| Summary: | === Strategies for detecting clusters for both spatial regions data and for point data are already quite widespread, it is understood by data point, situati- ons in which each element in the population is treated individually, knowing its location on the map under study. The problems with irregularly shaped clusters are not closed. The most likely cluster generally spreads in large por- tions of the map, impacting its geographic significance. Statistical methods that use the Kulldorffs Spatial Scan, combined with penalty functions were used to control the excessive freedom of clusters shapes. These methods have been not applied to point data. In this context, we will present a novel multi- objective algorithm using the Spatial Scan Statistic and penalty function forNon-connectivity Weighted to points data. The solution is a Pareto set, con- sisting of all clusters not less in both objectives than the others. The best solution is determined by evaluating the significance through Monte-Carlo simulations. We use a statistical theory to evaluate the statistical significance of the solutions obtained by multi-objective algorithm that employs the concept of attainment functions. === Estratégias para detecção de conglomerados (clusters) espaciais tanto para dados por regiões quanto para dados pontuais são já bastante difundidas. Entenda-se por dados pontuais situações em que cada elemento da população é tratado individualmente, sabendo-se sua localização no mapa em estudo. Entretanto os problemas com clusters de formato irregular não estão completamente fechados. O cluster mais verossímil geralmente se espalha em grandes parcelas do mapa, impactando seu significado geográfico. Métodos que empregam a estatística Scan Espacial de Kulldorff, associados a medidasde penalização, foram usados para controlar a liberdade excessiva de forma dos clusters. Estes métodos em geral nao foram aplicados para dados pontuais. Neste contexto, será apresentado um novo algoritmo multi- objetivo utilizando a estatística Scan Espacial e a penalização por Não - conectividade Ponderada para dados pontuais. A solução é um conjunto de Pareto, consistindo de todos os clusters nao simultaneamente piores em ambos os objetivos. A melhor solução é determinada pela avaliação da significância através de simulações de Monte Carlo. Utilizamos uma teoria estatística para avaliar o significado estatístico de soluções obtidas através do algoritmo multi- objetivo empregando o conceito de funções de aproveitamento.
|
|---|
