Entre as técnicas de análise exploratória de dados espaciais encontram-se os indicadores de associação espacial, que mensuram o grau de dependência espacial dos dados analisados e são aplicáveis apenas a dados quantitativos. Outro procedimento disponível é a geoestatística, a qual se baseia no variograma, descrevendo quantitativa e qualitativamente a estrutura espacial de determinada variável. Neste trabalho, utilizam-se conceitos do variograma para desenvolver um indicador de associação espacial global (SIVAR-G) e um indicador de associação espacial local (SIVAR-L). São utilizados dois bancos de dados: dados binários de escolha modal de uma Cidade Fictícia e dados de média de viagens por modo automóvel por domicílio para um recorte da região central da cidade de São Paulo (Pesquisa de Mobilidade 2012). Em ambos os casos, o indicador global, para diferentes vizinhanças, foi calculado com base em valores padronizados, provenientes do variograma experimental e teórico. Em seguida, aplicou-se um teste de hipótese baseado em pseudo-significância para avaliar a significância do indicador proposto previamente. Por fim, os resultados do indicador proposto foram comparados ao índice de Moran, calculado com os mesmos parâmetros. Para o indicador local, foi elaborado um procedimento similar, porém os cálculos foram feitos pontualmente. Cada observação do banco de dados teve um variograma experimental calculado e um variograma teórico modelado para uma análise omniderecional. Um teste de hipótese similar ao do indicador global foi desenvolvido e aplicado. Assim obtiveram-se indicadores de associação espacial local ponto a ponto. Conclui-se que o indicador SIVAR-G possui desempenho satisfatório na estimação de associação espacial para dados contínuos e binários, mostrando-se sensível a anisotropia dos dados. O indicador SIVAR-L é capaz de identificar "bolsões" de associação espacial. É aplicável a dados contínuos e binários. Os indicadores propostos permitem a modelagem de variogramas teóricos globais e locais, fornecendo uma maior riqueza de detalhes da estrutura espacial dos dados. Os indicadores SIVAR baseiam-se na dissimilaridade espacial, enquanto o índice de Moran e LISA baseiam-se na similaridade espacial.

Among the exploratory spatial data analysis tools, there are the indicators of spatial association, which measure the degree of spatial dependence of the analyzed data and can be applied to quantitative data. Other procedure available is the geoestatistics, which is based on the variogram, describing quantitatively and qualitatively the spatial structure of a variable. The aim of this thesis is to use the concept of the variogram to develop a global indicator of spatial association (SIVAR-G) and a local indicator of spatial association (SIVAR-L). Two data bases were used: binary data of travel mode choice of a hypothetical city and mean of automobile trips by household to a region of São Paulo's center (Mobility Survey, 2012). In both cases, the global indicator, for different neighborhoods, was calculated based on standardized values, derived from the experimental and theoretical variogram. Then, a pseudo-significance test was applied to evaluate the significance of the previously proposed indicator. The results of the proposed indicator were compared to Moran's I, calculated with the same parameters. For the local indicator, it was made a similar procedure, however the calculation was punctual. For each observation of the database, it was calculated experimental variogram and adjusted a theoretical variogram for a omnidirectional analysis. A hypothesis test similar to the one applied in the global indicator was developed and applied. Therefore, it was obtained local indicators point by point. It was concluded that the indicator SIVAR-G has a satisfactory performance for spatial association of binary and continuous data, with sensibility for anisotropy cases. The SIVAR-L indicator is able to identify spatial association pockets and outliers. The local indicator is suitable for continuous and binary data. The developed indicators allow the modeling of theoretical global and local variograms, providing more details of the spatial structure of the data. The SIVAR indicators are based on spatial dissimilarity, while the Moran and LISA index are based on spatial similarity.