See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/342276347

Estudos do Estimador de Intensidade de Kernel

Conference Paper · August 2009

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.

The user has requested enhancement of the downloaded file.

 ESTUDOS DO ESTIMADOR DE INTENSIDADE DE KERNEL

Patrícia Sayuri S. MATSUMOTO

pamatsumoto@yahoo.com.br
Estudante de graduação em geografia
Universidade Estadual Paulista

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

As mudanças que ocorrem em todo o mundo, a todo instante, e aliado a isto, o

desenvolvimento da humanidade, levou a um aumento no volume de dados produzidos
pelas pessoas e todo o espaço. Em todos os ramos da ciência houve a necessidade de
melhor representar estes dados e as conclusões de qualquer estudo, a fim de compreender
as transformações que se fazem presentes atualmente. Um sistema de informação espacial
e procedimentos computacionais viera para facilitar e resolver o problema em questão,
permitindo e facilitando uma análise, gestão ou representação do espaço e dos fenômenos
que nele ocorrem. O Sistema de Informação Geográfica (SIG, ou GIS - Geographic
Information System) torna possível reduzir milhares de registros numéricos, ou de texto, em
um único mapa facilitando a compreensão das informações.
Esse sistema abrange uma interdisciplinaridade, contendo estudos relacionados a
inúmeras ciências das áreas Humanas, Exatas e Biológicas, tais como para geógrafos,
estatísticos, arquitetos, geólogos, engenheiros, assistentes sociais, biólogos, sociólogos, etc.
Pode fornecer importantíssimas informações para serviços públicos, como bombeiros,
polícia, saúde, trânsito e educação; para a indústria e comércio, na mineração,
comunicações, logística, agricultura, marketing, etc; para o meio-ambiente, no
monitoramento, correção e modelamento; para a economia, através de indicadores sociais,
econômicos e políticos. .
Quase toda ciência produz dados georeferenciados, ou seja, dados localizados na
superfície e representados numa projeção cartográfica. Desse modo, à geografia e
estatística se utilizam destes mesmos. Neste trabalho será utilizada a Estatística e a
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 143
em Presidente Prudente: 50 anos em movimento”

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

Defini-se “análise de estatística espacial quando os dados são espacialmente

localizados e se considera explicitamente a possível importância de seu arranjo espacial na
análise ou interpretação dos resultados” (BAILEY E GATRELL, 1995).
Numa análise espacial faz-se um estudo quantitativo de fenômenos posicionados no
espaço. Utiliza-se de método e técnicas que incorporem claramente as localizações ou
arranjos espaciais dos objetos/fenômenos estudados. Nesta pesquisa foi utilizado
metodologias matemáticas, o estimador de Kernel, quanto a localização e intensidade.
Numa análise de estatística espacial encontram-se vários tipos de fenômenos,
podendo ser, segundo DINIZ:

“Fenômenos discretos são constituídos por pontos, linhas e áreas. Exemplos:

pessoas, casos de uma doença, casas, lojas, etc. Os Contínuos dão continuidade
aos fenômenos espaciais, por exemplo, temperatura, umidade, pressão atmosférica,
solo, etc; podendo ser medidos em quaisquer lugares do mundo. E os Atributos têm
características ou atributos associados diretamente a eles.” (DINIZ, 2000, p.2)

UNIVERSO DE REPRESENTAÇÕES

No universo das representações estão as possíveis representações geométricas.

Consideram-se duas grandes classes de representações geométricas: vetorial e matricial. A
representação vetorial consiste numa tentativa de produzi-lo o mais exatamente possível.
Qualquer entidade ou elemento gráfico de um mapa é reduzido a três formas básicas:
 MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 144

pontos, linhas, áreas ou polígonos. E a representação matricial consiste no uso de uma

malha quadriculada regular sobre a qual se constrói, célula a célula, o elemento que está
sendo representado. A cada célula, atribui-se um código referente ao atributo estudado, de
tal forma que o computador saiba a que elemento ou objeto pertence determinada célula.
Na representação vetorial, a localização e a aparência gráfica de cada objeto são
representadas por um ou mais pares de coordenadas. Consideram-se três elementos
gráficos: ponto, linha poligonal e área (polígono). Um ponto é um par ordenado (x, y) de
coordenadas espaciais. Além das coordenadas, outros dados não-espaciais (atributos)
podem ser arquivados para indicar de que tipo de ponto se está tratando – é o mostrado nos
banco de dados, nos dados cadastrais. As linhas poligonais, arcos, ou elementos lineares
são um conjunto de pontos conectados. Além das coordenadas dos pontos que compõem a
linha, deve-se armazenar informação que indique de que tipo de linha se está tratando, ou
seja, a que atributo ela está associada. Um polígono é a região do plano limitada por uma ou
mais linha poligonais conectadas de tal forma que o último ponto de uma linha seja idêntico
ao primeiro da próxima.
Quando utilizamos a expressão vetores, estamos nos referindo a alguma
combinação de pontos, linhas poligonais e polígonos, conforme definidos acima.
Combinações porque poderíamos utilizar mais de um tipo de elementos na criação da
representação de um objeto. Por exemplo, podem-se ter objetos de área mais complexos,
formados por um polígono básico e vários outros polígonos contidos no primeiro. Pode-se
também ter objetos compostos por mais de um polígono, como seria necessário no caso do
estado do Pará, que além da parte “continental” tem a ilha de Marajó e outras como parte de
seu território.

Figura.1: representação do modelo vetorial

Fonte: Adaptada de CÂMARA, 2002

Na representação matricial o espaço é representado como uma matriz P(m, n),

composto de m colunas e n linhas, onde cada célula possui um número de linha, um
Número de coluna e um valor correspondente ao atributo estudado e cada célula é
individualmente acessada pelas suas coordenadas. A representação matricial supõe que o
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 145
em Presidente Prudente: 50 anos em movimento”

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.

Figura 2 - Diferentes representações matriciais para um mapa.

Fonte: Adaptada de CÂMARA, 2002.

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

O estudo de áreas consiste em analisar dados espaciais estruturados por polígonos -

geralmente referentes a bairros, municípios ou setores censitários – dentro desse espaço.
Os eventos podem apresentar valores de localização exatos dentro de uma área, ou
apresentar alguma discrepância em relação ao objetivo do observador, como exemplo,
quando não se quer revelar algum fenômeno em nível de setor e muda-se para quadras, ou
quando fazemos o inverso; e ainda, os valores podem ser distorcidos quando os mapas não
foram corrigidos pela ortofoto, tendo pontos de fenômenos sobre locais incorretos.
O estudo com as áreas privilegia secretarias, ministérios, prefeituras, empresas, ou
qualquer projeto que queira a exatidão de localizações de uma área, tornando-se viável a
organização e disponibilidade de dados de óbito, nascimento, doenças, densidade,
mortalidade, violência, ações antrópicas, etc.
A forma usual de apresentação de dados agregados por áreas é o uso de mapas
coloridos com o padrão espacial do fenômeno.
 MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 146

PONTUAIS

O estudo de pontos consiste em analisar dados de fenômenos expressos através de

ocorrências identificadas como pontos localizados no espaço. São denominados processos
pontuais tendo como exemplos: a localização de ocorrências de doenças, espécies vegetais
e animais, crimes, etc. Esta análise objetiva estudar a distribuição espacial destes pontos e
sua ocorrência, levantando hipóteses sobre o padrão observado, comprovando se são
aleatórios, se estão em aglomerados ou se os pontos estão regularmente distribuídos.
O tipo de dados nestes estudos consiste em uma série de coordenadas de pontos
(p1, p2,...), estando localizados p1 ( x = 2, y = 6); p2 ( x = 5, y = 8), como é mostrado na
figura 3, sendo esses eventos de interesse dentro da área de estudo.

Figura 3: Demonstração de pontuais nas coordenadas

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

Ao analisar o comportamento de padrões de pontos, segundo CÂMARA e SÁ,

estimando a intensidade pontual do processo em toda a região de estudo pode-se ajustar
uma função bi-dimensional sobre os eventos considerados, compondo uma superfície cujo
valor será proporcional à intensidade de amostras por unidade de área. Esta função realiza
uma contagem de todos os pontos dentro de uma região de influência, ponderando-os pela
distância de cada um à localização de interesse. A figura 4 exemplifica o assunto exposto.
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 147
em Presidente Prudente: 50 anos em movimento”

Figura 4: Estimador de intensidade de distribuição de pontos

Fonte: Adaptada de CÂMARA, 2002

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.

MÓDULO DE ESTATÍSTICA ESPACIAL APLICADO NOS SIG

Nesta pesquisa serão utilizadas algumas das ferramentas do TerraView3.3.0, a fim

de comparar os resultados obtidos pelo trabalho teórico e comprovar sua veracidade
perante os programas computacionais.
 MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 148

Foram criados dados hipotéticos para analisar seus resultados no software

TerraView3.3.0. Para tal, foi gerada uma grade 10x10 e formados 20 pontos aleatórios,
estando dentro ou não da região R para desenvolver o estudo do Estimador de Kernel,
como mostra a figura 5 Define-se uma região geográfica R como uma superfície qualquer
pertencente ao espaço geográfico, que pode ser representada num plano, ou reticulado,
dependente de uma projeção cartográfica.

Figura 5: Grade de representação de eventos

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:

Para V1, Estimar (6,7):

2
n
3 ⎛ hi2 ⎞
λˆτ (6,7) = ∑ ⎜1 − ⎟
⎜ τ² ⎟
i =1 πτ ² ⎝ ⎠
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 149
em Presidente Prudente: 50 anos em movimento”
2 2
X Y 3 ⎛ ( 2 )² ⎞ X Y 3 ⎛ 1² ⎞
Ponto (5, 8) = ⎜1 − ⎟ → Ponto (6, 6) = ⎜1 − ⎟
3,14.2² ⎜⎝ 2² ⎟⎠ 3,14.2² ⎝ 2² ⎠

2 0,2388 (0,5625) = 0,1343

3 ⎛ 1⎞
⎜1 − ⎟
12,56 ⎝ 4 ⎠
2
. 0,2388 Ponto (7, 8) =
X Y 3 ⎛ ( 2 )² ⎞
⎜1 − ⎟
(0,25) = 0,0597 3,14.2² ⎜⎝ 2² ⎟⎠
2
3 ⎛ 1⎞
Para achar a distância h utiliza-se, quando ⎜1 − ⎟
12,56 ⎝ 4 ⎠
necessário, o teorema de pitágoras: 0,2388 (0,25) = 0,0597
h²=a²+b²
h²=1²+1² 2
X Y 3 ⎛ 1² ⎞
h= 2 Ponto (7, 7) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
⎜1 − ⎟
12,56 ⎝ 4 ⎠
0,2388 (0,5625) = 0,1343

2
3 ⎛ hi2 ⎞
n
Com, λ
ˆτ ( 6,7 ) = ∑ πτ
⎜⎜1 − ⎟⎟
i =1 ² ⎝ τ² ⎠

λˆ (6,7) = 0,0597 + 0,1343 + 0,0597 + 0,1343

τ

λ̂ τ
(6,7) = 0,388

Para V2, Estimar (5,7):

2
3 ⎛ hi2 ⎞
n

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

0,2388 (0,5625) = 0,1343

λˆ (5,7) = 0,1343 + 0,0597 + 0
τ

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

λˆτ (1,2) = ∑ ⎜⎜1 − ⎟⎟

i =1 πτ ² ⎝ τ² ⎠
2
X Y 3 ⎛ ( 2 )² ⎞
Ponto (9, 1) = ⎜1 − ⎟ 3 ⎛ 1² ⎞
2
3,14.2² ⎜⎝ 2² ⎟⎠
X Y
Ponto (1, 3) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
3 ⎛ 1⎞
2
⎜1 − ⎟
⎜1 − ⎟ 12,56 ⎝ 4 ⎠
12,56 ⎝ 4 ⎠
0,2388 (0,5625) = 0,1343
.
0,2388 (0,25) = 0,0597
2
X Y 3 ⎛ ( 2 )² ⎞
Ponto (2, 1) = ⎜1 − ⎟
2 3,14.2² ⎜⎝ 2² ⎟⎠
X Y 3 ⎛ 1² ⎞
Ponto (9, 2) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠
2
3 ⎛ 1⎞
2 3 ⎛ 1⎞
⎜1 − ⎟ ⎜1 − ⎟
12,56 ⎝ 4 ⎠ 12,56 ⎝ 4 ⎠

0,2388 (0,5625) = 0,1343 .

0,2388 (0,25) = 0,0597
2
X Y 3 ⎛ ( 2 )² ⎞
Ponto (9, 3) = ⎜1 − ⎟ 3 ⎛ 2² ⎞
2
3,14.2² ⎜⎝ 2² ⎟⎠
X Y
Ponto (3, 2) = ⎜1 − ⎟
3,14.2² ⎝ 2² ⎠

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

Com, λˆτ (8,2) = ∑

i =1 πτ ²
⎜⎜1 − ⎟⎟
⎝ τ² ⎠
2
3 ⎛ hi2 ⎞
n

λˆ (8,2) = 0,1343(4) + 0,0597(3)

τ
Com, λ
ˆτ (1, 2) = ∑ ⎜⎜1 − ⎟⎟
i =1 πτ ² ⎝ τ² ⎠
λ̂ τ
(8,2) = 0,5372+0,1791
λˆ (1,2) = 0,1343 + 0,0597 + 0
τ

λ̂ τ
(8,2) = 0,7163
λ̂ τ
(1,2) = 0,194

Para V4, Estimar (1,2):

 MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 152

Na representação do TerraView, em sua ferramenta de análise do estimador de

Kernel, obtém-se imagens coloridas, onde a maior intensidade são as cores mais fortes.
Sabe-se que a intensidade, neste caso, é dada pela localização agrupada, sem levar em
conta os atributos, já que os eventos analisados não estão com valores associados ao ponto.
Desse modo, como demonstra a figura 6, leva-se em consideração o agrupamento, a
quantidade espacial, não valores embutidos no evento em questão.

Figura 6: Mapa de Kernel sem atributos

O estimador de Kernel permite adicionar atributos aos eventos observados,
definido yi , que são os valores associados ao ponto:
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 153
em Presidente Prudente: 50 anos em movimento”

Para V1, Estimar (6,7) com atributo:

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(0,5)1 = 0,125 0,25(0,7071)4 = 0,7071

X Y 1 ⎛1⎞
Ponto (8, 1) = ⎜ ⎟1
1 ⎛ (s − si ) ⎞
2² ⎝ 2 ⎠ n
0,25(0,5)1 = 0,125 Com V4, ∑
i =1 τ 2
⎜
⎝ τ
⎟ yi
⎠
X Y 1 ⎛ 2⎞
Ponto (9, 1) = ⎜ ⎟1
2² ⎜⎝ 2 ⎟⎠ 0,625+1,5+0,7071= 2,83

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

Para V4, Estimar (1,2) com atributo:

n
1 ⎛ (s − si ) ⎞
∑ 2⎜
i =1 τ ⎝ τ ⎠
⎟y

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:

Figura 7: Mapa de Kernel, com atributos.

ESTIMADOR DE KERNEL NO TERRAVIEW 3.3.0 COM DADOS REAIS

Com os dados de pessoas alfabetizadas do IBGE e os casos de dengue na cidade

de Presidente Prudente foi possível desenvolver o estudo referente ao estimador de
intensidade de Kernel, desta vez trabalhados com dados reais e não hipotéticos. Para
facilitar a manipulação dos dados foi utilizado como referência os pontos centróides, sendo
estes pontos aos quais se calcula o centro de um polígono a fim de criar um ponto de
referência em relação aos outros. Estes pontos foram retirados do banco de dados vindos
com as bases cartográficas, da cidade de Presidente Prudente, no IBGE.
Pelo estudo desenvolvido obtivemos os produtos cartográficos representados pelas
figuras subsequentes:

Figura 8: Banco de dados

MATSUMOTO, Patrícia S. S. Estudos do estimador de intensidade de Kernel 156

Figura 9: centróides de pessoas alfabetizadas e casos de dengue,

representados por pontos azuis e vermelhos respectivamente

Figura 10: Estimador de Kernel de pessoas alfabetizadas e

pontos de casos de dengue

Figura 11: Estimador de Kernel de casos de dengue e pontos de

pessoas alfabetizadas
Anais da X Semana de Geografia e V Encontro de Estudantes de Licenciatura em Geografia – “A Geografia 157
em Presidente Prudente: 50 anos em movimento”

Figura 12: estimador de Kernel para casos de dengue com pontos de

casos e pessoas instruídas, preto e azul respectivamente.

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

CÂMARA, G.; CASANOVA, M.A.; HEMERLY, A.; MEDEIROS, C.M.B.; MAGALHÃES, G.

Anatomia de Sistemas de Informação Geográfica. SBC, X Escola de Computação,
Campinas, 1996.

FRANK, A. U., GOODCHILD, M. F. Two perspectives on geographical data modeling.

Santa Barbara, CA: National Center for Geographic Information and Analysis (NCGIA), 1990.

GOMES, J.M., VELHO, L. Computação Visual: Imagens. Rio, SBM, 1995.

PUEBLA, J. G., GOULD, Michael. SIG: sistemas de información geográfica. Editora

sintesis, Madrid, 1994.

CIÊNCIA DA GEOINFORMAÇÃO. Disponível em:

<http://www.dpi.inpe.br/gilberto/livro/introd/cap1-introducao.pdf> Acesso em: 03 Abr. 2009

CIÊNCIA DA GEOINFORMAÇÃO – conceitos básicos em ciência da geoinformacao.

Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap2-conceitos.pdf> Acesso em:
03 Abr. 2009

CIÊNCIA DA GEOINFORMAÇÃO – Arquitetura de sistema de informação geográfica.

Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap3-arquitetura.pdf> Acesso em:
03 Abr. 2009

CIÊNCIA DA GEOINFORMAÇÃO – modelagem de dados geográficos. Disponível em:

<http://www.dpi.inpe.br/gilberto/livro/introd/cap4-modelos.pdf> Acesso em: 03 Abr. 2009

CIÊNCIA DA GEOINFORMAÇÃO – fundamentos epistemológicos da ciência da

geoinformação. Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap5-
epistemologia.pdf> Acesso em: 03 Abr. 2009

CARNEIRO, E. O. Análise espacial aplicada na determinação de áreas de risco

para algumas doenças endêmicas: o uso de técnicas de geoprocessamento na
saúde pública, Universidade Estadual de Feira de Santana Disponível em:
<http://www.cartografia.org.br/xxi_cbc/093-cg29.pdf> Acesso em: 29 Mar. 2009
View publication stats