Em função do volume de registos considerados e do objetivo do trabalho, para a análise das informações extraídas utilizou-se o software de mineração de dados open source R x64 versão 3.5.1., aplicando-se o processo de classificação e a técnica de Bayes.

4.4.1 Classificação: NaiveBayes

Para criação do modelo, os mais de 2,5 milhões de registros extraídos das três fontes: Microsoft Excel (acidentes), ERP SAP (atendimentos no centro de saúde) e Ponto Soft (dados de acessos) foram unificados e tratados em uma planilha csv.

Considerou-se apenas os funcionários da mão de obra direta do turno diurno da companhia, visto a dificuldade de validação de parâmetros de critérios para a troca de datas em um mesmo período de trabalho.

A consolidação dos dados gerou uma tabela com 241.238 instâncias, contemplando as matrículas dos empregados e os dias do ano, ou seja, para cada funcionário da mão de obra direta e do turno diurno, criou-se o registro de dias úteis, segunda-feira à sexta-feira, de 2017.

Como atributos, foram considerados os critérios definidos no tópico 4.2 e suas variações, as possibilidades de cada critério podem ser observadas como Quadro 10.

Quadro 10 – Variações critérios (atributos) (continua)

Critério Variação

Chegada

a) entrada hora extra b) entrada normal c) entrada atrasada d) sem entrada Saída dia antecedente a) saída antecipada b) saída normal c) saída hora extra d) sem saída

Refeição a) alimentação interna b) sem registro

(conclusão) Refeição extra a) proteína b) sobremesa c) proteína e sobremesa d) sem registro Alteração do local de trabalho a) mesmo relógio b) relógio diferente Ausência de trabalho

a) ausente dia anterior b) regular

Atendimentos ocupacionais

a) regular

b) atendimento dia anterior c) atendimento últimos sete dias d) atendimento últimos trinta dias

Dia da semana a) seg b) ter c) qua d) qui e) sex Quinzena do mês a) primeira quinzena b) segunda quinzena Tempo de empresa a) menos de 1 ano b) entre 1 e 5 anos c) entre 5 e 7 anos d) entre 7 e 12 anos e) entre 12 e 38 anos Idade a) entre 18 e 27 anos b) entre 27 e 32 anos c) entre 32 e 38 anos d) entre 38 e 45 anos e) entre 45 e 61 anos Classe a) acidente b) sem acidente Fonte: o autor (2018).

O último atributo, chamado de classe, é a variável de interesse sendo o elemento de previsão desejada.

4.4.2 Seleção de atributos

Para seleção dos atributos a serem considerados na modelagem de NaiveBayes foi utilizado o pacote “FSelector” do software R, este é baseado no algoritmo random forest e atribui pesos aos critérios, identificando a importância dos mesmos na classificação de uma nova instância.

Um script foi utilizado para implementação do algoritmo, considerando a totalidade dos dados, seu retorno no prompt de comando do software R pode ser observado como Figura 14.

Figura 14 – Resposta software R

Fonte: software R (2018).

A seleção de atributos gerada como resultado apresentou pesos negativos, esta categorização indica critérios que não auxiliam na classificação e podem prejudicar a modelagem do algoritmo de NaiveBayes. Por tanto, os critérios de quinzena, dia, variação do relógio ponto, saída e ausência de trabalho no dia anterior, serão desconsiderados.

Desta forma, cria-se o cluster de possíveis causas de acidentes de trabalho, os atributos estão apresentados como Figura 15 em forma gráfica com ordem decrescente de relevâncias para classificação de uma nova instância.

Figura 15 – Cluster considerado

Os seis critérios apresentados foram considerados para a modelagem do algoritmo de NaiveBayes descrita a seguir.

4.4.3 Modelagem NaiveBayes

Para treino do modelo utilizando a técnica de Bayes foram segregados 70% da totalidade de instâncias dos dados agrupados, esta divisão considerou os 149.966 primeiros registros em função de sua data. Os pacotes do software R aplicados foram: “foreign” e “e1071”.

O modelo retornado pelo software R entregou dois grupos de probabilidades, o primeiro chamado de A-priori probabilities considera o volume total de dados e sua classificação, este parâmetro pode ser visualizado como Figura 16.

Figura 16 – A-priori probabilities NaiveBayes

Fonte: software R (2018).

O valor baixo de probabilidade para acidentes pode ser entendido em função da baixa quantidade de dados com este tipo de classificação, visto que das 149.966 instâncias apenas 21 apresentam este registro.

O segundo grupo de estatística, com maior aplicação para o trabalho, entrega as probabilidades condicionais, estas avaliam o impacto da variação dos atributos selecionados sobre a classificação. Este resultado pode ser observado como Figura 17.

Figura 17 – Conditional probabilities NaiveBayes

Fonte: software R (2018).

O retorno observado no console do software R representa o peso de cada variação nos atributos para classificação de uma nova instância, estas probabilidades encontradas serão discutidas no tópico de avaliação.

4.5 AVALIAÇÃO

Seguindo o método CRIS-DM, a avaliação do algoritmo NaiveBayes criado foi efetuada por meio de uma matriz de confusão com os 30% de registros restantes, contabilizando 64.272 instâncias, este processo foi realizado no software R e seu retorno pode ser observado como Figura 18.

Figura 18 – Retorno matriz de confusão

Fonte: software R (2018).

Em função da baixa probabilidade a-priori, de 0,00014, era esperada a dificuldade de se prever acidentes com o algoritmo, todas as instâncias de teste foram classificadas como sem acidente, sendo destas, oito falsos-negativos, onde acidentes aconteceram. Em consequência ao elevado valor de instâncias reais sem acidente a taxa de acerto alcançada foi de 99,99% e a taxa de erro de 0,012%, contemplando as 8 ocorrências não previstas dos 64.272 registros.

Entretanto, o modelo entregou as probabilidades condicionais para cada critério considerado, podendo-se avaliar o perfil de acidentados da mão de obra direta dentro da companhia. Para melhor visualização, estas probabilidades estão ilustradas graficamente nas imagens a seguir, incialmente observa-se o critério chegada como Figura 19.

Figura 19 – Gráfico probabilidades condicionais: chegada

Fonte: o autor (2018).

Para ocorrência de acidentes a variação com maior porcentagem é a de entrada normal do funcionário, com 90,5% de peso sobre o resultado do algoritmo, valor inferior a classificação sem acidente, com 79,8%. Esta relação ocorre também na entrada em hora extra, porém com

uma diferença de 460%, enquanto a entrada normal apresenta 13%. A Figura 20 apresenta a mesma análise para o critério refeição.

Figura 20 – Gráfico probabilidades condicionais: refeição

Fonte: o autor (2018).

Na avaliação do impacto sobre o atributo refeição, o maior peso está relacionado à variação de sem registro, ou seja, quando o funcionário não realiza sua alimentação no ambiente oferecido pela companhia, seu valor é de 57,1%. A diferença para a classificação de sem acidente é de 161%. Para a refeição extra o gráfico ilustrado como Figura 21 foi desenvolvido.

Figura 21 – Gráfico probabilidades condicionais: refeição extra

Fonte: o autor (2018).

O peso de 95,2% com uma diferença de 18% foi encontrado para o critério de sem registro, ou seja, quando o funcionário não consome alimentação extra oferecida no refeitório da empresa. Em relação aos atendimentos no centro de saúde, a Figura 22 pode ser observada.

Figura 22 – Gráfico probabilidades condicionais: atendimentos centro de saúde

Fonte: o autor (2018).

Duas variações de atributos apresentaram maior peso para classificação de acidentes, sendo o regular, onde não há registros de atendimentos, com valor de 95,2% e diferença de 1% e o atendimento nos últimos trinta dias com 4,8% e diferença ao peso de sem acidentes de 6%. Para o tempo de empresa, os grupos estão apresentados como Figura 23.

Figura 23 – Gráfico probabilidades condicionais: tempo de empresa

Fonte: o autor (2018).

O grupo com maior peso é observado entre os funcionários com menos de um ano de atividade dentro da companhia, com valor de 33,3% estes apresentam diferença de 110%. Um segundo grupo apresenta peso maior para classificação de acidentes do que sem acidentes, o de empregados com tempo de empresa entre 5 e 7 anos, com variação de 38%.

Figura 24 – Gráfico probabilidades condicionais: idade

Fonte: o autor (2018).

Para a idade, os funcionários entre 27 e 32 anos e os de 38 e 45 anos possuem maior probabilidade de sofrer um acidente, os primeiros com 28,6% e diferença de 49% e os segundos com 23,8% e variação de 17%.

Como pode ser observado, os atributos de maior relevância estão relacionados ao tempo de empresa dos funcionários, à realização de refeição no ambiente externo à empresa e à efetivação de horas extras do dia observado. Estes apresentam respectivamente às diferenças de 110%, 161% e 460% entre as classificações de acidentes ou sem acidente. Estes resultados foram apresentados ao gestores envolvidos em um fórum específico descrito no tópico a seguir.

4.6 APRESENTAÇÃO

Como última etapa do método CRISP-DM considerada na delimitação de escopo do presente trabalho, tem-se a apresentação do modelo criado para a gestão da companhia, esta considerará e efetivará a implementação do algoritmo dentro da empresa caso entenda como válido o estudo realizado.

Para tanto, uma reunião marcada previamente foi concretizada, utilizou-se o aplicativo Microsoft PowerPoint para demonstrar a efetivação das etapas do processo padrão inter- indústrias na mineração de dados. A reunião contou com cinco participantes, o Quadro 11 apresenta e caracteriza os integrantes do fórum.

O primeiro tema discutido foi a seleção de atributos realizada pelo algoritmo, demonstrando os critérios desconsiderados pelo modelo, estes sendo: saída dia antecedente, alteração do local de trabalho, ausência de trabalho, dia da semana e quinzena do mês. Estas variáveis foram apontadas por participantes deste evento, na reunião de formulação de critérios.

Desta forma, o algoritmo foi capaz de desfazer de forma quantitativa, caracterizações não reais consideradas pelos gestores da companhia.

O segundo assunto abordado entre os participantes foi o perfil de acidentados criados pelo algoritmo, este contemplando funcionários com 27 a 30 anos, como menos de 1 ano de empresa, sem atendimentos no centro de saúde, com entrada em horário regular e refeição realizada fora da companhia sem consumir alimentação extra.

Quadro 11 – Reunião de apresentação modelo

Cargo Tempo

no Cargo Formação Data

Local Reunião Tempo de Duração Gerente Industrial 6 anos Tecnólogo em Automação Industrial Mestrando Engenharia de Produção 24/05/2018 Sala de Reuniões da Engenharia de Processos em Caxias do Sul 1 hora Gerente Industrial 1 ano Engenheiro de Produção Mestre em Engenharia Mecânica Coordenador de Engenharia Industrial

2 anos Engenheiro Mecânico

Coordenador de Segurança

1 ano Engenheiro Mecânico

Engenheiro de Segurança 7 anos Engenheiro Químico Pós graduado em Segurança do Trabalho Fonte: o autor (2018).

A partir da descrição construída, a gerência responsável solicitou a revisão dos treinamentos de segurança para novos funcionários e a criação de um procedimento de gestão para diálogos de segurança com operários após a realização de refeição no ambiente externo à empresa. Esta solicitação demandará a criação de um sistema de acompanhamento de refeições dos funcionários, algo a ser desenvolvido pelo setor de Segurança, Saúde e Meio Ambiente em conjunto à área de Tecnologia da Informação da companhia.

5 CONCLUSÃO

O objetivo deste trabalho consistiu na criação de um modelo de predição de ocorrências de acidentes aplicando a técnica da Bayes, especificamente o algoritmo de NaiveBayes, no software de mineração de dados R. Os resultados obtidos foram avaliados e considerados para criação de um perfil de funcionários acidentados dentro da empresa Randon S/A Implementos e Participações de Caxias do Sul. Com a descrição construída, espera-se predizer e direcionar ações buscando a redução de infortúnios e danos pessoais aos colaboradores, de mesma forma, iniciar e criar a cultura de trabalhos analíticos com o intuito de prever acontecimentos por meio do vasto banco de dados disponível dentro da companhia.

O método aplicado, CRISP-DM, teve como etapas a análise do negócio, entendimento e preparação dos dados, modelagem, avaliação e apresentação. O algoritmo criado, em função de sua baixa probabilidade a-priori, não foi capaz de prever acidentes considerando os dados de teste. Porém, a avaliação de critérios relacionados às casualidades de 2017 clarificou o impacto de atributos na ocorrência de eventos indesejados, este conhecimento possuía característica exclusivamente empírica, baseado somente na experiência da gestão da área de Segurança, Saúde e Meio Ambiente.

O modelo criado descartou os critérios antes considerados de quinzena, dia da semana, variação do relógio ponto, saída e ausência de trabalho no dia anterior, demonstrando numericamente que tais comportamentos não impactam na ocorrência de acidentes e desfez considerações existentes dentro da área de SSM sobre a importância de atributos específicos. Entretanto, os aspectos de idade, tempo de empresa, inicio de atividade, refeição, consumo de refeição extra e atendimentos ocupacionais, resultaram em um perfil único, que por meio de pesos definiu e caracterizou funcionários com maior probabilidade de acidentes. Esta descrição, apresentada para empresa, pôde ser definida como: colaboradores com 27 a 30 anos, como menos de 1 ano de empresa, sem atendimentos no centro de saúde, com entrada em horário regular e refeição realizada fora da companhia sem consumir alimentação extra.

A caracterização teve grande aceitação na reunião de apresentação do método para gestão, direcionando duas ações principais buscando-se a redução de acontecimentos: revisão de treinamentos em segurança para novos funcionários, relacionando o atributo de tempo de empresa; e criação de sistema para identificação da realização de refeição fora do refeitório da companhia, possibilitando que a gestão direta do empregado avalie e oriente o comportamento seguro do mesmo.

A maior dificuldade encontrada na implementação do trabalho esteve relacionada à extração e preparação dos dados, visto o volume de registros e a falta de automação e relações entre os sistemas. Porém, o projeto deixa perspectivas de movimentos futuros e lições aprendidas para criação de modelos de análise de dados com o objetivo de predizer acontecimentos, aproveitando-se o conhecimento implícito já existente na companhia.

Por meio da conceituação de ciência de dados, é possível afirmar que os objetivos do trabalho foram alcançados, já que os dados antes coletados e armazenados foram analisados criando-se a informação, esta informação apresentada gerou o conhecimento que aplicado prediz o perfil de acidentados dentro da empresa Randon.

REFERÊNCIAS

AMARAL, Fernando. Introdução à ciência de dados: mineração de dados e big data. Rio de Janeiro: Alta Books, 2016.

BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR, Teresa Bernarda. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: Livros Técnicos e Científicos Editora S.A., 2000.

DAVENPORT, Thomas H.; HARRIS, Jeanne G. Competição analítica: vencendo através da nova ciência. Rio de Janeiro: Elsevier, 2007.

DEBUSE, J. C. W.. Extending data mining methodologies to encompass organizational factors. Systems Research and Behavioral Science, Brisbane, v. 24, n. 2, p.183-190, maio 2007. Disponível em: <http://rdcu.be/yoM4/>. Acesso em: 11 out. 2017.

FERNÁNDEZ, Alberto et al. Big data with cloud computing: an insight on the computing environment, mapreduce, and programming frameworks. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, [s.l.], v. 4, n. 5, p. 380-409, set. 2014. Disponível em:

<http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.706.4988&rep=rep1&type=pdf>. Acesso em: 17 set. 2017.

FREDERICK, Donna Ellen. Libraries, data and the fourth industrial revolution: data deluge column. Library Hi Tech News, Bingley, v. 33, n. 1, p. 9-12, jul. 2016. Disponível em: <https://doi.org/10.1108/LHTN-05-2016-0025>. Acesso em: 19 ago. 2017.

GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas S.A., 2008.

HART, Michele. Dashboard tiles in power BI. 2017. Disponível em:

<https://powerbi.microsoft.com/en-us/documentation/powerbi-service-dashboard-tiles/>. Acesso em: 08 out. 2017.

LI, Guoping; HOU, Yun; WU, Aizhi. Fourth industrial revolution: technological drivers, impacts and coping methods. Chinese Geographical Science, Changchun, v. 27, n. 4, p. 626- 637, jul. 2017. Disponível em: <https://link-springer-

com.ez314.periodicos.capes.gov.br/content/pdf/10.1007%2Fs11769-017-0890-x.pdf>. Acesso em: 17 set. 2017.

MORAES, Rafael Ferraz de; SALES, Paulo Roberto de Holanda; COSTA, José Fabiano da Serra. Utilização do software estatístico R na previsão de séries temporais: série prêmio de resseguro. Cadernos do IME – Série Estatística. Rio de Janeiro, v. 30, n. 1, p. 1-17, jun. 2011. Disponível em: <http://www.e-

publicacoes.uerj.br/index.php/cadest/article/view/15727/11898>. Acesso em: 10 out. 2017.

MUTULA, Stephen. Big data industry: implication for the library and information sciences. African Journal of Library, Archives and Information Science, Ibadan, v. 26, n. 2, p. 93- 96, out. 2016. Disponível em: <http://web.b-ebscohost-

com.ez314.periodicos.capes.gov.br/ehost/pdfviewer/pdfviewer?vid=1&sid=6be3f474-6f1b- 44ec-89b0-033c3aeb14e0%40sessionmgr4008> Acesso em 24 set. 2017.

PADUA, Mariana Cantisani; DIAS, Guilherme Ataíde; LIMA, Thiago Lucas Castor de. Dados, formas, cores e informação: um estudo sobre construção e análise na infografia. Liinc em Revista, Rio de Janeiro, v. 11, n. 1, p. 287-309, maio 2015. Disponível em:

<http://revista.ibict.br/liinc/article/view/3627/3092>. Acesso em 01 out. 2017.

RABELO, Emerson; CAMPOS, Fernando Celso de. Big data e kdd: novas descobertas. In: XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 34., 2014, Curitiba. Anais... Disponível em:

<http://www.abepro.org.br/biblioteca/enegep2014_TN_STP_202_144_25705.pdf>. Acesso em: 17 set. 2017.

RENNOLLS, Keith; AL-SHAWABKEH, Abdallah. Formal structures for data mining, knowledge discovery and communication in a knowledge management environment. Intelligent Data Analysis, Amsterdam, v. 12, n.2, p. 147-163, 2008.

SCHWAB, Klaus. The fourth industrial revolution. Nova York: Crown Business, 2017.

SILVEIRA, Marcio; MARCOLIN, Carla Bonato; FREITAS, Henrique Mello. Uso

corporativo do big data: uma revisão de literatura. Revista de Gestão e Projetos, São Paulo, v. 6, n. 3, p. 44-59, dez. 2015. Disponível em:

<http://www.revistagep.org/ojs/index.php/gep/article/view/369/pdf>. Acesso em: 24 set. 2017.

STĂNCIOIU, Alin. The fourth industrial revolution: industry 4.0. Fiabilitate şi Durabilitate, Târgu Jiu, n. 1, p. 74-78, maio 2017. Disponível em:

<http://www.utgjiu.ro/rev_mec/mecanica/pdf/2017-01/11_Alin STĂNCIOIU - THE

FOURTH INDUSTRIAL REVOLUTION „INDUSTRY 4.0”.pdf>. Acesso em: 13 ago. 2017. TURBAN, Efraim et al. Business intelligence: um enfoque gerencial para a inteligência do negócio. Porto Alegre: Bookman, 2009.

VICTORINO, Marcio de Carvalho et al. Uma proposta de ecossistema de big data para a análise de dados abertos governamentais conectados. Informação e Sociedade: Estudos, João Pessoa, v. 27, n. 1, p. 225-242, jan. 2017. Disponível em:

<http://www.ies.ufpb.br/ojs2/index.php/ies/article/view/29299/17505>. Acesso em 30 set. 2017.

APÊNDICE A – REGISTROS ACPT RANDON IMPLEMENTOS CAXIAS DO SUL

(continua) Alerta Data Horário Mês Matrícula

1 12/01/2017 22:00 Janeiro 6946 4 19/01/2017 14:00 Janeiro 22896 12 15/02/2017 15:30 Fevereiro 6230 13 20/02/2017 18:15 Fevereiro 16435 14 20/02/2017 18:30 Fevereiro 11645 16 23/02/2017 12:50 Fevereiro 8482 18 09/03/2017 21:50 Março 4894 20 21/03/2017 01:20 Março 1648 21 28/03/2017 01:00 Março 8228 22 04/04/2017 19:30 Abril 3293 27 26/04/2017 10:30 Abril 12152 30 15/05/2017 14:10 Maio 13125 32 22/05/2017 08:40 Maio 22896 34 24/05/2017 16:00 Maio 2173 35 25/05/2017 09:30 Maio 17816 36 29/05/2017 09:00 Maio 20949 41 14/06/2017 01:45 Junho 23024 42 22/06/2017 08:20 Junho 5546 47 30/06/2017 07:50 Junho 22912 49 14/07/2017 09:00 Julho 15405 50 18/07/2017 14:45 Julho 10527 53 25/04/2017 19:20 Abril 6364 54 31/07/2017 14:00 Julho 5884 55 31/07/2017 08:15 Julho 10605 56 31/07/2017 10:25 Julho 6466 58 02/08/2017 11:10 Agosto 22950 59 17/08/2017 22:30 Agosto 19732 60 21/08/2017 10:00 Agosto 1651 61 22/08/2017 11:30 Agosto 22937 62 28/08/2017 10:40 Agosto 23601 63 28/08/2017 17:40 Agosto 22932 65 02/09/2017 16:15 Setembro 22447 66 05/09/2017 08:50 Setembro 22539 67 12/09/2017 11:40 Setembro 5966 68 13/09/2017 15:20 Setembro 13625 69 18/09/2017 18:50 Setembro 5753 70 19/09/2017 10:30 Setembro 24783 71 20/09/2017 00:10 Setembro 11614

(conclusão) 73 25/09/2017 10:10 Setembro 1856 74 26/09/2017 16:15 Setembro 20946 75 28/09/2017 01:20 Setembro 1849 76 28/09/2017 01:45 Setembro 691 79 05/10/2017 16:00 Outubro 7576 80 05/10/2017 16:45 Outubro 22538 81 10/10/2017 15:40 Outubro 23037 82 17/10/2017 20:00 Outubro 17831 88 20/11/2017 18:30 Novembro 22910 90 21/11/2017 03:30 Novembro 6946 91 23/11/2017 08:40 Novembro 1376 92 24/11/2017 20:00 Novembro 2430 94 29/11/2017 09:15 Novembro 11545 95 04/12/2017 23:00 Dezembro 20535 97 20/12/2017 16:50 Dezembro 23800

APÊNDICE B – REGISTRO ATENDIMENTOS CENTRO DE SAÚDE

Data Hora Matrícula CT Prest.Assistência 05/01/2017 11:50 17937 LPE Contusão 10/01/2017 2:00 19774 LAS Escoriação 10/01/2017 12:00 12267 ENG Contusão 10/01/2017 21:00 20936 DPR Escoriação 10/01/2017 21:00 13731 LMS Escoriação 11/01/2017 0:10 6943 DOB Contusão 11/01/2017 0:30 22968 LDE Ferimento Cortante 11/01/2017 16:20 491 LNO Escoriação 11/01/2017 22:30 13486 PRE Escoriação 12/01/2017 8:20 10605 LMM Queimadura 1º Grau 12/01/2017 14:00 651 LMS Entorse 12/01/2017 19:30 13325 LDE Contusão 12/01/2017 22:00 6946 LAS Contusão 13/01/2017 0:40 11230 LCC Contratura Muscular 13/01/2017 9:40 5807 LDE Queimadura Ocular 13/01/2017 10:35 7114 LPE Queimadura Ocular 14/01/2017 0:00 1277 LMM Queimadura Ocular 14/01/2017 0:30 23055 SPE Corpo Estranho no Olho 16/01/2017 9:00 9377 LPE Ferimento Corto-Contuso 16/01/2017 10:00 2446 LDE Contusão

16/01/2017 13:15 20496 TRA Ferimento Cortante 17/01/2017 1:10 22940 PLM Contusão 17/01/2017 9:00 17823 LSE Queimadura 1º Grau 17/01/2017 10:30 7146 PTE Corpo Estranho no Olho 17/01/2017 11:30 2996 LVF Queimadura 1º Grau 17/01/2017 12:40 22917 SPI Corpo Estranho no Olho 17/01/2017 15:20 23060 LDO Contusão

17/01/2017 23:00 22978 LVF Queimadura 1º Grau 18/01/2017 9:55 22932 MBA Queimadura 1º Grau 18/01/2017 15:30 4357 LDE Escoriação 18/01/2017 15:30 497 MOD Contusão

18/01/2017 18:00 22916 LVF Corpo Estranho no Olho 19/01/2017 2:00 2410 LDE Queimadura Ocular 19/01/2017 7:20 23060 LDO Queimadura Ocular 19/01/2017 11:50 11001 PRE Contusão 19/01/2017 14:00 22896 LCH Contusão

20/01/2017 0:00 22898 LDE Corpo Estranho no Olho 20/01/2017 1:15 22916 LVF Corpo Estranho no Olho 20/01/2017 1:20 6240 LMM Contusão

No documento Aplicação de processo de classificação e técnica de bayes na base de dados de acidentes ocupacionais de uma empresa metalúrgica (páginas 44-61)