Não foi possível enviar o arquivo. Será algum problema com as permissões?
Essa é uma revisão anterior do documento!
CE-097 : 1o Semestre de 2015
| Data | Tema(s) | |
|---|---|---|
| 23/02 | Não houve aula para participação em palestra do CONRE | |
| 25/02 | Apresentação do curso. Análise espacial e estatística espacial. Algumas questões envolvendo dados espaciais (sistemas de coordenadas, projeções, distâncias). Introdução a dados espaciais - tipos de dados e características dos processos espaciais (dados de áreas, geoestatísticos e processos pontuais). | |
| 02/03 | (Gabriel) Visualização de dados de área em mapas: cores, classes (número e critérios para divisão em classes) e variável a ser visualizada | |
| 04/03 | (Gabriel) Visualização de dados de área em mapas: cores, classes (número e critérios para divisão em classes) e variável a ser visualizada (cont). Pacotes e comandos do R | Arquivos de dados e comandos |
| 09/03 | (Fernando) Método Bayesiano empírico para suavização espacial de taxas | |
| 11/03 | (Fernando) cont. | |
| 16/03 | (Eliane) I de Moran e outros medidas de associação espacial | |
| 18/03 | (Eliane) cont. | |
| 23/03 | (Daniel) Algorítmo SKATER para grupos espaciais | |
| 25/03 | (PJ) SKATER, cont. | |
| 30/03 | (Karin) Detecção de clusters - Kuldorff | |
| 01/04 | (Vanessa e Bruno) Modelos para dados espaciais de áreas - CAR e SAR | |
| 06/04 | (Vanessa e Bruno) cont. | |
| 08/04 | (Vanessa e Bruno) cont. | |
| 13/04 | (PJ) Idéias básicas sobre modelagem e predição geoestatística (model linear/Gaussinano) | Ver abaixo |
13/04
Código visto em aula
require(geoR) ## conjunto da dados "bem comportado" a ser utilizado no exemplo desta aula data(s100) plot(s100) plot(s100, low=T) ## outros dados com comportamentos diferentes plot(Ksat) plot(ca20) plot(parana) ## plot(s100, low=T) points(s100) ## estimação dos parâmetros por máxima verossimilhança ml <- likfit(s100, ini=c(var(s100$data), 0.1)) ml ## definindo uma malha de pontos para predição espacial (mapa de predição) ## uma malha "grossa"de predição g1 <- expand.grid(seq(0,1, l=11), seq(0,1, l=11)) points(s100) points(g1, col=2, pch=19, cex=0.3) ## uma malha "fina" de predição g2 <- expand.grid(seq(0,1, l=51), seq(0,1, l=51)) points(s100) points(g, col=2, pch=19, cex=0.3) ## predição na malha grossa: kr1 <- krige.conv(s100, loc=g1, krige=krige.control(obj.m=ml)) image(kr1) points(s100, add=T) ## predição na malha "fina" kr2 <- krige.conv(s100, loc=g2, krige=krige.control(obj.m=ml)) image(kr2) ## pode-se usar outras palhetes de cores image(kr2, col=gray(seq(1, 0, l=50))) image(kr2, col=gray(seq(1, 0.2, l=50))) points(s100, add=T) image(kr2, col=gray(seq(0, 1, l=50))) points(s100, add=T) image(kr2, col=rev(gray(seq(0, 1, l=50)))) image(kr2, col=terrain.colors(21)) ## mapa de erros padrão de predição image(kr2, col=terrain.colors(21), val = sqrt(kr2$krige.var)) points(s100, add=T)
13/04
- No exemplo da aula passada inspecione os objetos retornados pelas funções e em especial o retornado por krige.conv(). Para este último o resultado é uma lista na qual os dois primeiros elementos são e média e variãncia das distribuições condicionais (preditivas). Considere antão a obtenção dos seguintes tópicos adicionais:
- Obtenha um mapa de divida dos valores preditos nos intervalos [-Inf a -1,5), [-1,5 a 0], [0, a 1,5] e [1,5 a Inf].
- Obtenha um mapa de probabilidades de P[Y > 1], P[Y > 1.5], P[Y > 2].
- Obtenha um mapa do 1o quartil, um do 3o quantil e dos percentis 10 e 90.
- Como voce faria para obter a predição da proporção da área acima de um determinado limiar (por exemplo 1,2).
