An´
alise Explorat´
oria do n´
umero de casos de
Febre Amarela no Estado de Minas Gerais nos
anos de 2015 a 2017.
Niter´oi - RJ, Brasil 9 de julho de 2018
Universidade Federal Fluminense
Thays de Mattos Molina Napole˜
ao Ferreira
An´
alise Explorat´
oria do n´
umero de
casos de Febre Amarela no Estado de
Minas Gerais nos anos de 2015 a 2017.
Trabalho de Conclus˜ao de Curso
Monografia apresentada para obten¸c˜ao do grau de Bacharel em Estat´ıstica pela Universidade Federal Fluminense.
Orientador: Prof. Dra. Ana Beatriz Monteiro Fonseca
Niter´oi - RJ, Brasil 9 de julho de 2018
Thays de Mattos Molina Napole˜
ao Ferreira
An´
alise Explorat´
oria do n´
umero de casos de
Febre Amarela no Estado de Minas Gerais nos
anos de 2015 a 2017.
Monografia de Projeto Final de Gradua¸c˜ao sob o t´ıtulo “An´alise Explorat´oria do n´umero de casos de Febre Amarela no Estado de Minas Gerais nos anos de 2015 a 2017.”, defendida por Thays de Mattos Molina Napole˜ao Ferreira e aprovada em 9 de julho de 2018, na cidade de Niter´oi, no Estado do Rio de Janeiro, pela banca examinadora constitu´ıda pelos professores:
Profa. Dra. Ana Beatriz Monteiro Fonseca Departamento de Estat´ıstica – UFF
Prof. Dra. Ludmilla da Silva Viana Jacobson Instituicao do 1o membro da banca
Prof. Dr. Luis Guillermo Coca Velarde Instituicao do 2o membro da banca
Bibliotecário responsável pela unidade: Carlos R. S. de Lima – CRB7 5531
F383 Ferreira, Thays de Mattos Molina Napoleão
Análise exploratória do número de casos de febre amarela no Estado de Minas Gerais nos anos de 2015 a 2017 / Thays de Mattos Molina Napolião Ferreira. – Niterói, RJ: [s.n.], 2018.
77f.
Orientador: Profª. Drª. Ana Beatriz Monteiro Fonseca
TCC ( Graduação de Bacharelado em Estatística) – Universidade Federal Fluminense, 2018.
1. Febre amarela. 2. Barragem Fundão. 3. Taxa de incidência. I. Título.
A febre amarela, surgiu na ´Africa Central, ´e uma infec¸c˜ao viral grave, semelhante `a gripe, transmitida normalmente pelo mosquito Aedes aegypti. Existem dois ciclos epidemiol´ogicos de transmiss˜ao distintos, silvestre(FAS) e urbano(FAU). A febre amarela silvestre e a urbana diferenciam-se atrav´es do mosquito transmissor, forma e local de sua ocorrˆencia. Com o decorrer dos anos a febre amarela esteve presente na hist´oria do Brasil, assim como em 2017 no estado de Minas Gerais. Em novembro de 2015, dia 5, o munic´ıpio de Mariana, em Minas Gerais foi atingido com res´ıduos de lama ap´os a queda da Barragem do Fund˜ao, da mineradora Samarco contaminando o Rio Doce, um dos principais rios do estado. Bi´ologos estudam a rela¸c˜ao do surto de febre amarela com a queda da Barragem do Fund˜ao, pois detectaram casos de indiv´ıduos com sintomas da febre amarela na regi˜ao pr´oxima ao Rio Doce, local onde a barragem foi rompida. O objetivo desse trabalho foi investigar a distribui¸c˜ao geogr´afica dos casos de Febre Amarela nos munic´ıpios atingidos pela lama da Barragem do Fund˜ao nos Estado de Minas Gerais durante os anos de 2015 a 2017, utilizando m´etodos de Estat´ıstica Espacial. Foram usados quatro modelos e atrav´es da compara¸c˜ao de seu ajuste pelo crit´erio AIC, n˜ao foi poss´ıvel escolher o modelo, visto que o MLG Poisson n˜ao estava na mesma escala. Ap´os colocar todos os modelos em uma mesma escala, foi usado o EQM para para a escolha do modelo. O modelo que apresentou menor EQM, foi o MLG Poisson. Na an´alise dos res´ıduos, o teste de significˆancia aceita a hip´otese de independˆencia espacial. As vari´aveis explicativas n˜ao foram o suficiente para analisar se existe rela¸c˜oes da trag´edia com o aumento dos casos de Febre Amarela.
Palavras-chaves: Febre Amarela, Barragem do Fund˜ao, Taxa de Incidˆencia , Semanas Epide-miol´ogicas, modelagem espacial.
Dedicat´
oria
Primeiramente agrade¸co a Deus e Nossa Senhora, que me ajudaram na f´e. A minha fam´ıia, meus pais, Maria Angela e Manoel Claudio, meu irm˜ao, Filipe e minha madrinha, Maria Claudia que tiveram comigo me dando total apoio e incentivo nos estudos. Agrade¸co em especial a minha m˜ae, minha melhor amiga, que secou cada l´agrima de ang´ustia e me abra¸cou em cada conquista alcan¸cada.
A minha segunda fam´ılia, meus sogros, Marisol e Sylvio que me acolheram como filha e sempre acreditaram em mim, mas do que eu mesma. Agrade¸co todo carinho e serei grata sempre. Ao meu cunhado, Juan que sempre disse para levantar a cabe¸ca.
Agrade¸co ao meu noivo, Sylvio que acompanhou toda a minha hist´oria na universidade e presenciou todas as minhas afli¸c˜oes. Obrigada por cada frase motivacional, cada gesto para me deixar bem. Mesmo distante nessa ´ultima etapa se manteve presente dando for¸ca. Te amo muito. Agrade¸co a Carol, meu dengo que se fez presente na ausˆencia do meu noivo para me dar for¸cas e companhia para estudar.
Agrade¸co ao Renato Cerceu por toda a sua valoriza¸c˜ao, dedica¸c˜ao e preocupa¸c˜ao aos es-tagi´arios, foi uma honra fazer parte da sua equipe. As meninas : Camila e Evellyn que fizeram parte dessa etapa e mostraram que trabalhar em equipe ´e muito melhor.
Agrade¸co aos amigos que fiz na universidade e quero levar para vida: Gabrielle, Raphael, Ana por me aturarem em ´epoca de prova, por tirarem minhas d´uvidas e estarem comigo at´e o ´
ultimo suor dessa fase. Vocˆes fazem a diferen¸ca. A Yasmin pela dedica¸c˜ao e dom para ensinar, vocˆe mere¸ce o melhor desse mundo. As minhas meninas: Patr´ıcia, Ranah, Gabriela que s˜ao amigas al´em da universidade. Agrade¸co por estudarem comigo, por ouvirem minhas neuras, por compartilhar os momentos bons e ruins.
Aos professores que tive na universidade, Ludmilla e J´essica que sinto o maior carinho e respeito pelo trabalho e Guilhermo Velarde por aceitar ser da banca e ter a oportunidade de ter aulas.
A minha orientadora, Ana Beatriz que serei eternamente grata pelos pux˜oes de orelhas, ajuda e compreens˜ao. Obrigada por me aceitar como orientanda, obrigada por me compreender e me deixar mais ciente que o conhecimento n˜ao acaba aqui. Obrigada por me deixar `a vontade para perguntar qualquer bobagem e me responder com ou sem broncas. Nunca me esquecerei
do seu trabalho, pois ´e uma referˆencia para mim. Gratid˜ao por todos.
Lista de Figuras Lista de Tabelas 1 Introdu¸c˜ao p. 16 1.1 Desastre Ambiental . . . p. 20 2 Objetivos p. 26 2.1 Objetivo Geral . . . p. 26 2.2 Objetivos Espec´ıficos . . . p. 26 3 Materiais e M´etodos p. 27 3.1 Area de Estudo . . . p. 27´ 3.2 Banco de Dados . . . p. 27 3.3 Estudo Epidemiol´ogico - Ecol´ogico . . . p. 28 3.4 An´alise Explorat´oria . . . p. 28 3.5 An´alise Espacial . . . p. 28 3.5.1 Estimador Cl´assico . . . p. 29 3.5.2 Matriz de Proximidade Espacial . . . p. 29 3.5.3 Testes de correla¸c˜ao espacial . . . p. 30 3.6 Modelo Linear . . . p. 31 3.7 Modelo Linear Generalizado Poisson . . . p. 32 3.8 Modelos Espaciais . . . p. 33 3.8.1 Modelo espacial autoregressivo (SAR) . . . p. 33 3.8.2 Autoregressivo Condicional (CAR) . . . p. 34
3.9 Crit´erio de Informa¸c˜ao de Akaike (AIC) . . . p. 35
4 Resultados p. 36
5 Conclus˜oes p. 48
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas
1 Ciclos epidemiol´ogicos da febre amarela no Brasil. . . p. 16 2 Trag´edia de Mariana – Lama da Samarco . . . p. 20 3 Percurso da lama e seus munic´ıpios atingidos . . . p. 21 4 S´erie Hist´orica do n´umero casos de febre amarela por semana epidemiol´ogica
em Minas Gerais (2015 a 2017) . . . p. 36 5 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 10, 39, 50 e 91 . . . p. 37 6 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 106, 107, 108 e 109 . . . p. 38 7 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 121, 131 137 e 138 . . . p. 39 8 Munic´ıpios atingidos pela Lama da Samarco e percurso do Rio Doce . . . p. 40 9 S´erie Hist´orica da precipita¸c˜ao (mm) e casos notificados por semana
epide-miol´ogica em Caaratinga. . . p. 41 10 Mapa dos valores observados . . . p. 43 11 Mapa dos valores estimados pelos modelos propostos . . . p. 44 12 Mapa dos res´ıduos dos modelos propostos. . . p. 46 13 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 1, 2, 3, 4, 5, 6 . . . p. 51 14 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 7, 8, 9, 10, 11, 12 . . . p. 52 15 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 13, 14, 15, 16, 17, 18 . . . p. 53 16 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
17 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 25, 26, 27, 28, 29, 30 . . . p. 55 18 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 31, 32, 33, 34, 35, 36 . . . p. 56 19 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 37, 38, 39, 40, 41, 42 . . . p. 57 20 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 43, 44, 45, 46, 47, 48 . . . p. 58 21 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 49, 50, 51, 52, 53, 54 . . . p. 59 22 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 55, 56, 57, 58, 59, 60 . . . p. 60 23 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 61, 62, 63, 64, 65, 66 . . . p. 61 24 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 67, 68, 69, 70, 71, 72 . . . p. 62 25 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 73, 74, 75, 76, 77, 78 . . . p. 63 26 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 79, 80, 81, 82, 83, 84 . . . p. 64 27 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 85, 86, 87, 88, 89, 90 . . . p. 65 28 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 91, 92, 93, 94, 95, 96 . . . p. 66 29 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 97, 98 , 99, 100, 101, 102 . . . p. 67 30 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 103, 104, 105, 106, 107, 108 . . . p. 68 31 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 109, 110, 111, 112, 113, 114 . . . p. 69 32 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
34 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 127, 128, 129, 130, 131, 132 . . . p. 72 35 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 133, 134, 135, 136, 137, 138 . . . p. 73 36 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 139, 140, 141, 142, 143, 144 . . . p. 74 37 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
epi-demiol´ogicas 145, 146, 147, 148, 149, 150 . . . p. 75 38 Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas
Lista de Tabelas
1 Munic´ıpios atingidos pela Lama . . . p. 22 2 Munic´ıpios atingidos pela Febre Amarela em 2015 . . . p. 23 3 Munic´ıpios atingidos pela Febre Amarela em 2016 . . . p. 23 4 Munic´ıpios atingidos pela Febre Amarela em 2017 . . . p. 24 5 Modelo de Regress˜ao Linear . . . p. 42 6 Modelo Generalizado Poisson . . . p. 42 7 Modelo SAR . . . p. 42 8 Modelo CAR . . . p. 43 9 Crit´erio de Informa¸c˜ao de Akaike e Erro Quadr´atico M´edio dos Modelos . . . p. 43 10 ´Indice de autocorrela¸c˜ao espacial para os res´ıduos dos Modelos . . . p. 47
1
Introdu¸
c˜
ao
A Febre Amarela ´e uma doen¸ca n˜ao contagiosa, transmitida por meio de picada de inse-tos hemat´ofagos. O v´ırus da febre amarela pertence ao gˆenero Flavivirus (Flavus = amarelo) da fam´ılia Flaviviridae(??), apresentando dois ciclos epidemiol´ogicos de transmiss˜ao distintos, silvestre(FAS) e urbano(FAU). A transmiss˜ao da febre amarela por categoria silvestre, ocorre atrav´es da picada dos mosquitos do gˆenero Haemagogus e S. Cleropterius. J´a na ´area urbana, a plorifera¸c˜ao ´e por interm´edio do mosquito Aedes aegypti, o mesmo da Dengue, Zika e Chikun-gunya(??) , conforme a explica¸c˜ao da Figura 1. A origem do cont´agio de infec¸c˜ao s˜ao primatas n˜ao humanos (PNH), principais hospedeiros e reprodutores do v´ırus, em especial macacos dos gˆeneros Allouata (macaco guariba), Cebus (macaco prego), Atelles e Callithrix.
Fonte: Guia de Vigilˆancia em Sa´ude – Minist´erio da Sa´ude - 2016
Figura 1: Ciclos epidemiol´ogicos da febre amarela no Brasil.
A febre amarela ´e uma doen¸ca causada por um v´ırus e dura no m´aximo 12 dias. A doen¸ca ´
e capaz de sofrer altera¸c˜oes em seu est´agio de gravidade, podendo levar a morte. A evolu¸c˜ao da doen¸ca ocorre por meio de infec¸c˜ao com o surgimento de febre alta, pulso lento, calafrios, cefal´eia intensa, mialgias, prostra¸c˜ao, n´auseas e vˆomitos, com dura¸c˜ao de 3 dias. Os sintomas podem sumir ou agravar para uma intoxica¸c˜ao com aumento da febre, diarr´eia e resurgimento de vˆomitos com aspecto de borra de caf´e, instala¸c˜ao de insuficiˆencia hep´atica e renal(??).
1 Introdu¸c˜ao 17
anos, que tem mau funcionamento do sistema imunol´ogico grave ou problemas do timo s˜ao consideradas popula¸c˜ao de risco e por isso a vacina¸c˜ao se torna indispens´avel. Atualmente a vacina da febre amarela ´e feita em dose ´unica protegendo o indiv´ıduo para a vida toda. Com o intuito de preservar a popula¸c˜ao contra os surtos, foram planejadas vacina¸c˜oes infantis de rotina; campanhas de vacina¸c˜ao em grandes quantidades designadas a ampliar a cobertura nos pa´ıses com risco; e vacina¸c˜ao das pessoas que viajam para zonas de febre amarela end´emica (??). A primeira epidemia da Febre Amarela no Brasil apareceu em 1685, no Recife, Pernambuco, tendo sido transportada por uma embarca¸c˜ao vinda de S˜ao Tom´e, na ´Africa. Em um per´ıodo curto de (25/12/1685) a (10/01/1686) foram mais de 600 ´obitos(??). Nessa ´epoca, a doen¸ca nos pa´ıses da Am´erica Central e ilhas do Caribe j´a estavam sendo atingidos . Ap´os esse momento, h´a registros regulares de surtos e epidemias que ocorreram em outras cidades litorˆaneas, com longos per´ıodos de ausˆencia do v´ırus.
No s´eculo XIX, a doen¸ca surgiu em Salvador, Bahia, e se espalhou para outras capitais, in-clusive a capital do Brasil Imp´erio. Em 1850, o governo imperial realizou uma grande campanha de vacina¸c˜ao, onde controlou a epidemia. Nessa mesma situa¸c˜ao o governo incentivou a cria¸c˜ao de um grupo de engenheiros e uma junta de Higiene P´ublica que originou uma lei de defesa sanit´aria do pa´ıs. O ciclo da febre amarela nesse per´ıodo era prevalentemente urbano(??).
Sob lideran¸ca de Oswaldo Cruz, houve uma evolu¸c˜ao do conhecimento da doen¸ca, como: isolamento viral, a defini¸c˜ao do agente causador e medidas de controle foram empregadas. Ainda nessa ´epoca, descobriu-se o ciclo silvestre e urbano da doen¸ca. Em 1937, a vacina foi inserida nas principais campanhas, moderando e eliminando a doen¸ca em ´areas urbanas, sendo os ´ultimos casos registrados, naquela ´epoca, na cidade de Sena Madureira, Acre, em 1942(??). Nas Am´ericas, os ´ultimos casos da febre amarela ocorreram somente 12 anos mais tarde, em Trinidad, em 1954. Ap´os esse per´ıodo, o mosquido Aedes aegypti, foi declarado eliminado do Brasil em 1958 pela Organiza¸c˜ao Mundial da Sa´ude(OMS), com mais de 20 anos de campanha. Em 1967, houve uma re-infesta¸c˜ao em Bel´em, Par´a, e S˜ao Luiz, Maranh˜ao,e s´o em 1973 foi a doen¸ca foi eliminada. No porto de Salvador, Bahia, em 1976, houve uma re-infesta¸c˜ao que se estendeu para todo o Pa´ıs(??). Desde ent˜ao, a vigilˆancia de febre amarela faz a observa¸c˜ao de primatas n˜ao humanos (PNH). Na d´ecada de 1980, surgiram novas t´ecnicas com o objetivo de ajudar a detectar a doen¸ca e o desempenho da vigilˆancia. J´a na d´ecada de 1990 o sistema de observa¸c˜ao da febre amarela foi mudado (??).
O fluxo do v´ırus em popula¸c˜oes de primatas n˜ao humanos (PNH) seguido de morte de animais (epizootia) ´e definida como ocorrˆencia inesperada, tornando essencial a vacina¸c˜ao nos moradores das regi˜oes afetadas. Nos anos de 1984 e 1993, no per´ıodo entre 1999-2003 e nos anos de 2008 e 2009 teve um aumento da incidˆencia da febre amarela. Nessa mesma ´epoca, foram notificados casos no Paraguai e na Argentina , considerando o risco do retorno da doen¸ca. A
doen¸ca voltou desde essa ´epoca, por´em de forma endˆemica em ´areas principalmente amazˆonicas. Em julho de 2014 e dezembro de 2016, teve ind´ıcios do regresso da doen¸ca em ´areas extra-amazˆonicas com 15 casos humanos nos seguintes locais : Goi´as (9), Par´a (2) e Mato Grosso do Sul (1). Na mesma ´epoca, foram registradas 49 epizootias em primatas n˜ao humanos nos estados: S˜ao Paulo (16), Goi´as (12), Distrito Federal (8), Tocantins (7) e Par´a (1)(??).
Entre dezembro de 2016 e mar¸co de 2017, o Minist´erio da Sa´ude notificou 1.561 casos sus-peitos de febre amarela silvestre, desses, 448 casos foram confirmados e 263 foram descartados. Atualmente, no Brasil, houve um surto de febre amarela, sendo considerado o maior observado em muitos anos. Os estados envolvidos no surto foram Minas Gerais e Esp´ırito Santo. Os casos notificados da doen¸ca, eram de pessoas que moravam em zonas rurais ou que tiveram contato com ´areas de mata (??).
Em Minas Gerais, a doen¸ca foi contra´ıda dentro do estado em 2009, no munic´ıpio de Ub´a, e progrediu para cura. No come¸co de 2017, a Secretaria de Estado de Sa´ude de Minas Gerais (SES-MG) foi avisada sobre casos suspeitos de febre amarela hemorr´agica, nos munic´ıpios das regi˜oes de Te´ofilo Otoni, Coronel Fabriciano, Manhumirim e Governador Valadares, seguidos com a morte de macacos (??).
Com o aumento dos casos da doen¸ca a Secretaria de Estado de Sa´ude de Minas Gerais (SES-MG) passou a divulgar o boletim de atualiza¸c˜ao sobre as ocorrˆencias da Febre Amarela todos os dias. Com o tempo, os casos notificados reduziram consideravelmente, e o boletim de atualiza¸c˜ao passou a ser divulgado 1 vez por semana.
A maioria dos casos suspeitos tiveram in´ıcio dos sintomas nas semanas epidemiol´ogicas 1
02/2017 e 03/2017 que corresponde ao per´ıodo entre os dias 08 a 21 de janeiro de 2017. A partir da semana epidemiol´ogica 06/2017 (05/02/2017 a 11/02/2017) houve uma diminui¸c˜ao no n´umero de casos notificados. Na semana epidemiol´ogica 34/2017, 21 de agosto, a situa¸c˜ao da febre amarela silvestre em Minas Gerais era de 1.696 casos suspeitos da doen¸ca, sendo que desses casos, 1.111 casos foram descartados, 475 foram confirmados e outros 110 casos seguem em investiga¸c˜ao. Em rela¸c˜ao aos ´obitos, foram confirmados 162 casos associadas a Febre Amarela, outros 15 seguem em investiga¸c˜ao (??).
Em 6 setembro de 2017 o Minist´erio da Sa´ude declara fim do surto de febre amarela, pois o Brasil n˜ao registrava casos da doen¸ca desde junho, o ´ultimo caso da doen¸ca no Esp´ırito Santo. Durante a divulga¸c˜ao do novo boletim epidemiol´ogico da situa¸c˜ao da doen¸ca no pa´ıs, no dia 6 de setembro de 2017, o ministro da Sa´ude Ricardo Barros, afirmou que a situa¸c˜ao estava sob controle, mas seria fundamental que os estados e munic´ıpios continuassem e refor¸cassem o 1Por conven¸c˜ao internacional as semanas epidemiol´ogicas s˜ao contadas de domingo a s´abado. A primeira semana do ano ´e aquela que cont´em o maior n´umero de dias de janeiro e a ´ultima a que cont´em o maior n´umero de dias de dezembro.
1 Introdu¸c˜ao 19
aumento das coberturas vacinais nas ´areas, seja com a busca de pessoas ainda n˜ao vacinadas ou por meio de campanhas espec´ıficas, principalmente em escolas (??).
1.1
Desastre Ambiental
Na tarde de 5 de novembro de 2015 ocorreu o rompimento inesperado da estrutura de conten¸c˜ao de rejeitos na Barragem de Fund˜ao, na unidade de Germano, em Mariana (MG), liberando em m´edia 34 milh˜oes de metros c´ubicos (m3) de lama. O material passou por cima da barragem de Santar´em, que guardou a maioria dos rejeitos. Ap´os passar por Bento Rodrigues (localizado a 8 quilˆometros de distˆancia de Fund˜ao) – distrito do munic´ıpio de Mariana (MG), os rejeitos atingiram os rios Gualaxo do Norte – quando chegou na cidade de Barra Longa – e do Carmo. Depois, atingiram o rio Doce. A trag´edia destruiu dois distrito inteiros, alcan¸cando o litoral. Vidas foram perdidas, natureza contaminada, mais de 500 km do territ´orio brasileiro devastado. Considerado o maior desastre ambiental do Brasil desde os anos 1960, o desastre em Mariana resultou em danos humanos e ambientais. Em m´edia mais de 10 mil pessoas foram afetadas de diferentes modos, principalmente os impactos sobre a sa´ude(??).
Dezesseis dias depois do rompimento da Barragem do Fund˜ao, a lama chegou ao Espirto Santo usando o leito do rio como caminho. Os res´ıduos foram se espalhando ao longo do Rio Doce, cerca de 10,5 milh˜oes de (m3). Os 80 primeiros quilˆometros da bacia foram os mais
prejudicados. No total, 39 munic´ıpios foram afetados nos estados de Minas Gerais e do Esp´ırito Santo. Fam´ılias perderam casas, propriedades rurais ficaram inundadas e impossibilitadas de produzir, constatado na Figura 2. Munic´ıpios como Governador Valadares (MG) e Colatina (ES), tiveram a capta¸c˜ao de ´agua do rio afetada. Com o intuito de reduzir os efeitos da trag´edia, a Samarco instalou barreiras nas duas margens do rio mas n˜ao evitou a lama de se espalhar (??).
Fonte: Ambientelegal - legisla¸c˜ao, meio ambiente e sustentabilidade
1.1 Desastre Ambiental 21
Existe in´umeras suspeitas que poderiam estar relacionadas ao surto da febre amarela, e uma delas foi o desaste ambiental ocorrido pela queda da barragem do Fund˜ao, da mineradora Samarco foi rompida(??), veja a Figura 3.
Fonte: BBC- Brasil 22 dezembro 2015
Na Tabela 1 s˜ao apresentados munic´ıpios atingidos pela lama. Tabela 1: Munic´ıpios atingidos pela Lama Mariana Governador Valadares Santana do Para´ıso
Barra Longa Bugre
Sem Peixe Iapu
Rio Doce Coronel Fabriciano
Santa Cruz do Escalvado Ipaba
Rio Casca Ipatinga
S˜ao Domingos da Prata Belo Oriente
S˜ao Jos´e do Goiabal Naque
S˜ao Pedro dos Ferros Periquito
Dion´ısio Sobr´alia
Raul Soares Fernandes Tourinho
C´orrego Novo Alpercata
Pingo D ´Agua Tumiritinga
Marileia Galileia
Bom Jesus do Galho Conselheiro Pena
Caratinga Resplendor
Tim´oteo Itueta
-1.1 Desastre Ambiental 23
As Tabelas 2, 3 e 4 apresentam os munic´ıpios atingidos pela febre amarela nos anos de 2015 `
a 2017.
Tabela 2: Munic´ıpios atingidos pela Febre Amarela em 2015 Belo Horizonte
Bom Despacho Coronel Fabriciano
Diamantina Mutum Ponto dos Volantes
Pouso Alegre Uberlˆandia
Tabela 3: Munic´ıpios atingidos pela Febre Amarela em 2016 Belo Horizonte Cachoeira da Prata Ipatinga Itambacuri Montes Claros Pouso Alegre Santa Rita do Sapuca´ı
Tabela 4: Munic´ıpios atingidos pela Febre Amarela em 2017 ´
Agua Boa Frei Gaspar Novo Cruzeiro Varginha
Aimor´es Governador Valadares Ouro Verde de Minas Vermelho Novo
Al´em Para´ıba Guanh˜aes Padre Para´ıso Virgem da Lapa
Almenara Heliodora Paracatu
Alpercata Ibirit´e Passos
Alvarenga Iguatama Patos de Minas
Andradas Inconfidentes Pe¸canha
Ara¸cua´ı Indaiabira Pescador
Araguari Inhapim Piedade de Caratinga
Arax´a Ipanema Piranguinho
Bar˜ao de Cocais Ipatinga Po¸cos de Caldas
Barbacena Itabira Pocrane
Belo Horizonte Itaip´e Pomp´eu
Betim Itamarandiba Ponte Nova
Bocai´uva Itambacuri Pot´e
Bom Jesus do Galho Itamonte Recreio
Borda da Mata Itanhomi Reduto
Bra´unas Itaobim Resplendor
Caet´e Itapeva Ribeir˜ao das Neves
Campos Gerais Ita´una Rio Vermelho
Cana˜a Jana´uba Sabar´a
Caputira Janu´aria Sabin´opolis
Cara´ı Jequitinhonha Sacramento
Caranda´ı Joa´ıma Santa B´arbara
Carangola Jos´e Raydan Santa Luzia
Caratinga Juiz de Fora Santa Maria do Sa¸cu´ı
Cataguases Ladainha Santa Rita do Itueto
Chal´e Lagoa da Prata Santa Rita do Sapuca´ı
Cl´audio Lajinha Santa Rosa da Serra
Concei¸c˜ao de Ipanema Leopoldina Santana do Manha¸cu
Concei¸c˜ao dos Ouros Luisburgo Santo Hip´olito
Congonhal Malacacheta S˜ao Gon¸calo do Rio Preto
Conselheiro Lafaiete Manhua¸cu S˜ao Jo˜ao Del Rei
Conselheiro Pena Manhumirim S˜ao Jo˜ao Evangelista
Contagem Mar de Espanha S˜ao Pedro da Uni˜ao
Coronel Fabriciano Mariana S˜ao Sebasti˜ao do Anta
Curvelo Mario Campos S˜ao Sebasti˜ao do Maranh˜ao Vi¸cosa
Delfin´opolis Marmel´opolis S˜ao Sebasti˜ao do Para´ıso
Diamantina Matip´o Serro
Dom Cavati Medina Sete Lagoas
Entre Folhas Mesquita Setubinha
Entre Rios de Minas Minas Novas Simon´esia
Esmeraldas Montes Claros Taiobeiras
Espera Feliz Mutum Te´ofilo Otoni
Fel´ıcio dos Santos Naque Tim´oteo
Fervedouro Nova Era Ubaporanga
Fortuna de Minas Nova Lima Uberada
Francisco Badar´o Nova M´odica Uberlˆandia
1.1 Desastre Ambiental 25
Bi´ologa, coordenadora da Plataforma Institucional de Biodiversidade e Sa´ude Silvestre na Fiocruz, M´arcia Chame, afirmou que mudan¸cas r´apidas no ambiente causam efeitos negativos na sa´ude dos animais, incluindo os macacos. Com a ocorrˆencia dos desastres ambientais os animais ficam sem alimentos, tornando mais propensos a doen¸cas. A bi´ologa declara que um conjunto de motivos se acumulam podendo contribuir para os casos de doen¸cas (??).
Al´em dos casos em Minas, foram noticiadas tamb´em mortes de macacos em uma regi˜ao pr´oxima a Colatina, tamb´em atingida pelo do acidente de Mariana.
2
Objetivos
2.1
Objetivo Geral
Investigar a distribui¸c˜ao geogr´afica dos casos de Febre Amarela nos munic´ıpios atingidos pelo rejeito de minera¸c˜ao da Barragem do Fund˜ao nos Estado de Minas Gerais durante os anos de 2015 a 2017, utilizando ferramentas de an´alise explorat´oria e estat´ıstica espacial.
2.2
Objetivos Espec´ıficos
• Investigar poss´ıveis rela¸c˜oes da trag´edia com o aumento dos casos de Febre Amarela; • Utilizar modelos com estrutura espacial e inclus˜ao do fator Mata Atlˆantica e Proje¸c˜ao
da Popula¸c˜ao de 2015 para representar os dados de febre amarela no Estado de Minas Gerais;
27
3
Materiais e M´
etodos
3.1
Area de Estudo
´
Minas Gerais ´e um estado com 853 munic´ıpios sendo considerado a maior ´area territorial, localizada na Regi˜ao Sudeste do pa´ıs. O Clima do estado ´e tropical, conforme a sua altitude, apresenta altera¸c˜oes entre: tropical de altitude, tropical ´umido. Minas Gerais ´e referˆencia na importˆancia de suas bacias hidrogr´aficas, sendo elas as principais as dos rios Doce, Grande, Jequitinhonha, Mucuri, Para´ıba do Sul, Parana´ıba, Pardo e S˜ao Francisco (??).
3.2
Banco de Dados
Para fins de aplica¸c˜ao e avalia¸c˜ao, ser˜ao utilizados os dados relacionados aos casos de febre amarela notificados e confirmados no Estado de Minas Gerais por semana epidemiol´ogica , isto ´
e, entre a primeira e a cent´esima trig´esima oitava, referentes aos anos de 2015 a 2017.
Os dados de casos notificados e confirmados de febre amarela em Minas Gerais, foram aces-sados em 2018 e obtidos na base digital da Secretaria de Sa´ude de Minas Gerais por meio do Portal da Vigilˆancia e Prote¸c˜ao `a Sa´ude (??). O banco de dados forneceu somente os munic´ıpios atingidos e semanas epidemiol´ogicas notificados pela epidemia, deduzindo que n˜ao houveram casos nos munic´ıpios e semanas epidemiol´ogicas faltantes. Por esse motivo, foi necess´ario criar as semanas epidemiol´ogicas e munic´ıpios faltantes e unir todos os anos para a an´alise. A po-pula¸c˜ao utilizada para Minas Gerais, ao todo 853 munic´ıpios, foi obtida a partir da Proje¸c˜ao Populacional de 2015 obtido pelo IBGE (??). J´a os dados sobre a existˆencia de ´areas remanes-centes de Mata Atlˆantica no Estado de Minas Gerais foram com base no Projeto ”Aqui Tem Mata?”da Funda¸c˜ao SOS Mata Atlˆantica(??). Para os dados de precipita¸c˜ao dos munic´ıpios foi acessado o Banco de Dados Meteorol´ogicos para Ensino e Pesquisa (??).
3.3
Estudo Epidemiol´
ogico - Ecol´
ogico
Os estudos ecol´ogicos examinam uma popula¸c˜ao ou grupo de indiv´ıduos de um determinado lugar (pa´ıs, regi˜oes, munic´ıpios,etc), com o intuito de avaliar como situa¸c˜oes ambientais e sociais interferem na sa´ude dos mesmos. O objetivo desse tipo de estudo ´e gerar hip´oteses da causa e origem de uma certa doen¸ca ou/e analisar a efic´acia de uma determinada interven¸c˜ao no grupo estudado(??).
Nos estudos ecol´ogicos, an´alises explorat´orias dos dados s˜ao realizadas atrav´es das taxas de doen¸cas, identificando padr˜oes espaciais, tornando poss´ıvel a gera¸c˜ao de hip´oteses. Al´em disso, ´e poss´ıvel observar a evolu¸c˜ao das taxas da doen¸ca ao longo do tempo, podendo prever o comportamento da doen¸ca no futuro ou fazer uma interven¸c˜ao. Para avaliar associa¸c˜oes da exposi¸c˜ao da popula¸c˜ao com a taxa da doen¸ca ´e realizada uma an´alise anal´ıtica. (??).
As vantagens dos estudos ecol´ogicos s˜ao a rapidez e facilidade da executa¸c˜ao, importantes para gerar hip´oteses. J´a a desvantagem est´a associada `a conclus˜ao do estudo n˜ao estar direcio-nado ao indiv´ıduo, sujeito ao vi´es ecol´ogico1. Desse modo, com o objetivo de reduzir o vi´es s˜ao
usados dados agrupados que introduz perda de informa¸c˜ao (??).
3.4
An´
alise Explorat´
oria
Estudar o comportamento de uma doen¸ca ao longo dos anos, com a ajuda de t´ecnicas estat´ısticas, pode contribuir para preven¸c˜ao de uma epidemia e predizer sua ocorrˆencia. Na s´erie hist´orica de uma doen¸ca ´e poss´ıvel investigar tendˆencias ao longo do tempo, varia¸c˜oes peri´odicas e at´e mesmo eleva¸c˜oes inesperadas ao longo do tempo (??).
3.5
An´
alise Espacial
A an´alise espacial se torna relevante para a epidemiologia por na maioria das vezes, indicar a origem e a causa de uma doen¸ca, al´em de ser um recurso na gest˜ao em sa´ude (??). Os problemas de an´alises de dados espaciais s˜ao divididos em trˆes classes. A primeira ´e chamada de padr˜ao de pontos, como base na localiza¸c˜ao de eventos na ´area estudada a partir de suas coordenadas, por exemplo, localiza¸c˜ao de ocorrˆencias policiais. Outra classe ´e a de dados cont´ınuos, da precipita¸c˜ao pluviom´etrica, por exemplo. E a ´ultima classe ´e a de dados de ´area, que tem como exemplo o n´umero de casos semanais de febre amarela no Estado de Minas Gerais, ou seja, o que est´a presente neste estudo, e que tem-se relevˆancia para este estudo.
1Resulta na realiza¸c˜ao de uma inferˆencia casual inadequada sobre fenˆomenos individuais na base de ob-serva¸c˜oes de grupos, j´a que determinada associa¸c˜ao verificada entre vari´aveis no n´ıvel agregado n˜ao necessaria-mente significa que exista essa associa¸c˜ao no n´ıvel individual
3.5 An´alise Espacial 29
3.5.1
Estimador Cl´
assico
O estimador cl´assico utilizado ´e a Taxa de Incidˆencia, que mede a velocidade m´edia com que ocorre os novos casos da doen¸ca. A taxa de incidˆencia (TI) ´e calculada como a raz˜ao entre o n´umero de novos casos de uma determinada doen¸ca, e o total de pessoa-tempo2 gerado a
partir da popula¸c˜ao de estudo (??). A taxa de incidˆencia ser´a dada por :
T I(t0,t) =
I
P T (3.1)
onde: (t0,t) refere-se ao intervalo entre a origem t0 e o instante t; I representa o n´umero
de casos que surgiram entre t0 e t; e PT representa a quantidade de pessoa-tempo acumulada
pela popula¸c˜ao, durante o estudo.
3.5.2
Matriz de Proximidade Espacial
A matriz de proximidade, W(n x n), ´e uma forma que de inserir dependˆencia espacial entre as regi˜oes, onde os elementos wij indicam quais s˜ao os vizinhos de cada pol´ıgono i, medindo a
proximidade das ´areas Ai e Aj. Os pol´ıgonos n˜ao podem ser vizinhos deles mesmos e por isso
a diagonal da matriz ser´a sempre 0, assim, quando a ´area i for vizinha a ´area j, sendo i 6=j, cada elemento wij receber´a o valor 1. Esse tipo de matriz ´e a mais utilizada e conhecida como
bin´aria, ou seja, formadas por 0’s e 1’s. A matriz com elementos 0 ou 1, ´e conhecida como matriz de proximidade n˜ao normalizada. Uma op¸c˜ao ´e normalizar a matriz para que soma dos elementos da linha seja igual a 1. Uma matriz de proximidade pode ser de primeira ou segunda ordem, supondo que os vizinhos s˜ao s´o os vizinhos dos pol´ıgonos i, considerando que vizinhos s˜ao tamb´em vizinhos dos vizinhos (??). Ou seja, wij = 1 se Aj tem fronteira comum com Ai e
wij= 0, caso contr´ario;
Pode-se usar medidas compostas, medidas alternativas de separa¸c˜ao espacial como distˆancia entre centroides, e de forma alternativa, usar tecelagem aplicada aos centr´oides. Ent˜ao, para l´atices: wij = 1 se Aj compartilha um lado com Ai wij= 0, caso contr´ario.
De forma geral, n˜ao existe motivo para W ser sim´etrica.(??).
Logo ap´os construir a matriz de proximidade espacial, ´e indispens´avel saber se a matriz de proximidade ir´a identificar a presen¸ca de correla¸c˜ao espacial.
Para medir a rela¸c˜ao m´edia entre cada ´area e seus vizinhos pr´oximos, ser´a calculado o coeficiente de autocorrela¸c˜ao de Moran. O coeficiente de Moran, admiti que duas unidades de 2Per´ıodo durante o qual o indiv´ıduo esteve exposto ao risco de adoecimento e, caso viesse a adoecer, seria considerado um caso novo ou incidente.
´
areas que se encontram pr´oximas em apenas um ponto, exercem a mesma influˆencia entre si, quanto vizinhos que compartilham uma grande extens˜ao de fronteira comum.
I = n Pn i=1 Pn j=1wij(yi− ¯y)(yj − ¯y) (Pn i=1(yi− ¯y)2)( P i6=jwij) (3.2)
wij ´e o elemento na matriz de vizinhan¸ca para o par i e j ;
wij=1 se observa¸c˜oes i e j s˜ao vizinhas;
yi e ¯y representam o valor da vari´avel na localiza¸c˜ao i e a m´edia da vari´avel,respectivamente;
n ´e o n´umero total de observa¸c˜oes .
O coeficiente I Moran ´e similar na sua estrutura ao coeficiente de correla¸c˜ao de Pearson. A rigor, a varia¸c˜ao n˜ao est´a restrita ao intervalo (-1;+1). Quando n˜ao existe autocorrela¸c˜ao espacial seu valor ´e igual a 0. Agrega¸c˜ao espacial ´e expressa por valores positivos de I, enquanto valores negativos expressam autocorrela¸c˜ao negativa.
3.5.3
Testes de correla¸
c˜
ao espacial
Costuma-se utilizar a autocorrela¸c˜ao para explorar dependˆencia espacial nos dados de ´area para saber se os res´ıduos de um modelo de regress˜ao s˜ao espacialmente dependentes e precisa incorporar efeitos de segunda ordem 3. Este aspecto ser´a avaliado considerando I de Moran,
onde a hip´otese nula ´e de n˜ao correla¸c˜ao e a hip´otese alternativa de correla¸c˜ao. Existem duas abordagens para testar valores observados de I para evidenciar afastamento signi
cativo de H0 de n˜ao correla¸c˜ao espacial.
• Teste das permuta¸c˜oes aleat´orias: Considerando a existˆencia de n valores yireferentes
a ´areas Ai, ent˜ao existem n! permuta¸c˜oes poss´ıveis deste mapa, que correspondem aos
poss´ıveis arranjos de n valores yi, um dos quais corresponde ao que foi observado. Para
cada um destes n! arranjos, o valor de I pode ser calculado e assim pode obter uma distribui¸c˜ao emp´ırica do I considerando as permuta¸c˜oes aleat´orias dos n valores. Se o valor do I observado para os dados corresponde a um extremo na distribui¸c˜ao emp´ırica ent˜ao entende-se que existe alguma regra diferente de aloca¸c˜ao aleat´oria dos valores das ´
areas, em outras palavras, h´a evidˆencia de correla¸c˜ao espacial signicativa.
• Distribui¸c˜ao amostral aproximada de I.: Caso exista um n´umero moderado de ´areas, ent˜ao pode ´e realizado um teste baseado em resultados aproximados para a distribui¸c˜ao 3Lida com os desvios estoc´asticos e, torno da m´edia. Em vez de assumir independˆencia usa-se uma estrutura de covariˆancia que dar´a conta dos efeitos locais.
3.6 Modelo Linear 31
amostral do I sob certas suposi¸c˜oes. Considere os yiobserva¸c˜oes de Yique tˆem distribui¸c˜ao
normal, ent˜ao, se Yi e Yj s˜ao espacialmente independentes (i 6=j ), I tem distribui¸c˜ao
amostral que ´e aproximadamente normal com m´edia:
E[I] = − 1 n − 1 (3.3) e variˆancia V ar[I] = n 2(n − 1)S 1− n(n − 1)S2 − 2S02 (n + 1)(n − 1)2S2 0 (3.4) onde, S0 = P P i6=jwi,j
S1 = 12P Pi6=j(wi,j + wj,i)2
S2 =Pk(Pjwk,j+Piwi,k)2
Valores extremos do valor I indicam correla¸c˜ao espacial signicativa. O teste de aleatoriza¸c˜ao ´
e um teste de padr˜ao com rela¸c˜ao a todos os poss´ıveis padr˜oes. O teste da distribui¸c˜ao amostral aproximada ´e considerado um teste de dependˆencia espacial, supondo que os valores observados yis˜ao uma realiza¸c˜ao de um processo e que outras realiza¸c˜oes podem acontecer. Alguns cuidados
precisam ser tomados ao aplicar estes testes quando o I for calculado para res´ıduos provenientes de uma regress˜ao (??).
3.6
Modelo Linear
A an´alise de regress˜ao consite em uma an´alise estat´ıstica interessada em verificar a rela¸c˜ao de uma vari´avel dependente com uma ou mais vari´aveis independentes. No modelo de re-gress˜ao simples se estabelece uma rela¸c˜ao linear entre a vari´avel dependente e uma vari´avel independente. Cada vez que adiciona mais vari´aveis independentes, o modelo passa a se cha-mar modelo de regress˜ao linear m´ultipla. ´E adequado expressar o modelo para todas as ´areas simultaneamente usando nota¸c˜ao matricial:
~
~
Y = vetor aleat´orio (n x 1) de vari´aveis dependente (vari´avel resposta) formado pelos Yi=
Y (Ai).
X = matriz (n x p) com p - 1 covari´aveis (vari´aveis explicativas) ~
β= vetor (p x 1) com os coeficientes de regress˜ao, estimados por m´ınimos quadrados or-din´arios.
~= vetor de erros aleat´orios (res´ıduos) que representam flutua¸c˜oes na tendˆencia. ∼ N (0, σ2) com m´edia zero e variˆancia desconhecida.
No modelo de regress˜ao linear pode-se assumir que s´o existe varia¸c˜ao de primeira ordem4,
isto ´e, varia¸c˜ao no valor m´edio dos vizinhos. Esta suposi¸c˜ao sempre ´e violada e os res´ıduos da regress˜ao estar˜ao correlacionados espacialmente. A variˆancia n˜ao ´e constante para todas as regi˜oes Ai, podendo ser corrigida usando tranforma¸c˜ao dos yi. (??).
3.7
Modelo Linear Generalizado Poisson
O modelo linear generalizado (MLGs) tem sido uma ferramenta essencial na an´alise de dados, em diferentes ´areas, inserindo a modelagem de dados normais e n˜ao normais, implicando na regress˜ao linear m´ultipla, ANOVA (an´alise de variˆancia), regress˜ao log´ıstica, regress˜ao de Poisson e modelos log-lineares para tabelas de contigˆencia (??).
O MLGs pode ser visto como uma extens˜ao dos modelos lineares cl´assicos, e uma expans˜ao da distribui¸c˜ao da vari´avel resposta, contado que a mesma seja da fam´ılia exponencial de distribui¸c˜oes, isto ´e: Normal, Gamma, Normal Inversa, Poisson e Binomial.
f (y; θ, φ) = exp yθ − b(θ)
a(φ) + c(y, φ)
onde y ´e a vari´avel resposta e a(φ), b(θ) e c(y; φ) s˜ao fun¸c˜oes espec´ıficas. O parˆametro θ ´e o parˆametro de localiza¸c˜ao e φ ´e o parˆametro de dispers˜ao, associado `a variˆancia. Para obter a m´edia e a variˆancia da vari´avel resposta, derivada-se a fun¸c˜ao b(θ) considerando a primeira e segunda ordem.
Para a escolha do MLGs ´e fundamental definir a distribui¸c˜ao de probabilidade da vari´avel resposta, chamado de componente aleat´orio, a matriz que cont´em as covari´aveis (componente sistem´atico) e a fun¸c˜ao de liga¸c˜ao5. Para estimar os β’s, ´e usado o m´etodo da m´axima
verossimi-lhan¸ca e ap´os definir as covari´aveis do modelo, ´e verificado a qualidade do ajuste. Como medidas de discrepˆancia no MGLs, existem a fun¸c˜ao de desvio(deviance) que se basea na diferen¸ca dos
4Representa a varia¸c˜ao espacial em larga escala no seu valor m´edio.
3.8 Modelos Espaciais 33
m´aximos das log-verossimilhan¸cas avaliadas sob cada modelo e a estat´ıstica generalizada X2 de Pearson(??).
No caso do estudo, por se tratar de dados de contagem a vari´avel resposta segue uma distribui¸c˜ao Poisson, um modelo da fam´ılia exponencial que tem a particularidade de o valor m´edio ser igual `a variˆancia. Sendo uma vari´avel Y ∼ P oisson(µ), sua fun¸c˜ao de densidade ser´a:
f (y; µ) = µ
ye−µ
y! (3.6)
No MLGs de Poisson, quando µ −→ ∞ a fun¸c˜ao de desvio (deviance) segue uma distribui¸c˜ao Qui-quadrado com n-p graus de liberdade, logo o valor esperado da vari´avel ´e igual ao n´umero de graus de liberdade para um modelo bem ajustado. Quando o modelo ´e inadequado e a fun¸c˜ao de desvio for maior que os graus de liberdade, pode-se considerar a existˆencia de superdispers˜ao. A presen¸ca de outliers nos dados, infla¸c˜ao de zeros, insuficiˆencia de dados, escolha impr´opria da fun¸c˜ao de liga¸c˜ao s˜ao poss´ıveis causas de surgir uma superdispers˜ao. Uma forma de analisar a superdispers˜ao ´e realizando a an´alise de res´ıduos.
Quando a sobredispers˜ao dos dados ocorre, os erros padr˜oes obtidos no modelo s˜ao con-siderados impr´oprios e, consequentemente, `a interpreta¸c˜ao do modelo ser´a equivocada. Uma maneira de solucionar a sobredispers˜ao ´e utilizar o modelo de quasi-Poisson que se ajusta a um parˆametro de dispers˜ao extra para considerar essa varia¸c˜ao amplificada. No modelo quasi-Poisson o m´etodo quase-verossimilhan¸ca atribui a fun¸c˜ao da variˆancia em rela¸c˜ao `a m´edia (??).
3.8
Modelos Espaciais
3.8.1
Modelo espacial autoregressivo (SAR)
O conceito do modelo SAR ´e o mesmo ao utilizar o modelo AR (autoregressivos) em s´eries temporais, no qual adiciona um termo de lag entre os regressores da equa¸c˜ao. No modelo SAR, a vari´avel dependente (vari´avel resposta) ´e explicada por seus vizinhos e por outras covari´aveis, ou seja, a informa¸c˜ao dos vizinhos ´e introduzida,tamb´em, como vari´avel explicativa(??).
Y = Xβ + ρW Y + (3.7)
~
Y – vetor aleat´orio (n x 1) de vari´aveis dependente (vari´avel resposta) formado pelos Yi=
W - ´e a matriz de proximidade espacial;
X - matriz (n x p) com p - 1 covari´aveis (vari´aveis explicativas); ~
β= vetor (p x 1) com os coeficientes de regress˜ao, estimados por m´ınimos quadrados or-din´arios.;
ρ - ´e o coeficiente espacial autoregressivo;
- erros aleat´orios. ∼ N (0, σ2) com m´edia zero e variˆancia desconhecida.
3.8.2
Autoregressivo Condicional (CAR)
O modelo autoregresivo capta a dependˆencia espacial das vari´aveis. No modelo autorre-gressivo condicional, os efeitos espaciais s˜ao considerados ru´ıdos, ou seja, termos que precisam ser removidos. Os efeitos da autocorrela¸c˜ao espacial s˜ao associados ao termo de erro (??). A hip´otese nula para a n˜ao-existˆencia de autocorrela¸c˜ao ´e que λ=0, ou seja, o termo de erro n˜ao ´
e espacialmente correlacionado. A qualidade do ajuste do modelo de regress˜ao espacial (CAR) semelhante a do modelo de regress˜ao m´ultipla ´e verificada por meio da an´alise de res´ıduos com base no ´Indice de Moran. Nos modelos de regress˜ao espacial n˜ao ´e poss´ıvel estimar o coeficiente de determina¸c˜ao.
Y = Xβ + (3.8)
= ρW + u (3.9)
~
Y – vetor aleat´orio (n x 1) de vari´aveis dependente (vari´avel resposta) formado pelos Yi=
Y (Ai);
W - ´e a matriz de proximidade espacial;
X - matriz (n x p) com p - 1 covari´aveis (vari´aveis explicativas); ~
β= vetor (p x 1) com os coeficientes de regress˜ao, estimados por m´ınimos quadrados or-din´arios.;
ρ - ´e o coeficiente espacial autoregressivo;
u - ´e a componente do erro n˜ao correlacionada que se sup˜oe seguir uma distribui¸c˜ao normal com m´edia zero e variˆancia constante, isto ´e, u ∼ N(0,σ2).
3.9 Crit´erio de Informa¸c˜ao de Akaike (AIC) 35
3.9
Crit´
erio de Informa¸
c˜
ao de Akaike (AIC)
A escolha de um modelo ´e muito importante para uma an´alise de dados. A ideia b´asica impl´ıcita ao uso do AIC, para a sele¸c˜ao de modelos ´e a maximiza¸c˜ao da probabilidade log esperada de um modelo determinado usando o m´etodo da m´axima verossimilhan¸ca. O AIC sugere a necessidade da an´alisar o conceito de verossimilhan¸ca em v´arios n´ıveis de modelagem , procurando o modelo que cont´em poucos parˆametros a serem estimados e que explique bem o comportamento da vari´avel resposta (??).
O Crit´erio de Informa¸c˜ao de Akaike (AIC) ´e expresso por:
−2(LIK) + 2K (3.10)
onde, LIK ´e o log de verossimilhan¸ca maximizado e K ´e o n´umero de coeficientes de regress˜ao. O melhor modelo ´e aquele que possui o menor valor de AIC.
4
Resultados
Como o trabalho tem um conceito investigativo, dados da existˆencia de ´areas remanescentes de Mata Atlˆantica , precipita¸c˜ao e proje¸c˜ao populacional de 2015 com o intuito de gerar uma hip´otese sobre casos de febre amarela, foram coletados.
Com base no banco de dados montado, foram realizados estudos sobre o comportamento da epidemia de Febre Amarela nos 853 munic´ıpios do estado Minas Gerais de 2015 a 2017. Inici-almente ´e apresentada uma an´alise explorat´oria dos dados por meio de uma s´erie hist´orica com o total de casos por semana epidemiol´ogica. Com o intuito de visualizar o tempo transcorrido entre o instante final e o instante inicial, a s´erie hist´orica a seguir, est´a sinalizado o ”pico de casos da doen¸ca”, um ano ap´os a trag´edia em Minas Gerais e queda da barragem.
Figura 4: S´erie Hist´orica do n´umero casos de febre amarela por semana epidemiol´ogica em Minas Gerais (2015 a 2017)
Quanto ao n´umero de casos, a s´erie hist´orica apresenta maiores casos da doen¸ca entre as 106a a 117a semana epidemiol´ogica. Na 107a semana epidemiol´ogica, onde ocorreu o ”pico”da
doen¸ca, foram notificados 386 casos de febre amarela.
4 Resultados 37
dos anos, das taxas brutas por semanas epidemiol´ogicas, com o prop´osito de retratar a trajet´oria dos casos de febre amarela nos munic´ıpios de Minas Gerais. O crit´erio para escolha das semanas epidemiol´ogicas mapeadas, foi visualizar o comportamento das taxas de incidˆencia da doen¸ca por 100 mil habitantes, ou seja, antes da queda da barragem, na semana que a barragem caiu, um ano ap´os a trag´edia, o ”pico”dos casos da doen¸ca e ap´os o ”pico”.
(a) 10aSE (b) 39aSE
(c) 50aSE (d) 91aSE
Figura 5: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 10, 39, 50 e 91
Nos mapas da Figura 5, os munic´ıpios de Minas Gerais apresentam baixas taxas de in-cidˆencia nos casos de febre amarela.
O auge da epidemia ocorreu nas semanas epidemiol´ogicas apresentadas na Figura 6, evidˆenciando elevadas taxas de incidˆencia da doen¸ca em munic´ıpios pr´oximos. O per´ıodo da epidemia acon-tece no in´ıcio do ano de 2017.
(a) 106aSE (b) 107aSE
(c) 108aSE (d) 109aSE
Figura 6: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 106, 107, 108 e 109
4 Resultados 39
(a) 121aSE (b) 131aSE
(c) 137aSE (d) 138aSE
Figura 7: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 121, 131 137 e 138
A Figura 7 aponta uma redu¸c˜ao expressiva a partir da 120a semana epidemiol´ogica das
taxas de incidˆencia dos casos da doen¸ca no estado de Minas Gerais.
Ap´os ter gerado mapas de semanas epidemiol´ogicas dos 853 munic´ıpios de Minas Gerais ser´a dado um foco para a regi˜ao onde aconteceu a trag´edia. Tendo como referˆencia a Figura 4 e percurso do Rio Doce, foram 37 munic´ıpios, representados na Figura 8.
Figura 8: Munic´ıpios atingidos pela Lama da Samarco e percurso do Rio Doce
Por falta de esta¸c˜oes metereol´ogicas ou dados nas mesmas, n˜ao foi poss´ıvel obter informa¸c˜oes de precipita¸c˜ao dos 37 munic´ıpios. O ´unico munic´ıpio que tinha dados na sua esta¸c˜ao mete-reol´ogica era Caaratinga. A s´erie hist´orica representada na Figura 9 descreve o comportamento da precipita¸c˜ao (mm) e dos casos de febre amarela por semana epidemiol´ogica em Caaratinga.
4 Resultados 41
Figura 9: S´erie Hist´orica da precipita¸c˜ao (mm) e casos notificados por semana epidemiol´ogica em Caaratinga.
Caaratinga teve o maior n´umero de casos de febre amarela em 2017, totalizando 271 casos, sendo considerado um valor discrepante. Em Caaratinga o ”pico”dos casos da doen¸ca aconteceu na 106asemana epidemiol´ogica, com 94 casos, e a maior quantidade de precipita¸c˜ao (mm) antes
do ”pico”ocorreu na 55a semana epidemiol´ogica, ou seja, 51 semanas depois. Ao visualizar a
Figura 9, sinalizando a queda da barragem, foi poss´ıvel verficar que as chuvas tamb´em podem ter influenciado no aumento dos casos. Por´em n˜ao s´o a precipita¸c˜ao poderia ser respons´avel pela epidemia. A s´erie hist´orica apresentada na Figura 9, mostra uma varia¸c˜ao sazonal1 da
precipita¸c˜ao (mm) no munic´ıpio de Caaratinga nos anos de 2015 a 2017 tendo as maiores ocorrˆencias nas primeiras semanas epidemiol´ogicas de cada ano.
Com o intuito de buscar explica¸c˜ao do n´umero de casos da doen¸ca outra vari´avel importante para a investiga¸c˜ao seria a quantidade de rejeitos despejados em cada munic´ıpio, mas ainda n˜ao existe ou n˜ao se tem acesso a esse tipo de informa¸c˜ao. Por isso, as vari´aveis percentual de mata Atlˆantica, medido por hectares, e tamanho projetado pelo IBGE para 2015, medidas em cada munic´ıpio, ter˜ao como objetivo explicar se quanto mais mata e popula¸c˜ao um munic´ıpio tiver, mais casos de febre amarela ocorrer´a.
Na an´alise explorat´oria realizada nos 37 munic´ıpios, verificou que em 2015 e 2016 n˜ao foram registrados casos da doen¸ca. J´a em 2017, 10 munic´ıpios tiveram casos de febre amarela. A partir disso, o estudo ser´a direcionado como primeiro foco o ano de 2017.
1Varia¸c˜ao na incidˆencia de uma doen¸ca, cujos ciclos coincidem com as esta¸c˜oes do ano. Essa varia¸c˜ao ocorre dentro do per´ıodo de um ano.
Com a finalidade de estimar o n´ıvel de autocorrela¸c˜ao espacial entre as ´areas foi usado o ´ındice de Moran global para os casos de febre amarela em 2017. O teste de pseudo-significˆancia
para a vari´avel foi I =(0, 245) com p-valor =(< 0, 0001) indicando a depˆendencia espacial. A primeira etapa da modelagem, consistiu em fazer uma transforma¸c˜ao dos dados na vari´avel resposta (casos de febre amarela em 2017). Como esta vari´avel consiste em uma contagem, principalmente com poucos dados, foi realizada uma transforma¸c˜ao nos dados para aproximar a vari´avel resposta a uma distribui¸c˜ao Normal. Para realizar a transforma¸c˜ao lo-gar´ıtmica nos dados, foi necess´ario somar 1 na vari´avel resposta (casos de febre amarela em 2017), pois havia presen¸ca de zeros. Vale ressaltar que para os modelos apresentados, a preci-pita¸c˜ao n˜ao foi utilizada pois os dados obtidos s´o pertenciam a um s´o munic´ıpio. ´E necess´ario destacar que o intercepto foi retirado do modelo de regress˜ao linear e modelo espaciail pois o p-valor n˜ao era significativo. No modelo de regress˜ao linear n˜ao foi retirado a vari´avel mata, visto que se retirasse n˜ao alteraria significativamente o valor do crit´erio de compara¸c˜ao, al´em de que, s´o um parˆametro a mais n˜ao alteraria muito em termos de parcimˆonia. No modelo Generalizado de Poisson foi observado uma sobredispers˜ao nos dados, isto ´e VAR(X)>E(X), por isso o ideal seria ajustar a variˆancia.
• No modelo de regress˜ao linear, que desconsidera a dependˆencia espacial, obteve-se: Tabela 5: Modelo de Regress˜ao Linear
Coeficiente Estimativa P-valor
Mata Atlˆantica 0, 00004 0, 0618
Proje¸c˜ao Populacional 2015 0, 00001 < 0, 00001
• J´a para o modelo linear generalizado, foram encontradas as seguintes estimativas para os coeficientes :
Tabela 6: Modelo Generalizado Poisson
Coeficiente Estimativa P-valor
Intercepto 1, 15600 < 0, 00001 Mata Atlˆantica 0, 00008 < 0, 00001 Proje¸c˜ao Populacional 2015 0, 00008 < 0, 00001
Nos Modelos Espaciais SAR e CAR, temos : • SAR
Tabela 7: Modelo SAR
Coeficiente Estimativa P-valor
Mata Atlˆantica 0, 00004 0, 01341 Proje¸c˜ao Populacional 2015 0, 00001 < 0, 00001
4 Resultados 43
• CAR
Tabela 8: Modelo CAR
Coeficiente Estimativa P-valor
Mata Atlˆantica 0, 00005 0, 0115
Proje¸c˜ao Populacional 2015 0, 00001 < 0, 00001
Todos modelos exceto o Modelo Generalizado de Poisson usaram dados transformados. As-sim, o AIC desse modelo baseado na quantidade de casos (n˜ao transformados) n˜ao ´e compar´avel aos demais, por estar em escala diferente. Para m´etodo comparativo, foi necess´ario inserir uma mesma escala em todos os modelos apresentados. Para escolha do melhor modelo, foi utilizado o EQM (erro quadr´atico m´edio), que soma as diferen¸cas entre o valor estimado e o valor real dos dados, ponderados pelo n´umero de termos, ou seja, compara os valores observados com os valores previstos. Abaixo segue a Tabela 9 com o AIC e EQM de cada modelo.
Tabela 9: Crit´erio de Informa¸c˜ao de Akaike e Erro Quadr´atico M´edio dos Modelos
Modelos AIC EQM
Regress˜ao Linear 104.69 168.31 Generalizado Poisson 1487 71.64
SAR 105.03 191.68
CAR 104.9 231.65
Para uma vizualiza¸c˜ao dos dados dos casos de febre amarela, segue os mapas coropl´eticos dos valores observados na Figura10 e estimados pelos modelos propostos na Figura11.
Figura 11: Mapa dos valores estimados pelos modelos propostos
(a) Regress˜ao Linear (b) CAR
4 Resultados 45
Nos mapas produzidos a partir dos valores estimados pelos modelos da Figura 11 ´e poss´ıvel observar que apenas o mapa produzido pelo modelo linar generalizado Poisson se afasta dos demais, evidenciando o problema de sobredispers˜ao dos dados.
Nos mapas dos res´ıduos, a an´alise considera que, quanto mais alta a concentra¸c˜ao de res´ıduos positivos ou negativos, existe presen¸ca de autocorrela¸c˜ao espacial.
Figura 12: Mapa dos res´ıduos dos modelos propostos.
(a) Regress˜ao Linear (b) CAR
4 Resultados 47
Uma an´alise da autocorrela¸c˜ao dos res´ıduos foi realizada para confrontar os mapas e saber se realmente h´a ind´ıcios de presen¸ca de autocorrela¸c˜ao espacial entre as observa¸c˜oes. A n˜ao verifica¸c˜ao da hip´otese de independˆencia do erro, indica a necessidade de incluir um componente espacial no modelo de regress˜ao linear.
Tabela 10: ´Indice de autocorrela¸c˜ao espacial para os res´ıduos dos Modelos Modelos Estat´ıstica I Moran Global P-valor
Regress˜ao Linear −0.2148 0.9699
Generalizado Poisson −0.086 0.845
SAR −0.066 0.6501
CAR 0.136 0.0556
Na Tabela 10, sendo a hip´otese nula para o teste de significˆancia do ´ındice I de Moran associada `a independˆencia espacial, percebe-se que tal hip´otese foi aceita para os res´ıduos de cada modelo testado.
5
Conclus˜
oes
Como j´a visto na literatura, a an´alise dos mapas coropl´eticos baseados em taxas de in-cidˆencia podem induzir `a identifica¸c˜ao de ´areas mais afetadas quando os tamanhos das corres-pondentes popula¸c˜oes forem relativamente pequenos.
Por esse motivo, a proposta do trabalho atual foi apresentar e comparar a adequa¸c˜ao de modelos de regress˜ao - incluindo ou n˜ao efeitos aleat´orios. Foi analisado a distribui¸c˜ao Poisson para a quantidade de casos e transforma¸c˜ao dos dados originais para uma adequa¸c˜ao `a suposi¸c˜ao de normalidade para sua distribui¸c˜ao - de forma a identificar uma maneira de estimar melhor a quantidade de casos, levando em considera¸c˜ao caracter´ısticas das ´areas que poderiam minimizar o efeito do tamanho populacional ou que estariam diretamente associadas `a presen¸ca dos mosquitos que transmitem a febre amarela (representado pelo percentual de mata atlˆantica remanescente, por munic´ıpio).
Entre os quatro modelos propostos, atrav´es do AIC, n˜ao foi poss´ıvel comparar a qualidade dos modelos, visto que, o modelo linear generalizado n˜ao possuia a mesma escala dos outros modelos. Foi necess´ario inserir uma mesma escala para todos os modelos e usar o EQM. No EQM, o modelo com menor valor ´e o MLG de Poisson. Finalmente, o modelo Poisson aparentou sobrestimar as quantidades de casos dos munic´ıpios, indicando a necessidade de corre¸c˜ao de sobredispers˜ao sobre o pr´oprio modelo.
Na an´alise dos res´ıduos, os testes de significˆancia aceita a hip´otese de independˆencia espacial. Apenas no modelo CAR o p-valor fica pr´oximo do limite de 5% de significˆancia adotada no presente trabalho.
Assim, tem-se que o modelo CAR e o modelo de regress˜ao m´ultipla representam a melhor proposta para estimar e suavizar a quantidade de casos de febre amarela por munic´ıpio do estado de Minas Gerais.
Os munic´ıpios que apresentam o mesmo comportamento em seus tons de cores, precisam de mais aten¸c˜ao do governo, s˜ao eles: Governador Valadares, Caaratinga, Maraiana, Aimor´es, Alpercata, Marli´eria. Os munic´ıpios que exibem varia¸c˜oes de cores entre um modelo e outro, podem ser considerados munic´ıpios de fronteira. Assim, como j´a dito no trabalho, as vari´aveis explicativas n˜ao foram o suficiente para ver se existe rela¸c˜oes da trag´edia com o aumento dos
5 Conclus˜oes 49
casos de Febre Amarela.
A partir das percep¸c˜oes obtidas das an´alises realizadas, sugere-se, como desenvolvimentos do presente trabalho, a avalia¸c˜ao das seguintes propostas: an´alise dos dados relacionados aos munic´ıpios do estado do Esp´ırito Santo, por onde ainda corre o Rio Doce; uso de estimadores pontuais bayesianos emp´ıricos, eventualmente com uso de fatores de encolhimento; corre¸c˜ao do problema de sobredispers˜ao do modelo de regress˜ao Poisson; uso de modelos de Poisson inflacionados de zeros; uso de modelos hier´arquicos espa¸co-temporais para descrever a evolu¸c˜ao do fenˆomeno.
ANEXO A -- Mapas coropl´
eticos das taxas de
incidˆ
encia de febre amarela nas
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 51
(e) 1aSE (f) 2aSE
(g) 3aSE (h) 4aSE
(i) 5aSE (j) 6aSE
Figura 13: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 1, 2, 3, 4, 5, 6
(a) 7aSE (b) 8aSE
(c) 9aSE (d) 10aSE
(e) 11aSE (f) 12aSE
Figura 14: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 7, 8, 9, 10, 11, 12
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 53
(a) 13aSE (b) 14aSE
(c) 15aSE (d) 16aSE
(e) 17aSE (f) 18aSE
Figura 15: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 13, 14, 15, 16, 17, 18
(a) 19aSE (b) 20aSE
(c) 21aSE (d) 22aSE
(e) 23aSE (f) 24aSE
Figura 16: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 19, 20, 21, 22, 23, 24
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 55
(a) 25aSE (b) 26aSE
(c) 27aSE (d) 28aSE
(e) 29aSE (f) 30aSE
Figura 17: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 25, 26, 27, 28, 29, 30
(a) 31aSE (b) 32aSE
(c) 33aSE (d) 34aSE
(e) 35aSE (f) 36aSE
Figura 18: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 31, 32, 33, 34, 35, 36
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 57
(a) 37aSE (b) 38aSE
(c) 39aSE (d) 40aSE
(e) 41aSE (f) 42aSE
Figura 19: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 37, 38, 39, 40, 41, 42
(a) 43aSE (b) 44aSE
(c) 45aSE (d) 46aSE
(e) 47aSE (f) 48aSE
Figura 20: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 43, 44, 45, 46, 47, 48
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 59
(a) 49aSE (b) 50aSE
(c) 51aSE (d) 52aSE
(e) 53aSE (f) 54aSE
Figura 21: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 49, 50, 51, 52, 53, 54
(a) 55aSE (b) 56aSE
(c) 57aSE (d) 58aSE
(e) 59aSE (f) 60aSE
Figura 22: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 55, 56, 57, 58, 59, 60
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 61
(a) 61aSE (b) 62aSE
(c) 63aSE (d) 64aSE
(e) 65aSE (f) 66aSE
Figura 23: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 61, 62, 63, 64, 65, 66
(a) 67aSE (b) 68aSE
(c) 69aSE (d) 70aSE
(e) 71aSE (f) 72aSE
Figura 24: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 67, 68, 69, 70, 71, 72
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 63
(a) 73aSE (b) 74aSE
(c) 75aSE (d) 76aSE
(e) 77aSE (f) 78aSE
Figura 25: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 73, 74, 75, 76, 77, 78
(a) 79aSE (b) 80aSE
(c) 81aSE (d) 82aSE
(e) 83aSE (f) 84aSE
Figura 26: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 79, 80, 81, 82, 83, 84
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 65
(a) 85aSE (b) 86aSE
(c) 87aSE (d) 88aSE
(e) 89aSE (f) 90aSE
Figura 27: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 85, 86, 87, 88, 89, 90
(a) 91aSE (b) 92aSE
(c) 93aSE (d) 94aSE
(e) 95aSE (f) 96aSE
Figura 28: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 91, 92, 93, 94, 95, 96
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 67
(a) 97aSE (b) 98aSE
(c) 99aSE (d) 100aSE
(e) 101aSE (f) 102aSE
Figura 29: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 97, 98 , 99, 100, 101, 102
(a) 103aSE (b) 104aSE
(c) 105aSE (d) 106aSE
(e) 107aSE (f) 108aSE
Figura 30: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 103, 104, 105, 106, 107, 108
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 69
(a) 109aSE (b) 110aSE
(c) 111aSE (d) 112aSE
(e) 113aSE (f) 114aSE
Figura 31: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 109, 110, 111, 112, 113, 114
(a) 115aSE (b) 116aSE
(c) 117aSE (d) 118aSE
(e) 119aSE (f) 120aSE
Figura 32: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 115, 116, 117, 118, 119, 120
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 71
(a) 121aSE (b) 122aSE
(c) 123aSE (d) 124aSE
(e) 125aSE (f) 126aSE
Figura 33: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 121, 122, 123, 124, 125, 126
(a) 127aSE (b) 128aSE
(c) 129aSE (d) 130aSE
(e) 131aSE (f) 132aSE
Figura 34: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 127, 128, 129, 130, 131, 132
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 73
(a) 133aSE (b) 134aSE
(c) 135aSE (d) 136aSE
(e) 137aSE (f) 138aSE
Figura 35: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 133, 134, 135, 136, 137, 138
(a) 139aSE (b) 140aSE
(c) 141aSE (d) 142aSE
(e) 143aSE (f) 144aSE
Figura 36: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 139, 140, 141, 142, 143, 144
Anexo A -- Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epidemiol´ogicas 75
(a) 145aSE (b) 146aSE
(c) 147aSE (d) 148aSE
(e) 149aSE (f) 150aSE
Figura 37: Mapas coropl´eticos das taxas de incidˆencia de febre amarela nas semanas epide-miol´ogicas 145, 146, 147, 148, 149, 150