A Penetração de Genéricos no Brasil e os indicadores Sociais do IBGE Um. estudo da relevância dos medicamentos genéricos na melhoria da saúde

A Penetração de Genéricos no Brasil e os indicadores Sociais do IBGE Um estudo da relevância dos medicamentos genéricos na melhoria da saúde Brasileira Sergio De Souza Coelho PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA - Faculdade de Economia e Administração Programa de Estudos Pós-Graduados em Administração

RESUMO O objetivo deste artigo é realizar análises estatísticas dos dados do Mercado de Genéricos no Brasil forncedidos pela IMS Health mostrando sua penetração por região e verificando suas relações com alguns indicadores sociais divulgados pelo IBGE mostrando a correlação entre estas variáveis. Aproveitaremos para mostrar as tendências por região da participação dos genéricos nas vendas de medicamentos, bem como mostraremos se os mesmos estão cumprindo o papel a que foram destinados de atender as regiões mais pobres e as classes menos privilegiadas. Palavras-chave: Mercado de Genéricos. INTRODUÇÃO O brasileiro está cuidando mais da saúde e um dos responsáveis por esse fenômeno pode ser identificado nas prateleiras das farmácias por uma tarja amarela e uma letra G maiúscula e azulada estampada na embalagem : Os medicamentos genéricos. Dados do instituto de pesquisa IMS Health mostram que, em 006, o segmento superou a barreira de US$ bilhão em faturamento, um salto de 5% em relação ao ano anterior. Em volume, o crescimento foi de 7,8%, com 9 milhões de unidades vendidas em 006. Trata-se de um Record desta indústria, surpreendente para que acreditava que os genéricos apenas substituiriam os dedicamntos de marca e não teriam o poder de aumentar o acesso dos brasileiros ao mercado de medicamentos. Pesquisas mostram que o segmento cresceu quase quatro vezes mais que a indústria farmacêutica no geral. Em reportagem do jornal da tarde, verifica-se a satisfação do Vice- Presidente da Pró- Genéricos, Odnir Finotti, comentando sobre a evolução dos genéricos com crescimento de 5% ao ano desde 00, e que devido ao aumento de renda da população, os escluidos passaram a adquirir medicamentos. Nota-se que outro fator que contribuiu para a inclusão farmacêutica foi a confiança do paciente. Quando esses medicamentos surgiram(genéricos), há sete anos, muitos consumidores duvidavam de sua eficácia por causa do preço mais barato. Aos poucos, porém, as indústrias do setor conseguiram derrubar as barreiras da falta de informação. Campanhas institucionais do governo, desde 999, procuram tranqüilizar os brasileiros em relação à qualidade dos genéricos. Atualmente, as drogas destinadas ao tratamento de doenças crônicas, como diabetes ou hipertensão, já representam 8,% das vendas. Logo o mercado farmacêutico representará 5% do mercado nacional. Chegar a um quarto do mercado não é tarefa fácil. Países que atingiram essa marca contam com outros estímulos, como programas de reembolso dos medicamentos. Sabe-se que o Governo tem interesse em contribuir com o amadurecimento rápido do setor de genéricos. Com o produto cada vez mais presente nas licitações federais, aumenta a possibilidade de redução de custos para os programas de distribuição destes medicamentos à população. Hoje, o cidadão das classes D e E, mesmo com o advento dos genéricos, não tem condições de pagar por um remédio, principalmente se for para o combate de uma doença crônica, que muitas vezes exige um tratamento mais contínuo. Percebe-se que a prioridade destas classes é o açougue e não os medicamentos. Fácil concluir que para resolver o problema precisaremos combinar três fatores: a contínua evolução do mercado, os programas públicos de saúde e o aumento de renda da população.

Para os genéricos, existe a possibilidade de aproveitar o avanço dos programas de renda do governo, principalmente em regiões onde o consumo ainda é baixo, caso do Nordeste. Diferentemente do que se poderia esperar, a penetração desses medicamentos na região é baixa. O problema neste caso é a falta de informação e o poder aquisitivo baixíssimo. Relatório da consultoria MBA Associados mostra que, com um bom trabalho de divulgação, o Nordeste poderá se tornar, em breve, um grande pólo de compras de genéricos. A Consultoria leva em conta, sobretudo, o aumento do Bolsa-família, cujo valor médio mensal deve subir cerca de 5% neste ano. Outro ponto a atentar, além do apelo social, é a questão macroeconômica. A concorrência que os genéricos promoveram no mercado fez com que os laboratórios de produtos de marca, em alguns casos, segurassem o preço de seus remédios. Hoje, o peso de produtos farmacêuticos na inflação medida pelo índice Nacional de Preços ao Consumidor(INPC), que inclui a faoxa da população mais pobre(até 8 salários mínimos), é de cerca de,%. Certamente este índice seria maior se não fosse a concorrência dos genéricos. Dado este cenário, neste nosso estudo, tentaremos mostrar a penetração no mercado nacional de genéricos por região no Brasil e suas correlações com indicadores sociais do Instituto Brasileiro de Geografia e Estatística do Brasil(IBGE). Para que possamos atingir os objetivos deste trabalho utilizamos técnicas estatísticas disponíveis no pacote estatístico Minitab Statistical Software, versão.. ANÁLISE EXPLORATÓRIA DOS DADOS A maior parte das análises do presente trabalho se concentra na utilização dos dados de penetração de mercado fornecidos pela IMS Health/Febrafarma com os quais fora feita a tabela em anexo neste nosso estudo e dados dos Indicadores Sociais do IBGE. Os dados utilizados são de 00 à 006, sendo que no caso dos indicadores sociais, foram considerados lineares os percentuais mensais.. Os Indivíduos Os indivíduos desta pesquisa são a penetração de medicamentos por regiões categorizadas por medicamentos de Referência, Marca, Genéricos e Similar em contrapartida da análise de indicadores sociais de mortalidade infantil e mortalidade bruta nos anos de 00,00,00,005 e 006. Esses dados foram fornecidos parte pela IMS Health(dados de penetração de medicamentos no mercado brasileiro por região), que nos pediu sigilo e parte pode ser encontrado no site Paises@ do IBGE(http://www.ibge.gov.br/paisesat/) Indicadores Sociais

. As Variáveis São treze as variáveis desta pesquisa. As mesmas são melhor explicadas na Tabela abaixo. Tabela. Detalhamento das variáveis VARIÁVEL CÓDIGO SIGNIFICADO TIPO UNIDADE DE MEDIDA Meses VARIÁVEL Meses do ano Meses CATEGÓRICA N.A. Crescimento da Indústria Farmacêutica no Brasil Valor em dolar de medicamentos de referência vendidos VARIÁVEL MRUS Medicamento de Referência em USD por ano e por mês de 00 à 006 QUANTITATIVA USD BIO Crescimento da Indústria Farmacêutica no Brasil Valor em dolar de medicamentos de Marca vendidos por VARIÁVEL MMUS Medicamento de Marca em USD ano e por mês de 00 à 006 QUANTITATIVA USD BIO Crescimento da Indústria Farmacêutica no Brasil Valor em dolar de medicamentos Genéricos vendidos por VARIÁVEL MGUS Medicamento Genérico em USD ano e por mês de 00 à 006 QUANTITATIVA USD BIO Crescimento da Indústria Farmacêutica no Brasil Valor em dolar de medicamentos Similares vendidos por VARIÁVEL MSUS Medicamento Similar em USD ano e por mês de 00 à 006 QUANTITATIVA USD BIO Crescimento da Indústria Farmacêutica no Brasil Quantidade de medicamentos de referência vendidos em VARIÁVEL MRUN Medicamento de Referência em Unidade unidades por ano e por mês de 00 à 006 QUANTITATIVA UNIDADES BIO Crescimento da Indústria Farmacêutica no Brasil Quantidade de medicamentos de Marca vendidos em VARIÁVEL MMUN Medicamento de Marca em Unidades unidades por ano e por mês de 00 à 006 QUANTITATIVA UNIDADES BIO Crescimento da Indústria Farmacêutica no Brasil Quantidade de medicamentos Genéricos vendidos em VARIÁVEL MGUN Medicamento Genérico em Unidades unidades por ano e por mês de 00 à 006 QUANTITATIVA UNIDADES BIO Crescimento da Indústria Farmacêutica no Brasil Quantidade de medicamentos Similares vendidos em VARIÁVEL MSUN Medicamento Similar em Unidades unidades por ano e por mês de 00 à 006 QUANTITATIVA UNIDADES BIO Participação dos Genéricos nas vendas de Porcentagem de participação das vendas de genéricos em VARIÁVEL PGVT Medicamentos Total relação ao total de medicamentos vendidos QUANTITATIVA PORCENTAGEM % % de participação das vendas de genéricos na região Norte VARIÁVEL PGRN Participação de Genéricos na Região Norte em relação à venda total de genéricos no Brasil QUANTITATIVA PORCENTAGEM % % de participação das vendas de genéricos na região Sul VARIÁVEL PGRS Participação de Genéricos na Região Sul em relação à venda total de genéricos no Brasil QUANTITATIVA PORCENTAGEM % Participação de Genéricos na Região Centrooeste PGCO % de participação das vendas de genéricos na região Centro-oeste em relação à venda total de genéricos no Br VARIÁVEL QUANTITATIVA PORCENTAGEM % Participação de Genéricos na Região Sudeste PGRSUD % de participação das vendas de genéricos na região Sudeste em relação à venda total de genéricos no Brasil VARIÁVEL QUANTITATIVA PORCENTAGEM % Participação de Genéricos na Região Nordeste Expectativa de vida do nascimento em anos Mortalidade infantil no Brasil Crude Death rate no Brasil PGRNORD EVNA MIB CDRB % de participação das vendas de genéricos na região Nordeste em relação à venda total de genéricos no Brasil Expectativa de vida desde o nascimento em anos Taxa de Mortalidade Infantil no Brasil Taxa de Mortalidade bruta no Brasil VARIÁVEL QUANTITATIVA PORCENTAGEM % VARIÁVEL QUANTITATIVA ANOS VARIÁVEL QUANTITATIVA POR MIL NASCIMENTOS VARIÁVEL QUANTITATIVA POR MIL PESSOAS. Tabelas de dados Segue abaixo as tabelas de dados utilizadas nesta pesquisa incluindo a utilizado no programa MINI Tab : Tabela Os valores são de 00 à 006 H:\Data\PUC TABELA GENÉRICOS PARA MÉ E:\PUC MINITAB MONOGRAFIA JULHO. Fonte de dados A tabela abaixo detalha as fontes de dados da pesquisa: Tabela Fonte de dados

Dado Fonte Indicadores Sociais do Brasil IBGE http://www.ibge.gov.br/paisesat/ 5.5 Análise individual das variáveis quantitativas A análise deste tipo de variável permite a utilização de uma grande gama de ferramentas como histogramas, curvas de densidade, box-plot, além de medidas numéricas como média, desvio-padrão, variância, quantidade de observações, valor mínimos e máximos, informações dos quartis e teste de normalidade. Assim, segue abaixo a análise individual de cada variável. MRUS Summary for USD BIO REFERENCIA MRUS A nderson-darling Normality Test A-Squared,0 P-Value 0,009 Mean 0,950 StDev 0,0968 V ariance 0,00859 Skew ness -0,098888 Kurtosis -0,9679 N 60 0, 0, 0, 0, Minimum 0,0000 st Q uartile 0,0000 Median 0,0000 rd Q uartile 0,7500 Maximum 0,5000 95% C onfidence Interv al for Mean 0,7056 0,8 95% C onfidence Interv al for Median 0,5000 0,07 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,07856 0,0 Mean Median 0, 0,6 0,8 0,0 0, Com base nos gráficos e números da tabela acima, podemos observar que trata-se de uma distribuição ligeiramente assimétrica. Assim, a amostra está concentrada em valores de MRUS menores do que 0,. A distribuição tem três picos, representando MRUS entre 0, e 0,. Porém, percebemos a existência MRUS bastante baixos, menores do que 0,. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo de MRUS é o de Janeiro de 00 (0,) e o máximo é o de Julho de 005/006(0,5 USD BIO). A mediana nos indica que aproximadamente metade dos valores de MRUS é menor do que 0, e metade maior do que este valor. O MRUS médio é de 0,95, com desvio-padrão baixo, de 0,0968. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média do MRUS está entre 0,7056 e 0,8.

6 MMUS Summary for USD BIO MARCA MMUS A nderson-darling Normality Test A-Squared,0 P-Value 0,006 Mean 0,070 StDev 0,0800 V ariance 0,0060 Skew ness 0,0776 Kurtosis -0,908 N 60 Minimum 0,05000 0,05 0,0 0,5 0,0 0,5 0,0 0,5 st Q uartile 0,5000 Median 0,0000 rd Q uartile 0,0000 Maximum 0,5000 95% C onfidence Interv al for Mean 0,86 0,777 95% C onfidence Interv al for Median 0,7500 0,5000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,0678 0,0976 Mean Median 0,8 0,0 0, 0, 0,6 Podemos observar que trata-se também de uma distribuição levemente assimétrica para a esquerda. Percebemos a existência de valores MMUS muito baixos e, alguns casos, próximos do limite inferior do indicador que é 0,05. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o de Janeiro de 00 (0,05) e o máximo é o de Junho/ho de 006 (0,5 USD BIO). A mediana indica que aproximadamente metade dos valores de MMUS tem o valor deste indicador menor do que 0,0 e metade maior do que este valor. O MMUS médio é de 0,070, com desvio-padrão baixo, de 0,0800. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está em uma faixa, entre 0,86 e 0,777.

7 MGUS Summary for USD BIO GENÉRICOS MGUS A nderson-darling Normality Test A-Squared,7 P-Value < 0,005 Mean 0,0687 StDev 0,05 V ariance 0,0006 Skew ness 0,6850 Kurtosis -0,8997 N 60 Minimum 0,05000 0,0 0,0 0,06 0,08 0,0 st Q uartile 0,05000 Median 0,05000 rd Q uartile 0,065000 Maximum 0,095000 95% C onfidence Interv al for Mean 0,007 0,0507 95% C onfidence Interv al for Median 0,00000 0,05069 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,095 0,006 Mean Median 0,00 0,05 0,00 0,05 0,050 0,055 Trata-se de distribuição menos simétrica do que as demais, com a curva tendendo para a esquerda onde encontramos valores mais flat no sentido de quantidades de meses com o mesmo valor de MGUS. Devemos rejeitar a hipótese de normalidade da distribuição em acordo ao teste de Anderson- Darling. Há valores atípicos, como o caso do 0,50 em Jan/Fev 005,mas percebemos uma razoável amplitude dos dados. O valor mínimo é o de Janeiro de 00(0,05) e o máximo é o de Julho/Agosto/Novembro/Dezembro de 006(0,095). A mediana indica que aproximadamente metade dos valores de MGUS tem o valor deste indicador menor do que 0,05 e metade maior do que este valor. O valor do MGUS médio é de 0,0687, com desvio-padrão elevado, de 0,05. A mediana está razoavelmente distante da média, demonstrando pouca simetria da distribuição. Com 95% de confiança, podemos afirmar que a média populacional para este indicador também está em uma faixa bastante baixa, entre 0,007 e 0.0507.

8 MSUS Summary for SIMILAR MSUS A nderson-darling Normality Test A-Squared,7 P-Value < 0,005 Mean 0,008 StDev 0,000965 V ariance 0,00000 Skew ness 0,66 Kurtosis -0,70877 N 60 Minimum 0,00000 0,00 0,00 0,00 0,00 st Q uartile 0,00000 Median 0,00000 rd Q uartile 0,00000 Maximum 0,00000 95% C onfidence Interv al for Mean 0,009 0,00 95% C onfidence Interv al for Median 0,00000 0,00000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,00088 0,0077 Mean Median 0,009 0,000 0,00 0,00 0,00 0,00 0,005 A distribuição tem um pico, representando valor de MSUS próximo a 0,00. O teste de Anderson- Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 00 (0,00) e o máximo é o de Dezembro de 00 (0,00). A mediana indica que aproximadamente metade dos valores de MSUS tem valor menor do que 0,00 e metade maior do que este valor. O valor médio é de 0,008, com desvio-padrão, de 0,000965. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,009 e 0,00.

MRUN 9 Summary for REFERÊNCIA MRUN A nderson-darling Normality Test A-Squared, P-Value < 0,005 Mean 0,0558 StDev 0,0909 V ariance 0,000 Skew ness 0,90087 Kurtosis,609 N 60 Minimum 0,05000 0,0 0,06 0,08 0,0 st Q uartile 0,050000 Median 0,055000 rd Q uartile 0,060000 Maximum 0,00000 95% C onfidence Interv al for Mean 0,0507 0,0585 95% C onfidence Interv al for Median 0,050000 0,055000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,067 0,088 Mean Median 0,050 0,05 0,05 0,056 0,058 A distribuição tem um pico, representando valor de MRUN próximo a 0,06. O teste de Anderson- Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de MRUN tem valor menor do que 0,055 e metade maior do que este valor. O valor médio é de 0,0558, com desvio-padrão, de 0,0909. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,0507 e 0,0585. MMUN Summary for MMUN A nderson-darling Normality Test A-Squared, P-Value < 0,005 Mean 0,0550 StDev 0,007 V ariance 0,00005 Skew ness -,5796 Kurtosis,607 N 60 Minimum 0,00000 0,0 0,0 0,0 0,05 0,06 st Q uartile 0,00000 Median 0,05000 rd Q uartile 0,05000 Maximum 0,060000 95% C onfidence Interv al for Mean 0,00687 0,0 95% C onfidence Interv al for Median 0,00000 0,05000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,006 0,008796 Mean Median 0,00 0,0 0,0 0,0 0,0 0,05

0 A distribuição tem um pico, representando valor de MMUN próximo a 0,05. O teste de Anderson- Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 00 (0,0) e o máximo é o de JuLho de 00 (0,06). A mediana indica que aproximadamente metade dos valores de MMUN tem valor menor do que 0,05 e metade maior do que este valor. O valor médio é de 0,0550, com desvio-padrão, de 0,007. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,00687 e 0,0. MGUN Summary for MGUN A nderson-darling Normality Test A-Squared, P-Value < 0,005 Mean 0,067 StDev 0,007 V ariance 0,0000 Skew ness 0,605 Kurtosis -0,89069 N 60 0,008 0,0 0,06 0,00 Minimum 0,005000 st Q uartile 0,008000 Median 0,00000 rd Q uartile 0,05000 Maximum 0,00000 95% C onfidence Interv al for Mean 0,00500 0,0 95% C onfidence Interv al for Median 0,00000 0,05000 95% C onfidence Interv al for StDev 95% Confidence Intervals 0,007 0,00566 Mean Median 0,00 0,0 0,0 0,0 0,0 0,05 A distribuição tem dois picoa, representando valor de MGUN entre 0,00 e 0,06. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o Fevereiro de 00 (0,008) e o máximo é o de Agosto de 006 (0,00). A mediana indica que aproximadamente metade dos valores de MGUN tem valor menor do que 0,00 e metade maior do que este valor. O valor médio é de 0,067, com desvio-padrão, de 0,007. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,00500 e 0,0.

MSUN Summary for MSUN A nderson-darling Normality Test A-Squared 6,7 P-Value < 0,005 Mean 0,008 StDev 0,00070 V ariance 0,00000 Skew ness,57509 Kurtosis 5,905 N 60 Minimum 0,00000 0,00 0,00 0,00 0,00 0,005 st Q uartile 0,00000 Median 0,00000 rd Q uartile 0,00000 Maximum 0,005000 95% C onfidence Interv al for Mean 0,006 0,0005 95% C onfidence Interv al for Median 0,00000 0,00000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,00067 0,00090 Mean Median 0,006 0,007 0,008 0,009 0,000 A distribuição tem um pico, representando valor de MMUN próximo a 0,000. O teste de Anderson- Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 00 (0,00) e o máximo é o de (0,0). A mediana indica que aproximadamente metade dos valores de MMUN tem valor menor do que 0,000 e metade maior do que este valor. O valor médio é de 0,008, com desvio-padrão, de 0,00070. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,006 e 0,0005.

PGVT Summary for PGVT A nderson-darling Normality Test A-Squared,0 P-Value < 0,005 Mean 9,0 StDev,70 V ariance 7,008 Skew ness 0,95 Kurtosis -,695 N 60 6 8 0 Minimum 5,9600 st Q uartile 7,800 Median 8,500 rd Q uartile,500 Maximum,5700 95% C onfidence Interv al for Mean 8,79 0,8 95% C onfidence Interv al for Median 7,800,500 95% Confidence Intervals 95% C onfidence Interv al for StDev,059,80 Mean Median 8 9 0 A distribuição tem um pico, representando valor de PGVT próximo a 8. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGVT tem valor menor do que 8,5 e metade maior do que este valor. O valor médio é de 9,0, com desvio-padrão, de,70. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 8,79 e 0,8. PGRN Summary for PGRN A nderson-darling Normality Test A-Squared,0 P-Value < 0,005 Mean 0,600 StDev 0,06707 V ariance 0,0050 Skew ness 0,55 Kurtosis -,8 N 60 0,6 0,0 0, 0,8 0, Minimum 0,000 st Q uartile 0,9000 Median 0,0000 rd Q uartile 0,7000 Maximum 0,000 95% C onfidence Interv al for Mean 0,0867 0, 95% C onfidence Interv al for Median 0,9000 0,7000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,05685 0,088 Mean Median 0,0 0, 0, 0,6 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 00 (5,56%) e o máximo é o de Dez 006 (,57%). A mediana indica que 0,8

aproximadamente metade dos valores de PGRN tem valor menor do que 0,0 e metade maior do que este valor. O valor médio é de 0600, com desvio-padrão, de 0,06707. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,0867 e 0,. PGRS Summary for PGRS A nderson-darling Normality Test A-Squared,0 P-Value < 0,005 Mean,00 StDev 0,8 V ariance 0,7 Skew ness 0,7 Kurtosis -,5989 N 60 Minimum 0,900 0,9,,5,8, st Q uartile,000 Median,900 rd Q uartile,700 Maximum,0700 95% C onfidence Interv al for Mean,,569 95% C onfidence Interv al for Median,000,700 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,508 0,507 Mean Median,,,,5,6,7,8 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. A mediana indica que aproximadamente metade dos valores de PGRS tem valor menor do que 0,000 e metade maior do que este valor. O valor médio é de,00, com desvio-padrão, de 0,8. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre, e,5699.

PGCO Summary for PGRCO A nderson-darling Normality Test A-Squared,90 P-Value < 0,005 Mean 0,500 StDev 0,0 V ariance 0,008 Skew ness 0,86 Kurtosis -,0908 N 60 Minimum 0,000 0,5 0,0 0,5 0,0 0,5 0,50 st Q uartile 0,9000 Median 0,000 rd Q uartile 0,000 Maximum 0,5000 95% C onfidence Interv al for Mean 0,70 0,8090 95% C onfidence Interv al for Median 0,9000 0,000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,0887 0,70 Mean Median 0,0 0, 0, 0,6 0,8 0,0 0, O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRCO tem valor menor do que 0,0 e metade maior do que este valor. O valor médio é de 0,50, com desvio-padrão, de 0,0. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,70 e 0,8090. PGRSUD Summary for PGRSUD A nderson-darling Normality Test A-Squared,0 P-Value < 0,005 Mean 6,0 StDev,777 V ariance,6 Skew ness 0,50 Kurtosis -,6780 N 60 Minimum,8800 5 6 7 8 9 st Q uartile 5,000 Median 5,5000 rd Q uartile 7,900 Maximum 8,800 95% C onfidence Interv al for Mean 5,68 6,5999 95% C onfidence Interv al for Median 5,000 7,900 95% Confidence Intervals 95% C onfidence Interv al for StDev,506,6 Mean Median 5,0 5,5 6,0 6,5 7,0 7,5

5 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRSUD tem valor menor do que 5,5 e metade maior do que este valor. O valor médio é de 6,0, com desvio-padrão de,777. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 5,68 a 6,5999 PGRNORD Summary for PGRNORD A nderson-darling Normality Test A-Squared,06 P-Value < 0,005 Mean,60 StDev 0,66 V ariance 0,0 Skew ness 0, Kurtosis -,6568 N 60 Minimum 0,8000 0,8,0,,,6,8 st Q uartile,0500 Median,00 rd Q uartile,500 Maximum,800 95% C onfidence Interv al for Mean,698,58 95% C onfidence Interv al for Median,0500,500 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,09 0,7 Mean Median,0,,,,,5 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRNORD tem valor menor do que, e metade maior do que este valor. O valor médio é de,60, com desvio-padrão de 0,66. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre,698 a,58.

EVNA 6 Summary for EVNA A nderson-darling Normality Test A-Squared,0 P-Value < 0,005 Mean 7,000 StDev 0,7 V ariance 0,508 Skew ness 0,00000 Kurtosis -,08 N 60 Minimum 70,000 70,0 70,5 7,0 7,5 7,0 st Q uartile 70,500 Median 7,000 rd Q uartile 7,500 Maximum 7,000 95% C onfidence Interv al for Mean 70,86 7,8 95% C onfidence Interv al for Median 70,500 7,500 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,60 0,870 Mean Median 70,50 70,75 7,00 7,5 7,50 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de EVNA tem valor menor do que 7,00 e metade maior do que este valor. O valor médio é de 7,00, com desvio-padrão, de 0,7. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 70,86 a 7,8. MIB Summary for MIB A nderson-darling Normality Test A-Squared, P-Value < 0,005 Mean 9, StDev,78 V ariance,50 Skew ness 0,0556 Kurtosis -0,86687 N 60 Minimum,70 7 0 6 st Q uartile 7,00 Median 8,750 rd Q uartile,600 Maximum 6,00 95% C onfidence Interv al for Mean 8,08 0,70 95% C onfidence Interv al for Median 7,00,600 95% Confidence Intervals 95% C onfidence Interv al for StDev,0 5,79 Mean Median 7 8 9 0 O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados.a mediana

indica que aproximadamente metade dos valores de MIB tem valor menor do que 8,75 e metade maior do que este valor. O valor médio é de 9,, com desvio-padrão, de,78. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 8,08 a 0,70. 7 CDRB Summary for CDRB A nderson-darling Normality Test A-Squared,99 P-Value < 0,005 Mean 6,00 StDev 0,955 V ariance 0,08 Skew ness -0,6808 Kurtosis -,87 N 60 Minimum 6,000 6, 6, 6, 6, 6,5 6,6 st Q uartile 6,000 Median 6,5000 rd Q uartile 6,6000 Maximum 6,6000 95% C onfidence Interv al for Mean 6,695 6,705 95% C onfidence Interv al for Median 6,000 6,6000 95% Confidence Intervals 95% C onfidence Interv al for StDev 0,657 0,85 Mean Median 6,0 6,5 6,0 6,5 6,50 6,55 6,60 A distribuição tem um pico, representando valor de CDR B próximo a 6,6. O teste de Anderson- Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de CDRB tem valor menor do que 6,5 e metade maior do que este valor. O valor médio é de 0,008, com desvio-padrão, de 0,00070. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 6,695 e 6,705..6 Análise individual da variável Categórica Por tratar-se de uma única variável categórica e relativa a meses do ano, não faremos esta análise..0 Análise das Variáveis Neste capítulo analisaremos algumas variáveis relevantes ao nosso estudo sendo elas: Crescimento da indústria Farmacêutica no Brasil Medicamento Genércio(em USD$ e Unidades), Participação de Genéricos por região(norte, Nordeste, Sul, Sudeste e Centro-oeste), Crude Death Rate no Brasil.

. Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD e Unidades... O comportamento da Variável 8 0,0 Time Series Plot of MGUS 0,09 0,08 0,07 MGUS 0,06 0,05 0,0 0,0 0,0 0,0 Month from 00 until 006 Time Series Plot of MGUN 0,000 0,075 0,050 MGUN 0,05 0,000 0,0075 0,0050

9... Análise de Tendências Trend Analysis Plot for MGUS Linear Trend Model Yt = 0,0059909 + 0,0085*t Trend Analysis Plot for MGUS Quadratic Trend Model Yt = 0,0670-0,000560*t + 0,000077*t** MGUS 0,0 0,08 0,06 0,0 MAPE,6 MAD 0,0079 MSD 0,000 MGUS 0, 0, 0,0 0,08 0,06 MAPE,7 MAD 0,005 MSD 0,0000 0,0 0,0 0,0 0,00 0,00 MGUS 0, 0, 0,0 0,08 0,06 0,0 0,0 Trend Analysis Plot for MGUS Growth Curve Model Yt = 0,0677 * (,0950**t) MAPE,577 MAD 0,005 MSD 0,0000 MGUS 0-0 -0-0 -0 Trend Analysis Plot for MGUS S-Curve Trend Model Yt = (0**0) / (-76,856 + 9,08*(0,996**t)) Curve Parameters Intercept 0,0960 Asy mptote -0,00565 Asy m. Rate 0,996 MAPE 5,9 MAD 0,007 MSD 0,000 0,00-50

0 Trend Analysis Plot for MGUN Linear Trend Model Yt = 0,00675 + 0,00055*t Trend Analysis Plot for MGUN Quadratic Trend Model Yt = 0,00905780-0,0000689*t +,656E-06*t** MGUN 0,000 0,075 0,050 0,05 MA PE 0,6605 MA D 0,000 MSD 0,0000 MGUN 0,05 0,00 0,05 MAPE 7,95 MAD 0,008 MSD 0,0000 0,000 0,0075 0,00 0,0050 0,005 0,000 0,075 Trend Analysis Plot for MGUN Growth Curve Model Yt = 0,00755 * (,075**t) 0, 0, Trend Analysis Plot for MGUN S-Curve Trend Model Yt = (0**-) / (5,9067 -,798*(,0**t)) MGUN 0,050 0,05 0,000 MAPE 9,65 MAD 0,000 MSD 0,0000 MGUN 0,0 0,08 0,06 0,0 Curve Parameters Intercept 0,0057 Asy mptote 0,0069 Asy m. Rate,0 MAPE 8,5996 MAD 0,00 MSD 0,0000 0,0075 0,0 0,0050 0,00 Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD Linear Quadrática S-Curve Exponencial MAPE,6,7 5,95,577 MAD 0,0079 0,005 0,007 0,005 MSD 0,000 0,0000 0,000 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados MGUs, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses. Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em Unidades Linear Quadrática S-Curve Exponencial MAPE 0,6605 7,95 8,5996 9,65 MAD 0,000 0,008 0,00 0,000 MSD 0,0000 0,0000 0,0000 0,0000

Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados MGUN, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses... Previsões Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras,isto nos leva ao gráfico já acima mencionado plotado com meses vistas ao futuro com os seguintes valores: MGUS Period Forecast 0,056 ago 0,087 set 0,86 out 0,55 nov 0,7678 dez 0,0957 0,9 fev 0,768 mar 0,8 abr 0,68 mai 0,885 jun 0,797 MGUN Period Forecast 0,0889 ago 0,08866 set 0,0957 out 0,096506 nov 0,00057 dez 0,006 0,00880 fev 0,007 mar 0,0795 abr 0,079 mai 0,066 jun 0,00807. Participação de Genéricos por região(norte, Nordeste, Sul, Sudeste e Centro-oeste)... O comportamento das Variáveis Participação de Genéricos por Região Região Norte,Sul, Centro-Oeste, Sudeste e Nordeste

Time Series Plot of PGRN Time Series Plot of PGRS 0,5 9 0,0 8 PGRN 0,5 PGRS 7 6 0,0 5 0,5 Month Time Series Plot of PPGCO Time Series Plot of PGRSUD, 0,55,0 0,50,8 0,5 PPGCO,6, PGRSUD 0,0 0,5, 0,0,0 0,5 0,0 Time Series Plot of PGRNORD,8,6 PGRNORD,,,0 0,8

.. Análise de Tendências Região Norte Trend Analysis Plot for PGRN Linear Trend Model Yt = 0,79 + 0,00680*t Trend Analysis Plot for PGRN Quadratic Trend Model Yt = 0,98 + 0,0076*t + 0,000005*t** 0,0 0,5 0,5 0,0 PGRN 0,0 0,5 MA PE 7,97 MA D 0,056 MSD 0,0006 PGRN 0,5 0,0 0,5 MAPE 6,09 MAD 0,08 MSD 0,0009 0,0 0,0 0,5 0,5 0,0 0,0 Month Trend Analysis Plot for PGRN Growth Curve Model Yt = 0,0658 * (,0667**t) Trend Analysis Plot for PGRN S-Curve Trend Model Yt = (0**) / (-8,75 + 5,*(0,9966**t)) PGRN 0,5 0,0 0,5 0,0 0,5 0,0 0,5 MA PE 6,605 MAD 0,085 MSD 0,0009 PGRN 0,6 0,5 0, 0, 0, Curve Parameters Intercept 0,757 A symptote -0,05500 A sym. Rate 0,9966 MAPE 6,8558 MAD 0,055 MSD 0,0007 0,0 Month 0, Month Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região Região Norte Linear Quadrática S-Curve Exponencial MAPE 7,97 6,09 6,8558 6,605 MAD 0,056 0,08 0,055 0,085 MSD 0,0006 0,0009 0,0007 0,0009 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados PGRN, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

Região Sul Trend Analysis Plot for PGRS Linear Trend Model Yt =,69 + 0,097707*t Trend Analysis Plot for PGRS Quadratic Trend Model Yt =,658 + 0,050060*t + 0,00078085*t** PGRS 0 9 8 7 6 MA PE 6,7886 MA D 0,8866 MSD 0,705 PGRS 0 9 8 7 6 MAPE 5,796 MAD 0,767 MSD 0,88 5 5 Month PGRS 0 9 8 7 6 5 Trend Analysis Plot for PGRS Growth Curve Model Yt =,6057 * (,068**t) MA PE 5,879 MA D 0,59 MSD 0,866 PGRS 5,0,5 0,0 7,5 5,0 Trend Analysis Plot for PGRS S-Curve Trend Model Yt = (0**) / (-5,57 + 80,07*(0,99607**t)) Curve Parameters Intercept,77 Asy mptote -,86668 Asy m. Rate 0,996 MAPE 6,88 MAD 0,9068 MSD 0,67 Month Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região Região Sul Linear Quadrática S-Curve Exponencial MAPE 6,7886 5,796 6,88 5,879 MAD 0,8866 0,767 0,9068 0,59 MSD 0,705 0,88 0,67 0,866 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados PGRS, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

5 Região Centro-Oeste PPGCO,5,0,5 Trend Analysis Plot for PPGCO Linear Trend Model Yt = 0,707 + 0,0806*t MA PE 6,75 MA D 0,09078 MSD 0,00 PPGCO,75,50,5,00,75,50 Trend Analysis Plot for PPGCO Quadratic Trend Model Yt = 0,85805 + 0,08*t + 0,0008050*t** MAPE 5,8090 MAD 0,0855 MSD 0,0007,0,5,00,5 Trend Analysis Plot for PPGCO Growth Curve Model Yt = 0,867 * (,06**t),5,0 Trend Analysis Plot for PPGCO S-Curve Trend Model Yt = (0**) / (-,800 +,0870*(0,995985**t)) PPGCO,0,5 MA PE 5,880 MA D 0,089 MSD 0,00 PPGCO,5,0,5 Curve Parameters Intercept 0,88599 A sy mptote -0,587 A sy m. Rate 0,995985 MAPE 6,557 MAD 0,095 MSD 0,08,0,0 Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região Região Centro-Oeste Linear Quadrática S-Curve Exponencial MAPE 6,75 5,8090 6,557 5,880 MAD 0,09078 0,0855 0,095 0,089 MSD 0,00 0,0007 0,08 0,00 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados PPGCO, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

6 Região Sudeste Trend Analysis Plot for PGRSUD Linear Trend Model Yt = 0,787 + 0,0057660*t Trend Analysis Plot for PGRSUD Quadratic Trend Model Yt = 0,050 + 0,008*t + 0,000000556*t** PGRSUD 0,6 0,5 0, MAPE 6,669 MAD 0,079 MSD 0,0007 PGRSUD 0,7 0,6 0,5 0, MAPE 5,767 MAD 0,0986 MSD 0,00059 0, 0, 0, 0, Trend Analysis Plot for PGRSUD Growth Curve Model Yt = 0,07 * (,0675**t) Trend Analysis Plot for PGRSUD S-Curve Trend Model Yt = (0**) / (-,56 + 8,69*(0,997**t)) PGRSUD 0,7 0,6 0,5 0, 0, MA PE 5,7699 MAD 0,0007 MSD 0,0006 PGRSUD 0,8 0,7 0,6 0,5 0, 0, Curve Parameters Intercept 0, Asy mptote -0,9090 Asy m. Rate 0,997 MAPE 6,0987 MAD 0,096 MSD 0,00077 0, Month 0, Month Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD Linear Quadrática S-Curve Exponencial MAPE,6,7 5,95,577 MAD 0,0079 0,005 0,007 0,005 MSD 0,000 0,0000 0,000 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados MGUS, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

7 Região Nordeste PGRNORD,5,00,75,50,5 Trend Analysis Plot for PGRNORD Linear Trend Model Yt = 0,6590 + 0,000856*t MAPE 6,86 MAD 0,0805 MSD 0,00975 PGRNORD,5,0,5 Trend Analysis Plot for PGRNORD Quadratic Trend Model Yt = 0,75908 + 0,000677*t + 0,00068*t** MA PE 5,8069 MA D 0,0770 MSD 0,0078,00 0,75,0 0,50 Month PGRNORD,5,0,5 Trend Analysis Plot for PGRNORD Growth Curve Model Yt = 0,797 * (,065**t) MA PE 5,88 MA D 0,07 MSD 0,0079 PGRNORD,0,5,0,5 Trend Analysis Plot for PGRNORD S-Curve Trend Model Yt = (0**) / (-,7 + 5,076*(0,9967**t)) Curve Parameters Intercept 0,77909 Asy mptote -0,09865 Asy m. Rate 0,9967 MAPE 6,659 MAD 0,08089 MSD 0,0059,0,0 Month Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD Linear Quadrática S-Curve Exponencial MAPE,6,7 5,95,577 MAD 0,0079 0,005 0,007 0,005 MSD 0,000 0,0000 0,000 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados MGUs, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

.. Previsões 8 Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras para todas as variáveis acima descritas,isto nos leva aos gráficos já acima mencionados, plotados com meses vistas ao futuro com os seguintes valores : PGRN Period Forecast 0,5870 ago 0,68 set 0,69870 out 0,75666 nov 0,856 dez 0,8750 0,98 fev 0,9990 mar 0,05607 abr 0,787 mai 0,80 jun 0,0 PGRS Period Forecast 9,6 ago 9,7605 set 9,908 out 0,0575 nov 0,08 dez 0,607 0,57 fev 0,670 mar 0,87 abr 0,9859 mai,6 jun,078 PPGCO Period Forecast,9 ago,89 set,75 out,5 nov,870 dez,7,585 fev,965 mar,56 abr,5680 mai,6055 jun,68 PPGSUD Period Forecast 0,55977 ago 0,56 set 0,5757 out 0,57995 nov 0,5888 dez 0,59700 0,60569 fev 0,675 mar 0,68 abr 0,6067 mai 0,60 jun 0,650079

9 PPGNORD Period Forecast,980 ago,000 set,0099 out,079 nov,07 dez,75,6666 fev,9890 mar,7 abr,66 mai,9759 jun,. Crude Death Rate no Brasil... O comportamento da Variável Crude Death Rate no Brasil 6,6 Time Series Plot of CDRB 6,5 CDRB 6, 6, 6, 6,

0.. Análise de Tendências Trend Analysis Plot for CDRB Linear Trend Model Yt = 6,779-0,0009*t Trend Analysis Plot for CDRB Quadratic Trend Model Yt = 6,605 + 0,00807*t - 0,0000078*t** CDRB 6,8 6,7 6,6 6,5 6, 6, 6, MAPE 0,955 MAD 0,06 MSD 0,005 CDRB 6,6 6, 6, 6,0 MA PE 0,57858 MA D 0,066 MSD 0,0059 6, 6,0 5,8 5,9 Month from 00 to 007 5,6 Month Trend Analysis Plot for CDRB Growth Curve Model Yt = 6,776 * (0,99868**t) Trend Analysis Plot for CDRB S-Curve Trend Model Yt = (0**) / (,9780 + 0,0088*(,0970**t)) CDRB 6,8 6,7 6,6 6,5 6, 6, 6, 6, MA PE 0,97995 MA D 0,0699 MSD 0,00598 CDRB 6,75 6,50 6,5 6,00 5,75 Curve Parameters Intercept 6,60 Asymptote 6,6765 Asym. Rate,0970 MAPE 0,668 MAD 0,090 MSD 0,0008 6,0 5,9 Month 5,50 Month Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crude Death Rate in Brazil Linear Quadrática S-Curve Exponencial MAPE 0,95 0,57858 0,668 0,97998 MAD 0,06 0,066 0,090 0,0699 MSD 0,005 0,0059 0,0008 0,00598 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados CDRB, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos meses.

.. Previsões Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras,isto nos leva ao gráfico já acima mencionado plotado com meses vistas ao futuro com os seguintes valores: CDRB Period Forecast 5,950 ago 5,8800 set 5,855 out 5,8095 nov 5,777 dez 5,768 5,697 fev 5,658 mar 5,6096 abr 5,565 mai 5,5978 jun 5,767. O comportamento das variáveis utilizando o método da decomposição... Variável PGVT Time Series Decomposition Plot for PGVT Multiplicative Model PGVT 0 9 Trend MA PE 6,76779 MA D 0,5955 MSD 0,578 8 7 6 5 007 07 07 07 07 057

Residual Plots for PGVT Normal Probability Plot of the Residuals Residuals Versus the Fitted Values 99,9 99 Percent 90 50 0 Residual 0-0, - - 0 Residual - 5,0 7,5 0,0 Fitted Value,5 5,0 Histogram of the Residuals Residuals Versus the Order of the Data Frequency 9 6 Residual 0-0 -,6-0,8 0,0 Residual 0,8-5 0 5 0 5 0 5 0 5 Observation Order 50 55 60 Seasonal Analysis for PGVT Multiplicative Model,5 Seasonal Indices, Detrended Data, by Seasonal Period,,0,0 0,9 0,5 0 Percent Variation, by Seasonal Period Residuals, by Seasonal Period 0 0 0-0 -

Component Analysis for PGVT Multiplicative Model Original Data, Detrended Data Data 9 Detr. Data,,0 0,9 6 007 07 07 007 07 07 Seas. A dj. Data 9 6 007 Seasonally Adjusted Data 07 07 Seas. Adj. and Detr. Data Seasonally Adj. and Detrended Data 0 - - 007 07 07.5 Considerações sobre as variáveis: Pudemos perceber que a tendência de penetração de genéricos tem-se acentuado na região sudeste e a tendência, caso não apareça nenhuma nova variável, é de aumento de crescimento nos próximos meses. Demonstra-se ainda incipiente a penetração nas regiões Norte e Nordeste não correspondendo às maiores necessidades do nosso país. Um ponto á ressaltar é que a tendência do índice de mortalidade bruto do Brasil está em um processo de queda e a tendência continua nos próximos meses, o que de certa maneira pode refletir a maior penetração de genéricos e outros medicamentos no país atingindo as classes menos privilegiadas, obviamente que os dados não são suficientes para esta observação.

. O comportamento da variável utilizando o método da decomposição PGVT Time Series Decomposition Plot for PGVT Multiplicative Model Residual Plots for PGVT Normal Probability Plot of the Residuals Residuals Versus the Fitted Values PGVT 0 9 8 7 6 5 007 07 07 07 07 057 Trend MAPE 6,76779 MAD 0,5955 MSD 0,578 Frequency Percent 99,9 99 90 50 0 0, 9 6 0 - - 0 Residual Histogram of the Residuals -,6-0,8 0,0 0,8 Residual Residual Residual 0 - - 5,0 7,5 0,0,5 5,0 Fitted Value Residuals Versus the Order of the Data 0 - - 5 0 5 0 5 0 5 0 5 50 55 60 Observation Order Seasonal Analysis for PGVT Multiplicative Model Component Analysis for PGVT Multiplicative Model,5,0 0,5 Seasonal Indices,,,0 0,9 Detrended Data, by Seasonal Period Data 9 6 007 Original Data 07 07 Detr. Data,,,0 0,9 007 Detrended Data 07 07 0 0 0 0 Percent Variation, by Seasonal Period 0 - - Residuals, by Seasonal Period Seas. A dj. Data 9 6 007 Seasonally Adjusted Data 07 07 Seas. Adj. and Detr. Data Seasonally Adj. and Detrended Data 0 - - 007 07 07

5 PGRSUD PGRSUD,5,0 0,5 0,55 0,50 0,5 0,0 0,5 0,0 0,5 0,0 007 Time Series Decomposition Plot for PGRSUD Multiplicative Model 07 Seasonal Indices 07 07,,,0 0,9 07 057 Seasonal Analysis for PGRSUD Multiplicative Model Trend MAPE 6,669 MAD 0,079 MSD 0,0007 Detrended Data, by Seasonal Period Percent Data Frequency Residual Plots for PGRSUD Normal Probability Plot of the Residuals Residuals Versus the Fitted Values 99,9 0,050 99 0,05 90 0,000 50-0,05 0-0,050 0, -0,0-0,05 0,00 0,05 0,0 0, 0, 0, 0,5 Residual Fitted Value 6 8 0 0,5 0, 0, 0, 007-0,060 Histogram of the Residuals 07-0,05-0,00-0,05 0,000 Residual Original Data 07 0,05 0,00 0,05 Residual Residual Residuals Versus the Order of the Data 0,050 0,05 0,000-0,05-0,050 5 0 5 Component Analysis for PGRSUD Multiplicative Model Detr. Data,,,0 0,9 007 0 5 0 5 0 5 Observation Order Detrended Data 07 07 50 55 60 0 0 0 0 Percent Variation, by Seasonal Period 0,05 0,00-0,05 Residuals, by Seasonal Period Seas. A dj. Data 0,5 0, 0, 0, 007 Seasonally Adjusted Data 07 07 Seas. Adj. and Detr. Data Seasonally Adj. and Detrended Data 0,05 0,00-0,05 007 07 07

6 PGRNORD PGRNORD,00,75,50,5,00 0,75 0,50 007 Time Series Decomposition Plot for PGRNORD Multiplicative Model 07 07 07 07 057 Trend MAPE 6,86 MAD 0,0805 MSD 0,00975 Percent Frequency Residual Plots for PGRNORD Normal Probability Plot of the Residuals 99,9 99 90 50 0 0, -0,0-0,5 0,00 0,5 0,0 Residual Histogram of the Residuals 0,0 7,5 5,0,5 Residual Residual Residuals Versus the Fitted Values 0, 0, 0,0-0, -0, 0,5,0,5,0 Fitted Value Residuals Versus the Order of the Data 0, 0, 0,0-0, -0, 0,0-0, -0, 0,0 0, 0, 5 0 5 0 5 0 5 0 5 50 55 60 Residual Observation Order Seasonal Analysis for PGRNORD Multiplicative Model Component Analysis for PGRNORD Multiplicative Model,5 Seasonal Indices, Detrended Data, by Seasonal Period,8 Original Data, Detrended Data,0,0 Data,5, Detr. Data,0 0,9 0,5 0,8 007 07 07 0,8 007 07 07 0 0 0 0 Percent Variation, by Seasonal Period 0, 0,0-0, Residuals, by Seasonal Period Seas. A dj. Data,8,5, 0,9 007 Seasonally Adjusted Data 07 07 Seas. Adj. and Detr. Data Seasonally Adj. and Detrended Data 0, 0,0-0, 007 07 07

7 CDRB Time Series Decomposition Plot for CDRB Multiplicative Model Residual Plots for CDRB Normal Probability Plot of the Residuals Residuals Versus the Fitted Values CDRB 6,8 6,7 6,6 6,5 6, Trend MAPE 0,955 MAD 0,06 MSD 0,005 Percent 99,9 99 90 50 0 0, -0, -0, 0,0 0, 0, Residual Histogram of the Residuals Residual 0, 0,0-0, 6, 6, 6,6 6,8 Fitted Value Residuals Versus the Order of the Data 6, 8 0, 6, 6, 007 07 07 07 07 057 Frequency 6 0-0, -0,06 0,00 0,06 Residual 0, Residual 0,0-0, 5 0 5 0 5 0 5 0 5 50 55 60 Observation Order Seasonal Analysis for CDRB Multiplicative Model Component Analysis for CDRB Multiplicative Model Seasonal Indices Detrended Data, by Seasonal Period Original Data Detrended Data,5,0 6,6,0,0,00 Data 6, 6, Detr. Data,00 0,5 0,98 007 07 07 0,98 007 07 07 0 0 0 Percent Variation, by Seasonal Period 0, 0,0-0, Residuals, by Seasonal Period Seas. A dj. Data 6,6 6, 6, 007 Seasonally Adjusted Data 07 07 Seas. Adj. and Detr. Data Seasonally Adj. and Detrended Data 0, 0,0-0, 007 07 07 5.0 Correlações 5. Checagem de correlação entre as variáveis quantitativas 5... Análise das Variáveis : MRUS,MRUN,MMUS,MMUN,MGUS,MGUN,MSUS,MSUN,PGVT,PGRN,PGRSUD,PGRS, PGRCO,PGRNORD,EVNA,MIB e CDRB Correlations: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; MSUN;... MRUS MRUN MMUS MMUN MGUS MGUN MSUS MSUN MRUN 0,6 0,069 MMUS 0,870 0,56 0,000 0,5 M MUN 0,58 0, 0,690 0,000 0,0 0,000 MGUS 0,85 0,067 0,90 0,88 0,000 0,60 0,000 0,000 M GUN 0,77 0, 0,86 0,57 0,789 0,000 0,5 0,000 0,000 0,000 MSUS 0,780 0,9 0,8 0,5 0, 87 0,69 0,000 0,6 0,000 0,000 0,000 0,000 MSUN 0,09 0,9 0,078 0,6-0,8 0,07 0,067

0,708 0,88 0,556 0,000 0,9 0,7 0,60 8 PGVT 0,796 0,08 0,85 0,05 0,955 0,7 0,8-0,9 0,000 0,775 0,000 0,00 0,000 0,000 0,000 0,0 PGRN 0,79 0,06 0,85 0,0 0,95 0,705 0,8-0,9 0,000 0,78 0,000 0,00 0,000 0,000 0,000 0,0 PGRSUD 0,796 0,08 0,85 0,05 0,956 0,7 0,8-0,9 0,000 0,775 0,000 0,00 0,000 0,000 0,000 0,0 PGRS 0,795 0,07 0,85 0,05 0,955 0,70 0,8-0,9 0,000 0,776 0,000 0,00 0,000 0,000 0,000 0,0 PGRCO 0,796 0,09 0,85 0,07 0,95 0,7 0,8-0, 95 0,000 0,769 0,000 0,00 0,000 0,000 0,000 0,0 PGRNORD 0,796 0,08 0,85 0,05 0,956 0,7 0,8-0,9 0,000 0,776 0,000 0,00 0,000 0,000 0,000 0,0 EVNA 0,780 0,08 0,86 0,05 0,99 0,7 0,788-0, 0,000 0,77 0,000 0,00 0,000 0,000 0,000 0,0 MIB -0,75-0,08-0,805-0,85-0,90-0,679-0,756 0,5 0,000 0,75 0,000 0,00 0,000 0,000 0,000 0,007 CDRB -0,80-0,07-0,867-0,6-0,979-0,768-0,89 0, 0,000 0,7 0,000 0,00 0,000 0,000 0,000 0,06 PGVT PGRN PGRSUD PGRS PGRCO PGRNORD EVNA MIB PGRN 0,999 0,000 PGRSUD,000 0,999 0,000 0,000 PGRS,000 0,999,000 0,000 0,000 0,000 PGRCO,000 0,998, 000,000 0,000 0,000 0,000 0,000 PGRNORD,000 0,999,000,000,000 0,000 0,000 0,000 0,000 0,000 EVNA 0,98 0,978 0,98 0,98 0,986 0,98 0,000 0,000 0,000 0,000 0,000 0,000 MIB -0,96-0,96-0,96-0,96-0,96-0,96-0,98 0,000 0,000 0,000 0,000 0,000 0,000 0,000 CDRB -0,97-0,97-0,97-0,97-0,97-0,97-0,98 0,9 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 Cell Contents: Pearson correlation P-Value Os valores P-value das análises de variância acima nos confirmam que: - Existem tendências a correlações fortes entre as variáveis MMUS, MMUN, MGUS, MGUN, MSUN, PGRN, PGRSUD, PGRS, EVNA, MIB, CDRB em relação à variável MRUN, sendo as correlações MIB e CDRB negativas, o que demonstra a veracidade das mesmas, uma vez que com um maior investimento em medicamento temos uma redução nas taxas de mortalidade infantil e mortalidade bruta. - Existem tendências a correlações fortes também entre MRUS, MRUN, MMUS, MMUN, MGUS, MGUN, MSUS em relação à variável MSUN, sendo está negativa em relação à variável MGUS, o que