
s
e
m
i
v
a
r
ia
n
c
e
Variograma do resduos de vilas
An alise model-based
= intercepto

1
= coeciente para idade

2
= coeciente uso de mosquiteiro

3
= coeciente para mosquiteiro tratado

3
= coeciente para indice de verde

4
= coeciente para presenc a de centro de
sa ude

2
= vari ancia do efeito aleat orio n ao espacial U
i

2
= vari ancia do preocesso espacial S(x)
= par ametro de decaimento da correlac ao
= par ametro de suavidade
Param. 2.5% Qt. 97.5% Qt. Mean Median
-4.232073 1.114734 -1.664353 -1.696228

1
0.000442 0.000918 0.000677 0.000676

2
-0.684407 -0.083811 -0.383750 -0.385772

3
-0.778149 0.054543 -0.355655 -0.355632

4
-0.039706 0.071505 0.018833 0.020079

5
-0.791741 0.180737 -0.324738 -0.322760

2
0.000002 0.515847 0.117876 0.018630

2
0.240826 1.662284 0.793031 0.740790
1.242164 53.351207 11.653717 7.032258
0.150735 1.955524 0.935064 0.830548

2
pr oximo de zero
Kilometres
K
i
l
o
m
e
t
r
e
s
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
-1.5 0.0 1.0
Western Eastern
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
Central
300 400 500 600
1
4
0
0
1
5
0
0
1
6
0
0
superfcie predita

S(x) (m edia ` a posteriori)
S(x)
D
e
n
s
i
t
y
-4 -2 0 2 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
S(x)
D
e
n
s
i
t
y
-4 -2 0 2 4
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
x = (452, 1493)
x = (520, 1497)
Posterioris para S(x) em dias localizacoes, linha
s olida remota (452, 1493), linha interrompida
central (520, 1497)
0.0004 0.0008
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
2
5
0
0
3
0
0
0
beta_1
D
e
n
s
i
t
y
-1.0 -0.6 -0.2 0.2
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
beta_2
D
e
n
s
i
t
y
-1.0 -0.5 0.0
0
.
0
0
.
5
1
.
0
1
.
5
beta_3
D
e
n
s
i
t
y
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
oo
oo
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
oo o
o
o o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo o
o
o
o
o
o
oo
o o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
oo
o
o
o
oo
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o o
o
o
oo
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o o
o
o
o o o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
oo
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
oo
o
o
o
oo o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
oo o
o
o
o
o
o
o oo
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
oo
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
oo
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
oo
oo
o
o
o
o o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
oo
o o
oo
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
oo
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
ooo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
oo
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
oo
o
o
o
o
o
o o
o
o
o o oo
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o o
o
o
o
o o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o o
o
o o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o oo
o
o
o
o o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo o o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
ooo
oo o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
oo
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o o oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
oo
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
oo
o o
o
o
oo
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
oo
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
beta_2
b
e
t
a
_
3
-1.0 -0.6 -0.2 0.2
-
1
.
0
-
0
.
5
0
.
0
posterioris para os par ametros de regress ao

1
= efeito de idade

2
= efeito de mosquiteiro n ao tratado

3
= efeito adicional de tratamento de mos-
quiteiro
Qualidade do ajusto do modelo
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
Fitted value
R
e
s
i
d
u
a
l
0.25 0.30 0.35 0.40 0.45 0.50 0.55
-
4
-
2
0
2
4
resduos de vila vs valores ajustados
r
ij
= (Y
ij
p
ij
)/

p
ij
(1 p
ij
)
r
i
=

r
ij
/

n
i
checa adequacidade do modelo para p
ij
Distance (km)
V
a
r
i
o
g
r
a
m
0 10 20 30 40 50 60
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
variograma emprico de resduos padronizados com intervalos de
conanc a (95%) construdos a partir de simulac oes do modelo ajus-
tado
r
ij
= (Y
ij
p

ij
)/

ij
(1 p

ij
)
r
i
=

r
ij
/

n
i
logit(p

ij
) = + z
/
ij

S(x
i
)
checa adequacidade do modelo para S(x)
O modelo geostatistico e mesmo ne-
cess ario?
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
E[S(x)|data]
E
[
U
|
d
a
t
a
]
-2 -1 0 1 2
-
2
-
1
0
1
2
m edia da posteriori para os efeitos aleat orios

U
i
de um GLMM n ao
espacial contra m edias a posteriori de

S(x
i
) nas localizac oes obser-
vadas no modelo geoestatstico
alta correlac ao evidencia dep endencia espa-
cial
GEE: uma alternativa para problemas onde a
enfase est a nas covari aveis?