Escolar Documentos
Profissional Documentos
Cultura Documentos
Fundamentos de Geoestatística PDF
Fundamentos de Geoestatística PDF
Fundamentos de Geoestatı́stica
Departamento de Estatı́stica
Universidade Federal do Paraná
∗
Endereço para correspondência: Departamento de Estatı́stica, Universidade Federal do Paraná, E-
mail: Paulo.Ribeiro@est.ufpr.br
PARTE I:
INTRODUÇÃO
Eastings (meters)
(b) Precipitação no Estado do Paraná
Medidas de chuva em 143 postos meteo-
rológicos.
Médias históricas para o perı́odo de Maio-
Junho (estação seca).
Maiores detalhes: tese de Jacinta L. Zamboti
(2001).
600
500
400
300
200
100
0
•
•
•
• • • •••••••
•
••
• • ••
140
• • • ••
• • •
• ••• • • •• • • •
•
• • • • •••••••••• • • •• ••
•• •••• • • ••••••• • •
• • • • ••
• ••• • •• • •• •••••••••
•
••
N-S (km)
120
• • • • •• • • • •
•• • •••••••• •
•• •• • •• • •
••• •••••••••••••••••••••• • ••
••••••••••• •
• •• • •••••••••••••••••••• • • • •••
• • • •• •• • •••
• • •• ••• ••• ••• • ••••• •• •
•
••• • ••••• ••• ••••
••••• •••• •• • •••••• •
• • • ••••••
100
•
••• ••• • •• • ••••••• •••
•
• ••• ••••••• •••••••••••••• •••• •• •
••••••••••••••••••••••••••••••••••••••••••••••••••• •••••• • •
• ••• •• ••
••• •
•
80
•
• ••
380 400 420 440 460
E-W (km)
2. Terminologia para estatı́stica espa-
cial
(a) Variação espacial discreta
Estrutura básica. Yi : i = 1, ..., n
• raramente ocorre naturalmente
• útil como estratégia pragmática
• modelos são tipicamente definidos indire-
tamente a partir de condicionais
[Yi|Yj , ∀j 6= i]
200
150
N-S (km)
100
50
0
0 100 200 300
E-W (km)
•
0
•
••
••
••
-1000
•
•
•••••••••• •
•• •
N-S
• •••••••••• • •
-2000
• • • • • • ••
• • • • • •
• • •
• • • • •
•
• •
-3000
•
• ••
•• • • ••••••••••••••• • ••
• • • • ••••• •
•••••
-4000
-5000
E-W
(c) Espécies de lı́quens
• fatores associados a distribuição espacial
da presença de lı́quens em troncos de
ávores
• resposta 0/1: presença ou ausência
• covariáveis: diâmetro, umidade, sombrea-
mento, cobertura do tronco, viva
12000
11000
YCOORD
10000
9000
XCOORD
(d) Malária em Gambia
• na vila i, dado Yij = 0/1 denota ausência ou
presença de malária no sangue da criança
j
• covariáveis ao nı́vel de vilas:
– localização (coordenadas), presença de
centro de saúde, ı́ndice de vegetação de-
rivado de satélite
• covariáveis ao nı́vel de crianças:
– idade, uso e tratamento de mosquiteiro
• interesses: efeito das covariáveis e padrão
espacial da variação residual
o oo
o oo
1600
ooo o
oo
oo o
Central
o
oooo
1500
N-S (km)
o oooooooooo ooo o oo
o o
ooo o
o oo ooo o
o ooooooooooo o
o
ooo oooooo
o ooo
Western Eastern
1400
o oo o
o o oo oo o o
o o o
ooo oo oo o
o o o o ooo o
oo oo
o o ooo
o oo ooo oo
E-W (km)
4. Caracterı́sticas Principais dos Pro-
blemas Geoestatı́sticos
• dados consistem em respostas Yi associadas
com localizações xi
600
500
450
400
400
Coord Y
300
350
200
data
300
100
Coord Y
500
250
0
400
300
200
200
200 300 400 500 600 700 800
100
150
Coord X 0
100 200 300 400 500 600 700 800
Coord X
400
400
350
350
300
300
data
data
250
250
200
200
200 300 400 500 600 700 100 200 300 400
Coord X Coord Y
1200
6000
1000
5000
800
4000
semivariance
semivariance
3000
600
2000
400
1000
200
0
0
0 100 200 300 400 0 100 200 300 400
distance distance
600
500
500
400
400
300
300
Coord Y
Coord Y
200
200
100
100
160 218 277 336 395 135 310 485 660 834
0
200 300 400 500 600 700 800 200 300 400 500 600 700 800
Coord X Coord X
• Modelagem
– modelo probabilı́stico para o sinal [S]
– modelo de probabilidade condicional para
as medidas, [Y |S]
• Estimação
– valores para parâmetros desconhecidos do
modelo
– inferências sobre os parâmetros ou
funções destes
• Predição
– avalia-se [T |Y ], a distribuição condicional
aos dados do objetivo de predição
Geostatı́stica Tradicional:
• evita referência explı́cita à especificação pa-
ramétrica dos modelos
• “kriging menu”
PARTE II:
ESPECIFICAÇÃO DO MODELO
GEOESTATÍSTICO
4. Função de Correlação
5. Efeitos Direcionais
6. Modelos Não-Estacionários
1. “Model based geostatistics”
Notação
(Yi, xi) : i = 1, ..., n
• {xi : i = 1, ..., n} é o plano amostral
• e generalizado de 2 formas
Y ∼ Q(µ, ...)
η = g(µ) = Xβ
• verossimilança em destaque
• extensões
– modelagem de superdispersão
– modelos mixtos
– modelos hierárquicos (multinı́vel)
– inferência Bayesiana
Modelo linear generalizado linear clássico
• Yi : i = 1, ..., n
mutuamente independentes, com µi = E[Yi]
Pk
• h(µi) = j=1 fij βj , com função de ligação co-
nhecida h(·).
3. O Modelo Gaussiano
(a) S(·) é um processo Gaussiano estacionário
com
i. E[S(x)] = 0,
ii. Var{S(x)} = σ 2
iii. ρ(u) = Corr{S(x), S(x − u)};
Yi = µ + S(xi) + Zi : i = 1, ..., n.
Y ∼ MVN(µ1, σ 2R + τ 2I)
onde:
1 denota um vetor de 1’s com n elementos
I é matrix identidade n × n
R é uma matrix n × n com (i, j)th elemento ρ(uij )
onde
uij = ||xi − xj ||, é distancia Euclideana entre xi e
xj .
4. Especificação da função de
correlação
A famı́lia de Matérn
Função de correlação dada por
ρ(u) = {2κ−1Γ(κ)}−1(u/φ)κKκ(x/φ)
• κ e φ são parâmetros
• κ → ∞: modelo Gaussiano
0.8
correlation
0.6
0.4
0.2
0.0
Três exemplos de funções de Matérn com φ = 0.2 and κ = 1 (linha sólida), κ = 1.5 (linha
1.5
1.0
0.5
0.0
y
−0.5
−1.0
−1.5
1.0 0.1
1.0 1.0
0.1
0.7
0.
6 0.7 0.6 0.5
0.4 0.3
−0.5 0.4 −0.5 −0.5
0.2
0.2 0.1
31 32 33 34 35 36
0.6
0.8
25 26 27 28 29 30 31 32 33 34 35 36
0.4
25 26 27 28 29 30
0.6
19 20 21 22 23 24
19 20 21 22 23 24
x x
0.2
13 14 15 16 17 18
0.4
13 14 15 16 17 18
7 8 9 10 11 12
0.2
0.0
7 8 9 10 11 12 1 2 3 4 5 6
0.0
1 2 3 4 5 6
−0.2
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, ψ1 = 120°, ψ2 = 2 Isotropic Space
0.8
1.0
31 32 33 34 35 36
0.6
0.8
25 26 27 28 29 30
6
0.4
12
18 5
24 11
17 4
0.6
19 20 21 22 23 24 30
0.2
23 10
36 16 3
29 9
x 35 22 x 2
28 15
21 8
0.0
34 14 1
0.4
13 14 15 16 17 18 27 7
33 20
26 13
32 19
−0.2
25
31
0.2
7 8 9 10 11 12
−0.4
0.0
1 2 3 4 5 6
−0.6
0.0 0.2 0.4 0.6 0.8 1.0 −1.4 −1.2 −1.0 −0.8 −0.6 −0.4 −0.2 0.0
Original Space, ψ1 = 45°, ψ2 = 2 Isotropic Space
1.0
31 32 33 34 35 36
1.0
0.8
0.8
25 26 27 28 29 30
36
35 30
0.6
34 29 24
0.6
19 20 21 22 23 24 33 28 23 18
32 27 22 17 12
0.4
x 31 26 21 x 16 11 6
25 20 15 10 5
0.4
0.2
13 14 15 16 17 18 19 14 9 4
13 8 3
7 2
0.0
1
0.2
7 8 9 10 11 12
−0.2
0.0
1 2 3 4 5 6
−0.4
0.0 0.2 0.4 0.6 0.8 1.0 −0.6 −0.4 −0.2 0.0 0.2 0.4 0.6
(c) Modelos não estacionários
• Modelos com médias não constantes
(ou, incluindo covariáveis)
Substituir a média constante µ por
k
X
µ(x) = F β = βj fj (x)
j=1
2. Predição Geostatı́stica
5. Predição de Funcionais
1. Predição em processos estocásticos
Theorem 1.
The minimum mean square error predictor of T
is
T̂ = E(T |Y ).
Theorem 2.
(a) The prediction mean square error of T̂ is
E[(T − T̂ )2] = EY [Var(T |Y )],
(the prediction variance is an estimate of the
MSPE).
(b) E[(T − T̂ )2] ≤ Var(T ), with equality if T and Y
are independent random variables.
Comments
Two approaches:
• Model-based geostatistics:
– specify a probability model for [Y, T ]
µ1|2 = µ1 + Σ12Σ−1
22 (X2 − µ2 )
and
Σ1|2 = Σ11 − Σ12Σ−1
22 Σ21 .
For the geostatistical model:
n
X
T̂ = Ŝ(x) = µ + wi(x)(Yi − µ)
i=1
Xn n
X
= {1 − wi(x)}µ + wi(x)Yi
i=1 i=1
1
predicted signal
−1
−2
0.5
0.0
predicted signal
−0.5
−1.0
−1.5
−2.0
−2.5
2.0
1.5
predicted signal
1.0
0.5
0.0
−0.5
2.0
1.0
0.5
0.0
−0.5
0.4
prediction variance
0.3
0.2
0.1
0.0
prediction weights
0.2 0.4 0.6 0.8 0.2 0.4 0.6 0.8
data locations data locations
φ = 0.15 φ = 0.3
−0.2 0.0 0.2 0.4 0.6
prediction weights
v. nugget: τ 2 = 0
(b) The prediction weights: varying κ
κ = 0.5 κ=1
−0.2 0.0 0.2 0.4 0.6
prediction weights
0.2 0.4 0.6 0.8 0.2 0.4 0.6 0.8
data locations data locations
κ=2 κ=5
−0.2 0.0 0.2 0.4 0.6
prediction weights
v. Nugget: τ 2 = 0
(c) The prediction weights: varying τ 2
0.8 τ2 = 0 τ2 = 0.1
0.8
prediction weights
prediction weights
0.4
0.4
0.0
0.0
0.2 0.4 0.6 0.8 0.2 0.4 0.6 0.8
data locations data locations
τ2 = 0.25 τ2 = 0.5
0.8
0.8
prediction weights
prediction weights
0.4
0.4
0.0
0.0
• [T |Y ] is univariate Gaussian;
4. Predição “plug-in”
5. Estudo de Caso
6. Comentários e Extensões
1. Propriedades do segundo momento
• o variograma é a função
1
V (x, x0) = Var{Y (x) − Y (x0)}
2
• implicações práticas:
– qualquer versão razoável do modelo li-
near Gaussiano tem pelo menos três
parâmetros de covariância
• Implementação Bayesiana,
– estimação e predição combinadas
• se Y (x) é estacionário,
1
V (x, x0) = V (u) = E[{Y (x) − Y (x0)}2]
2
onde u = ||x − x0||
• defina as quantidades:
ri = Yi − µ̂(xi)
uij = ||xi − xj ||
(ri − rj )2
vij =
2
Variograma empı́rico
(c) O ajuste de variogramas
Estime os parâmetros θ̃ minimizando um
particular critério
por exemplo, mı́nimos quadrados generaliza-
dos (Cressie, 1993)
X
S(θ) = nk {[V̄k − V (uk ; θ)]/V (uij ; θ)}2
k
WLS 1
WLS 2
20
OLS
0
• •
•
•
0.8 •
•
•
• •
•
•
Semi-variance
• • •
0.6
•
• •
•
• •
• •
•
0.4 • •
•
•
•
0.2
••
•
0.0
Distance
Y ∼ MVN(F β, σ 2R + τ 2I)
e a função de verossimilhaça é:
`(β, τ, σ, φ, κ) ∝ −0.5{log |(σ 2R + τ 2I)| +
(y − F β)0(σ 2R + τ 2I)−1(y − F β)}.
200
150
N-S (km)
100
50
0
0 100 200 300
E-W (km)
• 467 localizações
κ λ̂ log L̂
0.5 0.514 -2464.246
1 0.508 -2462.413
2 0.508 -2464.160
Estimativas de MV de λ̂ e valores da log-verossimilhança log L̂ para
diferentes valores de κ.
••
• •
•
•
-2463 -2463 -2463
•
•
•
-2464 -2464 -2464
••
•• • • • •
• • •
•
•
• •
-2465 -2465 -2465 •
•
•
• •
• •
• •
direita: κ = 2.
• •
•
chuva na Suı́ça (cont.)
120
•
100 •
•
• • •
Semi-variance
80 •
•
• • •
60
•
40
•
20 •
•
0
0 50 100 150 200
Distance
κ β̂ σ̂ 2 φ̂ τ̂ 2 log L̂
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 β̂, φ̂, σ̂, τ̂ and the corresponding va-
lue of the likelihood function log L̂ for different values of the Matérn
parameter κ, for λ = 0.5
• • •• • • ••
-2462.5 • -2462.5 • • -2462.5 • •
• •
• •
• •
• •
• • •
•
-2463.0 • -2463.0 -2463.0 •
• • •
•
• •
•
•
chuva na Suı́ça (cont.)
200 200
100 100
0 0
-100 0 100 200 300 400 500 -100 0 5000 10000 15000
600
500
400
300
200
100
0
0.410 0.415 0.420
• Verossimilhanças perfilhadas
1. Inferência Bayesiana
Thus,
[θ|Y ] = [Y |θ][θ]/[Y ]
(b) Prior
• before we observe Y , the marginal [θ] ex-
presses our uncertainty about θ
• call [θ] prior distribution for θ
(c) Posterior
• having observed Y , it is no longer an unk-
nown (randomly varying) quantity
• therefore revise uncertainty about θ by
conditioning on the observed value of Y
• call [θ|Y ] posterior distribution for θ, and
use it to make inferential statements
Z
[T |Y ] = [T, θ|Y ]dθ
Z
= [θ|Y ][T |Y, θ]dθ
Comparing plug-in and Bayesian
Notes:
(a) Until recently, the need to evaluate the in-
tegral which defines [Y ] represented a major
obstacle to practical application.
Algorithm 1:
(a) Discretise the distribution [φ|y], i.e. choose
a range of values for φ which is sensible for
the particular application, and assign a dis-
crete uniform prior for φ on a set of values
spanning the chosen range.
ZZZ
p(S ∗|Y ) = p(S ∗, β, σ 2, φ|Y ) dβ dσ 2 dφ
ZZZ
¡ ∗ ¢
= p s , β, σ |y, φ dβ dσ 2 pr(φ|y) dφ
2
Z
= p(S ∗|Y, φ) p(φ|y) dφ.
Algorithm 2:
(a) Discretise [φ|Y ], as in Algorithm 1.
profile log−likelihood
−562.5
−562.5
−563.5
−563.5
60 80 120 15 20 25
σ 2
φ
0.15
0.000 0.005 0.010 0.015
0.10
Density
Density
0.05 0.00
80
30
70
60
25
50
φ
φ
20
40
15
30
20
10
10
250
250
200
200
100 150
100 150
Coords Y
Coords Y
50
50
0
0
7 150 294 437 581 8 5297 10587 15876 21165
−50
−50
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Coords X Coords X
Predicted signal surfaces and associated measures of
precision for the rainfall data: (a) posterior mean; (b) pos-
terior variance
250
200150
Coords Y
100 50
0
250
200
150
1
Coords Y 3
2 4
100 50
0
−50
Loc. 1
Loc. 2
Loc. 3
Loc. 4
0.010
density
0.005
0.000
Dados Positivos:
0.6
0.3
0.0
0 1 2 3 4 5
Dados Contagem:
0.00 0.15 0.30
0 1 2 3 4 5 6 7
Dados Binomial:
0.00 0.15 0.30
0 1 2 3 4
Poisson-log
• [Y (xi) | S(xi)] é Poisson com densidade
f (z; µ) = exp(−µ)µz /z! z = 0, 1, 2, . . .
• ligação: E[Y (xi) | S(xi)] = µi = exp(S(xi))
Binomial-logit
• [Y (xi) | S(xi)] é binomial com densidade
µ ¶
r
f (z; µ) = (µ/r)z (1 − µ/r)r−µ z = 0, 1, . . . , r
z
• ligação: µi = E[Y (xi) | S(xi)] , S(xi) = log(µi/(r −
µi))
Função de Verossimilhança
Z n
Y
L(θ) = f (yi; h−1(si))f (s | θ)ds1, . . . , dsn
IRn i
Y S S*
– evacuada em 1985
• Problemas estatı́sticos
– delineamento e medidas de campo de 137Cs
· Yi|{S(·)} ∼ Poisson(µi)
· µi = tiλ(xi) = ti exp{S(xi)}.
• Objetivos:
· predizer λ(x) sobre toda ilha
· max λ(x)
· arg(max λ(x))
1000
0
0 2 4 6 8 10
-1000
-2000
-3000
-4000
-5000
0 5 10 15
-1000
-2000
-3000
-4000
-5000
0.14
1.0
0.12
0.8
0.10
Survivor function
0.6
0.08
Density
0.06
0.4
0.04
0.2
0.02
0.0
0.0
10 20 30 40 50 60 0 5 10 15 20
– em indivı́duos
• sexo (F/M)
• wi = covariável da vila
• derivar dados ri
2
1
0
0 5 10 15 20 25 30
distance (km)
• ν 2 próximo de zero
-1.5 0.0 1.0
1600
Central
1500
Kilometres
Western Eastern
1400
Kilometres
x = (452, 1493)
x = (520, 1497)
0.6
Density
0.4
0.2
0.0
-4 -2 0 2 4
S(x)
2.0
2500
2000
1.5
Density
Density
1500
1.0
1000
0.5
500
0.0
0
beta_1 beta_2
o oo
o
oo o o o o o o
o ooo oooo ooo o o o o
o
o o ooo o
ooo
o
o oooo
oo oo
ooo
o o
oo
o o
oooo o o o
o
o oo o o
o oo o o o
1.5
o ooooo o o
oo
o o o oo oo
ooo
o
o
o
o
o o
ooo
o
ooo
o o
oo
o
oooo
o
oo
o
o
o
oo
oooo o o
o
0.0
o ooo ooo
oo
o
oooo
oo
oo oo
o
ooooo
oo
oo
oo
oo
ooo o
ooo oo o
ooooo oooo
o oo
oooo
o
o
ooo
oo
o
o
oo
o
oo
oo
oo
o
o
ooo oo
oo
oo
oo
oo
oo o
ooooo
ooo oo o
oo
o
oo
o
oooo
oo
o
ooo
o
o
ooo
oo
o
ooo
oo
o o
o
o o
oo
oo
o
ooooo oooo o o
oo o ooo ooooo oo
o
ooo
oo
o
oooo
oo
oo
ooo
o
oo
oo
o
o
oo
o
oo
oo
o
o
oo
ooo
o
oo
o
ooo
o
oooo
oo
o
ooooooooo
o o
ooo
oo o
ooo
ooo
oo
o oo
o
oo
o
oo
o
o
oo
o
o
o
oo
o
o
oooo
oo
oo
o
oo
oo
o
oo
o
oo
oo
oo
o
oooooo
o oo o ooo o
o
oo
o
ooo
o oo
o
oo
o
o
oo
oo
o
oo
oo
oo
oo
o
oo
o
oo
o
oo
o
o
oo
o
oo
oo
o
oo
oo
ooo
oo
o
oo
o
o
oo
oo
o
o o ooo
oo o o o o
o o
oo
oooo
ooo
oo
o
oo
o
oo
oo
o
o
ooo
o
oo
o
oo
o
oo
o
oo
o
oo
o
oo
oo
o
o
ooo
o
oo
o
o
o o
ooo
oooo ooo
o oo
o o
o o o
oo o
o o o
ooo
oooo oo oo
o oooooooooo
o
o
o
o
ooo
o
oo
o
o
o
o
o
o
o
o
oo
o
oo
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
o
o
o
o
o
oo
o
oo
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
oo
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
ooo o
oo
oo o oo
o
ooo
oo
ooo
o
oo
ooo
o
o
oo
oo
o
o
oo
o
o
oo
o
oo
o
o
oo
o
oo
o
o
ooo
o
oo
o
oo
oo
o
o
oo
o
oo
o
o
ooo
o
o
o o
o
o
o o
o
ooo
ooo ooooo o
Density
o o o oooooooo o
o
ooo
oo
o oo
o o
o
beta_3
o oo o
o ooo oo o
ooo
ooo o
ooo
ooo
oooo
o o o
oo ooo
1.0
oo ooo o oo
oo
o o
oo
oo
o
oo
o
o
o
oo
o
oo
oo
o
o
o
oo
o
o
o
ooo
o
oo
o
o
o
oo
o
oo
o
o
o
oo
o
oo
o
oo
o
oo
o
o
oo
o
oo
o
oo
oo
oo
o
o
oo
oo
o
o o
o
oooo oooo o
o o
o
o ooo oo
oooo
oo
o
oo
oo
o
o
oo
oo
o
o
o
oo
oo
o
o
oo
oo
o
oo
o
o
oo
o
oo
o
o
o
oo
o
oo
o
oo
o
oo
o
o
ooo
o
oo
o
o
oo
o
o
oo
o
o
oo
o
o
o
o
ooo
o
oo
o
o
oo
o
oo
oo
oooo
o
ooooo
ooooo o
oo ooooooooooo
oo
oo
oo
o
o o
oo
oo
oo
ooo
o
o
oo
ooo
o
oo
ooo
oo
oo
o
o o oo o
o ooo
o
oooo
o
o
o
oo
oo
o
o
o
oo
o
o
o
o
o
o
o
o
oo
o
o
oo
o
o
o
oo
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
oo
o
o
oo
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
oo
o
o
o
ooo
oo
o
o
o
ooo
o
o
o
o
oooo
oooo o
o
ooo o
oooo o
o
ooo
oo
o
ooo
o
oo
o
oo
o
oo
oo
oo
o
o
oo
oo
o
oo
o
o
o
oo
oo
o
ooo
o
oo
o
oo
o
o
oo
o
oo
oo
o
oo
o
oo
o
oo
oo
oo
oo
oo
ooo
o
oo
oooo ooo o o
-0.5
oo o
oo o
o
oo
o o
o
ooo
o
oo
ooo
o
oo
oo
oo
o
oo
o
oo
oo
oo
o
o
oo
o
oo
oo
oo
oooo
o
ooo
oooooo
oo
oo
o
oo
oo
ooo o
oo o o o
o
ooo
o
o
oo
o
ooo
ooo
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
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
oo
o
oo
o
ooo
ooo
oo
o
o
o
oo
oo
o
oo
ooooo
o
o
ooooo o
o o
oo oo o o
oooo
o
o
oo
o
oo
oooo
oo
o
oo
o
o
o
o
oo
o
o
oo
oo
o
oo
o
oo
o
oo
ooo
o
o
oo
o
o
oo
o
oo
o
o
ooo
oo
oo
o o
oo
oo
oo
oo o
oo
o oo
o
oo
oo
oooooo
ooooo
o
oo
o
oo
o
oo
o
oo
oo
o
o
oo
o
oo
oo
o
o
oo
ooo
o
o
oo
o
o
o
oooo
oo
o
oo
oo o
oo
ooo
oooooo
ooo o
ooo
ooo
o
oo
o
oooo
o
oo
ooo
o
oo
o
oo
oo
o
oo
o
o
oo
oo
o
o
oo
oo
oo
o
o
ooo
oo ooo
ooo
oo
oo
o oo o
oo o o oo
o
oo oo
o
oo
o
o o
o
ooo
o
o o
o
oo
o
oo
oo
o
oo
oo
oo
ooooooo
oo
oo oo o
o o o
oo ooo
oooo
oo
oo
oo ooo
ooo
oo o
oo
ooo o
oooo
oo
o
o
oooooooo oo
oo o
oo
o
oo
o
oo
oo
o
oo
ooo
ooo oo
oo
o
o
oooo
oooooo ooo
oooo
0.5
o o
oo o
oo
oo
o oo
o
o
ooo
oo
o
ooo
oo
o oo o o
o oooo
o ooo o
o
o
o
o
ooo
o
o
oo
oo
o
o
o
o
ooo
oo
oo
o
oo
o
o o
o
o o
o
o ooooo
o o ooo o
ooooo
o
oo o
oo
oo o o oo o o
oo o o
oo o oooo oo
o ooo o o
ooooo
ooo
o o
oo
o
oo o
o
o
o ooo
oo ooo
o
o ooo o oooo o o o o
oo o
o oo oo o oo
-1.0
o oo o
o o
0.0
o o
beta_3 beta_2
• β1 = efeito de idade
• β2 = efeito de mosquiteiro não tratado
• β3 = efeito adicional de tratamento de mos-
quiteiro
Qualidade do ajusto do modelo
4
o
o o o
o o o o
o o o
o o
o
2
o o
o
o
o o
o o
o o
o
o o o
o o
o
0
o o o
o
o
Residual
o o o
o
o o o
o o
oo o
o o o o
-2
o
o o
o
o
o o
o
o o o
o
-4
Fitted value
1.5
1.0
0.5
0 10 20 30 40 50 60
Distance (km)
o o
o o o o
o o
1
oo o
o oo o
o
o
o
oooo oo ooo o
E[U|data]
o o
o
oo o o
0
oo o
o
o
o
oo oo
o ooo
o o
o o
o oo
-1
o
o
o
o o
-2
-2 -1 0 1 2
E[S(x)|data]