Analyse d'un semis de points et autocorrélation spatiale - UMS-RIATE
Analyse d'un semis de points et autocorrélation spatiale - UMS-RIATE
Analyse d'un semis de points et autocorrélation spatiale - UMS-RIATE
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Statistiques <strong>spatiale</strong>s:<br />
<strong>Analyse</strong> d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
<strong>et</strong><br />
autocorrélation <strong>spatiale</strong><br />
Thérèse Saint-Julien, Hélène Mathian<br />
Ecole d’été « Satistiques, , Cartographies<br />
<strong>et</strong> <strong>Analyse</strong> <strong>spatiale</strong> »<br />
Yaoundé 2006
Statistiques <strong>spatiale</strong>s<br />
1. Statistiques <strong>spatiale</strong>s pour décrire un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2. <strong>Analyse</strong> <strong>de</strong> la forme d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2.1 Métho<strong>de</strong> <strong>de</strong>s quadrats<br />
2.2 Métho<strong>de</strong> du plus proche voisin<br />
3. <strong>Analyse</strong> <strong>de</strong> la dépendance <strong>spatiale</strong>:<br />
l’autocorrélation <strong>spatiale</strong><br />
4. Approches locales<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Les questions que l’on peut poser à un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
Quel est le centre <strong>de</strong> la distributions <strong>de</strong>s<br />
dommages causés par un tremblement <strong>de</strong> terre ?<br />
Quelle en est la dispersion ?<br />
Comment se répartissent les vols dans le quartier<br />
du centre ?<br />
Quelle est la structure <strong>spatiale</strong> <strong>de</strong>s arbres morts<br />
par chablis ? Dépend-elle <strong>de</strong> la structure <strong>spatiale</strong><br />
du peuplement vivant ?<br />
L’offre <strong>de</strong> soins couvre -t–il uniformément le<br />
territoire ?<br />
…<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Statistiques <strong>spatiale</strong>s<br />
1. Statistiques <strong>spatiale</strong>s pour décrire un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2. <strong>Analyse</strong> <strong>de</strong> la forme d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2.1 Métho<strong>de</strong> <strong>de</strong>s quadrats<br />
2.2 Métho<strong>de</strong> du plus proche voisin<br />
3. <strong>Analyse</strong> <strong>de</strong> la dépendance <strong>spatiale</strong>:<br />
l’autocorrélation <strong>spatiale</strong><br />
4. Approches locales<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Semis <strong>de</strong> <strong>points</strong><br />
Description <strong>de</strong> la position <strong>de</strong> la distribution<br />
<strong>spatiale</strong>:<br />
Le point moyen G (moy(x),moy(y))<br />
si d est la distance euclidienne, Σ ι<br />
d 2 (i,G) est minimal<br />
Le point médian M(med(X),med(Y))<br />
si d est la distance <strong>de</strong> Manhattan , Σ ι<br />
d(i,M) est minimal.<br />
Le point <strong>de</strong> distance minimale DM tel que<br />
Σ ι<br />
d(i,DM) est minimal (quelle que soit la distance).<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Semis <strong>de</strong> <strong>points</strong>: indicateurs <strong>de</strong> position<br />
Point médian: le calcul<br />
dépendant <strong>de</strong> l’orientation<br />
<strong>de</strong>s axes, il n’est pas unique<br />
<strong>et</strong> fait l’obj<strong>et</strong> d’une<br />
résolution graphique.<br />
Statistiques<br />
centrographiques:<br />
G est plus sensible aux <strong>points</strong><br />
isolés que DM, mais plus<br />
utilisé à cause du moment<br />
d’ordre 2.<br />
Source: N.Levine &al., 2002<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Semis <strong>de</strong> <strong>points</strong><br />
Description <strong>de</strong> la dispersion <strong>de</strong> la distribution<br />
<strong>spatiale</strong>:<br />
Distance standard : σ 2 XY =1/n Σ i d2 (i,G)<br />
Dispersion relative : σ XY<br />
/r où r est le rayon du cercle<br />
<strong>de</strong> même surface (r=√ S/π)<br />
Distance moyenne d=Σ ii’<br />
d ii’<br />
/(n(n-1))<br />
Ellipse <strong>de</strong> déviation standard: ellipse tel que l’axe<br />
d’allongement soit l’axe <strong>de</strong> variance maximal. (alors que la<br />
distance standard définit un cercle autour du barycentre sans<br />
orientation spécifique)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Comparaison <strong>de</strong> <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
Source: N.Levine &al., 2002<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple: l’offre culturelle à Strasbourg<br />
Laboratoire Image <strong>et</strong> villeEcole<br />
d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Statistiques <strong>spatiale</strong>s<br />
1. Statistiques <strong>spatiale</strong>s pour décrire un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2. <strong>Analyse</strong> <strong>de</strong> la forme d’un <strong>semis</strong> <strong>de</strong><br />
<strong>points</strong><br />
2.1 Métho<strong>de</strong> <strong>de</strong>s quadrats<br />
2.2 Métho<strong>de</strong> du plus proche voisin<br />
3. <strong>Analyse</strong> <strong>de</strong> la dépendance <strong>spatiale</strong>:<br />
l’autocorrélation <strong>spatiale</strong><br />
4. Approches locales<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Semis <strong>de</strong> <strong>points</strong>:<br />
<strong>de</strong> la structure au processus<br />
Un <strong>semis</strong> est un ensemble <strong>de</strong> localisations, résultant <strong>d'un</strong> processus<br />
ayant engendré chacun <strong>de</strong>s <strong>points</strong>.<br />
« La structure <strong>spatiale</strong> <strong>d'un</strong> écosystème, c'est-à-dire la manière dont sont organisés dans l'espace les individus<br />
qui le composent, joue souvent un rôle essentiel dans son fonctionnement. Pour un peuplement forestier, par<br />
exemple, la structure <strong>spatiale</strong> détermine l'environnement local autour <strong>de</strong> chaque arbre (en particulier le nombre<br />
<strong>de</strong> voisins) <strong>et</strong> donc influence les processus naturels comme la croissance <strong>et</strong> la mortalité (Delvaux 1981, Barot <strong>et</strong> al.<br />
1999), voire détermine le choix <strong>d'un</strong> scénario d'éclaircies pour les peuplements faisant l'obj<strong>et</strong> <strong>d'un</strong>e gestion<br />
sylvicole. La structure <strong>spatiale</strong> influence également le développement <strong>de</strong>s graines <strong>et</strong> donc la régénération du<br />
peuplement. Inversement, les processus naturels ou les actions anthropiques modifient à leur tour la structure<br />
<strong>spatiale</strong> du peuplement qui se trouve donc dans un cycle <strong>de</strong> rétroaction schématisé par la Figure 1. »<br />
Source: Goreaud <strong>et</strong> Pélissier, 1999<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Formes <strong>de</strong>s <strong>semis</strong> dans l'espace <strong>et</strong> processus <strong>de</strong> formation<br />
eff<strong>et</strong> <strong>de</strong> voisinage:<br />
attraction<br />
aucun eff<strong>et</strong> <strong>de</strong><br />
voisinage<br />
eff<strong>et</strong> <strong>de</strong> voisinage:<br />
répulsion<br />
Formes <strong>de</strong>s <strong>semis</strong> <strong>et</strong><br />
processus <strong>de</strong> formation<br />
Processus<br />
Forme<br />
Interprétation<br />
- - - - = = = = + + + +<br />
- -<br />
+ +- - = = = = + +<br />
- - - - = = = = + + + +<br />
- - - - = = = = + + + +<br />
distribution<br />
concentrée<br />
Un processus dominant<br />
avec faible<br />
concurrence <strong>spatiale</strong>=<br />
forte polarisation=<br />
forte concentration<br />
distribution<br />
aléatoire<br />
Aucun processus<br />
dominant dans la<br />
formation <strong>de</strong> ce <strong>semis</strong>.<br />
Plusieurs processus<br />
indépendants les uns<br />
<strong>de</strong>s autres ont pu<br />
intervenir, soit<br />
simulranément soit<br />
successivement.<br />
distribution<br />
régulière<br />
Un processus<br />
dominant avectrès<br />
forte concurrence<br />
<strong>spatiale</strong>= forte<br />
dispersion <strong>et</strong><br />
réguilarité dans la<br />
dispersion<br />
Il existe une relation<br />
entre la forme d’une<br />
distribution <strong>et</strong> les<br />
processus qui ont<br />
présidé àsa<br />
formation.<br />
On peut comparer<br />
un <strong>semis</strong> observé àun<br />
<strong>semis</strong> théorique dont<br />
on connaît la loi <strong>de</strong><br />
probabilité<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Caractérisations d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple<br />
Quelle est l’évolution <strong>de</strong> la forme <strong>de</strong>s habitats dans<br />
le Lunellois: concentration ou dispersion ?<br />
Archaeomé<strong>de</strong>s, 1997<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
1. La métho<strong>de</strong> <strong>de</strong>s quadrats<br />
Gobran I., 2004, Source:<br />
DREIF, acci<strong>de</strong>nts<br />
entre 1998 <strong>et</strong> 2002 en<br />
Seine-Saint-Denis<br />
•La métho<strong>de</strong> se base sur un quadrillage <strong>de</strong> l’espace. On comptabilise<br />
dans chaque maille le nombre <strong>de</strong> <strong>points</strong>.<br />
•Puis on dénombre les mailles en fonction du nombre <strong>de</strong> <strong>points</strong><br />
qu'elles contiennent.<br />
On note N k le nombre <strong>de</strong> mailles ayant k <strong>points</strong>.<br />
On a N mailles. Le nombre total <strong>de</strong> <strong>points</strong> est M= Σk* N k<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
La métho<strong>de</strong> <strong>de</strong>s quadrats (2)<br />
On compare la distribution observée <strong>de</strong>s N k avec ce<br />
qu'elle serait dans le cadre <strong>d'un</strong> <strong>semis</strong> <strong>de</strong> <strong>points</strong> obtenu<br />
par processus ponctuel aléatoire stationnaire (Poisson).<br />
processus <strong>de</strong> Poisson : processus tel que chaque maille a la même<br />
probabilité <strong>de</strong> recevoir un point, <strong>et</strong> c<strong>et</strong>te probabilité est<br />
indépendante <strong>de</strong> ce qui s'est passé avant.<br />
La probabilité qu'une maille contienne k <strong>points</strong> s'écrit<br />
dans le cadre <strong>d'un</strong> processus <strong>de</strong> Poisson:<br />
P(ν=k)=e -D *D k /k!<br />
où D est la <strong>de</strong>nsité <strong>de</strong> <strong>points</strong>, égale à la <strong>de</strong>nsité observée D=M/N<br />
On construit alors la distribution théorique Ñ k par:<br />
Ñ k = P(ν=k)* N<br />
On fait l'hypothèse nulle d'égalité <strong>de</strong>s 2 distributions<br />
(H0: le <strong>semis</strong> est aléatoire). Et on teste l'égalité <strong>de</strong>s 2<br />
distributions par un test du chi2.<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple <strong>de</strong> calcul:<br />
les établissements hospitaliers à Paris<br />
64 établissements (M=64) <strong>et</strong> 231 mailles (N=231)<br />
D=M/N=64/231=0.28<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple <strong>de</strong> calcul:les établissements hospitaliers à Paris<br />
k<br />
Nk<br />
(observés)<br />
Calcul du Chi2<br />
Nk<br />
(estimés)<br />
χ2<br />
obs-est<br />
∑<br />
= l<br />
k=<br />
1<br />
χ2 suit une loi du chi2 à l-1 <strong>de</strong>gré <strong>de</strong> liberté<br />
⎛<br />
⎜<br />
⎝<br />
N<br />
(obs-est)^2/<br />
est<br />
0 185 175.10 9.90 0.56<br />
1 33 48.51 -15.51 4.96<br />
2 9 6.72 2.28 0.77<br />
3 3 0.62 2.38 9.12<br />
4 1 0.04 0.96 21.31<br />
chi2 36.72<br />
k<br />
−N<br />
~<br />
k<br />
N<br />
~<br />
k<br />
2<br />
⎞<br />
⎟<br />
⎠<br />
Ici le χ2 observé vaut 36.7 . Le χ2 théorique à 4 d.d.l associé à un<br />
risque d'erreur <strong>de</strong> 0.05 vaut 9.49. On rej<strong>et</strong>te l'hypothèse nulle<br />
que le <strong>semis</strong> est aléatoire.<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Limites <strong>de</strong> la métho<strong>de</strong> <strong>de</strong>s quadrats<br />
Choix <strong>de</strong> la largeur <strong>de</strong> la maille<br />
Choix <strong>de</strong> l'origine <strong>de</strong> la grille<br />
Agrégation <strong>et</strong> perte d'information<br />
Reste cependant très utilisée en écologie, en<br />
archéologie …<br />
Beaucoup <strong>de</strong> métho<strong>de</strong>s plus sophistiquées se sont<br />
développées sur c<strong>et</strong>te base.<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
2. Métho<strong>de</strong> du plus proche voisin (Clarck, Evans, 1954)<br />
Basée sur le calcul <strong>de</strong> la moyenne <strong>de</strong>s distances <strong>d'un</strong><br />
point à son plus proche voisin: dpv<br />
Dans le cadre <strong>d'un</strong> processus <strong>de</strong> Poisson, générant un<br />
<strong>semis</strong> aléatoire, on peut calculer la distance moyenne<br />
théorique <strong>d'un</strong> point à son plus proche voisin:<br />
dP =0.5 * √(S/M)<br />
où S est la superficie <strong>de</strong> l'espace étudié <strong>et</strong> M le nombre <strong>de</strong><br />
<strong>points</strong> localisés sur c<strong>et</strong> espace.<br />
Sous H0 (le processus ayant généré le <strong>semis</strong> est un processus<br />
<strong>de</strong> Poisson) la moyenne dP à une variabilité<br />
SE(dP )=0.261/√(M²/S)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Métho<strong>de</strong> du plus proche voisin (2)<br />
1. Statistique R du plus proche voisin: R= dpv / dP<br />
2. Test<br />
z = |dpv- dP |/ SE(dP )<br />
Sous H 0 , z ~ N (0,1)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple <strong>de</strong> calcul:les établissements hospitaliers à Paris<br />
Observé<br />
M=64<br />
S=760.8<br />
S/M=11.88<br />
Calculs théoriques:<br />
dP =0.5 * √(S/M) = 0.5 * √11.88 = 1.72<br />
SE(dP )=0.261/√(M²/S) = 0.261 /<br />
√5.38=0.11<br />
dpv=1.32<br />
R=1.32/1.72 = 0.77<br />
Z=|1.32-1.72|/0.11 = 3.56<br />
Sous H0, Z suit une loi normale. Au risque d'erreur <strong>de</strong> 0.05, l'écart<br />
réduit doit être inférieur à 1.96 pour que l'on accepte l'hypothèse<br />
nulle. Ici on rej<strong>et</strong>te l'hypothèse que le <strong>semis</strong> est aléatoire.<br />
Le <strong>semis</strong> <strong>de</strong>s établissements <strong>de</strong> santé à Paris est significativement<br />
concentré<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Statistiques <strong>spatiale</strong>s<br />
1. Statistiques <strong>spatiale</strong>s pour décrire un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2. <strong>Analyse</strong> <strong>de</strong> la forme d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2.1 Métho<strong>de</strong> <strong>de</strong>s quadrats<br />
2.2 Métho<strong>de</strong> du plus proche voisin<br />
3. <strong>Analyse</strong> <strong>de</strong> la dépendance <strong>spatiale</strong>:<br />
l’autocorrélation <strong>spatiale</strong><br />
4. Approches locales<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
La notion d'autocorrélation <strong>spatiale</strong><br />
Chaque phénomène est relié à tous les autres, mais <strong>de</strong>s phénomènes<br />
proches dans l’espace auront tendance à être d’avantage liés que <strong>de</strong>s<br />
phénomènes éloignés " [Tobler]<br />
Autocorrélation<br />
L'apparition en un lieu dépend <strong>de</strong> ce<br />
qui se passe dans les lieux voisins<br />
Absence<br />
d'autocorrélation<br />
Positive<br />
2 lieux proches se<br />
ressemblent plus<br />
que 2 lieux éloignés<br />
Négative<br />
2 lieux proches se<br />
ressemblent moins<br />
que 2 lieux éloignés<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple: Disparités sociales / Inscriptions <strong>spatiale</strong>s<br />
© Géographie-cités, 2004<br />
On cherche à évaluer si les lieux proches ont plus tendance à se<br />
ressembler que <strong>de</strong>s lieux éloignés <strong>et</strong> à mesurer c<strong>et</strong>te relation.<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Le gradient<br />
Structures <strong>spatiale</strong>s simples<br />
Les régions homogènes<br />
Charre J, 1995.<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemples d’organisations <strong>spatiale</strong>s simples:<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
La variance locale<br />
Mesure l’intensité <strong>de</strong> la relation entre la<br />
proximité <strong>de</strong>s lieux <strong>et</strong> leur <strong>de</strong>gré <strong>de</strong><br />
ressemblance.<br />
Les coefficients sont généralement basés<br />
sur la comparaison entre la variance totale<br />
<strong>et</strong> la variance locale:<br />
var ( X)<br />
= 1∑(<br />
X −X<br />
T<br />
n<br />
i<br />
i<br />
2<br />
)<br />
var ( X)<br />
= (<br />
2 1 ∑∑ X −X<br />
L<br />
K<br />
i<br />
où V(i) désigne un voisinage <strong>de</strong> i<br />
Et K le nombre <strong>de</strong> couples (i,j) voisins<br />
j∈v<br />
( i)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006<br />
i<br />
j<br />
)<br />
2
Exemple:<br />
0 0 5 10 10 0 15 5 10 15<br />
moyenne 7.4<br />
std 4.7<br />
0 0 5 10 10 5 10 5 10 5<br />
5 5 5 10 10 10 5 15 0 10<br />
5 5 10 15 15 15 5 10 5 5<br />
Légen<strong>de</strong><br />
5 5 10 15 15 0 10 5 5 0<br />
0<br />
5 Var.T 22.2 Var.T 22.2<br />
10 Var.L 4.4 Var.L 25.6<br />
15<br />
20<br />
0 0 0 0 5 5 15 0 15 5<br />
moyenne 7.4<br />
std 6.2<br />
0 0 5 5 10 10 0 5 5 10<br />
0 5 5 10 15 0 5 0 15 0<br />
5 5 15 15 15 15 5 15 10 0<br />
10 10 15 15 20 5 10 15 0 20<br />
Var.T 38.2 Var.T 38.2<br />
Var.L 8.4 Var.L 52.0<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Indices globaux<br />
Indice <strong>de</strong> Moran<br />
Indice <strong>de</strong> Geary<br />
Avec N le nombre d’individus,<br />
X i <strong>et</strong> X j valeur <strong>de</strong> la variable X en i <strong>et</strong> j<br />
X est la moyenne <strong>de</strong> la variable X<br />
<strong>et</strong> W ij est une pondération appliquée à la relation<br />
entre les lieux (i,j)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
<strong>Analyse</strong> <strong>de</strong>s indices<br />
Le système <strong>de</strong> pondération (W ij )<br />
• Ce peut être une matrice <strong>de</strong> contiguité<br />
• Ce peut être aussi une fonction continue, par exemple<br />
inversement proportionelle à la distance entre i <strong>et</strong> j:<br />
(1/d ij )<br />
I varie entre –1 <strong>et</strong> 1, C varie habituellement entre 0<br />
<strong>et</strong> 2.<br />
La significativité <strong>de</strong> la valeur <strong>de</strong> I peut être testée<br />
par comparaison à une distribution théorique, sous la<br />
forme:<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple:<br />
Le revenu par habitant<br />
dans le County <strong>de</strong> Monroe<br />
I= .66 P: < .001<br />
Une variable aléatoire<br />
I: .012 p: .515<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Eff<strong>et</strong>s <strong>de</strong> l'autocorrélation <strong>spatiale</strong> sur l'agrégation<br />
Mesure <strong>de</strong> l’hétérogénéité<br />
la part d'étrangers hors CEE par arrondissement <strong>et</strong> par quartier IRIS à Paris (1990)<br />
% étrangers (hors CEE)<br />
Moyenne<br />
Écart-type<br />
C.V.<br />
Arrondissements<br />
10.9<br />
3.7<br />
0.34<br />
Quartiers Iris<br />
11.3<br />
6.9<br />
0.62<br />
%étrangers hors CEE<br />
14.2 - 17.2 (5)<br />
9.3 - 14.2 (5)<br />
8.4 - 9.3 (4)<br />
6 - 8.4 (6)<br />
%étrangers hors CEE<br />
14 - 48.9 (94)<br />
9 - 14 (100)<br />
8 - 9 (32)<br />
2.6 - 8 (158)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Eff<strong>et</strong>s <strong>de</strong> l'autocorrélation <strong>spatiale</strong> sur l'agrégation<br />
Mesure <strong>de</strong> l’hétérogénéité<br />
La part <strong>de</strong>s cadres par arrondissement <strong>et</strong> par quartier IRIS à Paris (1990)<br />
% cadres<br />
Moyenne<br />
Écart-type<br />
C.V.<br />
Arrondissements<br />
32.8<br />
7.7<br />
0.23<br />
Quartiers Iris<br />
30.8<br />
10.7<br />
0.35<br />
Part moyenne <strong>de</strong>s cadres<br />
19.5 - 23.2 (5)<br />
18.4 - 19.5 (4)<br />
15.1 - 18.4 (5)<br />
10.3 - 15.1 (6)<br />
part <strong>de</strong>s cadres<br />
19.8 - 27.2 (96)<br />
16.8 - 19.8 (91)<br />
12.3 - 16.8 (99)<br />
2.5 - 12.3 (98)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Extension du coefficient <strong>de</strong> Geary: Le<br />
corrélogramme pour l'i<strong>de</strong>ntification <strong>de</strong> portées<br />
Graphique Lebart<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Statistiques <strong>spatiale</strong>s<br />
1. Statistiques <strong>spatiale</strong>s pour décrire un<br />
<strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2. <strong>Analyse</strong> <strong>de</strong> la forme d’un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
2.1 Métho<strong>de</strong> <strong>de</strong>s quadrats<br />
2.2 Métho<strong>de</strong> du plus proche voisin<br />
3. <strong>Analyse</strong> <strong>de</strong> la dépendance <strong>spatiale</strong>:<br />
l’autocorrélation <strong>spatiale</strong><br />
4. Approches locales<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Approches locales: i<strong>de</strong>ntifier les zones <strong>de</strong><br />
concentrations dans un <strong>semis</strong> <strong>de</strong> <strong>points</strong><br />
Comment i<strong>de</strong>ntifier les zones <strong>de</strong> concentrations <strong>de</strong>s<br />
acci<strong>de</strong>nts à Lille<br />
Banos A., 2002<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Le lissage par la métho<strong>de</strong> <strong>de</strong>s noyaux<br />
Choix d’une pondération<br />
fonction <strong>de</strong> la distance<br />
• Balayage <strong>de</strong> la zone d’étu<strong>de</strong><br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Approches locales: les indicateurs locaux<br />
d'association <strong>spatiale</strong> (LISA)<br />
L'indice local <strong>de</strong> Moran mesuré au lieu i est défini<br />
comme un LISA <strong>de</strong> la façon suivante :<br />
∑<br />
I = X − X ) W ( X − X )<br />
i<br />
(<br />
i<br />
j i,<br />
j<br />
j<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006
Exemple <strong>de</strong> LISA<br />
L’i<strong>de</strong>ntification <strong>de</strong>s zones <strong>de</strong> concentrations <strong>spatiale</strong>s<br />
<strong>de</strong>s acci<strong>de</strong>nts <strong>de</strong> la route (B.Flahaut)<br />
Ecole d’été « Statistiques, Cartographies <strong>et</strong> <strong>Analyse</strong> Spatiale, Yaoundé 2006