Escolar Documentos
Profissional Documentos
Cultura Documentos
net/publication/342276347
CITATIONS READS
0 362
1 author:
Patricia Matsumoto
Saint Mary's University
41 PUBLICATIONS 102 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Spatial analysis and modeling of visceral leishmaniasis in cities of Sao Paulo, Brazil View project
Spatial patterns of visceral leishmaniasis in São Paulo state, Brazil. View project
All content following this page was uploaded by Patricia Matsumoto on 18 June 2020.
Resumo: O trabalho apresentado tem como objetivo o estudo do Estimador de Intensidade de Kernel,
a partir de dados hipotético e reais, do censo do IBGE e dos casos de dengue ocorridos em 2005, na
cidade de Presidente Prudente. Busca-se analisar alguma relação entre essas duas variáveis e
constatar se a ocorrência da dengue é conseqüência do baixo nível de instrução da população e suas
condições sócio-econômicas. Para tanto, utiliza-se de técnicas de Estatística Espacial – como
estudos de áreas, pontuais e os diferentes tipos de representações - e de ferramentas
computacionais, presentes no Sistema de Informação Geográfica. Temos como produto do trabalho a
elaboração de mapas que permitem a visualização e interpretação a partir da representação destas
variáveis.
Palavras-chave: Sistema de Informação Geográfica; estatística espacial; casos de dengue; pessoas
alfabetizadas; produtos cartográficos.
INTRODUÇÃO
Geografia, mais precisamente a estatística espacial, para que seja possível entender a
localização de eventos em um determinado espaço geográfico e sua representação
cartográfica.
O objetivo geral é avaliar a variação geográfica na ocorrência de eventos com dados
do IBGE, obtendo-se estimativas de intensidade, desenvolvidas pelo estimador de Kernel e
representadas pelo software Terra View 3.3.0. com o intuito de gerar grades com células e
mapas que representem valores de intensidade e densidade.
Esta pesquisa objetiva a aplicação de técnicas de estatística espacial, com dados do
Censo 2000 e dos casos de dengue de 2005, utilizando o SIG. Os eventos analisados são
pessoas instruídas e casos de dengue, na cidade de Presidente Prudente, estando
agrupados, ou aleatórios; contendo atributos, ou não. Os casos de dengue poderão fazer
relação a partir da maneira como estão distribuídos, influenciando os resultados. A análise
consiste em averiguar se os dados podem aparecer com maior ou menor intensidade
dependendo de indicadores como razões socioeconômicas ou escolaridade.
ESTATÍSTICA ESPACIAL
UNIVERSO DE REPRESENTAÇÕES
espaço pode ser tratado como uma superfície plana, onde cada célula está associada a uma
porção do terreno. A resolução do sistema é dada pela relação entre o tamanho da célula no
mapa ou documento e a área por ela coberta no terreno. A figura 2 mostra um mesmo mapa
representado por células de diferentes resoluções, representando diferentes áreas no
terreno.
Como o mapa do lado esquerdo possui uma resolução quatro vezes menor que o do
mapa do lado direito, as avaliações de áreas e distâncias serão bem menos exatas que no
primeiro. Em contrapartida, o espaço de armazenamento necessário para o mapa da direita
será quatro vezes maior que o da esquerda.
ÁREAS
PONTUAIS
O termo evento refere-se a qualquer tipo de fenômeno que possa ser localizável no
espaço e, dentro de nossa escala de investigação, que possa estar associado a uma
representação de processo pontual. Podem ser referentes à epidemiologia, residência de
casos de doenças; a sociologia, local de ocorrência de ofensas criminais; a demografia,
localização de cidades; a biologia, localização de espécies vegetais de interesse.
ESTIMADOR DE KERNEL
O estimador de Kernel tem por objetivo gerar uma grade em que cada célula
representa o valor da intensidade, densidade, razão entre atributos etc. O valor obtido será
uma medida de influência das amostras na célula. Seus parâmetros básicos são: (a) um raio
de influência (τ ≥ 0) que define a vizinhança do ponto a ser interpolado e controla o
"alisamento" da superfície gerada. O raio de influência define a área centrada no ponto de
estimação que indica quantos eventos contribuem para a estimativa da função intensidade λ.
Um raio muito pequeno irá gerar uma superfície muito descontínua; se for grande demais, a
superfície poderá ficar muito amaciada; (b) uma função de estimação com propriedades de
suavização do fenômeno. O h representa a distância entre a localização em que desejamos
calcular a função e o evento observado.
No caso mais simples, em que cada ponto corresponde, apenas, à ocorrência do
evento, trata-se de um estimador de intensidade ou "eventos por unidade de área",
representado pela fórmula:
2
n
3 ⎛ hi2 ⎞
λˆ =∑ ⎜⎜1 − ⎟⎟
i =1 πτ ² ⎝ τ² ⎠
τ
Caso exista um valor associado ao ponto, deve-se utilizar a fórmula que representa a
quantidade do atributo por unidade de área:
n
1 ⎛ (s − si ) ⎞
∑τ i=1
2⎜
⎝ τ ⎠
⎟ yi
O estimador de Kernel contém funções além dessas, como a média e razão entre
atributos, porém, neste trabalho desenvolveu-se apenas o estimador com ou sem atributo.
Para se analisar onde é mais intensa a ocorrência dos casos de dengue foi utilizado
o Estimador de Kernel, sem atributos inicialmente, onde os dados analisados obtiveram a
seguinte resposta:
2
3 ⎛ hi2 ⎞
n
Com, λ
ˆτ ( 6,7 ) = ∑ πτ
⎜⎜1 − ⎟⎟
i =1 ² ⎝ τ² ⎠
λ̂ τ
(6,7) = 0,388
λˆτ (5, 7 ) = ∑ πτ
⎜⎜1 − ⎟⎟
i =1 ² ⎝ τ² ⎠
2
X Y 3 ⎛ 1² ⎞
Ponto (5, 8) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
⎜1 − ⎟
12,56 ⎝ 4 ⎠
MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 150
X Y 3 ⎛ ( 2 )² ⎞
2 λ̂ τ
(5,7) = 0,1938
Ponto (6, 6) = ⎜1 − ⎟
3,14.2² ⎜⎝ 2² ⎟⎠
Para V3, Estimar (8,2):
2
3 ⎛ 1⎞
⎜1 − ⎟ 3 ⎛ hi2 ⎞
n
2
12,56 ⎝ 4 ⎠
λτ
ˆ (8, 2 ) = ∑ ⎜⎜1 − ⎟⎟
i =1 πτ ² ⎝ τ² ⎠
.
0,2388 (0,25) = 0,0597 X Y 3 ⎛ 1² ⎞
2
Ponto (7, 2) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
X Y 3 ⎛ 2² ⎞ 3 ⎛ 1⎞
2
Ponto (7, 7) = ⎜1 − ⎟ ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠ 12,56 ⎝ 4 ⎠
0,2388 (0,5625) = 0,1343
3
(1 − 1)²
12,56 2
X Y 3 ⎛ ( 2 )² ⎞
. Ponto (7, 3) = ⎜1 − ⎟
3,14.2² ⎜⎝ 2² ⎟⎠
0,2388 (0) = 0
2
3 ⎛ 1⎞
⎜1 − ⎟
2 12,56 ⎝ 4 ⎠
3 ⎛ hi2 ⎞
n
ˆτ (5,7) = ∑ πτ ² ⎜⎜1 − τ ² ⎟⎟
Com, λ .
i =1 ⎝ ⎠
0,2388 (0,25) = 0,0597
2
X Y 3 ⎛ 1² ⎞
Ponto (8, 3) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
⎜1 − ⎟
12,56 ⎝ 4 ⎠
0,2388 (0,5625) = 0,1343
2
X Y 3 ⎛ 1² ⎞
Ponto (8, 1) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
⎜1 − ⎟
12,56 ⎝ 4 ⎠
0,2388 (0,5625) = 0,1343
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 151
em Presidente Prudente: 50 anos em movimento”
2
3 ⎛ hi2 ⎞
n
2
3 ⎛ 1⎞
⎜1 − ⎟ 3
(1 − 1) 2
12,56 ⎝ 4 ⎠ 12,56
. .
0,2388 (0,25) = 0,0597 0,2388 (0) = 0
2
3 ⎛ hi2 ⎞
n
λ̂ τ
(8,2) = 0,7163
λ̂ τ
(1,2) = 0,194
n
1 ⎛ (s − si ) ⎞
∑τ
i=1
2⎜
⎝ τ ⎠
⎟ yi → S − S i é a distância h entre o ponto
estimado e o que se quer estimar.
X Y 1 ⎛ 2⎞
Ponto (5, 8) = ⎜ ⎟1
2² ⎜⎝ 2 ⎟⎠
0,25(0,7071)1 = 0,1767
X Y 1 ⎛1⎞ X Y 1 ⎛ 2⎞
Ponto (6, 6) = ⎜ ⎟2 Ponto (6, 6) = ⎜ ⎟2
2² ⎝ 2 ⎠ 2² ⎜⎝ 2 ⎟⎠
0,25(0,5)2 = 0,25 ou -0,25 0,25(0,7071)2 = 0,3535
1 ⎛ 2⎞
X Y 1 ⎛2⎞
⎜ ⎟3
X Y
Ponto (7, 8) = ⎜ ⎟2 Ponto (7, 7) =
2² ⎜⎝ 2 ⎟⎠ 2² ⎝ 2 ⎠
0,25(1)3 = 0,75
0,25(0,7071)2 = 0,3535
n
1 ⎛ (s − si ) ⎞
∑
X Y 1 ⎛1⎞
Ponto (7, 7) = ⎜ ⎟3 ⎜ ⎟ yi
2² ⎝ 2 ⎠ Com V2,
i =1 τ 2
⎝ τ ⎠
0,25(0,5)3 = 0,375 0,125+0,3535+0,75= 1,2285
n
1 ⎛ (s − s i ) ⎞ Para V3, Estimar (8,2) com atributo:
Com V1, ∑
i =1 τ ⎝
⎜
τ
⎟ yi n
1 ⎛ (s − si ) ⎞
⎠ ∑
2
2⎜ ⎟y
0,1767+0,25+0,3535+0,375= 1,1552 i =1 τ ⎝ τ ⎠
Para V2, Estimar (5,7) com atributo: X Y 1 ⎛1⎞
Ponto (7, 2) = ⎜ ⎟2
2² ⎝ 2 ⎠
n
1 ⎛ (s − si ) ⎞
∑τ
i =1
2⎜
⎝ τ ⎠
⎟y 0,25(0,5)2 = 0,25
X Y 1 ⎛ 2⎞
Ponto (7, 3) = ⎜ ⎟2
X Y 1 ⎛1⎞ 2² ⎜⎝ 2 ⎟⎠
Ponto (5, 8) = ⎜ ⎟1
2² ⎝ 2 ⎠
0,25(0,7071)2 = 0,3535
0,25(0,5)1 = 0,125 X Y 1 ⎛1⎞
Ponto (8, 3) = ⎜ ⎟1
2² ⎝ 2 ⎠
MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 154
0,25(0,7071)1 = 0,1767
X Y 1 ⎛1⎞
Ponto (9, 2) = ⎜ ⎟1
2² ⎝ 2 ⎠
0,25(0,5)1 = 0,125
X Y 1 ⎛ 2⎞
Ponto (9, 3) = ⎜ ⎟1
2² ⎜⎝ 2 ⎟⎠
0,25(0,7071)1 = 0,1767
n
1 ⎛ (s − si ) ⎞
Com V3, ∑
i =1 τ 2
⎜
⎝ τ
⎟ yi
⎠
0,125(3)+0,1767(2)+0,3535+0,25= 1,3319
X Y 1 ⎛1⎞
Ponto (1, 3) = ⎜ ⎟5
2² ⎝ 2 ⎠
0,25(0,5)5 = 0,625
X Y 1 ⎛2⎞
Ponto (2, 1) = ⎜ ⎟6
2² ⎝ 2 ⎠
0,25(1)6 = 1,5
X Y 1 ⎛ 2⎞
Ponto (3, 2) = ⎜ ⎟4
2² ⎜⎝ 2 ⎟⎠
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 155
em Presidente Prudente: 50 anos em movimento”
Os atributos são valores associados ao ponto; tais valores alteram a configuração e
rearranjam a figura, pois a maior intensidade, neste caso, se dá pela quantidade (casos de
dengue em cada ponto) e não pela aglomeração dos pontos como na figura anterior. A
figura 7 exemplifica a explicação:
CONCLUSÃO
Por toda a análise e estudos desenvolvidos temos como resultados as áreas centrais,
da cidade de Presidente Prudente, com os maiores focos de dengue, localizando-se nas
mesmas áreas onde aparecem os maiores números de pessoas alfabetizadas
Desse modo, percebe-se que os casos de dengue independem do grau de instrução
das pessoas, ou de suas condições sócio-econômicas, uma vez que há maior incidência da
doença onde existe maior intensidade de pessoas alfabetizadas e longe das áreas
periféricas de baixas condições sócio-econômicas.
Os SIG´s são importantes ferramentas computacionais porque nos permite fácil
visualização de uma série de dados. Nesta pesquisa pôde-se descobrir se há alguma
relação de pessoas alfabetizadas e a ocorrência da doença. Como resultado vê-se que não
há relação positiva e, sendo assim, temos como ponto de partida que a solução para a
erradicação da doença não está na conscientização, já que a doença está presente onde há
maior número de pessoas alfabetizadas e níveis sócio-econômicos mais altos. Os SIG´s
vieram para facilitar a solução de problemas como este e daí sua grande importância para
todos os ramos ciência.
BIBLIOGRAFIA
Bailey, T. C., Gatrell, A. C. Interactive spatial data analysis. Editora: Harlow, Longman,
1995.
MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 158