Es importante identificar los patrones geográficos para comprender cómo se comportan los fenómenos geográficos.
Si bien puede tener una idea del patrón general de las entidades y sus valores asociados al realizar una representación cartográfica de ellos, el cálculo de la estadística cuantifica el patrón. Esto facilita la comparación de patrones para distintas distribuciones o para distintos períodos de tiempo. Generalmente, las herramientas del conjunto de herramientas Análisis de patrones son un punto de inicio para realizar análisis más profundos. Por ejemplo, el uso de la herramienta Autocorrelación espacial incremental para identificar las distancias donde los procesos que promueven el clustering espacial son más marcados lo puede ayudar a seleccionar una distancia adecuada (escala de análisis) para utilizar en la investigación de puntos calientes (Análisis de punto caliente).
Las herramientas del conjunto de herramientas Análisis de patrones son estadísticas deductivas; comienzan con la hipótesis nula de que las entidades, o los valores asociados a las entidades, exhiben un patrón espacialmente aleatorio. A continuación, calculan un valor P que representa la probabilidad de que la hipótesis nula sea correcta (que el patrón observado es simplemente una de las tantas versiones posibles de una aleatoriedad espacial completa). Calcular una probabilidad puede ser importante si necesita tener un alto nivel de confianza en una decisión en particular. Por ejemplo, si existen consecuencias legales o relacionadas con la seguridad pública que estén asociadas a la decisión, es posible que deba justificar la decisión con evidencia estadística.
Las herramientas de Análisis de patrones proporcionan estadísticas que cuantifican patrones espaciales amplios. Estas herramientas responden a preguntas como "¿las entidades en el dataset o los valores asociados con las entidades en el dataset, agrupados espacialmente?" y "¿Está el clustering volviéndose más o menos intenso con el transcurso del tiempo?" La siguiente tabla enumera las herramientas disponibles y proporciona una breve descripción de cada una de ellas.
| Herramienta | Descripción |
|---|---|
Calcula un índice de vecino más cercano en base a la distancia promedio desde cada entidad hasta la entidad vecina más cercana. | |
Mide el grado de clustering para valores altos o bajos mediante la estadística G general de Getis-Ord. | |
Mide la autocorrelación espacial de una serie de distancias y, de manera opcional, crea un gráfico de línea de esas distancias y sus correspondientes puntuaciones z. Las puntuaciones z reflejan la intensidad del clustering espacial y las puntuaciones z pico estadísticamente significativas indican las distancias donde los procesos espaciales que promueven el clustering son más marcadas. Estas distancias pico son a menudo los valores adecuados para utilizar para herramientas con un parámetro de Radio de distancia o Banda de distancia. | |
Mide la autocorrelación espacial en función de las ubicaciones de entidades y los valores de atributo mediante la estadística I de Moran global. | |
Análisis cluster espacial de distancia múltiple (Función k de Ripley) | Determina si las entidades, o los valores asociados a las entidades, exhiben un clustering o una dispersión estadísticamente significativos en un rango de distancias. |