CAPTULO 1

CONCEITOS E MTODOS ESTATSTICOS

Marcelo Silva de Oliveira Daniel Furtado Ferreira Jlio Slvio de Souza Bueno Paulo Csar Lima Renato Ribeiro de Lima Ruben Delly Veiga Marcelo de Carvalho Alves

1.1 APRESENTAO
Este captulo apresenta a fundamentao estatstica, conceitual e metodolgica, utilizada neste zoneamento. Sendo a Estatstica a cincia fundamental para o tratamento correto de dados que envolvem incerteza, como o caso do zoneamento, uma correta abordagem estatstica faz-se necessria para que o produto final, informao, ganhe toda a segurana possvel de lhe ser conferida. Quatro sees sero tratadas aqui, exatamente sobre os temas diretamente pertinentes aos usos praticados na construo do Zoneamento Ecolgico-Econmico do Estado de Minas Gerais (ZEE-MG), a saber: uma seo sobre o Sistema de Mensurao e de Informao, uma sobre Geoestatstica, outra sobre Anlise de Componentes Principais e, finalmente, a ltima sobre Regresso.

1.2 SISTEMAS DE MENSURAO E DE INFORMAO

O Projeto ZEE-MG concretizou-se tendo como produtos finais os seguintes artefatos:

- Um banco de dados digitalizado em SIG (Sistema de Informaes Geogrficas), contendo todos os indicadores obtidos a partir dos dados analisados, com georreferenciamento. - Mapas temticos digitais e em papel com informaes textuais que adicionam compreenso aos usurios em relao aos mapas. - Anlise de casos de usos dos dois artefatos anteriores. Obviamente, alm destes produtos tangveis, obteve-se tambm o aumento do conhecimento e experincia das instituies e pesquisadores envolvidos. Tanto os trs artefatos tangveis, quanto o ganho cientfico dos pesquisadores e instituies, descansam sobre mensuraes ou medies, as quais foram desenvolvidas num contexto sistmico, com o fim de dar informaes para o gestor ou pesquisador. Por causa desta importncia basilar, descrito a seguir o discernimento conceitual sobre o sistema de medio que balizou o trabalho desenvolvido por todos os pesquisadores. Uma seo final introduzir o conceito de sistema de informaes (geogrficas), que ser posteriormente estendido em outro captulo. 1.2.1 Definio do sistema de mensurao Um sistema um conjunto de partes (ou componentes) interrelacionados, interdependentes, e interinteligveis, que cooperam articuladamente para cumprir um propsito pr-estabelecido. Um sistema de mensurao (ou de medio) um sistema de conceitos e mtodos metrolgicos. O particular modelo deste sistema de medio adotado neste zoneamento explicitado nas linhas a seguir. 1.2.1.1 Medio Diferentes tipos de variveis (ou atributos) foram utilizadas. Numa classificao mais geral, uma varivel pode ser classificada em um de dois tipos fundamentais: quantitativas ou qualitativas.

O detalhamento destes dois tipos pode ser visto na Tabela 1.1. As variveis podem ser medidas em diferentes tipos de escalas, mostradas na Tabela 1.2.
Tabela 1.1 - Detalhamento dos tipos de Variveis. Escala Varivel Caracterstica Exemplo

Nominal Qualitativa Ordinal

Tipos de atividades desenvolvidas numa Valores so nomes, ou estados noorganizao-cliente: banco, atacadista, numricos, sem hierarquia lgica provedora de telefonia, etc

Idem acima, mas com hierarquizao lgica

Grau de instruo de uma pessoa: sem instruo escolar, ensino fundamental incompleto, completo, ensino mdio incompleto, completo e superior 0, 1,

Discreta

Valores so nmeros pertencentes a um Nmero de bugs em um software: conjunto contvel 2, 3, 4, ...

Quantitativa Contnua

Valores so nmeros pertencentes a um conjunto no-contvel. Algumas vezes, as variveis quantitativas contnuas so divididas em Escala Intervalar (o zero da escala arbitrrio) e Escala Razo (o zero da escala absoluto)

Escala Razo: esforo em horas.homem: qualquer nmero real no-negativo, com zero absoluto. Escala Intervalar: temperatura do ar em graus Celsius: so nmeros reais, mas o zero arbitrrio (j a temperatura em Kelvin Escala Razo, pois o zero absoluto)

Tabela 1.2 - Detalhamento dos tipos de Escalas.

Escala

Varivel

Caracterstica

Exemplo

Operao

Nominal

Qualitativa nominal

Classifica apenas

Tipo de personalidade jurdica do cliente: pf, pj.

M= F (M) F funo 1 1 qualquer M= F (M) F funo monotonicamente crescente

Ordinal

Qualitativa ordinal

Classifica e ordena

Grau de satisfao do cliente

Intervalar

Quantitativa contnua Quantitativa contnua

Mede diferenas, sem zero absoluto H um zero absoluto, permitindo razes e propores Conta ou enumera

Grau de maturidade de um processo Tempo gasto

M= aM + b a > 0 M= aM a >0

Razo

Absoluta

Quantitativa discreta

Nmero de bugs em um software

M= M

Nota: M uma medida obtida; M uma transformao da medida M.

 A partir desta conceituao bsica sobre medio, cabe agora estabelecer um framework para proceder ao desenvolvimento do sistema de medio. Para tanto, foi utilizada a norma ISO/IEC 15939 (referncia internacional para orientao no processo de construo de indicadores de performance de sistemas). Um sistema de medio, segundo a norma ISO/IEC 159391, compreende essencialmente dois componentes: - O modelo de medio. - O processo de medio. apresentado, a seguir, um detalhamento desses dois componentes.

1.2.1.2 Modelo de medio Um modelo de medio compreende, segundo a norma ISO/IEC 15939, os elementos citados na Figura 1.1. Em primeiro lugar, uma necessidade de informao define uma entidade que ser medida. Esta entidade aquilo que se entende possuir a informao necessria para satisfazer a necessidade de informao. Quase sempre um ente fsico tangvel. Um conceito mensurvel uma idia sobre como uma necessidade de informao pode ser satisfeita a partir de entidades. Em outras palavras, a idia que liga mensurativamente uma necessidade de informao a uma entidade. Um conceito mensurvel pode ser implementado por diferentes construes mensurveis. Um detalhamento de como uma construo mensurvel feita mostrado na Figura 1.2. Como se pode ver, uma construo mensurvel define um produto de informao, que satisfar as necessidades de informao. Este produto de informao produzido a partir de atributos, os quais representam as entidades. Uma construo mensurvel composta, essencialmente, por medidas bsicas, medidas derivadas e indicadores, relacionados entre si e com atributos e produto de informao atravs de conectores lgicos (mtodo de medio, funo de medio, modelo de anlise, critrio de deciso). Uma medida bsica inclui um atributo mensurvel de uma entidade, atravs de um mtodo de medio para quantificao do atributo e um valor resultante da aplicao do mtodo. A seqncia fundamental para um modelo de medio encontra-se na Figura 1.3. Relacionados a uma medida bsica, tm-se os conceitos de escala de medio (j definido), unidade de medio, observao (como o ato de designar um valor) e unidade de observao. Deve-se salientar que uma medida derivada incorpora informaes sobre dois ou mais atributos ou vrias observaes de um mesmo atributo. Uma medida derivada inclui dois ou mais valores de medidas bsicas e/ou medidas derivadas, uma funo matemtica combinando os valores (funo de medio), e um valor resultante da aplicao da funo. Um indicador uma medida que fornece uma estimativa ou avaliao de atributos especificados em relao a uma necessidade de informao. Um indicador demanda: - Um ou mais valores de medidas bsicas e/ou derivadas; - Um modelo de anlise combinando os valores resultantes; - Um valor resultante da aplicao do modelo; - Um critrio de deciso utilizado para avaliar o valor resultante do indicador. Freqentemente, visando a simplificao, os conceitos de atributos, medidas bsicas, medidas derivadas, e indicadores, so enfeixados genericamente sob o rtulo de variveis.

International Organization for Standardization (ISO). ISO/IEC 15939: Software Engineering Software Measurement Process. (s.1.), Genebra,

Suia. 2001.

Necessidade de Informao

Produto de Informao

Construo Mensurvel

Conceito mensurvel

Entidade

Atributo

Figura 1.1. Viso geral do Modelo de Medio segundo a norma ISO/IEC 15939.

Necessidades de Informao Critrio de Deciso

Produto de Informao Indicador Modelo de Anlise

Medida Derivada

Medida Derivada

Funo de Medio Medida Bsica Mtodo de Medio Entidade s Atributo Atributo Medida Bsica

Figura 1.2 - Detalhamento de uma construo mensurvel segundo a norma ISO/IEC 15939.

10

Entidade s

Atributo

Medida Bsica

Medida Derivada

Indicador

Necessidades de Informao
Figura 1.3 - Seqncia fundamental de um modelo de medio.

1.2.1.3 Processo de medio O processo de medio envolve as seguintes atividades: - Estabelecer e sustentar comprometimento para medio; - Planejar o processo de medio; - Realizar o processo de medio; - Avaliar a medio. As Figuras 1.4 e 1.5 mostram exemplos ilustrativos da aplicao do modelo de medio.

Necessidades de Informao Quais as condies aeroporturias do municpio X ?

Produto de Informao

A prpria mdia aritmtica

Indicador

Modelo de Anlise
Exame direto da mdia

Se mdia < 10 km ento condies aeroporturias so adequadas.

Critrio de Deciso

Medida Derivada
Distncia mdia

Funo de Medio
Mdia aritmtica

Registro das coordenadas espaciais de todos os aeroportos de classe Y no Estado

Mtodo de Medio

Distncias de cada ponto do municpio aos 4 aeroportos de classe Y mais prximos em cada quadrante

Medida Bsica

Entidades
Municpios

Existncia de aeroporto

Atributo

Figura 1.4 - Criao hipottica ilustrativa de um indicador para satisfazer a necessidade de informao sobre infraestrutura aeroporturia.

11

Quais as condies rodovirias do municpio X para o desenvolvimento da atividade Y ?

Necessidades de Informao

Produto de Informao Critrio de Deciso

Comprimento asfaltado/Comprimento total = IMRQ (ndice de Qualidade de Malha Rodoviria)

Indicador

Se IMRQ > 50% e IMRE > 80 km, ento condies rodovirias so adequadas para atividade Y

Modelo de Anlise
Composio das duas

Comprimento asfaltado = IMRE (ndice de Extenso de Malha Rodoviria)

Indicador

Comprimento total asfaltado

Medida Derivada

Comprimento total no-asfaltado

Medida Derivada

Comprimento total asfaltado

Medida Bsica

Funo de Medio
Funo identidade

Medio fsica em mapas ou tabelas

Mtodo de Medio

Comprimento total no-asfaltado

Medida Bsica

Entidades
Municpios

Malha rodoviria asfaltada

Atributo

Malha rodoviria no-asfaltada

Atributo

Figura 1.5 - Criao hipottica ilustrativa de um indicador para satisfazer a necessidade de informao sobre infraestrutura rodoviria.

1.2.2. Estrutura de dados para anlise estatstica As informaes georreferenciadas obedecem a uma estrutura apropriada ditada pelo banco de dados subsidirio ao SIG, porm, para a anlise estatstica entende-se a estrutura de dados como sendo essencialmente um conjunto de vetores-coluna indexados espacialmente (pelas coordenadas espaciais, isto , georreferenciadas), cujos componentes sero as variveis medidas em cada ponto espacial do Estado. A Figura 1.6 procura ilustrar esta idia. As variveis X1 e X2 so forosamente as coordenadas espaciais. As demais (X3, X4, ..., Xp) so os atributos, medidas bsicas, medidas derivadas, ou indicadores construdos. Eventualmente as variveis X3 em diante podero receber nova denominao, tal como Y, para declar-las diferentes de coordenadas espaciais. Estes vetores podem ser combinados em matrizes para anlise estatstica, se esta combinao melhorar ou facilitar alguma anlise em especial. 1.2.3 Atividades de impacto ecolgico e econmico. As determinaes de atributos, medidas bsicas e derivadas, e indicadores, dependem da definio das atividades que causam impacto ecolgico e econmico a populao do Estado. Em graus variados, a recproca tambm verdadeira. Essencialmente, esta interdependncia entre atividades e variveis pode ser vista segundo a matriz mostrada na Tabela 1.3. O nmero k de Indicadores e a prpria definio dos indicadores dependem do nmero p de atividades e da definio destas. Por exemplo, uma atividade Ai qualquer, pode exigir que o conjunto de indicadores contemple at o indicador Ik, para ser bem gerenciada. Portanto, existem trs caminhos de anlise:

12

X1 X2 X3 . . . Xp

Figura 1.6 - Representao conceitual estatstica para as variveis

Tabela 1.3 - interdependncia entre Atividades e Indicadores. Atividades de interesse/impacto ecolgico-econmico Indicadores

A1

...

Ai

...

Ap

I1

I2

I3

...

Ik

13

- Procura-se definir as atividades Ai, e, a partir da, os indicadores Ij; - Procura-se definir os indicadores Ij, e, a partir deles, as atividades Ai; - Procura-se definir os dois conceitos concomitantemente. Quanto s atividades elencadas, h dois grupos fundamentais: - Atividades Naturais: aquelas que podem ocorrer sem a interveno antrpica. Pertencem aos escopos lito, hidro, atmos, flora, e fauna; - Atividades Antrpicas: aquelas que somente ocorrem sob interveno humana. Pertencem aos escopos agro-silvo-pastoril (agropecuria), industrial, urbano, de gesto ambiental geral, energtico, entre outros.

Este framework portou-se como um pano-de-fundo para todo o trabalho de transformao de dados em informao, buscando-se atender s expectativas dos usurios destas informaes segundo padres de qualidade com aprovao consensual contempornea. 1.2.4 Sistema de informao Os Sistemas de Informaes Geogrficas (SIGs) podem ser considerados como uma subrea da tecnologia da informao, passveis de serem integrados com outras tecnologias, tais como a inteligncia artificial, com diferentes propsitos e aplicaes2. Os SIGs apresentam inmeras aplicaes e podem ser utilizados para fornecer informaes sobre gerenciamento do espao geogrfico (urbano e rural), rotas, estudos de impactos ambientais, gesto e qualidade de gua, definio de impostos e taxas, monitoramento e gerenciamento agrcola, modelagem e predio de clima e doenas, suporte deciso na aplicao de produtos fitossanitrios e fertilizantes em taxa varivel, manejo, planejamento e otimizao da extrao e replantio de florestas, entre muitos outros. Assim, a modificao rpida do uso do meio fsico, particularmente em reas de expanso de fronteiras agrcolas e urbanizao das cidades, impe a adoo de tcnicas de avaliao e de diagnstico da dinmica espao-temporal do uso das terras e de seu potencial ecolgico-econmico. Considerando-se que metodologias de Geocincias apresentam enorme potencial de utilizao em um pas de dimenses continentais como o Brasil, onde existe carncia de informaes para auxiliar o processo de tomada de deciso acerca de questes relacionadas com variveis ecolgico-econmicas, objetivou-se nesta seo abordar uma introduo aos princpios conceituais dos SIGs. Princpios A natureza complexa, dinmica e no-linear dos ecossistemas requer solues baseadas no avano da Tecnologia da Informao (TI) para melhor compreender e solucionar questes ligadas alimentao, meio-ambiente, produo de matria-prima, habitao, e recursos energticos. Dessa forma, medida que os custos das ferramentas tecnolgicas diminuem, catalisa-se um maior nmero de trabalhos utilizando aplicaes de Geocincias. Nos Sistemas de Informaes Geogrficas (SIGs), os fenmenos relacionados ao mundo real podem ser descritos de trs maneiras: espacial, temporal e temtica. Espacial, quando a variao muda de lugar para lugar; temporal, quando a variao muda com o tempo e temtica, quando as variaes so detectadas por meio de mudanas de caractersticas. Essas trs maneiras de observar os fenmenos que ocorrem na superfcie da terra compem, coletivamente, as informaes denominadas de dados espaciais. Pode-se identificar os seguintes componentes relacionados de forma hierrquica num SIG (Figura 1.7): - Interface com usurio; - Entrada e integrao de dados; - Consulta, anlise espacial e processamento de imagens; - Visualizao e plotagem; - Armazenamento e recuperao de dados (organizados sob a forma de um banco de dados geogrficos).
2

Burrough, P.A.; Mc Donnell, R.A.. Principles of Geographical Information Systems. New York: Oxford University Press, 1998, 331p..

14

Figura 1.7 - Arquitetura de um sistema de informaes geogrficas.

A informao geogrfica pode ser analisada por diferentes metodologias e tcnicas baseadas em estatsticas clssicas (mdia, varincia, desvio-padro, etc.), ou por metodologias de Estatstica Espacial (Geoestatstica, Padro de Pontos, etc). Quaisquer que sejam as tcnicas e mtodos utilizados, a integridade, consistncia, e acessibilidade do banco de dados so fundamentais para a consecuo das operaes. Devido complexidade das informaes geogrficas, a melhor maneira de gerenci-las atravs de um SIG. Este pode tanto fornecer dados numa estrutura adequada a uma metodologia de anlise quanto a outras, sejam estatsticas ou analticas de qualquer outra espcie (econmicas, sociais, ecolgicas, etc). Essa versatilidade confivel a grande virtude eleitora dos SIGs como framework padro hoje para o tratamento de dados oriundos de variveis espacialmente distribudas. 1.3 GEOESTATSTICA Diferentes reas do conhecimento estudam processos de variao espacial e/ou temporal, como: - A distribuio espacial do teor de estanho, expresso em lb/ton, em uma jazida; - A distribuio espacial da quantidade de chuva, em mm, que cai em uma certa regio, num determinado perodo de tempo; - O estudo da distribuio espao-temporal da poluio atmosfrica, por exemplo, chuva cida, em uma determinada regio geogrfica; - A variabilidade espacial da taxa de infiltrao da gua no solo, medida no campo; - A variabilidade espacial da produo de uma cultura agrcola, sob Agricultura de Preciso; - A distribuio espacial de oferta de recursos econmicos numa dada regio do estado; Nestes estudos, principalmente dois elementos podem ser discernidos: (i) A necessidade de considerar explicitamente ab initio as relaes de dependncia entre os valores de uma varivel em pontos vizinhos; (ii) A construo de preditores (ou estimadores) utilizando a dependncia acima e a informao fornecida por dados amostrais.

15

O elemento (i) acima s vezes referido como uma das principais leis da Geografia, e, por extenso, um elemento que no pode ser desprezado em qualquer estudo sobre superfcies e volumes na Terra. Os registros histricos mais antigos sobre estudos da variabilidade espacial ocorreram em cincia do solo para uso agrcola, a saber, os ensaios de uniformidade de Mercer e Hall em 1911, realizados na estao experimental de Rothamsted, na Inglaterra. Desde ento, pesquisadores na rea agrcola buscaram modelar a variao espacial de diferentes formas, at que, na dcada de 1950, D. G. Krige, estudando a estimao de teores de minrio de ouro em minas da frica do Sul, props uma metodologia que seria a semente utilizada por G. Matheron, no incio da dcada de 1960 na Frana, para formalizar sua Teoria das Variveis Regionalizadas, que passou a ser denominada Geoestatstica. Esta teoria incorpora os elementos (i) e (ii), acima, e as boas idias oriundas das pesquisas agrcolas anteriores. Inicialmente, a Geoestatstica voltava-se para a soluo de problemas de variao espacial na minerao, mas hoje a teoria aplicada em vrios outros campos da cincia, como por exemplo, s distribuies das variveis espaciais e temporais mencionadas acima. Porm, neste zoneamento, sero consideradas somente variveis espaciais, e no temporais. tambm conveniente salientar que a Geoestatstica no hoje, como seu nome poderia sugerir, o conjunto de todas as tcnicas estatsticas aplicveis em cincia da terra, nem tampouco restringe sua aplicao somente cincia geolgica. Ser adotada uma linguagem matemtica precisa, para contemplar a expectativa buscada pelo usurio que deseja conhecer rigorosamente a base estatstica. 1.3.1 Modelo estatstico Os modelos estatsticos fundamentais para a Geoestatstica3 podem ser expressos todos eles na forma de processos estocsticos (ou funes aleatrias). Sero considerados aqui trs tipos de modelos, exatamente aqueles que foram utilizados neste zoneamento: processos pontuais, processos de mdia espacial e processos correlacionados. 1.3.1.1 Processos pontuais Um processo estocstico (real) pontual uma coleo

aleatrias reais, definidas sobre um mesmo espao de probabilidade, indexadas em um subconjunto R do p espao vetorial p-dimensional . Este ltimo chamado espao de ndices do processo estocstico. Nesta seo, o subconjunto R ser denominado regio e necessitar de outras consideraes sobre sua geometria. Em particular, um processo estocstico dito ser de 2a ordem se a esperana matemtica E[Y ( x)]2 finita, x R . O espao de ndices p definido de tal maneira que seja possvel representar variaes aleatrias em espaos de qualquer dimenso, por exemplo, p = 1 para variaes no tempo (como as estudadas nas sries de tempo), p = 2 para variaes em superfcies, p = 3 para variaes no espao tridimensional e p = 4 para variao no espao-tempo. Obviamente, pode-se trabalhar em espaos com dimenso p >4, porm, neste zoneamento, a dimenso utilizada ser p=2, para variabilidade espacial em superfcies (na superfcie do Estado de Minas Gerais). A Geoestatstica baseia-se no suposto de que a distribuio espacial e/ou temporal de uma
p p

Y ( x) : x R } de variveis {
p

varivel realizada y em uma regio R uma realizao

. Esta realizao ser tambm chamada nesta seo de populao de valores Y ( x) : x R } {

{y( x) : x R }do processo estocstico

da varivel estudada na regio R. Neste trabalho dotar-se- o processo estocstico bsico com algumas caractersticas que o tornam tratvel estatisticamente, explicitadas a seguir. Seja uma populao
2

Y ( X ) : x R }, que satisfaz o seguinte suposto de estacionaridade, chamada tradicionalmente {

{y( X ) : x R } , realizao do processo estocstico de 2

2

ordem

de hiptese intrnseca:

Cressie, N.. Statistics for Spatial Data, revised ed. New York: John Wiley, 1993, 614 p..

16

(i) (ii)

, onde

uma constante real desconhecida. , onde

uma funo real no-negativa.

A funo

chamada variograma e

chamada semivariograma. O valor

chamado semivarincia entre dois pontos separados pelo vetor h =

x y . Se a funo semivariograma
s depende da norma

s depende da distncia entre os pontos x e y (isto , se

| x y | ), o semivariograma dito ser isotrpico. Se

depende no s da distncia, mas tambm

da direo da reta que passa pelos pontos x e y, o semivariograma dito ser anisotrpico.

As seguintes propriedades para a funo

decorrem de sua prpria definio:

(i)

x1 ,..., xm ,

a1 ,..., am

tal que

a
i =1

= 0 , m .

O sentido fsico do semivariograma pode ser percebido quando se analisa sua definio: ele mede a variabilidade das diferenas entre as realizaes da varivel aleatria de interesse, de tal maneira que quanto menor a semivarincia, menor a variao dessas diferenas. A compreenso deste fato pode ser melhorada quando se considera um conjunto de processos estocsticos que satisfazem hiptese intrnseca: o conjunto dos processos estacionrios de 2a ordem ou estacionrios com respeito covarincia. Estes so processos de 2a ordem que satisfazem (a) (b) onde so denominadas funo de covarincia. Nesse caso, pode-se mostrar que . Essa relao permite ver

que, enquanto

cresce (os pontos ficam mais correlacionados espacialmente), a semivarincia

decresce. Alguns modelos para a funo tm sido propostos, todos eles satisfazendo as exigncias (i), (ii) e (iii) acima. Estes modelos so denominados na literatura da rea como modelos autorizados, por atenderem s trs exigncias mencionadas. Alguns destes modelos autorizados so os modelos linear, esfrico, exponencial, gaussiano e os da classe Matrn. Alguns fenmenos exigem uma descontinuidade na origem do semivariograma, chamada efeito pepita, que expressa limitao na estimao do semivariograma em pequenos espaamentos. Sua ocorrncia pode estar associada ao aumento acentuado na dependncia espacial entre pares de pontos prximos, como quando h gros ou palhetas de metal nativo, em minerao, particularmente de ouro (pepitas), vindo da seu nome. De fato, um semivariograma pode ser modelado completamente pelo efeito pepita, isto , para, . Isto um caso extremo e estaria associado a um processo onde toda a variao seria aleatria, isto , h uma correlao zero entre os pontos da regio. O mais comum o efeito pepita estar combinado aos modelos usuais, por exemplo, com o linear: . 1.3.1.2 Processos de mdias espaciais O processo estocstico visto acima pontual, pois refere-se realizao da varivel espacial em pontos x da rea geogrfica. Porm, o interesse pode ser em mdias espaciais sobre uma sub-regio geogrfica. Suponha que para x considerada a sub-regio R ( x ) de forma e dimenso fixas,

17

contendo o ponto x (Figura 1.8). Assuma ainda que a sub-regio R ( x ) esteja contida numa regio R maior (no caso deste zoneamento, esta regio R o Estado de Minas Gerais), e que a funo seja tal que a integral

finita, e que

R( x)

no impossibilite a existncia da varivel aleatria

definida como a mdia espacial da varivel y na sub-regio Uma realizao

s ( x)

de

R( x) o volume de R ( x) ). S ( x) a mdia aritmtica da subpopulao {y (t ) : t R ( x) R}. Nessas

(

R( x)

condies, pode ser demonstrado que o processo satisfaz a hiptese intrnseca, isto : (i) (ii)

{S ( x) : R( x) R } de 2
2

ordem e que

E [S ( x) ] constante e coincide com Y , R ( x) R .

Figura 1.8 - Duas formas diferentes para as subregies R(x) distribudas na regio R: (a) regular (b) forma arbitrria.

18

Uma amostra de tamanho n da populao y ( x1 ),..., y ( xn ) da mesma.

{y( x) : x R } um subconjunto finito

Y

1.3.1.3 Processos correlacionados Este tipo de processo ocorre quando o interesse estudar conjuntamente duas ou mais variveis espaciais que se realizam cada nos mesmos pontos do espao, simultaneamente. Um processo estocstico (real) correlacionado uma coleo (Y1 ( x ), Y2 ( x),..., Ym ( x)) : x R p de vetores aleatrios reais, tais que as m variveis que compem as coordenadas dos vetores so variveis aleatrias que se realizam concomitantemente no espao considerado. Por exemplo, podemos ter Y1 sendo a precipitao pluviomtrica, Y2 a altitude no ponto, Y3 a latitude e Y4 a longitude. Nesse tipo de processo ocorrem, alm dos autosemivariogramas, os semivariogramas cruzados. Definidos os supostos tericos adotados, sero abordados, a seguir, com os tipos usuais de inferncias.

1.3.2 Inferncias As inferncias no modelo estatstico definido na subseo anterior podem agora ser discutidas. Para desenvolv-las necessrio realizar determinaes de trs tipos: (i) Estimao da funo semivariograma , usada para descrever a dependncia espacial no processo sob estudo; (ii) Predio da varivel y ( x ) , x R . Predizer Y ( x ) baseado numa amostra

(iii)

( x) = g 0 ( y ( x1 ),..., y ( xn )) opere como substituto do valor desconhecido y ( x) chamado predio de y ( x) . A varivel aleatria de y ( x ) ; o valor y ( x) = g { Y 0 Y ( x1 ),..., Y ( xn )} dita ser um preditor de Y ( x ) . Como a predio feita para a realizao da varivel aleatria em um ponto x R , tal predio dita pontual; Predio da varivel s ( x ) para R ( x ) R usando a amostra {y ( x1 ),..., y ( xn )}. A ( x) . varivel aleatria S ( x ) predita pelo preditor S
nmero

{y ( x1 ),..., y ( xn )}

construir uma funo real mensurvel

g 0 (,...,)

tal que o

O conhecimento do semivariograma fundamental para desenvolver as predies. A funo estimada usando uma amostra, no necessariamente a mesma que ser usada nas predies: sua estimao poder se basear numa pr-amostragem. Neste zoneamento todos os semivariogramas foram estimados utilizando-se os dados completos de cada varivel. Estimadores e procedimentos para estimao de semivariogramas so tratados resumidamente abaixo. Apresentaes mais detalhadas podem ser encontradas na literatura de Geoestatstica4. A estimao do semivariograma feita pelo semivariograma experimental : em que, = Semivarincia estimada; N(h) = Nmero de pares de observaes (y(xi), y(xi + h)), separados pela distncia h. A anlise completa do semivariograma compreende os seguintes passos: - Levantamento do semivariograma experimental; - Ajuste a uma famlia de modelos de semivariogramas tericos; - Validao do modelo a ser utilizado nos procedimentos da krigagem. Ao semivariograma experimental pode-se ajustar uma famlia de modelos de semivariogramas tericos, caracterizados geralmente por trs parmetros: efeito pepita ( = Co), patamar (Co + C), alcance (a), onde (Figura 1.9):
4

(2)

Journel, A.G.; Huijbregts, C.J.. Mining Geoestatistics. London: Academic Press. 1978, 600p..

19

Figura 1.9 - Representao grfica dos parmetros de um semivariograma terico tpico ajustado ao semivariograma experimental.

- Alcance (a): distncia em que as amostras apresentam-se correlacionadas espacialmente. O alcance reflete o grau de homogeneizao entre as amostras, a zona de influncia de uma observao e separa o campo estruturado (amostras correlacionadas) do campo aleatrio (amostras independentes). - Patamar (C): o valor do semivariograma correspondente a seu alcance. Deste ponto em diante, considera-se no existir mais dependncia espacial entre as amostras, porque a varincia da diferena entre pares de amostras Var[Y(x) - Y(x+h)] torna-se aproximadamente constante. - Efeito Pepita (Co): O efeito pepita o valor da semivarincia para a distncia zero e representa a componente da variabilidade espacial ao acaso. O valor de Co revela a descontinuidade do semivariograma para distncias menores do que a menor distncia entre as amostras. Parte desta descontinuidade pode ser tambm devida a erros de medio, sendo impossvel quantificar se a maior contribuio provm dos erros de medio ou da variabilidade de pequena escala no captada pela amostragem. Os modelos bsicos tericos de semivariogramas isotrpicos so divididos em dois tipos: com patamar e sem patamar. Os modelos com patamar so denominados de modelos transitivos. Alguns dos modelos transitivos atingem o patamar assintoticamente. Para tais modelos, o alcance arbitrariamente definido como a distncia correspondente a 95% do patamar. Modelos sem patamar continuam aumentando com o aumento da distncia. O modelo potncia no um modelo transitivo, portanto no atinge o patamar. Os modelos tericos de semivariogramas mais utilizados so os esfricos, exponenciais e gaussianos (Figura 1.10), mas h outros: Modelo Esfrico: (3)

Modelo Exponencial: para h >0 Modelo Gaussiano: para h >0 em que, efeito pepita (Co), patamar (Co+C), alcance (a), distncia (h). (5) (4)

20

Modelo K-Bessel: para todo h, (6)

em que, s 0, r 0, k corresponde a um valor numrico de forma que (r)=0,95 s para qualquer k, (k) a funo gama,

( t ) = x t 1 exp( x )dx
0

(7)

e Ks a funo bessel modificada de segunda ordem k .

Figura 1.10 - Representao grfica dos modelos tericos de semivariogramas esfricos, exponenciais gaussianos.

O procedimento de ajuste dos modelos tericos de semivariograma no direto e automtico, como no caso de uma regresso, mas interativo, pois nesse processo o intrprete faz um primeiro ajuste e verifica a adequao do modelo terico. Dependendo do ajuste obtido, pode-se redefinir ou no o modelo, at conseguir um que seja mais satisfatrio. No caso de ajuste de semivariogramas a uma varivel que apresenta o mesmo comportamento para diferentes direes, h isotropia no fenmeno estudado; caso contrrio, h anisotropia. O estudo da isotropia considera que o fenmeno apresenta comportamento semelhante para todas as direes, porm, na anisotropia, h direes especficas que condicionam a gnese do fenmeno sob estudo (Figura 1.11).

Figura 1.11 - Convenes direcionais da geoestatstica representando isotropia (a) e anisotropia (b).

Se a anisotropia observada para diferentes direes, com o mesmo patamar e diferentes alcances, denominada geomtrica, quando apresenta os mesmos alcances e diferentes patamares denominada zonal. A combinao da anisotropia zonal e geomtrica denominada de anisotropia combinada (Figura 1.12).

21

Figura 1.12 - Exemplo de anisotropia geomtrica, zonal e combinada.

Para o caso de clculo de semivariogramas a partir de malhas irregulares, qualquer par de valores cuja separao for maior ou igual ao espaamento mnimo entre observaes deve ser utilizado. Para isso, uma tolerncia linear, com a segmentao dos pontos amostrados em setores, utilizada para aumentar as possibilidades de formao de pares de pontos segundo uma direo e, uma tolerncia angular permite formar pares entre pontos no alinhados (Figura 1.13).

Figura 1.13 - Tolerncia linear e tolerncia angular a partir de amostras irregularmente espaadas.

Aps o ajuste de um modelo de semivariograma terico ao semivariograma experimental deve-se proceder a validao do modelo. A etapa de validao possibilita avaliar a qualidade das estimativas de Krigagem bem como selecionar modelos de semivariograma terico. A incerteza o erro da estimativa, o qual pode ser obtido por meio do quadrado mdio do erro, erro padro de predio e do procedimento

22

chamado autovalidao, validao cruzada ou jackknifing`. Resumidamente, o processo de autovalidao envolve a re-estimao dos valores conhecidos por meio do modelo de semivariograma ajustado aos dados, sendo que cada valor observado sucessivamente retirado e predito com base no restante dos dados. O mtodo consiste no clculo de uma regresso linear entre os pares de valores medidos (xi) e estimados Y(xi) de cada valor amostral (Figura 1.14):

Y * ( xi ) = a + bY( xi )

(6)

Em que, a a interseo, b o coeficiente angular da reta e r o coeficiente de correlao entre Y* (xi) e Y(xi).

Figura 1.14 - Autovalidao do semivariograma e da interpolao por krigagem.

No caso de baixa qualidade de ajuste do semivariograma, todos os clculos posteriores so comprometidos, de forma a influenciar na exatido e na preciso das estimativas de krigagem. Na predio pontual, uma atitude usual considerar preditores que so uma combinao linear dos elementos da amostra. Dentre estes, procura-se um preditor timo, no sentido de que seja no-tendencioso e que possua o menor erro quadrtico mdio de predio dentre todos os ( x) deve satisfazer s condies: preditores lineares no-tendenciosos. Assim, o preditor procurado Y

(i)

(ii)

onde o mnimo obtido entre todos os preditores

Y * ( x)

que satisfazem (i).

Numa linguagem estatstica mais universal, procura-se um BLUP (Best Linear Unbiased Predictor) no contexto do modelo definido acima. A condio de no-tendenciosidade para todo implica em . Para obter os valores de , que minimizam ,

basta resolver a equao matricial

23

onde um multiplicador de Lagrange associado restrio elemento na posio (i,j) vetor n x 1 cujo i-simo elemento ,

, uma matriz n x n cujo um

1 o vetor n x 1 com todos os elementos iguais 1 e

. O preditor timo assim obtido recebe o nome de preditor

de krigagem linear ordinria ou resumidamente preditor de krigagem, ou ainda apenas krigagem. Definindo

Y = (Y ( x1 ),..., Y ( xn ))

pode-se anot-lo como

Seu erro quadrtico mdio de predio chamado varincia de krigagem. Ela dada pela frmula

onde diag ( K ) a diagonal principal da matriz K com o elemento (i,j) dado por k Y ( xi , x j ) . Por causa do desconhecimento da funo de covarincia k Y (, ) , usa-se outra expresso equivalente, a saber

Os nmeros

so chamados pesos de krigagem. Note que a varincia de krigagem

no depende da realizao

{y ( x1 ),..., y ( xn )}, pois apenas as semivarincias e os pesos de krigagem

(que por si tambm s dependem das semivarincias) so requeridos para calcul-la. Porm, ela funo da configurao da amostra, pois depende das distncias e da posio relativa dos pontos amostrados entre si. Deve-se informar que, se a varivel Y em estudo for em especial uma varivel indicadora de algum evento de interesse, a krigagem recebe o nome especial de krigagem indicadora ou krigagem indicatriz. Um preditor para a mdia espacial S ( x ) (com R ( x ) R ), pode ser construdo de modo anlogo.
( x) = A combinao linear S uiY ( xi ) fornece o preditor no tendencioso de mnimo erro quadrtico mdio
i =1 n

dentre todos os preditores lineares no-tendenciosos, se os pesos de krigagem soluo da equao matricial

forem a

onde

um multiplicador de Lagrange associado restrio

um vetor n x 1 cujo . Preditor de krigagem de bloco ou

i-simo elemento

apenas krigagem de bloco sua denominao usual. A krigagem de bloco pode ser utilizada, alm do clculo de mdias espaciais, tambm para suavizar a modelagem da variabilidade espacial de variveis muito caticas. Seu erro quadrtico mdio de predio chamado varincia de krigagem de bloco. Em linguagem matricial:

onde equivalente

. Pelo fato das covarincias serem desconhecidas, usa-se a expresso

onde

24

 Outra vez pode-se notar que a varincia de krigagem (de bloco) funo apenas da estrutura de dependncia espacial do processo sob estudo, da forma e dimenso da sub-regio R ( x ) e da posio relativa dos pontos amostrados entre si e entre pontos amostrados e a sub-regio. Assim, os valores da amostra no influem no risco, sendo este funo apenas da configurao e tamanho amostrais. Observe, por fim, que a Geoestatstica incorpora na sua teoria a estrutura de dependncia espacial, atravs do semivariograma, e fornece um preditor espacial timo, a krigagem (tanto pontual quanto de blocos), com uma medida calculvel para sua qualidade, a varincia de krigagem. Isto uma vantagem definida sobre outros mtodos de interpolao (estimao ou predio) propostos na literatura, tais como o mtodo do inverso da potncia da distncia e, em problemas onde razovel supor a validade da hiptese intrnseca, pode fornecer um argumento conclusivo para a escolha do preditor. Para este zoneamento, a Geoestatstica atendeu tal razoabilidade para muitas variveis, sendo, portanto, o mtodo estatstico utilizado para a espacializao destas variveis com estrutura de dependncia espacial para as quais modelos objetivos podem ser explicitados.

1.3.3 Resultados do ZEE-MG A Geoestatstica foi utilizada no Zoneamento Ecolgico-Econmico de Minas Gerais para caracterizar a magnitude e a estrutura de dependncia espacial, e mapear os ndices resultantes das potencialidades dos ndices scio-econmicos (ndice Geral), das componentes institucional, produtiva, humana e natural, bem como do ndice de umidade de Thornthwaite (Iu), para regies do Estado de Minas Gerais (regionalizao do COPAM) utilizando-se altitude, latitude e longitude como covariveis. No caso do estudo com os ndices econmicos, foi utilizada a localizao das Sedes Municipais como o ponto de referncia para realizar a anlise de krigagem ordinria (Figura 1.15). Cabe ressaltar que os ndices Geral, Humano e Natural foram calculados a partir da anlise de Componentes Principais, de forma a gerar um ndice para representar a maior extenso da variabilidade de um conjunto de variveis indicadoras referentes a cada ndice.

Figura 1.15 - Localizao das 853 sedes municipais utilizadas para calcular os ndices de potencialidade social, e componentes produtivo, institucional, humano e natural.

25

Com relao ao ndice de umidade de Thornthwaite (Iu), a tcnica da co-krigagem foi utilizada considerando-se o Iu como varivel e altitude, latitude e longitude como covariveis (Figura 1.16).

Figura 1.16 - Esquema utilizado para representar o ndice de umidade anual com a ETp estimada pelo mtodo de Penman-Monteith-FAO (PM), a partir de 39 estaes climatolgicas do INMET e 586.619 observaes de altitude, 586.619 de latitude e 586.619 de longitude obtidos a partir do modelo de elevao da NASA.

Os semivariogramas atingiram um patamar dentro de cada perodo de avaliao, correspondente ao seu alcance (Figura 1.17).

26

Figura 1.17 - Semivariogramas ajustados ao componente institucional do ndice de potencialidade scio-econmica (a), potencial humano (b), potencial natural (c), e semivariograma cruzado do ndice de umidade de Thornthwaite com as covariveis altitude, latitude e longitude (d), para o Estado de Minas Gerais.

Com o uso da krigagem, foi possvel constatar nos mapas dos diferentes temas estudados, padres correspondentes entre os ndices (Figura 1.18), levantando-se a hiptese de que a predominncia climtica de uma regio pode influenciar na variabilidade espacial das potencialidades scio-econmicas de Minas Gerais.

27

Figura 1.18 - Cartas de krigagem ordinria do componente institucional do ndice de potencialidade scio-econmica (a), humana (b), natural (c) e de cokrigagem do ndice de umidade de Thornthwaite (Iu) (d), para regies do Estado de Minas Gerais (regionalizao do COPAM) utilizando-se, em (d), da altitude, latitude e longitude como covariveis.

Os ndices estudados apresentaram estrutura de dependncia espacial constado a partir da modelagem variogrfica. Com o uso de metodologias de anlise Geoestatstica foi possvel explorar e compreender a variabilidade espacial de variveis ecolgico-econmicas de forma a auxiliar tomada de deciso sobre questes associadas ao clima e os potenciais de desenvolvimento Scio-econmico, Humano e Natural no Estado de Minas Gerais. A modelagem da estrutura de dependncia espacial para as variveis scio-econmicas e ecolgicas do ZEE-MG, e sua conseqente incorporao nos artefatos do zoneamento, mais um diferencial de qualidade cientfica que distingue este zoneamento de outros.

1.4 ANLISE DE COMPONENTES PRINCIPAIS

A Anlise de Componentes Principais uma das metodologias propostas dentro do escopo maior da Anlise Multivariada5 e est relacionada com a explicao da estrutura de covarincia ou de correlao entre variveis por meio de poucas combinaes lineares destas variveis em estudo. Estas combinaes lineares formam um conjunto de novas variveis, conhecidas por variveis latentes. Esta transformao ir conduzir a tantas variveis latentes quanto h no grupo original, porm com a caracterstica fundamental de no apresentarem correlaes entre si. Estas variveis latentes so conhecidas como componentes principais e possuem objetivos especficos, quais sejam: a) reduo da dimenso original; e b) facilitao da interpretao das anlises realizadas. Em geral, a explicao de toda a variabilidade do sistema determinado por p variveis s pode ser efetuada por p componentes principais, como j mencionado anteriormente. Felizmente, uma grande parte dessa variabilidade pode ser explicada por um pequeno nmero r de componentes, rp. Os componentes principais so considerados uma tcnica de anlise intermediria e, portanto, no se constituem em
5

Johnson, R.A.; Wichern, D.W. Applied multivariate statistical analysis. 4th ed. New Jersey: Prentice Hall, 1998. 816p.

28

um mtodo final e conclusivo. Esse tipo de anlise dos dados se presta fundamentalmente como um passo intermedirio em grandes investigaes cientficas. No zoneamento ecolgico e econmico de Minas Gerais esta tcnica foi utilizada para a obteno de ndices que mantivessem a maior parte da variabilidade de um conjunto de variveis para as quais se pretendia gerar mapas de potencialidades e vulnerabilidades. Existem muitas aplicaes relatadas na literatura para a obteno dos componentes principais, como: (a) na anlise de regresso mltipla, principalmente, nos casos de colinearidade ou de multicolinearidade; (b) na anlise de agrupamento e (c) para estimar fatores nas tcnicas multivariadas denominadas de anlises fatoriais. A aplicao da tcnica e a obteno dos componentes principais se resumem basicamente ao clculo de autovalores e autovetores de uma matriz positiva semidefinida. Assim, a tcnica fica completamente definida a partir da decomposio espectral ou diagonalizao desta matriz de covarincias ou de correlaes. Pode-se modelar tanto a matriz de covarincia ou de regresso populacional quanto amostral. No zoneamento ecolgico sero tratados os dados de todos os Municpios e, portanto, se for considerado estaticamente o tempo, pode-se considerar a modelagem como sendo populacional. Ademais, no havia a inteno da aplicao de tcnicas inferenciais, mas apenas descritivas. 1.4.1 Componentes principais populacionais. Algebricamente, os componentes principais representam combinaes lineares de p variveis aleatrias X1, X2, , Xp e geometricamente, representam a seleo de novos eixos coordenados, que so obtidos por rotaes do sistema de eixos original X1, X2, , Xp. Estes novos eixos representam as direes de mxima variabilidade. Assim, pode-se demonstrar que os componentes principais dependem somente da matriz de covarincia (ou da matriz de correlao ) e de X1,X2,,Xp. A obteno dos componentes principais no faz restrio alguma a respeito da distribuio destas variveis, como, por exemplo, exigncia de normalidade multivariada ou a respeito da escala das variveis. A princpio, ser dada nfase na definio de componentes principais populacionais. Seja o vetor aleatrio de uma distribuio p-variada qualquer com covarincia , cujos autovalores so 1 2 p 0, ento, os componentes principais (Y1, Y2,,Yp) so as combinaes lineares dadas:

Pode-se verificar que:

Dessa forma, pode-se definir o i-simo componente principal (Yi), assumindo que o vetor X possui covarincia , com pares de autovalores e autovetores ( i , ei ), i = 1, 2, ..., p , em que 1 2 p 0, por: Os componentes principais podem se derivados formalmente a partir da maximizao de formas quadrticas. Esta maximizao tem soluo dada pelo conjunto de todos os pares de autovalores e autovetores da matriz ncleo da forma quadrtica considerada. Os autovetores devem ser submetidos restrio de comprimento unitrio, para que haja uma soluo nica. Assim, considere a forma quadrtica dada por , cujo mximo obtido tomando sua derivada com respeito ao vetor e e igualando-se

o sistema de equaes formado a zero. Portanto, o seu mximo obtido pela resoluo do sistema de equaes homogneas dado por:

29

Pode-se perceber que da equao acima surge a seguinte bvia relao, obtida no ponto de mximo, dada por: . Portanto, a varincia e a covarincia de Yi, especificadas anteriormente, so dadas por: Utilizando algumas propriedades matriciais, pode-se demonstrar que:

Desta relao, pode-se concluir que variao total existente nas variveis Xi, i=1, 2,...,p igual variao existente nos p componentes principais. Para demonstrar isso, seja a matriz de covarincia entre as p variveis X, cujos pares de autovalores e autovetores so dados por (i, ei ). O componente t principal Yi definido por Yi = ei X e possui varincia igual a i. de = PPt, em que P uma matriz ortogonal de autovetores e Da decomposio espectral uma matriz diagonal dos autovalores e sabendo que PPt = PtP = I, verifica-se que:

Utilizando a propriedade do trao dada por tr(AB ) = tr(BA) e fazendo A = P e B = Pt, ento, obtm-se

ficando demonstrada a relao entre as varincias das variveis originais e latentes. Portanto, a porcentagem da variao total explicada pelo k-simo componente principal dada por: Em muitas situaes em que se aplicam os componentes principais, se uma porcentagem de 70% ou mais for atribuda aos primeiros r componentes principais, ento, esses podem substituir as p variveis originais sem perda demasiada de informao. A determinao dessa porcentagem da variao explicada pelos primeiros r componentes deve ser feita pelo pesquisador interessado e que possui maior conhecimento da rea estudada. A determinao do nmero r de componentes, para que uma determinada porcentagem fixada da informao seja contemplada por eles, um dos problemas dessa metodologia. Os componentes do autovetor eit = ei1 ei 2 eip podem informar sobre a importncia das variveis para o i-simo componente principal, por meio de suas magnitudes. No entanto, esses componentes so influenciados pela escala das variveis. Para contornar tal problema, os pesquisadores podem utilizar uma importante medida de associao, a qual no depende da magnitude das mensuraes (escala) das variveis originais, que o coeficiente de correlao entre Yi e Xk. Esse coeficiente de correlao apresentado por:

Demonstrao: Para demonstrar a expresso acima utilizada a definio do coeficiente de correlao. Para isso, cada termo dessa expresso foi avaliado individualmente. Seja a correlao entre as variveis Yi e Xk expressa por:

30

Assim,

Cov (Yi , X k ) = Cov (eit X , X k )= Cov (eit X , t X )

, vetor composto de valores 0 e com 1 na k-sima posio.

com,

Logo,

Cov (Yi , X k ) = Cov (eit X , t X )= eit = t ei

, ento,

Como

Da mesma forma, as varincias de Yi e Xk so:

Assim, obtm-se:

concluindo a prova. Em notao matricial, tem-se:

-1/2

Os componentes principais podem ser obtidos pela padronizao das variveis originais por:

em que V

uma matriz diagonal com os elementos da diagonal dados

. fcil verificar que:

Ento, os componentes principais de Z so dados pelos autovalores e autovetores de , matriz e autovetores de so, em geral, diferentes daqueles de correlao de X . Entretanto, os autovalores derivados de . Sejam as variveis padronizadas Z1, Z2, ...., Zp disposta no vetor Z com , ento, os componentes principais so dados por: Da mesma forma, se verifica que:

Tambm se verifica que: 31

 Sendo que em todos esses casos (i , ei ) so os autovalores e autovetores de , com 1 2 da mesma forma que as demonstraes anteriores, ... p. As demonstraes podem ser realizadas substituindo por . Para algumas matrizes de covarincia, com estruturas especiais, existem simples formas de se expressar os componentes principais. Sero tratados alguns desses casos, conforme apresentado na literatura especializada. Para uma matriz diagonal,

Os autovalores e autovetores so dados por com 1 na i-sima posio e 0 nas demais. A demonstrao disso pode ser facilmente realizada, uma vez que das equaes de maximizao de formas quadrticas verifica-se que: . Assumindo-se as definies anteriores para os autovalores e autovetores verifica-se que:

Dessa forma, pode-se concluir que (ii, ei ), com ei definido anteriormente, so os pares de principais so dados pelas combinaes autovalores e autovetores de . Desde que os componentes t lineares ei X = Xi, ento, os componentes principais so as prprias variveis originais no correlacionadas, cujos autovalores so as prprias varincias originais das respectivas variveis aleatrias. Do ponto de vista de extrao de componentes principais no h ganhos, uma vez que os eixos originais j esto no sentido de maior variabilidade. Dessa forma no h necessidade para fazer rotao dos eixos originais. A estandardizao no altera a situao, uma vez que = I, e o par autovalor e componente principal dado por (1, Zi), em que Zi a i-sima varivel padronizada. Existe sempre a questo importante do nmero de componentes a ser retido no modelo. No existe uma resposta definitiva para essa questo. Os aspectos que devem ser considerados incluem a quantidade da variao explicada, o tamanho relativo dos autovalores e a interpretao subjetiva dos componentes. Uma ferramenta visual importante para auxiliar a determinao do nmero necessrio de componentes a ser retido o scree plot. O termo scree refere-se ao acmulo de rochas nas bases de um penhasco, portanto os scree plots so considerados grficos de cotovelos. Na Figura 1.19 ilustrada uma situao para exemplificar e pode-se observar que um cotovelo formado aproximadamente na posio i=4. Isso significa que os componentes alm do terceiro possuem aproximadamente a mesma magnitude e so relativamente pequenos. Isso indica que os trs primeiros, talvez os quatros primeiros componentes, so suficientes para resumir a variao total.

32

i 10
8 6 4 2 0 1 2 3 4 5 6

componente principal
Figura 1.19 - Scree plot de um exemplo com p=6 componentes principais para ilustrar o processo de determinao de o nmero apropriado de componentes a ser retido.

Os grficos provenientes dos componentes principais podem ser reveladores de diversos aspectos presentes nos dados de interesse do pesquisador. Em muitas reas os pesquisadores utilizam os primeiros e mais importantes componentes para agrupar objetos e itens de acordo com a representao em duas ou no mximo trs dimenses. As realizaes dos componentes principais obtidos a partir dos dados originais so chamadas de escores. A definio do escore do k-simo componente principal para a j-sima realizao da varivel aleatria multidimensional dada por:
t j

De uma forma geral, os escores dos

componentes principais, representados pelo vetor

so dados por:

t Y = Y j1 Y j 2 ... Y jp para a j-sima realizao da varivel aleatria multidimensional X j = X j1 X j 2 ... X jp ,

e1t t e Y j = Pt X j = 2 X j . t p e

Para o agrupamento de objetos obtm-se grficos dos primeiros componentes retidos em um diagrama contendo pares de componentes. Para a verificao de observaes suspeitas, os grficos dos ltimos componentes principais tomados dois a dois so utilizados. t t Da equao acima, e relembrando que P uma matriz ortogonal (pois PP = P P = I , ou ainda, 1 t que P = P ), pode-se demonstrar que:

( )

X j = PY j = e1 e2 e p Yj

Essa uma importante equao que mostra que a observao multivariada X j pode ser recuperada em uma proeminente dos escores dos componentes principais correspondentes. Constitui-se, portanto, forma de identificar com elevada preciso as observaes suspeitas.

X j = Y j1e1 + Y j 2 e2 + + Y jp e p .

33

1.5 REGRESSO LINEAR MLTIPLA E SELEO DE VARIVEIS.

A proposio de modelos que embasem uma gesto segura e lcida dos processos e temas de interesse humano freqentemente passa pela busca do ajuste de modelos estatsticos adequados, os quais sero usados para a explicao do fenmeno de interesse e para a realizao de inferncias a respeito do comportamento funcional entre duas ou mais variveis. Utiliza-se, em geral, modelos lineares, pela sua simplicidade e facilidade de ajuste6. Os modelos lineares entre uma varivel Y resposta (dependente) e variveis regressoras Xk (k = 1, 2, ..., m) so representados, de forma geral, por:

em que os m s so parmetros do modelo e os resduos do modelo. O ndice i indica repeties das observaes, isto , admite-se que ser utilizada uma amostra de n observaes para a anlise de regresso:

Uma questo que deve ser elucidada, refere-se necessidade da diferenciao entre os modelos lineares e os modelos no-lineares. Diz-se, em geral, que os modelos so lineares ou no-lineares, baseando essa classificao nos parmetros, em funo da definio utlizada para diferencilos. Ilustrase um modelo no-linear nos parmetros por: , em que a e b so parmetros deste modelo estatstico. Para que os dois modelos sejam diferenciados em linear e no-linear, utiliza-se a seguinte definio: um modelo considerado linear se as derivadas parciais da varivel dependente em relao a cada parmetro no forem funes dos parmetros deste modelo. Caso contrrio, o modelo ser considerado no-linear. No pode haver confuso entre a relao funcional que as variveis estabelecem e a classificao do modelo em linear e no-linear de acordo com esta definio. Considere o primeiro modelo acima: tomando-se as derivadas parciais da varivel resposta em relao aos parmetros, v-se que elas so funes apenas da constante 1 (para 0) ou de Xk (para k). Assim, este modelo classificado como linear. Para o segundo caso, as derivadas parciais so dadas por:

Estas derivadas parciais so funes dos parmetros a e b, o que classifica o modelo em no-linear. Uma vez especificado o modelo estatstico, o pesquisador precisa estimar os seus parmetros a partir de uma amostra aleatria retirada da populao de interesse. Para isso, em geral, utilizado algum tipo de critrio de otimizao. Os estatsticos utilizam o critrio de minimizar as somas de quadrados dos resduos (mtodo dos quadrados mnimos). No caso da inferncia, suposies adicionais devem ser admitidas para o resduo do modelo. Em geral se pressupe que a distribuio dos erros normal e que o erro de uma observao independentemente distribudo em relao ao erro de outra unidade amostral, alm de os resduos serem homocedsticos, isto , possurem varincia uniforme.
6

Draper, N.R.; Smith, H. Applied regression analysis, 3rd ed. New York: John Wiley, 1998, 706 p.

34

1.5.1 Ajuste do modelo e anlise de varincia Para o ajuste do modelo e, portanto, estimao de seus parmetros, utiliza-se o mtodo dos quadrados mnimos. Neste mtodo, a soma de quadrados dos resduos minimizada. Expressando o modelo linear anterior em notao matricial temos: em que Y o vetor de variveis resposta de dimenso n 1; X a matriz do modelo ou das derivadas parciais de dimenso n (m+1); o vetor de parmetros de dimenso (m+1) 1; e o vetor de resduos de dimenso n 1 suposto normal multivariado com vetor de mdias 0 e matriz de covarincias 2I. A soma de quadrados dos resduos T deve ser minimizada, o que resulta nas equaes normais (EN), dadas matricialmente por: O vetor Assim, uma soluo do sistema de equaes normais dada por:

igual

, isto ,

Os valores escalares das estimativas dos parmetros 0 , 1 , 2 , ... ,m so, obviamente, obtidos atravs das coordenadas do vetor . Obtida a soluo de quadrados mnimos da equao acima, deve-se determinar as somas de quadrados para viabilizar a realizao de inferncias. Para isso, deve-se obter as somas de quadrados do modelo e resduo. A soma de quadrados do modelo obtida simplesmente por: e a do resduo por: em que

refere-se a notao de reduo e significa a reduo que ocorre na soma de

quadrados devido ao ajuste de um modelo com parmetros . Deve-se ainda determinar as somas de quadrados devidas a cada parmetro individualmente. Para isso existem duas formas bem definidas na literatura baseadas em diferentes fundamentaes. A primeira refere-se a somas de quadrados do tipo I (seqencial) e a segunda a somas de quadrados do tipo II (parcial). As somas de quadrados seqenciais referem-se a ajustes de modelos que diferem apenas pela excluso de um dos parmetros por vez. Em cada modelo encaixado obtida a reduo correspondente na soma de quadrados. A soma de quadrado de um determinado parmetro obtida tomando-se a diferena entre dois modelos, sendo que um deles contm o efeito em questo e o outro contm todos os outros parmetros do primeiro, exceto este para o qual pretende-se obter a soma de quadrados do tipo I. No caso das somas de quadrados parciais, ajusta-se o modelo completo e retira-se uma varivel por vez do mesmo. Por meio da diferena das redues obtidas no modelo completo e reduzido, pode-se obter as somas de quadrados do tipo II para cada parmetro.

35

 Para ilustrar o uso da notao de reduo (notao R) considera-se variveis dado por:

um modelo com duas

Seja tambm o modelo de duas variveis, eliminando-se a terceira, dado por: Ento a reduo devida a 3 obtida por: R(3/0,1,2)=SQmodelo(A) SQmodelo(B).

Conhecendo-se a lgica por trs da notao R, pode-se apresentar agora os dois tipos de somas de quadrados para todas as variveis deste modelo (Tabela 1.4). A soma de quadrados do tipo I (seqencial) refere-se a redues consecutivas do modelo e a tipo II refere-se a redues de um parmetro por vez a partir do modelo completo.

Tabela 1.4 - Somas de quadrados tipo I e tipo II associadas a cada varivel do modelo com trs variveis.

Variveis

Tipo I (seqencial)

Tipo II (parcial)

X1 X2 X3

R(1/0) R(2/0,1) R(3/0,1,2)

R(1/0,2,3) R(2/0,1,3) R(3/0,1,2)

As somas de quadrados do tipo I so dependentes da ordem de entrada das variveis no modelo, uma vez que deve-se retirar cada varivel do modelo em cada etapa na ordem inversa de sua entrada no modelo. As somas de quadrados do tipo II, por sua vez, so invariantes em relao a ordem de entrada de variveis no modelo. Nos procedimentos de seleo de modelos, os testes de hipteses so realizados tomando-se por base as somas de quadrados do tipo II, indiretamente, no clculo de suas estatsticas. Filosoficamente, a soma de quadrados do tipo I est relacionada importncia de uma varivel ignorando as que a sucedem, mas ajustando seu efeito para aquelas que a antecedem. A soma de quadrados do tipo II considera a importncia de uma varivel ajustando seu efeito para todas as outras do modelo. Assim, uma varivel que apresentar no significncia em um teste que utiliza a soma de quadrados do tipo II, no necessariamente pode ser considerada desprezvel para explicar a variao na varivel resposta. Devese sim, interpretar que possivelmente esta varivel tenha informao redundante com outras variveis regressoras devido estrutura de correlao entre elas e por isso pode ser descartada do modelo. A sua informao est indiretamente sendo explicada por outras variveis do modelo. Uma medida da qualidade do modelo ajustado o R2, que se refere quantidade da variao total da varivel resposta Y que explicada pelo modelo de regresso. No entanto, esta medida pode no ser adequada para comparar o desempenho dos ajustes de modelos com diferentes nmeros de variveis. Isso ocorre porque na medida em que o nmero de variveis aumenta, o R2 tende a aumentar na direo de 1 de uma forma muito rpida, sem que a real contribuio da varivel adicional tenha sido de fato 2 proporcional a esse aumento. Assim, muitos autores recomendam utilizar o Raj ajustado para estes casos, que definido por: ( 1 R 2 )( n 1 ) 2 = 1 Raj n m 1 em que n o nmero de observaes da amostra; e m o nmero de parmetros, com exceo do intercepto. 2 Este valor deve ser preferido, pelo fato de que com o Raj no ocorre como ocorre com o R2 , quando este ltimo, com o simples incremento de variveis no modelo, faz com que haja um crescimento em direo a 1, mesmo que o benefcio provocado por elas seja pequeno. Uma vez que se tenha obtido o melhor ajuste para o modelo de regresso, para que seja atendido o objetivo de realizar predies do valor da varivel resposta Y, basta utilizar a equao encontrada. Portanto, com base no modelo ajustado pode-se fazer predies pontuais por:

36

Por exemplo, para predizer o valor da observao n + 1 (ainda no observada ou medida), basta fazer

O segundo passo aps a determinao do valor predito do erro embutido naquela estimativa, isto

para a varivel Y seria a determinao

YY = e
Obviamente este erro no pode ser calculado observao a observao, j que a predio de Y por Y pressupe exatamente o no conhecimento de Y. Porm, por questes de confiabilidade da informao obtida, permanece o interesse de determinar os erros associados a essas predies. Como em regresso a predio uma mdia, a soluo para a determinao dos erros de predio tambm a determinao de erros mdios, os quais podem ser compostos em intervalos (de confiana, de predio, e de tolerncias). Dois intervalos especialmente utilizados seriam os intervalos de 100(1)% de confiana, para a mdia
^ ^

e para uma predio futura

Y n +1 . Para o primeiro caso, o erro padro da predio da mdia :

S( Y ) = ( z( X X )1 z )QME
^

onde, z o vetor de coeficientes da linha da matriz X associada a predio que pretendemos fazer, e QME = SQR e s / v = ( yi y )2 / v
i =1 n

(v o nmero de graus de liberdade do resduo). O intervalo de confiana para mdia da populao especfica dado, portanto, por: Y t a / 2 S( Y ) em que ta / 2 representa o quantil superior da distribuio t de Student com v graus de liberdade, igual ao do resduo do modelo ajustado. Para o segundo caso, o intervalo de confiana para uma observao futura dado por:
/2 Y n +1 t a V(Y Y )

em que o estimador da varincia do estimador da predio futura dado por: V ( Y Yn +1 ) = ( 1 + z( X X )1 z )QME 1.5.2 Seleo de modelo de equaes de regresso Muitas vezes as somas de quadrados do modelo de regresso apresentam teste F altamente significativo. No entanto, algumas, ou at mesmo todas as variveis, apresentam F parcial no significativo. A primeira vista, isto parece uma incoerncia ou at mesmo uma inconsistncia do mtodo, mas ao se analisar com maior profundidade, percebe-se que no se trata de nenhum paradigma. Este fato ocorre simplesmente porque algumas variveis possuem informaes redundantes da variao que ocorre na varivel dependente Y. Dessa forma, a variao adicional explicada por essa varivel, na presena de outra ou outras, no suficientemente importante para ser detectada naquele nvel de preciso, devendo esta ser descartada do modelo. Para esta finalidade alguns mtodos existem, sendo os mais comuns Stepwise, Backward e Forward.
^ ^

37

 O fundamento bsico destes modelos a utilizao da importncia relativa de uma varivel na presena e na ausncia de outras para determinar a sua entrada/permanncia no modelo. As principais idias de cada um dos mtodos destacados anteriormente so sumarizadas a seguir. O Backward um mtodo em que o pesquisador especifica todas as variveis que ele julga ser adequadas para pertencer ao modelo. feito um teste de hiptese do tipo parcial utilizando as somas de quadrados do tipo II e a varivel que tiver o menor valor de F parcial que for no-significativo em um nvel de significncia de permanncia especificado pelo pesquisador a priori, deve ser eliminada do modelo. Um novo ajuste realizado e o mesmo procedimento aplicado eliminando a prxima varivel que menos e de forma no-significativa explicar a variao da varivel resposta Y. Este processo repetido at que se obtenha um modelo com todas as variveis presentes com F parcial significativo no nvel pr-fixado de significncia ou um modelo que contenha apenas o intercepto. No Forward realizada uma anlise separada para cada varivel candidata a entrar no modelo. A primeira varivel a entrar no modelo ser aquela entre as que atingiram um nvel de significncia de entrada estabelecido a priori que apresentar maior valor de F parcial. Novos ajustes so feitos considerando um modelo com a varivel que entrou no modelo no passo 1, adicionado de cada uma das candidatas a entrar, uma por vez. A segunda varivel a entrar no modelo ser aquela entre as candidatas que atingiram o nvel de significncia de entrada que apresentar maior valor de F parcial. O processo repetido novamente formando um modelo com as duas variveis que entraram nos passos anteriores e uma das candidatas. O processo pra se em algum passo nenhuma das variveis atingir o nvel de significncia de entrada, ou se no houver mais variveis candidatas a entrar no modelo. O Stepwise um procedimento muito parecido com o Forward. A diferena bsica ocorre por que no Stepwise, aps cada passo de entrada ocorre um procedimento de Backward no modelo recmformado. As variveis, se ocorrerem, que forem eliminadas no passo de Backward no so candidatas a entrar mais no modelo. Se no houver mais variveis a serem eliminadas nos passos de Backward, realizado o passo seguinte de Forward. Essencialmente, na entrada de uma varivel durante um processo de Forward, pode ocorrer que alguma ou algumas das variveis que j estavam no modelo, inclusas em passos anteriores, deixem de apresentar contribuio significativa para a variao da varivel Y. No Stepwise estas variveis so eliminadas. Assim, um nvel de significncia de entrada e outro de sada das variveis precisam ser especificados a priori neste mtodo.

1.5.3 Anlise de resduo e diagnose na anlise de regresso Vamos considerar o modelo de regresso:

em que, o vetor de parmetros, X a matriz de incidncia, e o vetor de erros experimentais no observveis, com E()=0 e V()=E()=I2. O estimador (preditor) do erro experimental dado por: e=Y-Xb em que b= o estimador do vetor de parmetros. Podemos reescrever e=Y-X(XX)-1XY e definir R= X(XX)-1X Assim, tem-se e=Y-RY=(I-R)Y sendo,

38

e-E(e)=(I-R)Y-E[(I-R)Y)] =(I-R)Y-(I-R)X=(I-R) [Y-X]=(I-R) logo, V(e)=E{[e-E(e)] [e-E(e)]}= E{(I-R) [(I-R) ]}= E{(I-R) (I-R)}= (I-R) E() (I-R)= (I-R) I2 (I-R) =(I-R-R+RR) 2=(I-R-R+R)2=(I-R)2 V(e)= (I-R)2 Portanto, para obter os erros padro de uma estimativa do resduo basta ento calcular para cada observao:

S (e) = [1 x( X X ) 1 x' ]QME

Assim, pode-se definir os resduos estudentizados internamente por:

ei* =

ei S (e)

O objetivo dessas tcnicas verificar e mensurar a influncia de cada observao nas estimativas dos parmetros, matriz de covarincias predies e erros das predies. Para isso, sejam b(i) o estimador do parmetro aps a eliminao da i-sima observao; s2(i) a estimativa da varincia; X(i) a matriz X o i-simo resduo; sem a i-sima observao; Y(i) o valor predito sem a i-sima observao; ri = Yi Y i e seja hi a i-sima diagonal da matriz de projeo no espao preditor, ento define-se

hi = xi ( X ' X ) 1 xi
em que xi a i-sima observao. Assim, pode-se determinar as seguintes quantidades na anlise de influncia e de resduos: a) Resduo estudentizado externamente

RStudent (i ) =

ri S (i ) (1 hi )

conveniente salientar que a diferena desses resduos para o resduo estudentizado anterior que S(i) usado no lugar de S. b) CovRatio: Mede a troca no determinante da matriz de covarincia das estimativas pela deleo da observao i.

c) DFFITS: Medida escalar da troca dos valores preditos pela deleo da i-sima observao. Grandes valores indicam elevada influncia da observao.

DFFITS (i ) =
em que,

Y Y i (i ) S (i ) h(i )

h(i ) = x(i ) ( X ' X ) 1 x(i ) . b j b j (i ) S (i ) ( X ' X ) j

d) DFBETAS: mede a troca nas estimativas dos parmetros pela deleo da i-sima observao

DFBETAS (i ) =
em que,

j = 0, 1, ..., p

( X ' X ) j refere-se ao (j, j)-simo elemento de (XX)-1.

39

1.6 GLOSSRIO Acurcia refere-se a quo prximo do valor real est uma estimativa de acordo com algum padro conhecido. O significado estatstico da acurcia refere-se ao grau de proximidade de uma estimativa mdia ao verdadeiro valor da mdia. Anlise de Componentes Principais mtodo de anlise multivariada de dados utilizado para representar sua variao com relao a um nmero mnimo de componentes principais ou combinaes lineares das variveis originais parcialmente correlacionadas. Amostragem tcnica de obteno de uma sria de observaes que possibilitem representar de forma satisfatria o fenmeno estudado. Alcance a diferena aritmtica entre o maior e o menor valor em um conjunto em anlise geoestatstica a distncia na qual o semivariograma estabiliza aps o aumento dos valores de semivarincia. Algoritmo conjunto de regras para resolver um problema. Anisotrpico adjetivo para descrever a variabilidade espacial de um fenmeno com estruturas diferentes e direes especficas. Cartografia cincia e arte de representar cartas e mapas. Cenrio o resultado de um modelo de simulao numrica em que algumas entradas de dados devem ser fornecidas para se obter resultados de situaes ainda no observadas. Cokrigagem tcnica de estimativa de uma varivel regionalizada por meio de observaes suplementares de uma ou mais covariveis na mesma rea geogrfica, de forma a proporcionar reduo da varincia estimada no caso de haver menor densidade amostral da varivel original. Dado geogrfico localidade no espao com um valor relativo a um fenmeno. Digital representao de dados de forma discreta em unidades ou dgitos. Evapotranspirao transferncia de gua do sistema solo-planta para a atmosfera por evaporao direta da gua e transpirao das plantas. Efeito Pepita na krigagem e variografia, a parte da varincia de uma varivel regionalizada sem representao espacial (erro experimental e de densidade de amostragem). Evapotranspirao potencial (ETp) evapotranspirao em extensa rea com vegetao densa, rasteira, de crescimento ativo, cobrindo toda a superfcie (grama batatais) e sob condies de solo sem restrio hdrica. Conceito introduzido por Thornthwaite em 1948, sendo mais apropriado para estudos climatolgicos. Evapotranspirao de referncia (ETo) conceito introduzido por Doorenbos e Pruitt (1977) e adotado pela FAO - Food and Agriculture Organization, sendo a grama substituda por uma cultura hipottica (Allen et AL, 1998). Conceito apropriado para manejo de irrigao. Escala a relao entre o tamanho de um objeto em um mapa e seu tamanho real. GPS (Global Positioning System) conjunto de satlites em rbita geoestacionria da Terra, organizados de forma a constituir uma rede de apoio para determinar a localizao na superfcie terrestre por meio de receptores eletrnicos. Normais Climatolgicas mdia de srie de 30 anos de elementos meteorolgicos dirios, sendo as ltimas normais correspondente ao perodo de 1961-1990. Krigagem em blocos estimativas de atributos em blocos quadrados de rea por mtodos de interpolao geoestatstica. Krigagem indicatriz mtodo de interpolao de krigagem no-linear caracterizado por transformar os dados originais em escala binria e mapear sua probabilidade de ocorrncia espacial a partir de um limiar. Krigagem ordinria mtodo de interpolao de dados com a teoria das variveis regionalizadas, em que os pesos das estimativas so obtidos do semivariograma ajustado aos dados. Krigagem simples tcnica de interpolao utilizada para estimar valores com base em regresso linear generalizada, sob pressuposio da estacionariedade de segunda ordem e mdia conhecida. Malha conjunto de pontos amostrais arranjados de forma regular no espao. Modelo a representao de atributos ou feies da superfcie da terra em uma base digital; um conjunto de algoritmos codificados em computador para descrever a variabilidade espacial de um processo fsico ou fenmeno natural da superfcie terrestre; uma funo ajustada a dados para representar observaes. Modelo de dados geogrficos esquema formal de representao de dados com localizao e caractersticas.

40

Modelo de elevao digital uma malha de dados de elevao obtidos por imagem de radar orbital. Preciso refere-se ao grau de exatido ou de refinamento de uma medida; grau de acurcia de uma representao numrica; nmero de dgitos significativos; grau de variao de uma observao com relao a sua mdia. Programa conjunto de informaes codificadas em computador e organizadas para realizar determinada tarefa. Pixel elemento de imagem digital; menor unidade de informao em uma imagem digital. Resoluo a menor distncia entre dois elementos processados ou o menor tamanho de feies passveis de serem mapeadas ou amostradas. Sensoriamento Remoto informao de unidade amostral ou alvo obtidos por meio de aparelhos remotos, os quais no entram em contato direto com o alvo amostrado. Sistema de Informao Geogrfica (SIG) Conjunto de ferramentas computacionais para capturar, armazenar, recuperar, transformar e projetar dados espaciais. Semivariograma grfico da semivarincia versus a distncia; consttui uma srie de funes matemticas que possibilitam ajustar pontos a modelos esfricos, exponenciais, gaussianos, lineares, etc. Unidade amostral menor unidade de avaliao experimental. Validao cruzada mtodo de validao no qual as estimativas estatsticas so utilizadas para verificao da qualidade do ajuste de um modelo. Varivel regionalizada funo aleatria definida a partir de uma medida de um fenmeno natural no espao de acordo com conjunto de coordenadas em escala que possibilite sua representao analtica.

41

42