 Coeficiente de correlação ( x  x )(y  y )

i i
linear produto momento, cov( x , y ) n 1
r 
segundo Pearson (r) var( x ) var(y )  ( x  x )  ( y  y )2
2
i . i
n 1 n 1
Regressão múltipla linear
 SPXY = xy -(x y) / n; SPXY
r
 SQX = x2 - (x)2 / n; SQX.SQY
(Análise de superfícies de tendência)  SQY = y2 - (y)22 / n

 r: -1 à +1; n 2
tr ,
 r: 0, não há correlação 1 r 2
linear entre x e y.
1 2

 Regressão linear
 Coeficiente de determinação

 Verificado pelo valor de r que ocorre uma significante

 r2*100%: fração da variância total de x e y correlação linear entre duas variáveis há necessidade de
explicada pela relação linear; ajuste da distribuição quantificar tal relação, o que é feito pela análise de
dos pontos em relação à reta. regressão.

 Modelo: equação de uma reta que, disposta num sistema

de eixos cartesianos, com valores de yi (variável
dependente) na ordenada e xi (variável independente) na
abcissa, a soma dos quadrados dos desvios verticais dos
pontos em relação a ela seja mínima.
3 4

1
  Equação da reta: Y = a + bX
 onde yi é o valor estimado para um específico valor xi;
 “b” revela a inclinação da reta, ou seja o acréscimo ou
decréscimo do valor de y em relação à x;
 “a” localiza na ordenada o ponto de interseção da reta
em relação ao sistema de coordenada retangulares.

 Utilizando o método dos mínimos quadrados, os valores

da equação da reta são determinados por:

SPXY yi xi a  y  bx

b  y  x 
SQX n n

5 6

Regressão curvilínea
Função quadrática
Y *  a  a X  a X 2  a X 3  ...
0 1 2 3
 potências crescentes de xi, variável independente e
coeficientes
 xi e xi2: parábola com um único ponto de inflexão
 com potências crescentes de xi, curva mais complexa para
ajuste
 processo por etapas (stepwise)

 O modelo para a regressão polinomial de grau k é

Y     X   X 2  ...   X k  
o 1 i 2 i k i

7 8

2
 Extensão da regressão linear
Função cúbica y
Regressão linear:

y  a  bx

Regressão múltipla linear : z

z  b0  b1 x  b2 y y

(regressão polinomial)
x
9 10

Ajustando uma superfície de tendência de 1º grau

0 0 0
1 Grau 2 Grau 3 Grau
Y Y Y

VARIÁVEL
2

X X X
LINHA PARABOLA 0
CURVA DE 3 GRAU
Dados interpolados
Dados originais

Z Z Z

VARIÁVEL
3
X X X
PLANO PARABOLOIDE SUPERFÍCIE DE03 GRAU
Y Y Y

11 12

3
 •O comportamento espacial de variáveis mapeáveis pode ser
mostrado com os valores distribuindo-se segundo curvas de
mesmo valor, também conhecidas como isopletas.
•Tais mapas, como os topográficos, fornecem importantes
informações, porém, em algumas situações os padrões de
variação não se mostram muito claros devido a flutuações
locais ou a valores anômalos.
•É comum nessas circunstâncias falar-se em tendências
regionais que são mascaradas por anomalias locais.
•Método da análise de superfícies de tendência: separação
entre grandes e sistemáticas mudanças existentes na área e
pequenas, aparentemente não ordenadas, que se impõem
aos padrões mais gerais.
13
 Regressão polinomial
 Superfícies contínuas calculadas por critérios de regressão
polinomial, onde Zi é a variável dependente em função linear
das coordenadas X-Y dos pontos amostrados e
irregularmente distribuídos
 O modelo para a representação da superfície, pelo método
dos polinômios não ortogonais, é:
zi ( X ,Y )  [a0  a1 xi  a2 yi  a3 xi2  a4 xi yi  ...]  ei ( xi , yi )
onde zi(X,Y) é a variável mapeada em função das
coordenadas xi e yi e ei representa os resíduos, ou seja, a
fonte não-sistemática de variação.
14

Análise de superfícies de tendência Representação de uma superfície linear (grau 1)

 Separação entre o aspecto estrutural (determinístico) e o  para o cálculo dos

aspécto errático (casual): tendências regionais e pequenas, coeficientes ai, os
aparentemente não ordenadas flutuações, que se impõem dados são dispostos
aos padrões mais gerais. num sistema de
equações normais
 Detecção de anomalias: resíduos, positivos e negativos, de
superfícies de baixo grau.  n  xi  yi   a0    zi 
 x  
 xi2  xi yi  a
 1   z x 
 Modelagem por suavização: verificação da superfície de mais  i   i i
alto grau possível que se ajuste aos dados.   yi  xi yi  yi2  a2    zi yi 

z( X ,Y )  a0  a1 xi  a2 yi  ei  [A] = [XY]-1[Z]

15 16

4
 Cuidados:
Superfície de grau 2
 procurar tecer considerações apenas em relação à
área coberta pelos pontos evitando as extremidades
dos mapas, pois a extrapolação pode apresentar
1
distorções;
 b0   n  xi  yi  xi2  xi yi  y i2    zi 
b     
 1   xi  xi2  xi y
i
 xi3  xi2 y i  xi y i2 
  x i zi 
 b2    yi  xi yi  y i2  xi2 y i  xi y i2  y i3    y i zi   o número de pontos deve ser maior que o número
b      
  xi  xi3  xi2 y  xi4  xi3 y i  xi2 y i2    x i zi  de coeficientes do polinômio a ser calculado;
2 2
 3 i
b4   x y  xi2 y  xi y i2  xi3 y i  xi2 y i2  xi y i3    x i y i zi 
   i i
i   
  y i2  y i    y i zi 
2
 b5   xi yi  yi  xi yi  xi yi
2 3 2 2 3 4

 o arranjo dos pontos, ainda que irregular, deve ser

casual e razoavelmente bem distribuído, evitando
agrupamentos;
17 18

 Quando da inversão da matriz, por programas em

microcomputador, podem ocorrer problemas com os
resultados obtidos para superfícies de mais alto grau, isso
porque em sistemas com valores de diversos dígitos, tipo
UTM, a precisão computacional se deteriora exigindo
formato de dupla precisão.
 Mesmo assim podem ocorrer limitações e, então, a
solução é a transformação das coordenadas xi e yi,
conforme as equações, que fornecem valores para as
coordenadas entre 0 e 1 e não modifica a forma das
superfícies:

xi  xmin yi  ymin
x*  y* 
xmax  xmin ymax  ymin

19 20

5
 Verificação do ajuste das superfícies: Superfícies de tendência
coeficiente de determinação (R2)
 Proporção da variação total da variável dependente “zi”
que é explicada pela variação das variáveis Superfície original com
independentes “xi” e “yi” pontos de amostragem
 Variação total dos dados: SQT = Z2 – (Z)2/n
 Variação devido à superfície calculada: SQP = Z*2–
(Z*)2/n Linear Quadratic Cubic
 Variação devido aos resíduos: SQR = SQT - SQP

 Porcentagem de ajuste da superfície: R2 = (SQP/SQT)100

 O coeficiente de correlação “r” indica a relação entre

variáveis e “r2” indica o quanto uma variável “explica” a
outra, ou quanto a superfície calculada se ajusta aos R2 = 45.42 % R2 = 82.11 % R2 = 92.72 %
21 dados espaciais originais. 22

Exemplo
Y1 = -621 -4.78(10.0 – 1.96(17.0) = -606.6

23 24
Equação do plano: Yi = -621 – 4.78X1 – 1.96X2

6
 Resíduos positivos e negativos
Superfície de grau 1

25 26

Amostragem/Rio Paraiba: plancton

100

Exemplos
50

0
0 500 1000 1500 2000 2500

27 28

7
 Superfície linear
Resíduos da superfície de tendência
100

100

50

50

0
0 500 1000 1500 2000 2500

0
0 500 1000 1500 2000 2500

29 30

Área urbana de Rio Claro/SP

 Dengue na área urbana de Rio Claro/SP (1998-2002)

 No município de Rio Claro/SP a incidência da dengue aumentou

de menos que 5 casos por 100.000 habitantes nos anos de 1998
e 1999 para 349 casos/100.000 hab. no ano de 2002, num total
de 588 casos confirmados

 Entre as áreas com ocorrência da dengue destaca-se a região

nas proximidades do cemitério público São João Baptista e nas
proximidades da rodovia estadual Washington Luís

31 32

8
 Superfície de tendência de 1o grau para incidência
do dengue (casos por 10.000 habitantes)para 2002.

Foi verificado para o ano de 2002 um total de 598

7526000

notificações positivas com uma taxa de incidência da 7524000

ordem de 349 casos/100.000 habitantes.

7522000

7520000

7518000 Legenda
Cemitério
Rodovia
Área Urbana
7516000

Escala Gráfica

0 1000 2000 Km
7514000
232000 234000 236000 238000 240000
Superfície de tendência de 1o. grau
(Incidência casos/10.000 hab)

33 34

-25
-20
-15
-10
-5
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75

Mapa de resíduos da superfície de tendência linear

7526000

 Regressão polinomial (SURFER)

7524000

7522000  Usar a matriz de dados do exercício 02 (100 pontos de

amostragem e variável Cd)
7520000
Legenda
Cemitério
Rodovia
7518000 Área Urbana

7516000
Escala Gráfica

0 1000 2000 Km

7514000
232000 234000 236000 238000 240000
Resíduos da superfície
de tendência de 1o. grau
-150

150

300

450

600

750

35 36

9
 Cálculo da superfície linear
Entrar em Grid/Data e, em seguida, escolher a opção
Gridding Method/ Polynomial Regression e em
Options o grau da superfície desejada.
Caso queira gravar o arquivo com os valores do
reticulado com um nome especial, faze-lo usando
Browse.

37 38

Impressão da superfície
Entrar em Map/Contour e escolher o arquivo *.grd
recem calculado.
Em seguida, na janela Contour Map decidir sobre Fill
Contours, Color Scale, Smooting, Level, Fill e Label.
O resultado sera um arquivo *.srf, que poderá ser
gravado e impresso

39 40

10
Cálculo e impressão do mapa de resíduos
Entrar em Grid/Residuals e escolher o arquivo *.grid e,
em seguida, o correspondente arquivo *. dat.
Na janela Grid Residuals aparecera a informação Store residuals in Mínima
column [ ]. curvatura
Abrir a janela Worksheet e regravar o arquivo *.dat, agora com os
valores residuais calculados.
Abril a janela Plot, e em seguida Grid.
Na janela Gridding method escolher em Data Columns, como variável Z,
a coluna com os valores residuais e em Gridding Method um algoritmo
para a confecção do mapa de valores residuais. Por exemplo Minimum
Curvature ou Natural Neighbor.
Para a impressão do mapa de resíduos seguir os mesmos passos
anteriormente
41 descritos em “Impressão da superfície”. 42

Vizinho natural e polígonos de Thiessen

• unir
1 – unir
todos
todos
osos
pares de pontos
Polígono de
Vizinho
com segmentos
de reta
recta Thiessen natural
• traçar a
perpendicular a
cada segmento
de reta

Ao ser adicionado um novo ponto, os polígonos se

modificam.
A área associada a esse ponto é “emprestada” das
existentes.
O interpolador usa medias ponderadas, onde os pesos são
43 proporcionais às áreas emprestadas. 44

11
45

12