4 ANÁLISE DOS RESULTADOS
4.5 ANÁLISE REGIONAL
Para a análise mais detalhada das regiões que apresentaram evidências de correlação espacial mais significativas, os tópicos a seguir restringirão suas análises às regiões da Grande Natal e Seridó Potiguar.
4.5.1 Grande Natal
Região que comporta o campus central da Universidade Federal do Rio Grande do Norte e a Escola Agrícola de Jundiaí, a Grande Natal está dividida em 14 municípios, como destacado na Figura 28.
Figura 28 – Divisão territorial do Rio Grande do Norte com destaque a Região da Grande Natal
Fonte: OVEU / COMPERVE
A Figura 29 expõe a distribuição espacial da taxa de inscritos nos cursos de graduação da UFRN, na Grande Natal. Percebe-se uma grande concentração no município de Natal e sua vizinhança. A cidade de Macaíba, onde está localizada a Escola Agrícola de Jundiaí, apresentou taxa de inscrição igual a 5,1, não aparecendo em destaque na região. O IMG desta variável na região foi igual a 0,20129, com p- valor 0,046, isto significa que há evidências de correlação espacial da taxa de inscritos na UFRN, na Grande Natal. As demais variáveis não apresentaram significância estatística na região.
Figura 29 - Distribuição espacial da taxa de inscritos na seleção da UFRN, na Grande Natal
Fonte: OVEU / COMPERVE
A Figura 30, exibida a seguir, apresenta o diagrama de Espalhamento de Moran da taxa de inscritos nos cursos de graduação da UFRN, na Grande Natal. Nota-se nesse gráfico, que três municípios apresentam significância, localizados no quadrante 1, isto significa que eles apresentam alta taxa de inscritos e estão cercados por Municípios com altas taxas de inscritos.
Figura 30 - Diagrama de Espalhamento de Moran da Taxa de Inscritos nos cursos de graduação da UFRN, na Grande Natal
A Figura 31, representa o Mapa de Espalhamento de Moran da variável associada à taxa de inscritos nos cursos de graduação da UFRN, na região da Grande Natal. Este diagrama pode ser definido como uma forma adicional de visualizar o Diagrama de Espalhamento de Moran. Assim, observa-se de maneira mais clara a estrutura de vizinhança apresentada anteriormente, em que as cidades de Natal, Parnamirim e Macaíba apresentaram altas taxas de inscritos e estão cercadas por cidades com altos índices.
Figura 31 - Mapa de Espalhamento de Moran da Taxa de Inscritos nos cursos de graduação da UFRN, na Grande Natal
Fonte: OVEU / COMPERVE
4.5.2 Seridó Potiguar
Formada por 25 municípios, a Região do Seridó Potiguar comporta dois campi da UFRN, um em Caicó e outro em Currais Novos, ambos vinculados ao Centro de Ensino Superior do Seridó. A Figura 32 apresenta as divisões territoriais do Rio Grande do Norte, com destaque a Região Seridó Potiguar.
Figura 32 - Divisões territoriais do Rio Grande do Norte, com destaque a Região Seridó Potiguar
Fonte: OVEU / COMPERVE
A Figura 33 apresenta a distribuição espacial da taxa de inscritos nos cursos de graduação da UFRN, na região Seridó do estado. Percebe-se que Caicó apresentou a maior taxa de inscritos na região, padrão que se assemelha a seus municípios vizinhos, que mesmo apresentando taxas menores, formam um padrão de concentração na região. O IMG desta variável na região foi igual a 0,38378, com p- valor de 0,001, isto significa que há fortes evidências de correlação espacial da taxa de inscritos na UFRN, na região Seridó. As demais variáveis não apresentaram significância estatística na região.
Figura 33 - Distribuição espacial da taxa de inscritos na seleção da UFRN, no Seridó Potiguar
Fonte: OVEU / COMPERVE
A Figura 34, exibida a seguir, apresenta o diagrama de Espalhamento de Moran da taxa de inscritos nos cursos de graduação da UFRN, na Região Seridó. Nota-se nesse gráfico, que três municípios apresentam significância, localizados nos quadrantes Q1, Q2 e Q3. Estes municípios são: Caicó, Equador e Ipueira, respectivamente.
Figura 34 - Diagrama de Espalhamento de Moran da Taxa de Inscritos nos cursos de graduação da UFRN, no Seridó Potiguar
A Figura 35, representa o Mapa de Espalhamento de Moran da variável associada a taxa de inscritos nos cursos de graduação da UFRN, na região Seridó Potiguar. Observa-se de maneira mais clara a estrutura de vizinhança apresentada anteriormente, na qual três cidades apresentaram significância. O mapa apresentado mostra que a cidade de Caicó apresentou alta taxa de inscritos e suas cidades vizinhas também. Em contrapartida, o município de Equador apresentou baixa taxa de inscritos e a média de seus municípios vizinhos também foi baixa. Enquanto isso, Ipueira registou baixa taxa de inscritos e seus vizinhos altos índices.
Figura 35 - Mapa de Espalhamento de Moran da Taxa de Inscritos nos cursos de graduação da UFRN, no Seridó Potiguar
5 CONSIDERAÇÕES FINAIS
Estudos realizados anteriormente com base em dados disponíveis no Observatório da Vida do Estudante Universitário (OVEU / COMPERVE) mostraram que o Ensino Superior foi estudado sob diferentes perspectivas, focalizando aspectos diversos, tais como a relação entre fatores sociais e o ingresso na Universidade Federal do Rio Grande do Norte. Com os resultados desta pesquisa novas hipóteses no que se refere à taxa de inscrição e ingressantes nos cursos da UFRN foram investigadas. As diversas análises realizadas neste trabalho, sugerem que há evidências para se afirmar que a decisão de se inscrever nos cursos de graduação da UFRN pode ser influenciada pela distância entre a residência do candidato e o local da sala de aula, onde funciona seu curso de graduação. Tal conclusão é reforçada pela constatação da existência de um padrão espacial de concentração de inscritos nas regiões onde estão localizados campi federais: Grande Natal e Seridó Potiguar.
A partir do desenvolvimento de cada um dos objetivos específicos ao longo do trabalho, foi possível reconhecer a importância da expansão da universidade para o interior do Estado, pois essa expansão pode gerar melhores perspectivas aos moradores de municípios mais distantes dos centros federais. Embora a variável correspondente à taxa de evasão não apresente evidências de autocorrelação espacial, de acordo com o resultado obtido por meio do Índice de Moran, é importante destacar que os municípios que apresentaram 100% de abandono estão localizados na região mais distantes dos campi, Região Alto Oeste. O desempenho no ENEM não apresentou dependência espacial em suas quatro áreas de conhecimento. Desse modo, o objetivo geral deste trabalho foi alcançado e o problema de pesquisa devidamente respondido.
REFERÊNCIAS
BIVAND, R. S.; PEBESMA, E. J.; & GÓMEZ-RUBIO. Applied spatial data analysis with R springer. 2ed. New York: Springer, 2008.
BRASIL. MEC – Ministério da Educação - ENEM. Disponível em: < http://www.mec.gov.br/>. Acesso em: 10 out. 2017.
CÂMARA, Gilberto; et al. Análise Espacial e Geoprocessamento. In: DRUCK, Suzana; et al. (Org.). Análise Espacial de Dados Geográficos. 1ed.Brasilia: EMBRAPA Cerrados, 2004, v. 1, p. -.
CARDOSO, C. E. P.; PAIVA, Carlos. Dependência Espacial 2006: Análise Espacial. São Paulo. 2006.
COMPERVE – Núcleo Permanente de Concursos. Disponível em: < http://www.comperve.ufrn.br/> Acesso em: 10 out. 2017.
Departamento de Informática do SUS. Informações de Saúde - Demográficas e Socioeconômicas. Disponível em:
<http://tabnet.datasus.gov.br/cgi/deftohtm.exe?ibge/cnv/poptrn.def>. Acesso em: 09 set. 2017.
Instituto Brasileiro de Geografia e estatística. Malhas Digitais. Disponível em: <ftp://geoftp.ibge.gov.br/organizacao_do_territorio/malhas_territoriais/malhas_de_set ores_censitarios__divisoes_intramunicipais/censo_2010/setores_censitarios_shp/>. Acesso em: 09 set. 2017.
Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Censo da Educação Superior 2014. Disponível em:
<http://download.inep.gov.br/educacao_superior/censo_superior/documentos/2015/n otas_sobre_o_censo_da_educacao_superior_2014.pdf> Acesso em: 10 out. 2017. Instituto Nacional de Pesquisas Espaciais. TerraView. Disponível em: <http://www.dpi.inpe.br/menu/Projetos/terraview.php>.Acesso em: 10 out. 2017. OVEU – Observatório da Vida do Estudante. Disponível em:
< http://www.comperve.ufrn.br/conteudo/observatorio/>. Acesso em: 10 out. 2017. R Core Team (2017). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
ANEXO 1
Figura 366 – Divisões territoriais do Rio Grande do Norte, por microrregião
ANEXO 2 SCRIPT #Baixando pacotes library(rgdal) library(sp) require(maptools) library(maps) library(spdep) library(gstat) library(lattice) library(gcmr) library(DCluster) library(RColorBrewer) library(xtable) library(boot) library(pgirmess) require(ggmap)
# Baixar a malha digital do Censo Demográfico 2010 - IBGE:
ftp://geoftp.ibge.gov.br/organizacao_do_territorio/malhas_territoriais/malhas_de_s etores_censitarios__divisoes_intramunicipais/censo_2010/setores_censitarios_s hp/
library(rgdal)
RN <- readOGR(".", "24MUE250GC_SIR") link: "rn_municipios.zip"
# Salvar os dados da malha digital para junção com os dados da monografia usando o Excel:
DadosPorMunic=slot(RN, "data") class(DadosPorMunic)
# Após junção da malha digital com os dados no Excel: RN_monog = RN
malha_dados=read.table("Malha e Dados por municipio.txt", head=T, sep="\t", dec=",")
slot(RN_monog , "data")=malha_dados slot(RN_monog , "data")=malha_dados[-168,] slot(RN_monog , "data")
# Desenhando mapas com nomes dos municípios: x11(20,15)
plot(RN , axes = TRUE)
text(coordinates(RN_monog ), labels=RN $NM_MUNICIP, font=2, cex=0.3) color <- colorRampPalette(c("Lavender","darkgreen"))
##VARIÁVEIS SOCIOECONÔMICAS
#PERCENTUAL DE MULHERES INGRESSANTES x11(20,15)
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 41% das que informaram
residência fora do RN.", cex = 0.8) layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog , c("Percentual.de.mulheres.dentre.os.ingressantes"), sp.layout = layout,col.regions = color(16))
# PERCENTUAL DE ESCOLAS PÚBLICAS < 50% x11(20,15)
bbox(RN_monog)
munic1=which(RN_monog$Percentual.com.Ens..Médio.em.esc..púb..dentre.os.in gressantes<50)
coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 46,7% dos que informaram
residência fora do RN.", cex = 0.8)
txt4 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3, txt4)
spplot(RN_monog ,
c("Percentual.com.Ens..Médio.em.esc..púb..dentre.os.ingressantes"), sp.layout = layout, col.regions = color(16))
# PERCENTUAL DE PESSOAS COM MAIS DE 25 ANOS > 50% x11(20,15) bbox(RN_monog) munic1=which(RN_monog$Percentual.de.pessoas.com.mais.de.25.anos.dentre.o s.ingressantes>49) coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 13,6% dos que informaram
residência fora do RN.", cex = 0.8)
txt4 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3, txt4)
spplot(RN_monog ,
c("Percentual.de.pessoas.com.mais.de.25.anos.dentre.os.ingressantes"), sp.layout = layout, col.regions = color(16))
#PERCENTUAL DE PARDOS, PRETOS E QUILOMBOLAS x11(20,15)
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 48,8% dos que informaram
residência fora do RN.", cex = 0.8) layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog ,
c("Percentual.de.pardos.negros.remanesc.quilombos.dentre.os.ingressantes"), sp.layout = layout,col.regions = color(16))
# PERCENTUAL DE INGRESSANTES DAS CLASSES SOCIAIS C, D OU E < 50% x11(20,15)
bbox(RN_monog)
munic1=which(RN_monog$Percentual.de.pessoas.das.classes.sociais.C..D.ou.E. dentre.os.ingressantes<50)
coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 65,1% dos que informaram
residência fora do RN.", cex = 0.8)
txt4 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3, txt4)
spplot(RN_monog ,
c("Percentual.de.pessoas.das.classes.sociais.C..D.ou.E.dentre.os.ingressantes"), sp.layout = layout, col.regions = color(16))
# PERCENTUAL DE INGRESSANTES DAS CLASSES SOCIAIS C, D OU E < 50% x11(20,15)
bbox(RN_monog)
munic1=which(RN_monog$Percentual.de.mães.com.até.EF.completo.dentre.os.i ngressantes>99)
coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.99,-6.8), "Nota: representatividade de 18,7% dos que informaram
residência fora do RN.", cex = 0.8)
txt4 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3, txt4)
spplot(RN_monog ,
c("Percentual.de.mães.com.até.EF.completo.dentre.os.ingressantes"), sp.layout = layout, col.regions = color(16))
##DESEMPENHO NO ENEM
#DESEMPENHO EM TODAS AS ÁREAS DE CONHECIMENTO spplot(RN_monog , c("LC", "MT", "CN", "CH"), col.regions = color(16)) spplot(RN_monog , c("Red"), col.regions = color(16))
###DESEMPENHO POR ÁREA DE CONHECIMENTO ESPECÍFICA
corDegrade <- colorRampPalette(c("Lavender","darkgreen"))
# CN
rrt <- slot(RN_monog , "data")$CN
brks <- quantile(rrt, seq(0,1,1/4), na.rm=T) cols <- corDegrade
plot(RN, col=corDegrade(5)[findInterval(rrt, brks, all.inside=TRUE)], axes = TRUE) # legenda:
legend("topleft", fill = color(4), legend=legenda, bty = "n", title = "CN", cex=0.6, y.inter=0.9)
# CH
rrt <- slot(RN_monog , "data")$CH
brks <- quantile(rrt, seq(0,1,1/4), na.rm=T) cols <- corDegrade
plot(RN, col=corDegrade(5)[findInterval(rrt, brks, all.inside=TRUE)], axes = TRUE) # legenda:
legenda=paste (as.character(brks[-length(brks)]), "-", as.character(brks[-1]))
legend("topleft", fill = color(4), legend=legenda, bty = "n", title = "CH", cex=0.6, y.inter=0.9)
# LC
rrt <- slot(RN_monog , "data")$LC
brks <- quantile(rrt, seq(0,1,1/4), na.rm=T) cols <- corDegrade
plot(RN, col=corDegrade(5)[findInterval(rrt, brks, all.inside=TRUE)], axes = TRUE) # legenda:
legenda=paste (as.character(brks[-length(brks)]), "-", as.character(brks[-1]))
legend("topleft", fill = color(4), legend=legenda, bty = "n", title = "LC", cex=0.6, y.inter=0.9)
# MT
rrt <- slot(RN_monog , "data")$MT
brks <- quantile(rrt, seq(0,1,1/4), na.rm=T) cols <- corDegrade
plot(RN, col=corDegrade(5)[findInterval(rrt, brks, all.inside=TRUE)], axes = TRUE) # legenda:
legenda=paste (as.character(brks[-length(brks)]), "-", as.character(brks[-1]))
legend("topleft", fill = color(4), legend=legenda, bty = "n", title = "MT", cex=0.6, y.inter=0.9)
# RED
rrt <- slot(RN_monog , "data")$Red
brks <- quantile(rrt, seq(0,1,1/4), na.rm=T) cols <- corDegrade
plot(RN, col=corDegrade(5)[findInterval(rrt, brks, all.inside=TRUE)], axes = TRUE) # legenda:
legenda=paste (as.character(brks[-length(brks)]), "-", as.character(brks[-1]))
legend("topleft", fill = color(4), legend=legenda, bty = "n", title = "Legenda", cex=0.6, y.inter=0.9)
### TAXA DE EVASÃO
x11(20,15)
bbox(RN_monog)
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", c(-37.90,-6.8), "Nota: Evasão de 18,1% dos que informaram residência fora do RN.", cex = 0.8)
layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog , c("Tx_evasao"), sp.layout = layout, col.regions = color(16))
### TAXA DE INSCRIÇÃO E INGRESSO NA UFRN ###
#TAXA DE INSCRITOS EM RELAÇÃO A POPULAÇÃO > 8 bbox(RN_monog)
munic1=which(RN_monog$Tx_Insc_InscUFRN>8) coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog , c("Tx_Insc_InscUFRN"), sp.layout = layout, col.regions = color(16))
#TAXA DE INGRESSANTES EM RELAÇÃO A POPULAÇÃO > 3 bbox(RN_monog)
munic1=which(RN_monog$Tx_Ingr_Pop>3) coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt1 <- list("sp.text", c(-35.6,-6.9), "0")
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog , c("Tx_Ingr_Pop"), sp.layout = layout, col.regions = color(16))
#PERCENTUAL DE INGRESSANTES EM RELAÇÃO AOS INSCRITOS > 50% bbox(RN_monog)
munic1=which(RN_monog$Tx_Ingr_InscUFRN>50) coo1=coordinates(RN_monog)[munic1,]
north <- list("SpatialPolygonsRescale", layout.north.arrow(), offset = c(-35.53,- 6.82), scale = .18)
scale <- list("SpatialPolygonsRescale", layout.scale.bar(), offset = c(-35.6,-6.87), scale = .2, fill=c("transparent","black"))
txt2 <- list("sp.text", c(-35.36,-6.9), "25 km")
txt3 <- list("sp.text", coo1, RN_monog$NM_MUNICIP[munic1], col = "black", cex=.7, font=2)
layout <- list(north, scale, txt1, txt2, txt3)
spplot(RN_monog , c("Tx_Ingr_InscUFRN"), sp.layout = layout, col.regions = color(16))
### ÍNDICE DE MORAN GLOBAL
## ÍNDICE DE MORAN GLOBAL SEM NA
# CN:
CN_semNA=RN_monog$CN
CN_semNA[is.na(CN_semNA)]=mean(CN, na.rm=T) moran.mc(CN_semNA, listw=lw_B, nsim=999)
# CH:
CH_semNA=RN_monog$CH
CH_semNA[is.na(CH_semNA)]=mean(CH, na.rm=T) moran.mc(CH_semNA, listw=lw_B, nsim=999)
# MT:
MT_semNA=RN_monog$MT
MT_semNA[is.na(MT_semNA)]=mean(MT, na.rm=T) moran.mc(MT_semNA, listw=lw_B, nsim=999)
# RED:
RED_semNA=RN_monog$RED
RED_semNA[is.na(RED_semNA)]=mean(RED, na.rm=T) moran.mc(RED_semNA, listw=lw_B, nsim=999)
# Evasão:
Tx_evasao_semNA=RN_monog$Tx_evasao
Tx_evasao_semNA[is.na(Tx_evasao_semNA)]=mean(Tx_evasao, na.rm=T) moran.mc(Tx_evasao_semNA, listw=lw_B, nsim=999)
# Taxa de Inscrição com base na população
moran.mc(Tx_Insc_InscUFRN, listw=lw_B, nsim=999)
# Taxa de Ingressantes com base na população moran.mc(Tx_Ingr_Pop, listw=lw_B, nsim=999)
# Taxa de Ingresantes em relação aos inscritos
moran.mc(Tx_Ingr_InscUFRN, listw=lw_B, nsim=999)
# Percentual de negros, pardos e quilombolas (SEM NA)
negro_semNA=RN_monog$Percentual.de.pardos.negros.remanesc.quilombos.d entre.os.ingressantes
negro_semNA[is.na(negro_semNA)]=mean(Percentual.de.pardos.negros.remane sc.quilombos.dentre.os.ingressantes, na.rm=T)
moran.mc(negro_semNA, listw=lw_B, nsim=999)
# Percentual de mulheres (SEM NA)
mulheres_semNA=RN_monog$Percentual.de.mulheres.dentre.os.ingressantes mulheres_semNA[is.na(mulheres_semNA)]=mean(Percentual.de.mulheres.dentr e.os.ingressantes, na.rm=T)
moran.mc(mulheres_semNA, listw=lw_B, nsim=999)
# Percentual de ingressantes com idade superior a 25 anos (SEM NA)
maior25_semNA=RN_monog$Percentual.de.pessoas.com.mais.de.25.anos.dentr e.os.ingressantes
maior25_semNA[is.na(maior25_semNA)]=mean(Percentual.de.pessoas.com.mai s.de.25.anos.dentre.os.ingressantes, na.rm=T)
moran.mc(maior25_semNA, listw=lw_B, nsim=999)
# Percentual de ingressantes oriundos de escolas públicas (SEM NA)
escpub_semNA=RN_monog$Percentual.com.Ens..Médio.em.esc..púb..dentre.os. ingressantes
escpub_semNA[is.na(escpub_semNA)]=mean(Percentual.com.Ens..Médio.em.es c..púb..dentre.os.ingressantes, na.rm=T)
moran.mc(escpub_semNA, listw=lw_B, nsim=999)
# Percentual de mães com ensino fundamental (SEM NA)
maeEF_semNA=RN_monog$Percentual.de.mães.com.até.EF.completo.dentre.o s.ingressantes
maeEF_semNA[is.na(maeEF_semNA)]=mean(Percentual.de.mães.com.até.EF.c ompleto.dentre.os.ingressantes, na.rm=T)
moran.mc(maeEF_semNA, listw=lw_B, nsim=999)
# Percentual de ingressantes das classes sociais C, D e E (SEM NA)
CDE_semNA=RN_monog$Percentual.de.pessoas.das.classes.sociais.C..D.ou.E. dentre.os.ingressantes
CDE_semNA[is.na(CDE_semNA)]=mean(Percentual.de.pessoas.das.classes.soc iais.C..D.ou.E.dentre.os.ingressantes, na.rm=T)
moran.mc(CDE_semNA, listw=lw_B, nsim=999)
## ÍNDICE DE MORAN LOCAL
library(spdep) library(rgdal) class(RN_monog)
RN_viz1=poly2nb(RN_monog)
RN_viz2=poly2nb(RN_monog, queen=FALSE)
oopar <- par(mfrow=c(1,2), mar=c(3,3,1,1)+0.1) plot(RN_monog, border="grey60")
plot(RN_viz1, coordinates(RN_monog), add=TRUE, pch=19, cex=0.6) text(bbox(RN_monog)[1,1], bbox(RN_monog)[2,2], labels="a)", cex=0.8)
plot(RN_monog, border="grey60")
plot(RN_viz2, coordinates(RN_monog), add=TRUE, pch=19, cex=0.6) plot(diffnb(RN_viz1, RN_viz2, verbose=FALSE), coordinates(RN_monog), add=TRUE, pch=".", cex=0.6, lwd=4)
text(bbox(RN_monog)[1,1], bbox(RN_monog)[2,2], labels="b)", cex=0.8) par(oopar)
RN_viz1
for (i in 1:length(RN_viz1)) print(paste(RN$NM_MUNICIP[i],RN_viz1[i]))
(cards <- card(RN_viz1))
(maxconts <- which(cards == max(cards))) RN_monog$NM_MUNICIP[maxconts]
if(length(maxconts) > 1) maxconts <- maxconts[1] fg <- rep("grey", length(cards))
fg[maxconts] <- "red"
fg[RN_viz1[[maxconts]]] <- "green" plot(RN_monog, col=fg)
title(main="Município com mais vizinhos")
slot(RN_monog, "data") # Natal é o décimo for (i in 1:length(RN_monog)) print(RN_viz1[[i]]) fg <- rep("lightgreen", length(RN_monog)) fg[123] <- "red"
fg[RN_viz1[[123]]] <- "darkgreen" plot(RN_monog, col=fg)
title(main="Região de vizinhança local dos municípios com campus da UFRN")
# Taxa de Inscrição com base na população
insc1 = as.data.frame(localmoran(RN_monog$Tx_Insc_InscUFRN,listw =nb2listw(RN_viz1,style="B")))
cols = rep("white",167)
cols[insc1[5] < 0.05] <- "darkgreen" plot(RN, col=cols)
legend("topright", legend=c("Significativo","Não sig."), fill=cols, bty="n", cex=0.8, y.intersp=0.8)
# Taxa de Inscritos com base na população
insc1 = as.data.frame(localmoran(RN_monog$Tx_Insc_InscUFRN,listw =nb2listw(RN_viz1, style="B"))) cols = rep("white",167) cols[insc1[5] < 0.05] <- "darkgreen" plot(RN, col=cols)
legend("topright", legend=c("Significativo","Não sig."), fill=cols, bty="n", cex=0.8, y.intersp=0.8)
ingr1 = as.data.frame(localmoran(RN_monog$Tx_Ingr_Pop,listw =nb2listw(RN_viz1, style="B"))) cols = rep("white",167) cols[ingr1[5] < 0.05] <- "darkgreen" plot(RN, col=cols)
legend("topright", legend=c("Significativo","Não sig."), fill=cols, bty="n", cex=0.8, y.intersp=0.8) # GRANDE NATAL RN_monog$grande.natal=factor(c(0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,1, 0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,1,0,0,1,0, 0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0), levels=0:1, labels=c("Outros", "Grande Natal"))
slot(RN_monog, "data")
spplot(RN_monog, c("grande.natal"), col.regions=c("lightgreen","darkgreen"))
# Criando um objeto da classe espacial para a Grande Natal slot(RN_monog, "data")
GN <- RN_monog[RN_monog$grande.natal == "Grande Natal",]
# Visualizando mapas plot(GN, border="grey60") library(rgdal) # Visualizando informações: class(GN) slot(GN, "data") summary(GN) GN$Tx_Ingr_InscUFRN=c(21.7,26.7,32.6,22.5,20.6,14.3,29.5,30.8,23.6,31.4,27.3 ,26.4,22.3,23.5)
spplot(GN, c("Tx_Ingr_InscUFRN"), col.regions = color(16))
library(spdep)
GN_viz1=poly2nb(GN)
lw_B_GN <- nb2listw(GN_viz1, style="B")
moran.mc(GN$Tx_Ingr_InscUFRN, listw=lw_B_GN, nsim=999)
x11(20,15)
msp <- moran.plot(GN$Tx_Ingr_InscUFRN, listw=lw_B_GN, quiet=TRUE) title("Diagrama de Espalhamento de Moran")
infl <- apply(msp$is.inf, 1, any) x <- GN$Tx_Ingr_InscUFRN
lhx <- cut(x, breaks=c(min(x), mean(x), max(x)), labels=c("B", "A"), include.lowest=TRUE)
wx <- lag(lw_B_GN, GN$Tx_Ingr_InscUFRN)
lhwx <- cut(wx, breaks=c(min(wx), mean(wx), max(wx)), labels=c("B", "A"), include.lowest=TRUE)
lhlh <- interaction(lhx, lhwx, infl, drop=TRUE) cols <- rep(1, length(lhlh))
cols[lhlh == "B.B.TRUE"] <- 2 cols[lhlh == "A.B.TRUE"] <- 3 cols[lhlh == "B.A.TRUE"] <- 4 cols[lhlh == "A.A.TRUE"] <- 5 x11(20,15)
plot(GN, col=rev(heat.colors(5,alpha = 1))[cols])
legend("topright", legend=c("Não sig.", "Baixo-Baixo", "Alto-Baixo", "Baixo-Alto", "Alto-Alto"), fill=rev(heat.colors(5,alpha = 1)), bty="n", cex=0.8, y.intersp=0.8) title("Mapa de Espalhamento de Moran")
###SERIDÓ RN_monog$serido.RN=factor(c(1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,1,0,0, 0,1,0,0,1,0,0,1,1,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0, 0,1,0,0,0,0,0,0,0,0,1,1,0,0,0,1,0,0,0,0,1,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,1,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0, 1,0,0,1,0,0,1,0,0,0,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0, 0,1,0,1,0,0,0,0,0,0,0,0,0),levels=0:1, labels=c("Outros", "Seridó")) slot(RN_monog, "data")
spplot(RN_monog, c("serido.RN"), col.regions=c("lightgreen","darkgreen"))
# Visualizando mapas plot(Serido_RN, border="grey60") library(rgdal) # Visualizando informações: class(Serido_RN) slot(Serido_RN, "data") summary(Serido_RN) plot(Serido_RN)
# Seridó com nome dos municípios
x11(20,15)
plot(Serido_RN , axes = TRUE, col = "lightgreen")
text(coordinates(Serido_RN), labels=Serido_RN$NM_MUNICIP, font=2, cex=0.5) points(t(coordinates(RN)[34,]), col=2, pch=16, cex=1)
points(t(coordinates(RN)[23,]), col=2, pch=16, cex=1)
color <- colorRampPalette(c("lightyellow","darkgreen")) x11(20,15)
spplot(Serido_RN , c("Tx_Ingr_InscUFRN"), col.regions = color(16))
library(spdep) # "Spatial Dependence: Weighting Schemes, Statistics and Models"
Serido_viz1=poly2nb(Serido_RN) # estudo em chunk number 16
names(Serido_RN)
lw_B_Serido <- nb2listw(Serido_viz1, style="B")
moran.mc(Serido_RN$Tx_Ingr_InscUFRN, listw=lw_B_Serido, nsim=999)
x11(20,15)
msp <- moran.plot(Serido_RN$Tx_Ingr_Pop, listw=lw_B_Serido, quiet=TRUE) title("Diagrama de Espalhamento de Moran")
infl <- apply(msp$is.inf, 1, any) x <- Serido_RN$Tx_Ingr_Pop
lhx <- cut(x, breaks=c(min(x), mean(x), max(x)), labels=c("B", "A"), include.lowest=TRUE)
wx <- lag(lw_B_Serido, Serido_RN$Tx_Ingr_Pop)
lhwx <- cut(wx, breaks=c(min(wx), mean(wx), max(wx)), labels=c("B", "A"), include.lowest=TRUE)
lhlh <- interaction(lhx, lhwx, infl, drop=TRUE) cols <- rep(1, length(lhlh))
cols[lhlh == "B.B.TRUE"] <- 2 cols[lhlh == "A.B.TRUE"] <- 3 cols[lhlh == "B.A.TRUE"] <- 4 cols[lhlh == "A.A.TRUE"] <- 5 x11(20,15)
plot(Serido_RN, col=rev(heat.colors(5,alpha = 1))[cols])
legend("topright", legend=c("Não sig.", "Baixo-Baixo", "Alto-Baixo", "Baixo-Alto", "Alto-Alto"), fill=rev(heat.colors(5,alpha = 1)), bty="n", cex=0.8, y.intersp=0.8) title("Mapa de Espalhamento de Moran")