CONTAGEM DIÁRIA DE HOSPITALIZAÇÕES E VARIAÇÕES CLIMÁTICAS NA CIDADE DE SÃO PAULO: UMA ABORDAGEM BAYESIANA
|
|
- Vagner Coradelli Estrada
- 8 Há anos
- Visualizações:
Transcrição
1 CONTAGEM DIÁRIA DE HOSPITALIZAÇÕES E VARIAÇÕES CLIMÁTICAS NA CIDADE DE SÃO PAULO: UMA ABORDAGEM BAYESIANA Estela Crstna CARNESECA 1 Jorge Alberto ACHCAR 1 Edson Zangacom MARTINEZ 1 Jonas Bodn ALONSO Luz Kood HOTTA RESUMO: Neste artgo, ntroduzmos um estudo relaconado à contagem dára de hosptalzações na cdade de São Paulo no período de 1/1/ a 31/1/5 devdas à pneumona e doenças crôncas. Essas contagens dáras podem estar relaconadas com algumas covaráves como temperatura, umdade relatva do ar, estações do ano e das da semana. Consderando os dados dáros de contagem classfcados em dferentes faxas etáras, assummos um modelo de regressão de Posson na presença de um fator aleatóro que captura a correlação e varabldade extra-posson entre as contagens para um mesmo da, e verfcamos que tanto o número nternações por pneumona quanto por doenças crôncas fo nfluencado pela umdade do ar e pela temperatura, especalmente nas faxas etáras de cranças e dosos. PALAVRAS-CHAVE: Varações clmátcas; dados de contagem de hosptalzações; modelo de regressão de Posson; análse Bayesana. 1 Introdução Grandes varações clmátcas têm sdo observadas em todo o planeta devdo a város fatores, como o crescmento populaconal excessvo, desmatamento e polução. Essas mudanças clmátcas podem ter grande mpacto no número dáro de nternações hosptalares devdo a dversas doenças respratóras (como pneumona e doenças crôncas), que ocorrem com grande frequênca em todo mundo (aproxmadamente 6 mlhões de pessoas por ano no mundo todo, segundo a Organzação Mundal da Saúde (OMS) e aproxmadamente 18 mlhões de pessoas por ano no Brasl). Como consequênca, o aumento ou dmnução da contagem de nternações hosptalares pode 1 Departamento de Medcna Socal, Faculdade de Medcna de Rberão Preto - FMRP, Unversdade de São Paulo - USP, CEP: , Rberão Preto, SP, Brasl. E-mal: estela.federal@gmal.com / achcar@fmrp.usp.br / edson@fmrp.usp.br Departamento de Estatístca, Insttuto de Matemátca, Estatístca e Computação Centífca - IMECC, Unversdade de Campnas - UNICAMP, Caxa Postal 665, CEP: , Campnas, SP, Brasl. E-mal: jonasbodn@gmal.com / hotta@me.uncamp.br Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 57
2 estar dretamente relaconado a grandes varações do clma como umdade relatva do ar, pressão atmosférca, temperatura, entre outras. Neste artgo, analsamos dados de contagem dára de hosptalzações por pneumona e doenças crôncas e sua relação com a varação da temperatura e da umdade relatva do ar na cdade de São Paulo, Brasl, no período de 1/1/ a 31/1/5. A lteratura médca mostra que os efetos dessas varações clmátcas sobre a saúde dos recémnascdos ou dosos são mas acentuados (Fretas et al, 4; Saldanha et al, 5), o que será também abordado no presente trabalho. A análse estatístca desses dados de contagem pode ser de grande nteresse na obtenção de nferêncas, prevsões e a dentfcação de fatores de rsco que levam a possíves aumentos nas contagens de nternações hosptalares. Assm, esses resultados se tornam de grande nteresse para médcos e autordades da área da saúde. Para analsar estes dados, utlzamos modelos de regressão de Posson consderando o número total de nternações dáras para pneumona ou doenças crôncas e consderando as contagens dáras para essas doenças nas váras faxas etáras e na presença de covaráves como a temperatura mínma dára, umdade mínma dára do ar, estação do ano e o da da semana. Na análse, adotamos os mínmos de temperatura e umdade do ar dáras, pos os valores extremos dessas covaráves podem ter um mpacto maor nos ndvíduos, do que as suas médas dáras. As contagens dáras de hosptalzações referem-se aos pacentes do Sstema Únco de Saúde (SUS) da cdade de São Paulo e foram fornecdas pela prefetura do munícípo. Já os dados clmátcos foram fornecdos pelo nsttuto de Astronoma e Geofísca da Unversdade de São Paulo (IAG-USP) e são referentes a estação de medção do local. Para capturar a possível correlação exstente entre as contagens dáras de hosptalzações devdas a essas doenças, para as dferentes faxas etáras, ntroduzmos uma varável latente não-observada (Henderson e Shkamura, 3; Dunson, ; Dunson e Herrng, 5). As hosptalzações devdo às doenças crôncas foram então classfcadas em 8 grupos correspondendo às faxas etáras em anos completos [,1), [1,5), [5,1), [1,15), [15,45), [45,6), [6,75), e [75,+); as hosptalzações devdo à pneumona foram também classfcadas, porém em 6 grupos, correspondendo às faxas etáras [,1), [1,5), [5,1), [1,45), [45,75) e [75,+). Essa classfcação segue normas elaboradas pelo SUS (Sstema Únco de Saúde) da cdade de São Paulo e é fornecda pela secretara de saúde do muncípo. As nferêncas de nteresse foram obtdas usando métodos Bayesanos. Os sumáros a posteror de nteresse foram obtdos va métodos de smulação MCMC (Monte Carlo em Cadeas de Markov) como o popular amostrador de Gbbs (Gelfand e Smth, 199) ou o algortmo de Metropols-Hastngs (Chb e Greenberg, 1995). O artgo é organzado da segunte forma: na seção, ntroduzmos o modelo estatístco; na seção 3, apresentamos uma análse Bayesana do modelo; na seção 4, apresentamos a análse dos dados de hosptalzações dáras devdo à pneumona e doenças crôncas na cdade de São Paulo no período já colocado anterormente; e fnalmente, na seção 5, apresentamos uma dscussão dos resultados obtdos. 58 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
3 Modelagem estatístca Seja N uma varável aleatóra com uma dstrbução de Posson dada por P e = =, (1) n! ( N n ) λ n λ onde n denota o número de nternações devdo à pneumona ou doenças crôncas no - ésmo da para ndvíduos pertencentes à j-ésma faxa etára, n =,1,,...; = 1,,...,n (número de das) e j = 1,,...,k (número de faxas etáras). Observar que quando consderamos o número dáro de nternações hosptalares não consderando os dados classfcados em faxas etáras, substtuímos N por N, λ por λ e n por n em (1). Assocado com cada combnação da/faxa etára, consderamos a presença das covaráves X 1 (umdade do ar mínma no -ésmo da); X (temperatura mínma no - ésmo da); e das varáves ndcadoras (dummy varables, Suts (1957)) X 3 (gual a 1 se outono no -ésmo da, caso contráro); X 4 (gual a 1 se nverno no -ésmo da, caso contráro); X 5 (gual a 1 se prmavera no -ésmo da, caso contráro) e X 6 (gual a 1 se o -ésmo da for sábado ou domngo, caso contráro). Consderando múltplas observações em um únco da, de acordo com faxas etáras dferentes, temos dados de contagem longtudnas. Neste caso, ntroduzmos um efeto aleatóro (varável latente não-observada) ou fragldade w que captura a correlação entre as meddas repetdas para o -ésmo da e a varabldade extra-posson (Coelho Barros et al, 8). Assumndo a dstrbução de Posson (1) para N com parâmetro modelo de regressão, onde nx l X l = n = 1 λ, consdere o w λ = ηe () ( X X ) + β ( X X ) 6 η = expβ j + β1 j 1 1 j + βlj X l, l= 3 dstrbução normal,, l = 1,,...,6; = 1,,..., n; j = 1,,..., k e w é um efeto aleatóro com w d (, ) ~ N σ. (3) Quando consderamos todos os dados de contagem das faxas etáras classfcados em um só grupo (número total de nternações dáras) assummos uma dstrbução de Posson (1) para a contagem N com parâmetro λ, dado por 6 ( ) = β + β1( X 1 X 1) + β ( X X ) + log λ β X, (4) sem a nclusão do efeto aleatóro w no modelo. l= 3 l l Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 59
4 3 Uma análse Bayesana Assumndo o modelo defndo por (1) e () para dados de contagem longtudnas, a,..., função de verossmlhança para ( ) T =, = ( β, β, β, β, β, β β ) 1 k, j= j j 1 j j 3 j 4 j 5 j, 6 j X 1, X,..., X 6 1,,...,k dado N, w e o vetor de covaráves X = ( ) por, λ n λ, = 1,,...,n, é dada n k e L( ) =, (5) = 1 j= 1 n! onde os efetos aleatóros w tem uma dstrbução normal dada em (3) com varânca desconhecda. Para uma análse Bayesana herárquca, vamos consderar dos estágos: para o prmero estágo, assumremos dstrbuções a pror normas para os parâmetros β,, j = 1,..., j; l = 1,,...,6 : j β lj β ~ N j β ~ N lj ( a j, b j ) (, c ) lj σ, (6) onde a j, b j e c lj são hperparâmetros conhecdos. Para o segundo estágo da análse Bayesana herárquca, onde w d ~ N(, σ ), assumr, ( d e) σ ~ Gama,, (7) onde Gama(d,e) denota uma dstrbução gama com méda d e varânca d ; d e e e e são hperparâmetros conhecdos. Também assumr ndependênca entre as dstrbuções a pror. Combnando-se as dstrbuções a pror dadas por (6) e (7) com a função de verossmlhança (5), obtemos (Paulno et al, 3) a dstrbução a posteror conjunta para e σ dada por, σ n 1 w k ( ) ( ) 1 σ N, X, w L exp exp ( β a ), j j = 1 j = 1 b j πσ β k 6 lj exp j 1 l 1 = = clj d 1 ( σ ) exp( eσ ), (8) onde N é o vetor das contagens N, X é o vetor das covaráves X l, = 1,...,n; l = 1,,...,6; j = 1,,...,k, w = ( w w,..., ) T é o vetor de varáves latentes e ( ) 1, função de verossmlhança dada por (5). w n L é a 6 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
5 Sumáros a posteror de nteresse são obtdos a partr de métodos MCMC; para sso, geramos em cada teração do algortmo, a varável latente w, = 1,...,n da dstrbução condconal ( w, σ, N, X) ; σ da dstrbução condconal ( σ, w, N, X) dstrbução condconal ( θ,, w, N, X) s ( S ) σ para cada parâmetro s e θ s da θ do modelo onde (S ) denota o vetor de todos os parâmetros do modelo exceto θ s. Uma grande smplfcação na geração de amostras da dstrbução a posteror conjunta (8) é obtda usando o software WnBugs (Spegelhalter et al, 3) que só requer a especfcação da dstrbução para os dados e as dstrbuções a pror para os parâmetros. Assumndo os dados de contagem de todas as faxas etáras agrupadas em um únco grupo (número total de nternações no -ésmo da) e o modelo (1) com λ defndo por (4), consderar as seguntes dstrbuções a pror para β β,..., : β ~ N β ~ N ( a, b ) (, ) l c l, 1 β 6, (9) onde a, b e c l são hperparâmetros conhecdos, l = 1,...,6.Também assumr ndependênca a pror entre β, β1, β, β 3, β 4, β 5 e β 6. 4 Análse dos dados de hosptalzações dáras por pneumona e doenças crôncas Consderando os dados de contagem dára de hosptalzações devdo à pneumona e às doenças crôncas na cdade de São Paulo no período de 1/1/ a 31/1/5 e assumndo as contagens dáras totas, temos nas Fguras 1 (a,b) e (a,b), os gráfcos dos totas dáros de hosptalzações versus tempo (gráfcos de séres temporas) e também para as covaráves temperatura e umdade mínma dára do ar, respectvamente. A partr das Fguras 1(a,b) e (a,b), observamos um comportamento cíclco das contagens dáras de nternações e também para as covaráves temperatura e umdade do ar, tanto para a pneumona quanto para as doenças crôncas. Possvelmente fatores como estação do ano pode estar dretamente relaconado com esse comportamento. As Fguras 3(a,b,c,d) e 4(a,b,c,d) exbem gráfcos que descrevem as contagens dáras de hosptalzações por pneumona e doenças crôncas, respectvamente, de acordo com as covaráves temperatura, umdade do ar, da da semana e estações do ano. Nos box-plots exbdos nas Fguras 3(c,d) e 4(c,d), os pontos escuros no centro dos dagramas são assocados às médas amostras das contagens de hosptalzações. Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 61
6 Fgura 1 - Contagens totas dáras de hosptalzações por pneumona (a) e doenças crôncas (b). 6 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
7 Fgura - Mínmos dáros de temperatura (a) e umdade relatva do ar (b). Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 63
8 Fgura 3 - Contagem total de hosptalzações por pneumona versus covaráves. (As retas referem-se às regressões ajustadas para cada caso). Fgura 4 - Contagem total de hosptalzações por doenças crôncas versus covaráves. (As retas referem-se às regressões ajustadas para cada caso). 64 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
9 Das Fguras 3(a,b,c,d) e 4(a,b,c,d), observamos que os níves dáros de temperatura mínma aparentemente não afetam a contagem de hosptalzações por pneumona, porém, altas temperaturas mínmas levam a um aumento no número de nternações por doenças crôncas; níves baxos de umdade do ar levam a um aumento na contagem dára de hosptalzações em ambos os casos; fnas de semana (sábados ou domngos) levam a um decréscmo no total de hosptalzações; verão, prmavera e nverno levam a um pequeno decréscmo na contagem dára de hosptalzações enquanto o outono leva a um aumento na contagem na contagem dára de hosptalzações devdas, tanto à pneumona quanto às doenças crôncas. Apesar dos dados representarem contagens, também consderamos numa análse prelmnar dos dados, modelos de regressão lnear ndvduas sob o enfoque clássco para mostrar possíves tendêncas entre número total de hosptalzações e as covaráves temperatura e umdade do ar. Usando o software MINITAB, temos os seguntes modelos ajustados para os dados de pneumona e doenças crôncas: Contagem dára de hosptalzações por pneumona a) Total de hosptalzações = ˆ ˆ β1 ( ) β + (umdade mínma do ar), onde ˆ = 69,5(,61) β e ˆ1 β =,151,36. Os valores entre parênteses são os respectvos erros-padrão dos estmadores de mínmos quadrados para β e β 1. Para testar a hpótese H : β1 = versus H A : β1, encontramos um nível descrtvo (p-value) menor do que,1 o que mostra um efeto sgnfcatvo da umdade do ar nas contagens (aumento da umdade leva à um decréscmo na contagem dára de hosptalzações). b) Total de hosptalzações = ˆ ˆ β1 (,178) β + (temperatura mínma), onde ˆ = 63,9(,81) β e ˆ1 β =,185 com um nível descrtvo (p-value) gual a,31 para testar H : β1 = versus H : β A 1, sto é, a temperatura não tem efeto sgnfcatvo na contagem de hosptalzações. Assm, concluímos que um aumento na temperatura mínma dára não leva a mudanças sgnfcatvas na contagem de hosptalzações, mas um aumento na umdade mínma dára leva a um decréscmo nessa contagem devdo à pneumona. Contagem dára de hosptalzações por doenças crôncas a) Total de hosptalzações = ˆ ˆ β1 ( ) ˆ1 β =,51,15. β + (umdade mínma), onde ˆ = 9,51(,863) β e Também observamos que o nível descrtvo (p-value) para testar H β versus : 1 = H : β1 é gual a,1, o que ndca a sgnfcânca da covarável umdade do ar. A Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 65
10 b) Total de hosptalzações = ˆ ˆ β1 (,73) β + (temperatura mínma), onde ˆ = 18,594( 1,15 ) β e : 1 = ˆ1 β =,58. O nível descrtvo (p-value) para testar H β versus H A : β1 é menor do que,1, o que também ndca a sgnfcânca da covarável temperatura. Assm, concluímos que um aumento da umdade mínma dára leva ao decréscmo do número de hosptalzações e um aumento da temperatura mínma dára leva a um aumento no número de hosptalzações por doenças crôncas. Esses resultados confrmam os resultados prelmnares obtdos observando a Fgura 4(a,b), onde temos as retas ajustadas para cada caso. Para uma análse Bayesana consderando os números totas dáros de hosptalzações por pneumona e doenças crôncas, assummos o modelo de regressão Posson com λ dado por (4) e dstrbuções a pror (9) com a =, b = c1 = c = c3 = c4 = c5 = c6 = 1 (dstrbuções a pror aproxmadamente nãonformatvas) temos na Tabela 1, os sumáros a posteror obtdos usando o software WnBugs; para a geração de amostras usando o algortmo de amostradores de Gbbs, consderamos uma amostra burn-n de tamanho 5 para elmnar o efeto dos valores ncas e smulamos uma amostra fnal de tamanho 1 escolhdas de 1 em 1 para se ter amostras aproxmadamente não-correlaconadas. Tabela 1 - Sumáros a posteror (pneumona e doenças crôncas). Dados de contagem agrupados em uma classe Pneumona Parâmetro Covarável relaconada Méda Desvo Intervalo de padrão credbldade (95%) β Intercepto 3,93,8 (3,96 ; 3,94) β 1 Umdade do ar mínma -,1,1 (-,4 ; -,16) β Temperatura mínma,9,1 (,6 ;,11) β 3 Outono x verão,563,1 (,544 ;,583) β 4 Inverno x verão,158,1 (,135 ;,18) β 5 Prmavera x verão,177,11 (,156 ;,1) β 6 Fnal de semana -,,8 (-,35 ; -,4) Doenças crôncas Parâmetro Covarável relaconada Méda Desvo Intervalo de padrão credbldade (95%) β Intercepto 3,15,1 (3,19 ; 3,38) β 1 Umdade do ar mínma -,,1 (-,3 ; -,1) β Temperatura mínma,, (,19 ;,6) β 3 Outono x verão,345,15 (,313 ;,374) β 4 Inverno x verão,1,17 (-,1 ;,43) β 5 Prmavera x verão,11,16 (,8 ;,146) β 6 Fnal de semana -,6,11 (-,8 ; -,183) 66 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
11 A convergênca do algortmo fo observada a partr de gráfcos de séres temporas das amostras smuladas, que não são aqu apresentados por questão de espaço. Com relação às nternações por pneumona, observamos a partr da Tabela 1 que as covaráves umdade do ar, temperatura, outono, nverno, prmavera e fnal de semana apresentam efetos sgnfcatvos nas contagens dáras de hosptalzações, pos o valor zero não está ncluído nos ntervalos de credbldade 95% para os parâmetros da regressão β 1, β, β 3, β 4, β 5 e β 6. Já com relação às hosptalzações por doenças crôncas, vemos na Tabela 1 que as covaráves umdade do ar, temperatura, outono, prmavera e fnal de semana apresentam efetos sgnfcatvos nas contagens dáras de hosptalzações, pos o valor zero não está ncluído nos ntervalos de credbldade 95% para os parâmetros de regressão β 1, β, β 3, β 5 e β 6. Da mesma forma, observamos que a covarável X 4 (nverno) não apresenta efeto sgnfcatvo para a resposta contagem de hosptalzações, pos o valor zero está ncluído no ntervalo de credbldade 95% para o parâmetro de regressão β 4. Consderando, agora, as contagens dáras de hosptalzações por pneumona dvddas em 6 grupos correspondendo às faxas etáras [,1), [1,5), [5,1), [1,45), [45,75) e [75,+] e assumndo o modelo de regressão defndo por () e (3) com dstrbuções a pror (6) e (7) com valores dos hperparâmetros dados por a j = ; b j = 1; c lj = 1 para l = 1,,...,6; j = 1,,...,6; c = d = 1, temos, na Tabela, os sumáros a posteror de nteresse obtdos usando o software WnBugs e o mesmo esquema de geração de amostras usados para o modelo dos dados de contagem agrupados em uma únca classe. A convergênca do algortmo fo observada a partr de gráfcos das amostras smuladas. Dos resultados da Tabela, observamos que as covaráves umdade do ar, temperatura, outono, nverno, prmavera e fnal de semana apresentam efetos sgnfcatvos nas contagens dáras de hosptalzações por pneumona para todos os grupos de faxas etáras, exceto umdade do ar para o grupo 3 (dade de 5 a 1 anos); temperatura para os grupos 5 e 6 (dade de 45 a 75, e de 75 ou mas, respectvamente); nverno para os grupos 4, 5 e 6 e prmavera para o grupo 5 (o valor zero está ncluído nos ntervalos de credbldade para os parâmetros de regressão correspondente). Consderando as contagens dáras de hosptalzações por doenças crôncas (Fgura 1(b)), dvddas em 8 grupos correspondendo às faxas etáras [,1), [1,5), [5,1), [1,15), [15,45), [45,6), [6,75) e [75,+] e assumndo o modelo de regressão defndo por () e (3) com valores dos hperparâmetros para as dstrbuções a pror (6) e (7) dados por a j = ; b j = 1; c lj = 1 para l = 1,,...,6; j = 1,,...,6; c = d = 1, temos na Tabela 3 os sumáros a posteror de nteresse, obtdos usando o software WnBugs (burn-n sample = 5; 1 amostras tomadas de 1 em 1). Dos resultados da Tabela 3, observamos que as covaráves apresentam efetos sgnfcatvos sobre as contagens dáras de hosptalzações devdo à doenças crôncas por não terem o valor zero ncluído no ntervalo de credbldade, exceto umdade do ar para os grupos 4 e 5 (respectvamente, dade entre 1 e 15 anos e entre 15 e 45 anos); temperatura mínma para os grupos 4, 5, 6, 7 e 8 (faxas etáras acma de 1 anos); outono para os grupos 5, 6, 7 e 8 (faxas etáras acma de 15 anos); nverno para os grupos, 4 e 8 (dades de 1 a 5 anos, de 1 a 15 anos e de 75 anos ou mas); prmavera para os grupos 4, 5, 6, 7 e 8 (faxas etáras acma de 1 anos) e fnas de semana (sábados e domngos) para o grupo 3 (dade entre 5 e 1 anos). Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 67
12 Tabela - Sumáros a posteror (pneumona). Dados de contagem agrupados em ses faxas etáras Parâmetro e covarável relaconada Méda Desvo Intervalo de padrão credbldade (95%) β 1 Méda geral, Idade [,1),444, (,41 ;,487) β Méda geral, Idade [1,5),469,3 (,43 ;,514) β 3 Méda geral, Idade [5,1) 1,157,36 (1,88 ; 1,7) β 4 Méda geral, Idade [1,45) 1,848,9 (1,79 ; 1,95) β 5 Méda geral, Idade [45,75),9,6 (,18 ;,76) β 6 Méda geral, Idade [75,+) 1,89,9 (1,753 ; 1,867) β 11 Umdade do ar mínma, Idade [,1) -,,1 (-,4 ; -,1) β 1 Umdade do ar mínma, Idade [1,5) -,,1 (-,3 ; -,1) β 13 Umdade do ar mínma, Idade [5,1) -,,1 (-,3 ;,1) β 14 Umdade do ar mínma, Idade [1,45) -,,1 (-,4 ; -,1) β 15 Umdade do ar mínma, Idade [45,75) -,,1 (-,4 ; -,1) β 16 Umdade do ar mínma, Idade [75,+) -,,1 (-,4 ; -,1) β 1 Temperatura mínma, Idade [,1),1,3 (,3 ;,17) β Temperatura mínma, Idade [1,5),18,4 (,11 ;,6) β 3 Temperatura mínma, Idade [5,1),,6 (,8 ;,31) β 4 Temperatura mínma, Idade [1,45),14,5 (,4 ;,4) β 5 Temperatura mínma, Idade [45,75),,4 (-,8 ;,8) β 6 Temperatura mínma, Idade [75,+),6,5 (-,3 ;,15) β 31 Outono x verão, Idade [,1) 1,83,8 (1,7 ; 1,138) β 3 Outono x verão, Idade [1,5),67,9 (,616 ;,78) β 33 Outono x verão, Idade [5,1),437,45 (,351 ;,57) β 34 Outono x verão, Idade [1,45),11,37 (,43 ;,186) β 35 Outono x verão, Idade [45,75),8,3 (,18 ;,144) β 36 Outono x verão, Idade [75,+),155,37 (,8 ;,8) β 41 Inverno x verão, Idade [,1),15,31 (,157 ;,79) β 4 Inverno x verão, Idade [1,5),39,31 (,49 ;,367) β 43 Inverno x verão, Idade [5,1),456,5 (,363 ;,555) β 44 Inverno x verão, Idade [1,45),35,4 (-,44 ;,113) β 45 Inverno x verão, Idade [45,75) -,11,35 (-,78 ;,61) β 46 Inverno x verão, Idade [75,+),15,41 (-,65 ;,95) β 51 Prmavera x verão, Idade [,1),316,3 (,58 ;,377) β 5 Prmavera x verão, Idade [1,5),91,31 (,3 ;,349) β 53 Prmavera x verão, Idade [5,1),365,45 (,76 ;,451) β 54 Prmavera x verão, Idade [1,45),11,39 (,7 ;,178) β 55 Prmavera x verão, Idade [45,75),37,34 (-,8 ;,13) β 56 Prmavera x verão, Idade [75,+),13,39 (-,59 ;,96) β 61 Fnal de semana, Idade [,1) -,5,1 (-,47 ; -,166) β 6 Fnal de semana, Idade [1,5) -,35,1 (-,77 ; -,19) β 63 Fnal de semana, Idade [5,1) -,17,33 (-,85 ; -,151) β 64 Fnal de semana, Idade [1,45) -,85,9 (-,341 ; -,6) β 65 Fnal de semana, Idade [45,75) -,7,5 (-,57 ; -,157) β 66 Fnal de semana, Idade [75,+) -,141,9 (-, ; -,84) σ Desvo padrão de w,56,6 (,45 ;,68) 68 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
13 Tabela 3 - Sumáros a posteror (doenças crôncas). Dados de contagem agrupados em oto faxas etáras Parâmetro e covarável relaconada Méda Desvo Intervalo de padrão credbldade (95%) β 1 Méda geral, Idade [,1) 1,9,34 (1,3 ; 1,159) β Méda geral, Idade [1,5) 1,874,7 (1,8 ; 1,931) β 3 Méda geral, Idade [5,1) 1,3,4 (,95 ; 1,16) β 4 Méda geral, Idade [1,15) -,35,67 (-,37 ; -,15) β 5 Méda geral, Idade [15,45),788,43 (,71 ;,868) β 6 Méda geral, Idade [45,6),981,4 (,9 ; 1,65) β 7 Méda geral, Idade [6,75) 1,36,35 (1,94 ; 1,43) β 8 Méda geral, Idade [75,+),836,43 (,749 ;,91) β 11 Umdade do ar mínma, Idade [,1) -,3,1 (-,5 ; -,1) β 1 Umdade do ar mínma, Idade [1,5) -,,1 (-,3 ; -,1) β 13 Umdade do ar mínma, Idade [5,1) -,,1 (-,4 ; -,1) β 14 Umdade do ar mínma, Idade [1,15),3, (-,1 ;,7) β 15 Umdade do ar mínma, Idade [15,45),,1 (-,3 ;,) β 16 Umdade do ar mínma, Idade [45,6) -,3,1 (-,6 ; -,1) β 17 Umdade do ar mínma, Idade [6,75) -,3,1 (-,4 ; -,1) β 18 Umdade do ar mínma, Idade [75,+) -,5,1 (-,7 ; -,) β 1 Temperatura mínma, Idade [,1),4,5 (,3 ;,51) β Temperatura mínma, Idade [1,5),33,5 (,4 ;,43) β 3 Temperatura mínma, Idade [5,1),34,6 (,3 ;,46) β 4 Temperatura mínma, Idade [1,15),13,11 (-,9 ;,34) β 5 Temperatura mínma, Idade [15,45),6,8 (-,9 ;,) β 6 Temperatura mínma, Idade [45,6),6,7 (-,7 ;,) β 7 Temperatura mínma, Idade [6,75),7,6 (-,4 ;,196) β 8 Temperatura mínma, Idade [75,+),11,7 (-,4 ;,5) β 31 Outono x verão, Idade [,1),967,4 (,891 ; 1,46) β 3 Outono x verão, Idade [1,5),439,34 (,37 ;,54) β 33 Outono x verão, Idade [5,1),61,48 (,164 ;,353) β 34 Outono x verão, Idade [1,15),171,88 (,1 ;,354) β 35 Outono x verão, Idade [15,45),81,55 (-,9 ;,193) β 36 Outono x verão, Idade [45,6),,53 (-,84 ;,11) β 37 Outono x verão, Idade [6,75),56,44 (-,3 ;,146) β 38 Outono x verão, Idade [75,+),98,56 (-,4 ;,6) β 41 Inverno x verão, Idade [,1),5,47 (,11 ;,97) β 4 Inverno x verão, Idade [1,5),49,39 (-,6 ;,18) β 43 Inverno x verão, Idade [5,1),191,56 (,84 ;,37) β 44 Inverno x verão, Idade [1,15),118,99 (-,74 ;,33) β 45 Inverno x verão, Idade [15,45) -,18,63 (-,35 ; -,6) β 46 Inverno x verão, Idade [45,6) -,193,61 (-,311 ; -,77) β 47 Inverno x verão, Idade [6,75) -,113,5 (-,6 ; -,17) β 48 Inverno x verão, Idade [75,+) -,48,64 (-,169 ;,79) Contnua... Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 69
14 Tabela 3 - (contnuação) Sumáros a posteror (doenças crôncas). Dados de contagem agrupados em oto faxas etáras Parâmetro e covarável relaconada Méda Desvo Intervalo de padrão credbldade (95%) β 51 Prmavera x verão, Idade [,1),36,44 (,7 ;,447) β 5 Prmavera x verão, Idade [1,5),111,37 (,39 ;,18) β 53 Prmavera x verão, Idade [5,1),87,48 (,194 ;,384) β 54 Prmavera x verão, Idade [1,15),15,9 (-,64 ;,89) β 55 Prmavera x verão, Idade [15,45),53,56 (-,53 ;,16) β 56 Prmavera x verão, Idade [45,6) -,64,56 (-,17 ;,38) β 57 Prmavera x verão, Idade [6,75) -,39, (-,16 ;,57) β 58 Prmavera x verão, Idade [75,+),43,57 (-,71 ;,154) β 61 Fnal de semana, Idade [,1) -,16,3 (-,4 ; -,95) β 6 Fnal de semana, Idade [1,5) -,194,6 (-,45 ; -,14) β 63 Fnal de semana, Idade [5,1) -,5,34 (-,119 ;,18) β 64 Fnal de semana, Idade [1,15) -,,68 (-,336 ; -,69) β 65 Fnal de semana, Idade [15,45) -,95,45 (-,379 ; -,9) β 66 Fnal de semana, Idade [45,6) -,,41 (-,36 ; -,139) β 67 Fnal de semana, Idade [6,75) -,316,36 (-,391 ; -,51) β 68 Fnal de semana, Idade [75,+) -,311,43 (-,399 ; -,9) σ Desvo padrão de w,35,7 (,1 ;,49) Conclusões O presente estudo evdencou que o número de nternações por pneumona em cranças com até 1 anos fo nfluencado por todas as varáves estudadas, sendo que aos fnas de semana esse número dmnuu sgnfcatvamente, fato que também ocorreu com o aumento da umdade mínma dára do ar; por outro lado, verfcou-se que um aumento na temperatura mínma, aumenta o número de hosptalzações. Com relação ao número de nternações de dosos com mas de 75 anos devdo a essa mesma causa, este estudo evdencou que ele aumenta no período do outono e dmnu nos fnas de semana ou quando a umdade mínma dára do ar aumenta. Os resultados aqu obtdos confrmam a afrmação do Mnstéro da Saúde de que o maor número de nternações por pneumonas ocorre nas dades extremas, sto é, para cranças e dosos acma de 6 anos. Isso ocorre devdo ao sstema munológco frágl de pessoas nessas dades. Nos dosos, sso pode ser agravado pela presença de outras doenças comuns na tercera dade como dabetes, problemas cardíacos, renas, entre outras. Anda de acordo com especalstas, o clma fro do nverno e as mudanças bruscas de temperatura contrbuem para o aumento de ses a oto vezes da procura de pacentes com nfecções respratóras - como grpe e pneumona - aos prontos socorros e consultóros médcos. Entre as doenças respratóras crôncas, a asma é talvez o mas mportante problema de Saúde Públca em todo o mundo. O número de nternações devdo a essa doenças crôncas pode também ser afetada por város fatores clmátcos. Esta stuação fo comprovada pelo presente estudo quando este dentfcou que um aumento da umdade provoca sgnfcatva dmnução no número de hosptalzações em todas as faxas etáras 7 Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
15 analsadas, exceto para as pessoas entre 1 e 45 anos. Além dsso, um aumento da temperatura se mostrou um dos fatores responsáves pelo acréscmo no número de hosptalzações nas cranças de até 1 anos (os mas atngdos pela doença). Outro fator mportante fo relaconado aos períodos de outono e nverno, épocas do ano com baxas umdades do ar. O uso de modelos de regressão de Posson na presença de fatores aleatóros pode ser de grande mportânca para analsar dados de contagem de nternações devdo a dversas doenças especalmente usando o paradgma Bayesano e métodos de smulação MCMC (Monte Carlo em Cadeas de Markov). Além dsso o uso do software Bayesano WnBugs, smplfca grandemente a smulação de amostras da dstrbução a posteror de nteresse. CARNESECA, E. C; ACHCAR, J. A.; MARTINEZ, E. Z.; ALONSO, J. B.; HOTTA, L. K. Daly hosptalzaton countng and clmate varatons n the cty of São Paulo: a Bayesan approach. Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1. ABSTRACT: In ths paper, we ntroduce a study on the count of daly hosptal admssons n São Paulo n the perod 1/1/ to 31/1/5 due to pneumona and chronc dseases. Ths daly count may be related to some covarates such as temperature, relatve humdty, seasons and weekends. Consderng the daly count data classfed n dfferent age groups, we assumed a model of Posson regresson n the presence of a random factor that captures the correlaton and extra-posson varablty among scores for the day, and found that both the number of hosptalzatons for pneumona and chronc dseases s nfluenced by humdty and temperature, especally n younger chldren and the elderly. KEYWORDS: Clmatc varatons; count hosptalzaton data; Posson regresson model; Bayesan Analyss. Referêncas CHIB, S.; GREENBERG, E. Understandng the Metropols-Hastngs algorthm. Am. Stat., Washngton, v.49, n.4, p , COELHO BARROS, E. A.; ACHCAR, J. A.; MARTINEZ, E. Z. Statstcal analyss for longtudnal countng data n the presence of a covarate consderng dfferent fralty models. Braz. J. Probab. Statst., São Paulo, v., p.183-5, 8. DUNSON, D. B. Bayesan latent varable models for clustered mxed outcomes. J. R. Stat. Soc., Ser. B, Methodol., London, v.6, p ,. DUNSON, D. B.; HERRING, A. H. Bayesan latent varable models for mxed dscrete outcomes. Bostatstcs, Oxford, v.6, p.11-5, 5. FREITAS, C.; BREMNER, S. A.; GOUVEIA, N.; PEREIRA, L. A.A.; SALDIVA, P. H. N. Internações e óbtos e sua relação com a polução atmosférca em São Paulo, 1993 a Rev. Saúde Públca, São Paulo, v.38, n.6, p , 4. GELFAND, A. E.; SMITH, A. F. M. Samplng-based approaches to calculatng margnal denstes. J. Am. Stat. Assoc., New York, v.85, p , 199. HENDERSON, R.; SHIKAMURA, S. A serally correlated gamma fralty model for Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1 71
16 longtudnal count data. Bometrka, London, v.9, p , 3. PAULINO, C. D.; TURKMAN, M. A. A.; MURTEIRA, B. Estatístca Bayesana. Lsboa: Fundação Calouste Gulkenkan, Portugal, 3. SALDANHA, C. T.; SILVA, A. M. G.; BOTELHO, C. Varações clmátcas e uso de servços de saúde em cranças asmátcas menores de cnco anos de dade: um estudo ecológco. J. Bras. Pneumol., São Paulo, v.31, n.6, p , 5. SPIEGELHALTER, D. J.; THOMAS, A.; BEST, N. G.; GILKS, W. R. WnBugs: Bayesan nference usng Gbbs verson 1.4. Cambrdge, UK: MRC Bostatstcs Unt, Insttute of Publc Health, 3. SUITS, D. B. Use of dummy varables n regresson equatons. J. Am. Stat. Assoc., New York, v. 5, p , Recebdo em Aprovado após revsão Rev. Bras. Bom., São Paulo, v.8, n.1, p.57-7, 1
Uma estimativa bayesiana aplicada aos casos notificados de hantavirose no estado do Pará via regressão logística
Uma estmatva bayesana aplcada aos casos notfcados de hantavrose no estado do Pará va regressão logístca Pâmela Tamrs Caldas Serra de Souza 1 Wagner Rogéro Ferrera Pnhero 1 Crstane Nazaré Pamplona de Souza
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...
Leia maisA esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.
Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela
Leia maisAnálise dos resíduos e Outlier, Alavancagem e Influência
Análse dos resíduos e Outler, Alavancagem e Influênca Dagnóstco na análse de regressão Usadas para detectar problemas com o ajuste do modelo de regressão. Presença de observações mal ajustadas (pontos
Leia maisProbabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Leia maisAutores: Dani Gamerman (IM-UFRJ) Oswaldo Gomes de Souza Junior (SERPROS)
Prevsões de partdas de futebol usando modelos dnâmcos Autores: Dan Gamerman (IM-UFRJ) Oswaldo Gomes de Souza Junor (SERPROS) Alguns resultados que poderemos responder: Resultados dos jogos futuros; Quantos
Leia maisb. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.
Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo
Leia maisESTATÍSTICA. na Contabilidade Revisão - Parte 2. Medidas Estatísticas
01/09/01 ESTATÍSTICA na Contabldade Revsão - Parte Luz A. Bertolo Meddas Estatístcas A dstrbução de frequêncas permte-nos descrever, de modo geral, os grupos de valores (classes) assumdos por uma varável.
Leia maisEscola Secundária de Lousada Ficha de trabalho de Matemática do 7º ano nº Data: / / 2011 Assunto: Tratamento de dados I Lições nº, e,
Escola Secundára de Lousada Fcha de trabalho de Matemátca do 7º ano nº Data: / / 2011 Assunto: Tratamento de dados I Lções nº, e, Estatístca é um ramos da Matemátca que permte fazer um estudo de uma forma
Leia maisY = AN α, 0 < α < 1 (1) Π = RT CT = P Y W N (2) Π/ N = α N α -1 AP W = 0. W = α P AN α -1. P = W/α AN α -1
Gabarto da Lsta 1 de Macro II 2008.01 1 a Questão a)falso, pode ocorrer que a força de trabalho cresça juntamente com o número de empregados. Se a Força de trabalho crescer mas que o número de empregados
Leia maisVariáveis Indicadoras. Roteiro. Introdução
Varáves Indcadoras Rotero 1. Introdução 2. Varável Bnára de Intercepto 3. Varável de Interação 4. Aplcação 5. Varáves Qualtatvas com Váras Categoras 6. Referêncas Introdução Varáves Bnáras Modelo estenddo
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia maisInferência Estatística e Aplicações II. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Inferênca Estatístca e Aplcações II Edson Zangacom Martnez Departamento de Medcna Socal FMRP/USP edson@fmrp.usp.br Métodos Bayesanos Edson Zangacom Martnez Cênca Hoje, julho de 2006 Thomas Bayes Thomas
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia mais2 PROPRIEDADES ÓPTICAS
23 2 PROPRIEDADES ÓPTICAS A segur será feta uma revsão sobre as prncpas propredades óptcas de nteresse para o nosso estudo. 2.1. Luz Segundo Maxwell, a luz é uma modaldade de energa radante que se propaga
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisMedidas de tendência central. Média Aritmética. 4ª aula 2012
Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem
Leia maisCritérios de divisibilidade em bases numéricas genéricas
Crtéros de dvsbldade em bases numércas genércas Clezo A. Braga 1 Jhon Marcelo Zn 1 Colegado do Curso de Matemátca - Centro de Cêncas Exatas e Tecnológcas da Unversdade Estadual do Oeste do Paraná Caxa
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisEstimação Bayesiana das Fragilidades Individuais de Pacientes em Tratamento de Hemodiálise
Estmação Bayesana das Fragldades Indvduas de Pacentes em Tratamento de Hemodálse Grazela Dutra Rocha Gouvêa 2 Vera Lúca Damasceno Tomazella 3 João Domngos Scalon 4 Introdução Em análse de sobrevvênca consdera-se,
Leia maisProposta de resolução da Prova de Matemática A (código 635) 21 de Junho de 2010
Proposta de resolução da Prova de Matemátca A (códgo 6 Como A e B são acontecmentos ncompatíves, 0 e Ou seja, de acordo com os dados do enuncado, 0% 0% 0% Versão : B Versão : C Como se trata de uma únca
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisDiagnóstico em Regressão. Rejane Sobrino Pinheiro Tania Guillén de Torres
Dagnóstco em Regressão Rejane Sobrno Pnhero Tana Gullén de Torres Dagnóstcos em Regressão Introdução Conjunto de ferramentas para análse dos resíduos, detecção de valores extremos (outlers), de pontos
Leia maisUM PROCEDIMENTO PARA CALCULAR ÍNDICES A PARTIR DE UMA BASE DE DADOS MULTIVARIADOS
Vol. 21, No. 1, p. 107-117, junho de 2001 Pesqusa Operaconal 107 UM PROCEDIMENTO PARA CALCULAR ÍNDICES A PARTIR DE UMA BASE DE DADOS MULTIVARIADOS Luca Slva Kubrusly Insttuto de Economa /UFRJ Av. Pasteur,
Leia maisCÁLCULO DA DIRECTRIZ
CÁCUO DA DIRECTRIZ I - Elementos de defnção da polgonal de apoo: - Coordenadas dos vértces da polgonal (M, P ); - Dstânca entre vértces da polgonal ( d); - Rumos dos alnhamentos (ângulo que fazem com a
Leia maisIncerteza e propagação de Erros em sistemas de medição. Prof. Valner Material desenvolvido com notas de aulas e
Incerteza e propagação de Erros em sstemas de medção Prof. Valner Materal desenvolvdo com notas de aulas e bblografa Incerteza de medção Documento mportante: Gude to the Epresson of Uncertant n Measurement
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisProgramação de Computadores II TCC 00.174/Turma A 1
Programação de Computadores II TCC 00.174/Turma A 1 Professor Leandro A. F. Fernandes http://www.c.uff.br/~laffernandes Conteúdo: Introdução ao Java (exercícos) Materal elaborado pelos profs. Anselmo Montenegro
Leia maisDeterminantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15
Determnantes - ALGA - 004/05 15 Permutações Determnantes Seja n N Uma permutação p = (p 1 ; p ; : : : ; p n ) do conjunto f1; ; ; ng é um arranjo dos n números em alguma ordem, sem repetções ou omssões
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisUma construção de códigos BCH
Uma construção de códgos BCH Antono Aparecdo de Andrade, Tarq Shah e Attq Qamar Resumo Um códgo BCH C (respectvamente, um códgo BCH C ) de comprmento n sobre o anel local Z p k (respectvamente, sobre o
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais2. MATERIAIS E MÉTODOS
AVALIAÇÃO DE DESEMPENHO DOS MODELOS DO IPCC-AR4 NO NORDESTE SETENTRIONAL DO BRASIL QUANTO À VARIABILIDADE PLURIANUAL DA PRECIPITAÇÃO NO SÉCULO XX RESUMO--- Os modelos globas do Intergovernmental Panel
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisPROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)
PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.
Leia mais1ª e 2ª leis da termodinâmica
1ª e 2ª les da termodnâmca 1ª Le da Termodnâmca Le de Conservação da Energa 2ª Le da Termodnâmca Restrnge o tpo de conversões energétcas nos processos termodnâmcos Formalza os concetos de processos reversíves
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisComprimento de Arco. Comprimento de Arco
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Comprmento de Arco
Leia maisFísica. Física Módulo 1 Vetores, escalares e movimento em 2-D
Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,
Leia maisBiocombustíveis e inclusão social: impacto das normas ambientais sobre o mercado de trabalho
Bocombustíves e nclusão socal: mpacto das normas ambentas sobre o mercado de trabalho Márca Azanha Ferraz Das de Moraes ESALQ/USP Colaboração: Fabíola Crstna Rbero de Olvera Luz Gustavo Antono de Souza
Leia maisMÉTODO DE FIBONACCI. L, em que L
Métodos de bonacc e da Seção Aúrea Adotando a notação: MÉTODO DE IBOACCI L e L L, em que L b a, resulta a: ncal orma Recursva: ara,,, - (-a) ou ara,,, - (-b) A esta equação se assoca a condção de contorno
Leia maisAnálise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres
Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisCoordenação de Semáforos
Paragem dos Veículos Veículos "Lbertados" Paragem dos Veículos Veículos "Lbertados" "Agrupamento " Pelotões "Agrupamento " Pelotões C O O R D E N A Ç Ã O Onda Verde... IST/ Lcencaturas em Engª Cvl & Terrtóro
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisESTATÍSTICA APLICADA
UNIVERSIDADE FEDERAL DO PARÁ ASSESSORIA DE EDUCAÇÃO A DISTÂNCIA INSTITUTO DE CIÊNCIAS SOCIAIS APLICADAS ESPECIALIZAÇÃO EM GESTÃO EMPRESARIAL NA MODALIDADE SEMIPRESENCIAL ESTATÍSTICA APLICADA Prof. João
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisSalário Mínimo e Desigualdade Salarial: Um Estudo com Densidades Contrafactuais nas Regiões Metropolitanas Brasileiras
Saláro Mínmo e Desgualdade Salaral: Um Estudo com Densdades Contrafactuas nas Regões Metropoltanas Brasleras Bruno Kawaoka Komatsu Naérco Aquno Menezes Flho Julho de 2014 Resumo Nos anos 2000 o mercado
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisF-328 Física Geral III
F-328 Físca Geral III Aula exploratóra- 06 UNICAMP IFGW username@f.uncamp.br F328 2 o Semestre de 2013 1 Corrente elétrca e resstênca Defnção de corrente: Δq = dq = t+δt Undade de corrente: 1 Ampère =
Leia maisSantos Júnior, EP 1 ; Soares, HCC 1 ; Freitas, GP 2 ; Pannain, JLM 3 ; Coelho Junior, LM 4 * 1
DISPARIDADE DO VALOR BRUTO DOS PRODUTOS MADEIREIROS NATIVOS PARA AS MESORREGIÕES DA PARAÍBA DISPARITY OF THE GROSS VALUE OF THE NATIVE WOOD PRODUCTS FOR THE MESORREGIONS OF PARAÍBA Santos Júnor, EP 1 ;
Leia maisUMA ANÁLISE BAYESIANA DA CORRELAÇÃO DE ÍNDICES FINANCEIROS LATINOS AMERICANOS E O DOW JONES
UMA ANÁLISE BAYESIANA DA CORRELAÇÃO DE ÍNDICES FINANCEIROS LATINOS AMERICANOS E O DOW JONES Crstano dos Res Moura Departamento de Estatístca - Unversdade Federal de Mnas Geras - UFMG - cmoura@ufmgbr Rosangela
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisMODELOS DE ESCOLHA BINÁRIA
MODELOS DE ESCOLHA BINÁRIA Introdução Em mutas aplcações do modelo de regressão lnear, pressupõe-se que a varável dependente é uma varável aleatóra contínua e que tem por domíno o conjunto dos números
Leia maisIncerteza na Medição da Largura de Cordões de Solda
(Weld Bead Wdth Measurement Uncertanty) Rosenda Valdés Arencba, José Rbamar dos Santos Rbero Unversdade Federal de Uberlânda, FEMEC, Av. João Naves de Ávla, 22 Bloco M, Uberlânda - MG, CEP 3800-902, arvaldes@mecanca.ufu.br,
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisCRESCIMENTO ECONÔMICO E CLUBES DE CONVERGÊNCIA NOS MUNICÍPIOS MINEIROS: UMA ANÁLISE COM MODELO THRESHOLD
1 CRESCIMENTO ECONÔMICO E CLUBES DE CONVERGÊNCIA NOS MUNICÍPIOS MINEIROS: UMA ANÁLISE COM MODELO THRESHOLD Rcardo Bruno Nascmento dos Santos 1 Arton Lopes Amorm 2 Danel Arruda Coronel 3 Marcelo José Braga
Leia mais5 Análise Modal da Estrutura
5 Análse Modal da Estrutura No capítulo anteror comentou-se sobre as característcas construtvas da bancada, composta de um sstema rotatvo e uma estrutura de base (a qual chamaremos estrutura). Város trabalhos
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisTENDENCIAS CLIMÁTICAS DA PRECIPITAÇÃO PLUVIAL NO ESTADO DO MARANHÃO
TENDENCIAS CLIMÁTICAS DA PRECIPITAÇÃO PLUVIAL NO ESTADO DO MARANHÃO Danelson Jorge Delgado Neves 13, Jeane Rafaele Araúo Lma 1, Lncoln Elo de Araúo 2, Pedro Vera de Azevedo 1 1 UFCG DCA, Campna Grande
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisControle de Processo de Produção do Alto Forno por meio de Técnicas Estatísticas Multivariadas em Tempo Real
Eduardo Perera da Rocha Thomsen Controle de Processo de Produção do Alto Forno por meo de Técncas Estatístcas Multvaradas em Tempo Real Dssertação apresentada à banca examnadora como parte ntegrante dos
Leia maisQUESTÕES DISCURSIVAS Módulo 01 (com resoluções)
QUESTÕES DISCURSIVAS Módulo 0 (com resoluções D (Fuvest-SP/00 Nos tens abaxo, denota um número complexo e a undade magnára ( Suponha a Para que valores de tem-se? b Determne o conjunto de todos os valores
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisOtimização do Potencial de Geração de Usinas Hidrelétricas
Otmzação do otencal de Geração de Usnas Hdrelétrcas G. R. Colnago,. B. Correa, T. Ohsh, J.. Estróco, L. A. Tovo e R. R. Ueda Resumo - A maora dos modelos de despacho em usnas hdrelétrcas consdera que as
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisSolange Ledi Gonçalves 1 Naercio Aquino Menezes Filho 2
O saláro mínmo e a oferta de trabalho das famílas pobres: uma abordagem coletva com os dados da PNAD Contínua (2012-2015) Solange Led Gonçalves 1 Naerco Aquno Menezes Flho 2 Resumo: O objetvo desse artgo
Leia maisCaderno de Fórmulas. CCB, CCE e NCE - Cetip21
- Cetp21 Elaboração: Novembro/2005 Últma Atualzação: 27/05/2016 Apresentação E ste Caderno de Fórmulas tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos referentes às
Leia maisCapítulo 1 Variáveis Elétricas
Capítulo 1 Varáes Elétrcas 1.1 Vsão geral da engenhara elétrca A engenhara elétrca é uma profssão empolgante e desafadora para qualquer um que tenha nteresse genuíno pela cênca e matemátca aplcada. Engenhara
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia mais37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8
Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisRevista Brasileira de Estudos Regionais e Urbanos (RBERU) Vol. 06, n. 1, pp. 81-95, 2012
Revsta Braslera de Estudos Regonas e Urbanos (RBERU) Vol. 06, n. 1, pp. 81-95, 2012 http://www.revstaaber.org.br DISTRIBUIÇÃO ESPACIAL E DETERMINANTES SOCIOECONÔMICOS E DEMOGRÁFICOS DA DENGUE NOS MUNICÍPIOS
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia mais