Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Thays de Mattos Molina Napoleao Ferreira
Analise Exploratoria do numero de casos de
Febre Amarela no Estado de Minas Gerais nos
anos de 2015 a 2017.
Niteroi - RJ, Brasil
9 de julho de 2018
Universidade Federal Fluminense
Thays de Mattos Molina Napoleao Ferreira
Analise Exploratoria do numero decasos de Febre Amarela no Estado de
Minas Gerais nos anos de 2015 a 2017.
Trabalho de Conclusao de Curso
Monografia apresentada para obtencao do grau de Bacharel emEstatıstica pela Universidade Federal Fluminense.
Orientador: Prof. Dra. Ana Beatriz Monteiro Fonseca
Niteroi - RJ, Brasil
9 de julho de 2018
Universidade Federal Fluminense
Thays de Mattos Molina Napoleao Ferreira
Analise Exploratoria do numero de casos de
Febre Amarela no Estado de Minas Gerais nos
anos de 2015 a 2017.
Monografia de Projeto Final de Graduacao sob o tıtulo “Analise
Exploratoria do numero de casos de Febre Amarela no Estado de
Minas Gerais nos anos de 2015 a 2017.”, defendida por Thays
de Mattos Molina Napoleao Ferreira e aprovada em 9 de julho de
2018, na cidade de Niteroi, no Estado do Rio de Janeiro, pela banca
examinadora constituıda pelos professores:
Profa. Dra. Ana Beatriz Monteiro FonsecaDepartamento de Estatıstica – UFF
Prof. Dra. Ludmilla da Silva Viana JacobsonInstituicao do 1o membro da banca
Prof. Dr. Luis Guillermo Coca VelardeInstituicao do 2o membro da banca
Niteroi, 9 de julho de 2018
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.
CDD 519.53
Resumo
A febre amarela, surgiu na Africa Central, e uma infeccao viral grave, semelhante a gripe,transmitida normalmente pelo mosquito Aedes aegypti. Existem dois ciclos epidemiologicosde transmissao distintos, silvestre(FAS) e urbano(FAU). A febre amarela silvestre e a urbanadiferenciam-se atraves do mosquito transmissor, forma e local de sua ocorrencia. Com o decorrerdos anos a febre amarela esteve presente na historia do Brasil, assim como em 2017 no estadode Minas Gerais. Em novembro de 2015, dia 5, o municıpio de Mariana, em Minas Gerais foiatingido com resıduos de lama apos a queda da Barragem do Fundao, da mineradora Samarcocontaminando o Rio Doce, um dos principais rios do estado. Biologos estudam a relacao do surtode febre amarela com a queda da Barragem do Fundao, pois detectaram casos de indivıduos comsintomas da febre amarela na regiao proxima ao Rio Doce, local onde a barragem foi rompida.O objetivo desse trabalho foi investigar a distribuicao geografica dos casos de Febre Amarela nosmunicıpios atingidos pela lama da Barragem do Fundao nos Estado de Minas Gerais durante osanos de 2015 a 2017, utilizando metodos de Estatıstica Espacial. Foram usados quatro modelose atraves da comparacao de seu ajuste pelo criterio AIC, nao foi possıvel escolher o modelo,visto que o MLG Poisson nao estava na mesma escala. Apos colocar todos os modelos em umamesma escala, foi usado o EQM para para a escolha do modelo. O modelo que apresentou menorEQM, foi o MLG Poisson. Na analise dos resıduos, o teste de significancia aceita a hipotese deindependencia espacial. As variaveis explicativas nao foram o suficiente para analisar se existerelacoes da tragedia com o aumento dos casos de Febre Amarela.
Palavras-chaves: Febre Amarela, Barragem do Fundao, Taxa de Incidencia , Semanas Epide-miologicas, modelagem espacial.
Dedicatoria
A Deus e a minha famılia a caminhada ate aqui.
Agradecimentos
Primeiramente agradeco a Deus e Nossa Senhora, que me ajudaram na fe. A minha famıia,
meus pais, Maria Angela e Manoel Claudio, meu irmao, Filipe e minha madrinha, Maria Claudia
que tiveram comigo me dando total apoio e incentivo nos estudos. Agradeco em especial a minha
mae, minha melhor amiga, que secou cada lagrima de angustia e me abracou em cada conquista
alcancada.
A minha segunda famılia, meus sogros, Marisol e Sylvio que me acolheram como filha e
sempre acreditaram em mim, mas do que eu mesma. Agradeco todo carinho e serei grata
sempre. Ao meu cunhado, Juan que sempre disse para levantar a cabeca.
Agradeco ao meu noivo, Sylvio que acompanhou toda a minha historia na universidade e
presenciou todas as minhas aflicoes. Obrigada por cada frase motivacional, cada gesto para
me deixar bem. Mesmo distante nessa ultima etapa se manteve presente dando forca. Te amo
muito. Agradeco a Carol, meu dengo que se fez presente na ausencia do meu noivo para me
dar forcas e companhia para estudar.
Agradeco ao Renato Cerceu por toda a sua valorizacao, dedicacao e preocupacao aos es-
tagiarios, 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.
Agradeco aos amigos que fiz na universidade e quero levar para vida: Gabrielle, Raphael,
Ana por me aturarem em epoca de prova, por tirarem minhas duvidas e estarem comigo ate o
ultimo suor dessa fase. Voces fazem a diferenca. A Yasmin pela dedicacao e dom para ensinar,
voce merece o melhor desse mundo. As minhas meninas: Patrıcia, Ranah, Gabriela que sao
amigas alem da universidade. Agradeco por estudarem comigo, por ouvirem minhas neuras,
por compartilhar os momentos bons e ruins.
Aos professores que tive na universidade, Ludmilla e Jessica 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 puxoes de orelhas,
ajuda e compreensao. Obrigada por me aceitar como orientanda, obrigada por me compreender
e me deixar mais ciente que o conhecimento nao 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 referencia para mim.
Gratidao por todos.
Sumario
Lista de Figuras
Lista de Tabelas
1 Introducao p. 16
1.1 Desastre Ambiental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20
2 Objetivos p. 26
2.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 26
2.2 Objetivos Especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 26
3 Materiais e Metodos p. 27
3.1 Area de Estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27
3.2 Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 27
3.3 Estudo Epidemiologico - Ecologico . . . . . . . . . . . . . . . . . . . . . . . . p. 28
3.4 Analise Exploratoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 28
3.5 Analise Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 28
3.5.1 Estimador Classico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 29
3.5.2 Matriz de Proximidade Espacial . . . . . . . . . . . . . . . . . . . . . p. 29
3.5.3 Testes de correlacao 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 Criterio de Informacao de Akaike (AIC) . . . . . . . . . . . . . . . . . . . . . p. 35
4 Resultados p. 36
5 Conclusoes p. 48
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas
semanas epidemiologicas p. 50
Lista de Figuras
1 Ciclos epidemiologicos da febre amarela no Brasil. . . . . . . . . . . . . . . . . p. 16
2 Tragedia de Mariana – Lama da Samarco . . . . . . . . . . . . . . . . . . . . . p. 20
3 Percurso da lama e seus municıpios atingidos . . . . . . . . . . . . . . . . . . . p. 21
4 Serie Historica do numero casos de febre amarela por semana epidemiologica
em Minas Gerais (2015 a 2017) . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36
5 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 10, 39, 50 e 91 . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 37
6 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 106, 107, 108 e 109 . . . . . . . . . . . . . . . . . . . . . . . . . . p. 38
7 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 121, 131 137 e 138 . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39
8 Municıpios atingidos pela Lama da Samarco e percurso do Rio Doce . . . . . . p. 40
9 Serie Historica da precipitacao (mm) e casos notificados por semana epide-
miologica em Caaratinga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 41
10 Mapa dos valores observados . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 43
11 Mapa dos valores estimados pelos modelos propostos . . . . . . . . . . . . . . p. 44
12 Mapa dos resıduos dos modelos propostos. . . . . . . . . . . . . . . . . . . . . p. 46
13 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 1, 2, 3, 4, 5, 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 51
14 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 7, 8, 9, 10, 11, 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 52
15 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 13, 14, 15, 16, 17, 18 . . . . . . . . . . . . . . . . . . . . . . . . . p. 53
16 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 19, 20, 21, 22, 23, 24 . . . . . . . . . . . . . . . . . . . . . . . . . p. 54
17 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 25, 26, 27, 28, 29, 30 . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
18 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 31, 32, 33, 34, 35, 36 . . . . . . . . . . . . . . . . . . . . . . . . . p. 56
19 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 37, 38, 39, 40, 41, 42 . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
20 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 43, 44, 45, 46, 47, 48 . . . . . . . . . . . . . . . . . . . . . . . . . p. 58
21 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 49, 50, 51, 52, 53, 54 . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
22 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 55, 56, 57, 58, 59, 60 . . . . . . . . . . . . . . . . . . . . . . . . . p. 60
23 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 61, 62, 63, 64, 65, 66 . . . . . . . . . . . . . . . . . . . . . . . . . p. 61
24 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 67, 68, 69, 70, 71, 72 . . . . . . . . . . . . . . . . . . . . . . . . . p. 62
25 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 73, 74, 75, 76, 77, 78 . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
26 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 79, 80, 81, 82, 83, 84 . . . . . . . . . . . . . . . . . . . . . . . . . p. 64
27 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 85, 86, 87, 88, 89, 90 . . . . . . . . . . . . . . . . . . . . . . . . . p. 65
28 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 91, 92, 93, 94, 95, 96 . . . . . . . . . . . . . . . . . . . . . . . . . p. 66
29 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 97, 98 , 99, 100, 101, 102 . . . . . . . . . . . . . . . . . . . . . . p. 67
30 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 103, 104, 105, 106, 107, 108 . . . . . . . . . . . . . . . . . . . . . p. 68
31 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 109, 110, 111, 112, 113, 114 . . . . . . . . . . . . . . . . . . . . . p. 69
32 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 115, 116, 117, 118, 119, 120 . . . . . . . . . . . . . . . . . . . . . p. 70
33 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 121, 122, 123, 124, 125, 126 . . . . . . . . . . . . . . . . . . . . . p. 71
34 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 127, 128, 129, 130, 131, 132 . . . . . . . . . . . . . . . . . . . . . p. 72
35 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 133, 134, 135, 136, 137, 138 . . . . . . . . . . . . . . . . . . . . . p. 73
36 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 139, 140, 141, 142, 143, 144 . . . . . . . . . . . . . . . . . . . . . p. 74
37 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 145, 146, 147, 148, 149, 150 . . . . . . . . . . . . . . . . . . . . . p. 75
38 Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epi-
demiologicas 151, 152, 153, 154, 155, 156 . . . . . . . . . . . . . . . . . . . . . p. 76
Lista de Tabelas
1 Municıpios atingidos pela Lama . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
2 Municıpios atingidos pela Febre Amarela em 2015 . . . . . . . . . . . . . . . . p. 23
3 Municıpios atingidos pela Febre Amarela em 2016 . . . . . . . . . . . . . . . . p. 23
4 Municıpios atingidos pela Febre Amarela em 2017 . . . . . . . . . . . . . . . . p. 24
5 Modelo de Regressao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
6 Modelo Generalizado Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
7 Modelo SAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
8 Modelo CAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 43
9 Criterio de Informacao de Akaike e Erro Quadratico Medio dos Modelos . . . p. 43
10 Indice de autocorrelacao espacial para os resıduos dos Modelos . . . . . . . . . p. 47
16
1 Introducao
A Febre Amarela e uma doenca nao contagiosa, transmitida por meio de picada de inse-
tos hematofagos. O vırus da febre amarela pertence ao genero Flavivirus (Flavus = amarelo)
da famılia Flaviviridae(??), apresentando dois ciclos epidemiologicos de transmissao distintos,
silvestre(FAS) e urbano(FAU). A transmissao da febre amarela por categoria silvestre, ocorre
atraves da picada dos mosquitos do genero Haemagogus e S. Cleropterius. Ja na area urbana,
a ploriferacao e por intermedio do mosquito Aedes aegypti, o mesmo da Dengue, Zika e Chikun-
gunya(??) , conforme a explicacao da Figura 1. A origem do contagio de infeccao sao primatas
nao humanos (PNH), principais hospedeiros e reprodutores do vırus, em especial macacos dos
generos Allouata (macaco guariba), Cebus (macaco prego), Atelles e Callithrix.
Fonte: Guia de Vigilancia em Saude – Ministerio da Saude - 2016
Figura 1: Ciclos epidemiologicos da febre amarela no Brasil.
A febre amarela e uma doenca causada por um vırus e dura no maximo 12 dias. A doenca
e capaz de sofrer alteracoes em seu estagio de gravidade, podendo levar a morte. A evolucao
da doenca ocorre por meio de infeccao com o surgimento de febre alta, pulso lento, calafrios,
cefaleia intensa, mialgias, prostracao, nauseas e vomitos, com duracao de 3 dias. Os sintomas
podem sumir ou agravar para uma intoxicacao com aumento da febre, diarreia e resurgimento
de vomitos com aspecto de borra de cafe, instalacao de insuficiencia hepatica e renal(??).
O percentual de pessoas vacinadas previne grandes epidemias. Pessoas com mais de 60
1 Introducao 17
anos, que tem mau funcionamento do sistema imunologico grave ou problemas do timo sao
consideradas populacao de risco e por isso a vacinacao se torna indispensavel. Atualmente a
vacina da febre amarela e feita em dose unica protegendo o indivıduo para a vida toda. Com
o intuito de preservar a populacao contra os surtos, foram planejadas vacinacoes infantis de
rotina; campanhas de vacinacao em grandes quantidades designadas a ampliar a cobertura nos
paıses com risco; e vacinacao das pessoas que viajam para zonas de febre amarela endemica (??).
A primeira epidemia da Febre Amarela no Brasil apareceu em 1685, no Recife, Pernambuco,
tendo sido transportada por uma embarcacao vinda de Sao Tome, na Africa. Em um perıodo
curto de (25/12/1685) a (10/01/1686) foram mais de 600 obitos(??). Nessa epoca, a doenca nos
paıses da America Central e ilhas do Caribe ja estavam sendo atingidos . Apos esse momento,
ha registros regulares de surtos e epidemias que ocorreram em outras cidades litoraneas, com
longos perıodos de ausencia do vırus.
No seculo XIX, a doenca surgiu em Salvador, Bahia, e se espalhou para outras capitais, in-
clusive a capital do Brasil Imperio. Em 1850, o governo imperial realizou uma grande campanha
de vacinacao, onde controlou a epidemia. Nessa mesma situacao o governo incentivou a criacao
de um grupo de engenheiros e uma junta de Higiene Publica que originou uma lei de defesa
sanitaria do paıs. O ciclo da febre amarela nesse perıodo era prevalentemente urbano(??).
Sob lideranca de Oswaldo Cruz, houve uma evolucao do conhecimento da doenca, como:
isolamento viral, a definicao do agente causador e medidas de controle foram empregadas.
Ainda nessa epoca, descobriu-se o ciclo silvestre e urbano da doenca. Em 1937, a vacina foi
inserida nas principais campanhas, moderando e eliminando a doenca em areas urbanas, sendo
os ultimos casos registrados, naquela epoca, na cidade de Sena Madureira, Acre, em 1942(??).
Nas Americas, os ultimos casos da febre amarela ocorreram somente 12 anos mais tarde, em
Trinidad, em 1954. Apos esse perıodo, o mosquido Aedes aegypti, foi declarado eliminado do
Brasil em 1958 pela Organizacao Mundial da Saude(OMS), com mais de 20 anos de campanha.
Em 1967, houve uma re-infestacao em Belem, Para, e Sao Luiz, Maranhao,e so em 1973 foi a
doenca foi eliminada. No porto de Salvador, Bahia, em 1976, houve uma re-infestacao que se
estendeu para todo o Paıs(??). Desde entao, a vigilancia de febre amarela faz a observacao de
primatas nao humanos (PNH). Na decada de 1980, surgiram novas tecnicas com o objetivo de
ajudar a detectar a doenca e o desempenho da vigilancia. Ja na decada de 1990 o sistema de
observacao da febre amarela foi mudado (??).
O fluxo do vırus em populacoes de primatas nao humanos (PNH) seguido de morte de
animais (epizootia) e definida como ocorrencia inesperada, tornando essencial a vacinacao nos
moradores das regioes afetadas. Nos anos de 1984 e 1993, no perıodo entre 1999-2003 e nos anos
de 2008 e 2009 teve um aumento da incidencia da febre amarela. Nessa mesma epoca, foram
notificados casos no Paraguai e na Argentina , considerando o risco do retorno da doenca. A
1 Introducao 18
doenca voltou desde essa epoca, porem de forma endemica em areas principalmente amazonicas.
Em julho de 2014 e dezembro de 2016, teve indıcios do regresso da doenca em areas extra-
amazonicas com 15 casos humanos nos seguintes locais : Goias (9), Para (2) e Mato Grosso
do Sul (1). Na mesma epoca, foram registradas 49 epizootias em primatas nao humanos nos
estados: Sao Paulo (16), Goias (12), Distrito Federal (8), Tocantins (7) e Para (1)(??).
Entre dezembro de 2016 e marco de 2017, o Ministerio da Saude 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 Espırito Santo. Os casos
notificados da doenca, eram de pessoas que moravam em zonas rurais ou que tiveram contato
com areas de mata (??).
Em Minas Gerais, a doenca foi contraıda dentro do estado em 2009, no municıpio de Uba,
e progrediu para cura. No comeco de 2017, a Secretaria de Estado de Saude de Minas Gerais
(SES-MG) foi avisada sobre casos suspeitos de febre amarela hemorragica, nos municıpios das
regioes de Teofilo Otoni, Coronel Fabriciano, Manhumirim e Governador Valadares, seguidos
com a morte de macacos (??).
Com o aumento dos casos da doenca a Secretaria de Estado de Saude de Minas Gerais
(SES-MG) passou a divulgar o boletim de atualizacao sobre as ocorrencias da Febre Amarela
todos os dias. Com o tempo, os casos notificados reduziram consideravelmente, e o boletim de
atualizacao passou a ser divulgado 1 vez por semana.
A maioria dos casos suspeitos tiveram inıcio dos sintomas nas semanas epidemiologicas 1
02/2017 e 03/2017 que corresponde ao perıodo entre os dias 08 a 21 de janeiro de 2017. A
partir da semana epidemiologica 06/2017 (05/02/2017 a 11/02/2017) houve uma diminuicao
no numero de casos notificados. Na semana epidemiologica 34/2017, 21 de agosto, a situacao
da febre amarela silvestre em Minas Gerais era de 1.696 casos suspeitos da doenca, sendo
que desses casos, 1.111 casos foram descartados, 475 foram confirmados e outros 110 casos
seguem em investigacao. Em relacao aos obitos, foram confirmados 162 casos associadas a
Febre Amarela, outros 15 seguem em investigacao (??).
Em 6 setembro de 2017 o Ministerio da Saude declara fim do surto de febre amarela, pois o
Brasil nao registrava casos da doenca desde junho, o ultimo caso da doenca no Espırito Santo.
Durante a divulgacao do novo boletim epidemiologico da situacao da doenca no paıs, no dia
6 de setembro de 2017, o ministro da Saude Ricardo Barros, afirmou que a situacao estava
sob controle, mas seria fundamental que os estados e municıpios continuassem e reforcassem o
1Por convencao internacional as semanas epidemiologicas sao contadas de domingo a sabado. A primeirasemana do ano e aquela que contem o maior numero de dias de janeiro e a ultima a que contem o maior numerode dias de dezembro.
1 Introducao 19
aumento das coberturas vacinais nas areas, seja com a busca de pessoas ainda nao vacinadas
ou por meio de campanhas especıficas, principalmente em escolas (??).
1.1 Desastre Ambiental 20
1.1 Desastre Ambiental
Na tarde de 5 de novembro de 2015 ocorreu o rompimento inesperado da estrutura de
contencao de rejeitos na Barragem de Fundao, na unidade de Germano, em Mariana (MG),
liberando em media 34 milhoes de metros cubicos (m3) de lama. O material passou por cima da
barragem de Santarem, que guardou a maioria dos rejeitos. Apos passar por Bento Rodrigues
(localizado a 8 quilometros de distancia de Fundao) – distrito do municıpio 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 tragedia destruiu dois distrito inteiros, alcancando
o litoral. Vidas foram perdidas, natureza contaminada, mais de 500 km do territorio brasileiro
devastado. Considerado o maior desastre ambiental do Brasil desde os anos 1960, o desastre
em Mariana resultou em danos humanos e ambientais. Em media mais de 10 mil pessoas foram
afetadas de diferentes modos, principalmente os impactos sobre a saude(??).
Dezesseis dias depois do rompimento da Barragem do Fundao, a lama chegou ao Espirto
Santo usando o leito do rio como caminho. Os resıduos foram se espalhando ao longo do
Rio Doce, cerca de 10,5 milhoes de (m3). Os 80 primeiros quilometros da bacia foram os mais
prejudicados. No total, 39 municıpios foram afetados nos estados de Minas Gerais e do Espırito
Santo. Famılias perderam casas, propriedades rurais ficaram inundadas e impossibilitadas de
produzir, constatado na Figura 2. Municıpios como Governador Valadares (MG) e Colatina
(ES), tiveram a captacao de agua do rio afetada. Com o intuito de reduzir os efeitos da tragedia,
a Samarco instalou barreiras nas duas margens do rio mas nao evitou a lama de se espalhar
(??).
Fonte: Ambientelegal - legislacao, meio ambiente e sustentabilidade
Figura 2: Tragedia de Mariana – Lama da Samarco
1.1 Desastre Ambiental 21
Existe inumeras suspeitas que poderiam estar relacionadas ao surto da febre amarela, e
uma delas foi o desaste ambiental ocorrido pela queda da barragem do Fundao, da mineradora
Samarco foi rompida(??), veja a Figura 3.
Fonte: BBC- Brasil 22 dezembro 2015
Figura 3: Percurso da lama e seus municıpios atingidos
1.1 Desastre Ambiental 22
Na Tabela 1 sao apresentados municıpios atingidos pela lama.
Tabela 1: Municıpios atingidos pela LamaMariana Governador Valadares Santana do Paraıso
Barra Longa BugreSem Peixe IapuRio Doce Coronel Fabriciano
Santa Cruz do Escalvado IpabaRio Casca Ipatinga
Sao Domingos da Prata Belo OrienteSao Jose do Goiabal NaqueSao Pedro dos Ferros Periquito
Dionısio SobraliaRaul Soares Fernandes Tourinho
Corrego Novo Alpercata
Pingo D Agua TumiritingaMarileia Galileia
Bom Jesus do Galho Conselheiro PenaCaratinga ResplendorTimoteo ItuetaAimores -
1.1 Desastre Ambiental 23
As Tabelas 2, 3 e 4 apresentam os municıpios atingidos pela febre amarela nos anos de 2015
a 2017.
Tabela 2: Municıpios atingidos pela Febre Amarela em 2015Belo HorizonteBom Despacho
Coronel FabricianoDiamantina
MutumPonto dos Volantes
Pouso AlegreUberlandia
Tabela 3: Municıpios atingidos pela Febre Amarela em 2016Belo Horizonte
Cachoeira da PrataIpatinga
ItambacuriMontes ClarosPouso Alegre
Santa Rita do SapucaıUberlandia
1.1 Desastre Ambiental 24
Tabela 4: Municıpios atingidos pela Febre Amarela em 2017
Agua Boa Frei Gaspar Novo Cruzeiro VarginhaAimores Governador Valadares Ouro Verde de Minas Vermelho Novo
Alem Paraıba Guanhaes Padre Paraıso Virgem da LapaAlmenara Heliodora ParacatuAlpercata Ibirite PassosAlvarenga Iguatama Patos de MinasAndradas Inconfidentes PecanhaAracuaı Indaiabira PescadorAraguari Inhapim Piedade de Caratinga
Araxa Ipanema PiranguinhoBarao de Cocais Ipatinga Pocos de Caldas
Barbacena Itabira PocraneBelo Horizonte Itaipe Pompeu
Betim Itamarandiba Ponte NovaBocaiuva Itambacuri Pote
Bom Jesus do Galho Itamonte RecreioBorda da Mata Itanhomi Reduto
Braunas Itaobim ResplendorCaete Itapeva Ribeirao das Neves
Campos Gerais Itauna Rio VermelhoCanaa Janauba Sabara
Caputira Januaria SabinopolisCaraı Jequitinhonha Sacramento
Carandaı Joaıma Santa BarbaraCarangola Jose Raydan Santa LuziaCaratinga Juiz de Fora Santa Maria do Sacuı
Cataguases Ladainha Santa Rita do ItuetoChale Lagoa da Prata Santa Rita do Sapucaı
Claudio Lajinha Santa Rosa da SerraConceicao de Ipanema Leopoldina Santana do ManhacuConceicao dos Ouros Luisburgo Santo Hipolito
Congonhal Malacacheta Sao Goncalo do Rio PretoConselheiro Lafaiete Manhuacu Sao Joao Del Rei
Conselheiro Pena Manhumirim Sao Joao EvangelistaContagem Mar de Espanha Sao Pedro da Uniao
Coronel Fabriciano Mariana Sao Sebastiao do AntaCurvelo Mario Campos Sao Sebastiao do Maranhao Vicosa
Delfinopolis Marmelopolis Sao Sebastiao do ParaısoDiamantina Matipo SerroDom Cavati Medina Sete LagoasEntre Folhas Mesquita Setubinha
Entre Rios de Minas Minas Novas SimonesiaEsmeraldas Montes Claros TaiobeirasEspera Feliz Mutum Teofilo Otoni
Felıcio dos Santos Naque TimoteoFervedouro Nova Era Ubaporanga
Fortuna de Minas Nova Lima UberadaFrancisco Badaro Nova Modica Uberlandia
Francisco Sa Nova Serrana Vargem Alegre
1.1 Desastre Ambiental 25
Biologa, coordenadora da Plataforma Institucional de Biodiversidade e Saude Silvestre na
Fiocruz, Marcia Chame, afirmou que mudancas rapidas no ambiente causam efeitos negativos
na saude dos animais, incluindo os macacos. Com a ocorrencia dos desastres ambientais os
animais ficam sem alimentos, tornando mais propensos a doencas. A biologa declara que um
conjunto de motivos se acumulam podendo contribuir para os casos de doencas (??).
Alem dos casos em Minas, foram noticiadas tambem mortes de macacos em uma regiao
proxima a Colatina, tambem atingida pelo do acidente de Mariana.
26
2 Objetivos
2.1 Objetivo Geral
Investigar a distribuicao geografica dos casos de Febre Amarela nos municıpios atingidos
pelo rejeito de mineracao da Barragem do Fundao nos Estado de Minas Gerais durante os anos
de 2015 a 2017, utilizando ferramentas de analise exploratoria e estatıstica espacial.
2.2 Objetivos Especıficos
• Investigar possıveis relacoes da tragedia com o aumento dos casos de Febre Amarela;
• Utilizar modelos com estrutura espacial e inclusao do fator Mata Atlantica e Projecao
da Populacao de 2015 para representar os dados de febre amarela no Estado de Minas
Gerais;
• Criar mapas suavizados dos casos de febre amarela a partir dos modelos usados.
27
3 Materiais e Metodos
3.1 Area de Estudo
Minas Gerais e um estado com 853 municıpios sendo considerado a maior area territorial,
localizada na Regiao Sudeste do paıs. O Clima do estado e tropical, conforme a sua altitude,
apresenta alteracoes entre: tropical de altitude, tropical umido. Minas Gerais e referencia na
importancia de suas bacias hidrograficas, sendo elas as principais as dos rios Doce, Grande,
Jequitinhonha, Mucuri, Paraıba do Sul, Paranaıba, Pardo e Sao Francisco (??).
3.2 Banco de Dados
Para fins de aplicacao e avaliacao, serao utilizados os dados relacionados aos casos de febre
amarela notificados e confirmados no Estado de Minas Gerais por semana epidemiologica , isto
e, entre a primeira e a centesima trigesima 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 Saude de Minas Gerais por meio do
Portal da Vigilancia e Protecao a Saude (??). O banco de dados forneceu somente os municıpios
atingidos e semanas epidemiologicas notificados pela epidemia, deduzindo que nao houveram
casos nos municıpios e semanas epidemiologicas faltantes. Por esse motivo, foi necessario criar
as semanas epidemiologicas e municıpios faltantes e unir todos os anos para a analise. A po-
pulacao utilizada para Minas Gerais, ao todo 853 municıpios, foi obtida a partir da Projecao
Populacional de 2015 obtido pelo IBGE (??). Ja os dados sobre a existencia de areas remanes-
centes de Mata Atlantica no Estado de Minas Gerais foram com base no Projeto ”Aqui Tem
Mata?”da Fundacao SOS Mata Atlantica(??). Para os dados de precipitacao dos municıpios
foi acessado o Banco de Dados Meteorologicos para Ensino e Pesquisa (??).
3.3 Estudo Epidemiologico - Ecologico 28
3.3 Estudo Epidemiologico - Ecologico
Os estudos ecologicos examinam uma populacao ou grupo de indivıduos de um determinado
lugar (paıs, regioes, municıpios,etc), com o intuito de avaliar como situacoes ambientais e sociais
interferem na saude dos mesmos. O objetivo desse tipo de estudo e gerar hipoteses da causa e
origem de uma certa doenca ou/e analisar a eficacia de uma determinada intervencao no grupo
estudado(??).
Nos estudos ecologicos, analises exploratorias dos dados sao realizadas atraves das taxas
de doencas, identificando padroes espaciais, tornando possıvel a geracao de hipoteses. Alem
disso, e possıvel observar a evolucao das taxas da doenca ao longo do tempo, podendo prever
o comportamento da doenca no futuro ou fazer uma intervencao. Para avaliar associacoes da
exposicao da populacao com a taxa da doenca e realizada uma analise analıtica. (??).
As vantagens dos estudos ecologicos sao a rapidez e facilidade da executacao, importantes
para gerar hipoteses. Ja a desvantagem esta associada a conclusao do estudo nao estar direcio-
nado ao indivıduo, sujeito ao vies ecologico1. Desse modo, com o objetivo de reduzir o vies sao
usados dados agrupados que introduz perda de informacao (??).
3.4 Analise Exploratoria
Estudar o comportamento de uma doenca ao longo dos anos, com a ajuda de tecnicas
estatısticas, pode contribuir para prevencao de uma epidemia e predizer sua ocorrencia. Na
serie historica de uma doenca e possıvel investigar tendencias ao longo do tempo, variacoes
periodicas e ate mesmo elevacoes inesperadas ao longo do tempo (??).
3.5 Analise Espacial
A analise espacial se torna relevante para a epidemiologia por na maioria das vezes, indicar a
origem e a causa de uma doenca, alem de ser um recurso na gestao em saude (??). Os problemas
de analises de dados espaciais sao divididos em tres classes. A primeira e chamada de padrao
de pontos, como base na localizacao de eventos na area estudada a partir de suas coordenadas,
por exemplo, localizacao de ocorrencias policiais. Outra classe e a de dados contınuos, da
precipitacao pluviometrica, por exemplo. E a ultima classe e a de dados de area, que tem como
exemplo o numero de casos semanais de febre amarela no Estado de Minas Gerais, ou seja, o
que esta presente neste estudo, e que tem-se relevancia para este estudo.
1Resulta na realizacao de uma inferencia casual inadequada sobre fenomenos individuais na base de ob-servacoes de grupos, ja que determinada associacao verificada entre variaveis no nıvel agregado nao necessaria-mente significa que exista essa associacao no nıvel individual
3.5 Analise Espacial 29
3.5.1 Estimador Classico
O estimador classico utilizado e a Taxa de Incidencia, que mede a velocidade media com
que ocorre os novos casos da doenca. A taxa de incidencia (TI) e calculada como a razao entre
o numero de novos casos de uma determinada doenca, e o total de pessoa-tempo2 gerado a
partir da populacao de estudo (??). A taxa de incidencia sera dada por :
TI(t0,t) =I
PT(3.1)
onde: (t0,t) refere-se ao intervalo entre a origem t0 e o instante t; I representa o numero
de casos que surgiram entre t0 e t; e PT representa a quantidade de pessoa-tempo acumulada
pela populacao, durante o estudo.
3.5.2 Matriz de Proximidade Espacial
A matriz de proximidade, W(n x n), e uma forma que de inserir dependencia espacial entre
as regioes, onde os elementos wij indicam quais sao os vizinhos de cada polıgono i, medindo a
proximidade das areas Ai e Aj. Os polıgonos nao podem ser vizinhos deles mesmos e por isso
a diagonal da matriz sera sempre 0, assim, quando a area i for vizinha a area j, sendo i 6=j,
cada elemento wij recebera o valor 1. Esse tipo de matriz e a mais utilizada e conhecida como
binaria, ou seja, formadas por 0’s e 1’s. A matriz com elementos 0 ou 1, e conhecida como
matriz de proximidade nao normalizada. Uma opcao 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 sao so os vizinhos dos polıgonos i, considerando que vizinhos
sao tambem vizinhos dos vizinhos (??). Ou seja, wij = 1 se Aj tem fronteira comum com Ai e
wij= 0, caso contrario;
Pode-se usar medidas compostas, medidas alternativas de separacao espacial como distancia
entre centroides, e de forma alternativa, usar tecelagem aplicada aos centroides. Entao, para
latices: wij = 1 se Aj compartilha um lado com Ai wij= 0, caso contrario.
De forma geral, nao existe motivo para W ser simetrica.(??).
Logo apos construir a matriz de proximidade espacial, e indispensavel saber se a matriz de
proximidade ira identificar a presenca de correlacao espacial.
Para medir a relacao media entre cada area e seus vizinhos proximos, sera calculado o
coeficiente de autocorrelacao de Moran. O coeficiente de Moran, admiti que duas unidades de
2Perıodo durante o qual o indivıduo esteve exposto ao risco de adoecimento e, caso viesse a adoecer, seriaconsiderado um caso novo ou incidente.
3.5 Analise Espacial 30
areas que se encontram proximas em apenas um ponto, exercem a mesma influencia entre si,
quanto vizinhos que compartilham uma grande extensao de fronteira comum.
I =n∑n
i=1
∑nj=1wij(yi − y)(yj − y)
(∑n
i=1(yi − y)2)(∑
i 6=j wij)(3.2)
wij e o elemento na matriz de vizinhanca para o par i e j ;
wij=1 se observacoes i e j sao vizinhas;
yi e y representam o valor da variavel na localizacao i e a media da variavel,respectivamente;
n e o numero total de observacoes .
O coeficiente I Moran e similar na sua estrutura ao coeficiente de correlacao de Pearson.
A rigor, a variacao nao esta restrita ao intervalo (-1;+1). Quando nao existe autocorrelacao
espacial seu valor e igual a 0. Agregacao espacial e expressa por valores positivos de I, enquanto
valores negativos expressam autocorrelacao negativa.
3.5.3 Testes de correlacao espacial
Costuma-se utilizar a autocorrelacao para explorar dependencia espacial nos dados de area
para saber se os resıduos de um modelo de regressao sao espacialmente dependentes e precisa
incorporar efeitos de segunda ordem 3. Este aspecto sera avaliado considerando I de Moran,
onde a hipotese nula e de nao correlacao e a hipotese alternativa de correlacao. Existem duas
abordagens para testar valores observados de I para evidenciar afastamento signi
cativo de H0 de nao correlacao espacial.
• Teste das permutacoes aleatorias: Considerando a existencia de n valores yi referentes
a areas Ai, entao existem n! permutacoes possıveis deste mapa, que correspondem aos
possıveis 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
distribuicao empırica do I considerando as permutacoes aleatorias dos n valores. Se o
valor do I observado para os dados corresponde a um extremo na distribuicao empırica
entao entende-se que existe alguma regra diferente de alocacao aleatoria dos valores das
areas, em outras palavras, ha evidencia de correlacao espacial signicativa.
• Distribuicao amostral aproximada de I.: Caso exista um numero moderado de areas,
entao pode e realizado um teste baseado em resultados aproximados para a distribuicao
3Lida com os desvios estocasticos e, torno da media. Em vez de assumir independencia usa-se uma estruturade covariancia que dara conta dos efeitos locais.
3.6 Modelo Linear 31
amostral do I sob certas suposicoes. Considere os yi observacoes de Yi que tem distribuicao
normal, entao, se Yi e Yj sao espacialmente independentes (i 6=j ), I tem distribuicao
amostral que e aproximadamente normal com media:
E[I] = − 1
n− 1(3.3)
e variancia
V ar[I] =n2(n− 1)S1 − n(n− 1)S2 − 2S2
0
(n+ 1)(n− 1)2S20
(3.4)
onde,
S0 =∑∑
i 6=j wi,j
S1 = 12
∑∑i 6=j(wi,j + wj,i)
2
S2 =∑
k(∑
j wk,j +∑
iwi,k)2
Valores extremos do valor I indicam correlacao espacial signicativa. O teste de aleatorizacao
e um teste de padrao com relacao a todos os possıveis padroes. O teste da distribuicao amostral
aproximada e considerado um teste de dependencia espacial, supondo que os valores observados
yi sao uma realizacao de um processo e que outras realizacoes podem acontecer. Alguns cuidados
precisam ser tomados ao aplicar estes testes quando o I for calculado para resıduos provenientes
de uma regressao (??).
3.6 Modelo Linear
A analise de regressao consite em uma analise estatıstica interessada em verificar a relacao
de uma variavel dependente com uma ou mais variaveis independentes. No modelo de re-
gressao simples se estabelece uma relacao linear entre a variavel dependente e uma variavel
independente. Cada vez que adiciona mais variaveis independentes, o modelo passa a se cha-
mar modelo de regressao linear multipla. E adequado expressar o modelo para todas as areas
simultaneamente usando notacao matricial:
~Y(nx1) = X(n x p)~β(p x 1) + ~ε(n x 1) (3.5)
3.7 Modelo Linear Generalizado Poisson 32
~Y= vetor aleatorio (n x 1) de variaveis dependente (variavel resposta) formado pelos Yi=
Y (Ai).
X = matriz (n x p) com p - 1 covariaveis (variaveis explicativas)
~β= vetor (p x 1) com os coeficientes de regressao, estimados por mınimos quadrados or-
dinarios.
~ε= vetor de erros aleatorios (resıduos) que representam flutuacoes na tendencia.
ε ∼ N(0, σ2) com media zero e variancia desconhecida.
No modelo de regressao linear pode-se assumir que so existe variacao de primeira ordem4,
isto e, variacao no valor medio dos vizinhos. Esta suposicao sempre e violada e os resıduos
da regressao estarao correlacionados espacialmente. A variancia nao e constante para todas as
regioes Ai, podendo ser corrigida usando tranformacao dos yi. (??).
3.7 Modelo Linear Generalizado Poisson
O modelo linear generalizado (MLGs) tem sido uma ferramenta essencial na analise de
dados, em diferentes areas, inserindo a modelagem de dados normais e nao normais, implicando
na regressao linear multipla, ANOVA (analise de variancia), regressao logıstica, regressao de
Poisson e modelos log-lineares para tabelas de contigencia (??).
O MLGs pode ser visto como uma extensao dos modelos lineares classicos, e uma expansao
da distribuicao da variavel resposta, contado que a mesma seja da famılia exponencial de
distribuicoes, 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 variavel resposta e a(φ), b(θ) e c(y;φ) sao funcoes especıficas. O parametro θ e
o parametro de localizacao e φ e o parametro de dispersao, associado a variancia. Para obter
a media e a variancia da variavel resposta, derivada-se a funcao b(θ) considerando a primeira e
segunda ordem.
Para a escolha do MLGs e fundamental definir a distribuicao de probabilidade da variavel
resposta, chamado de componente aleatorio, a matriz que contem as covariaveis (componente
sistematico) e a funcao de ligacao5. Para estimar os β’s, e usado o metodo da maxima verossimi-
lhanca e apos definir as covariaveis do modelo, e verificado a qualidade do ajuste. Como medidas
de discrepancia no MGLs, existem a funcao de desvio(deviance) que se basea na diferenca dos
4Representa a variacao espacial em larga escala no seu valor medio.5 Associa o componente sistematico ao componente aleatorio, sendo uma funcao monotona e diferenciavel
3.8 Modelos Espaciais 33
maximos das log-verossimilhancas avaliadas sob cada modelo e a estatıstica generalizada X2
de Pearson(??).
No caso do estudo, por se tratar de dados de contagem a variavel resposta segue uma
distribuicao Poisson, um modelo da famılia exponencial que tem a particularidade de o valor
medio ser igual a variancia. Sendo uma variavel Y ∼ Poisson(µ), sua funcao de densidade
sera:
f(y;µ) =µye−µ
y!(3.6)
No MLGs de Poisson, quando µ −→∞ a funcao de desvio (deviance) segue uma distribuicao
Qui-quadrado com n-p graus de liberdade, logo o valor esperado da variavel e igual ao numero
de graus de liberdade para um modelo bem ajustado. Quando o modelo e inadequado e a funcao
de desvio for maior que os graus de liberdade, pode-se considerar a existencia de superdispersao.
A presenca de outliers nos dados, inflacao de zeros, insuficiencia de dados, escolha impropria
da funcao de ligacao sao possıveis causas de surgir uma superdispersao. Uma forma de analisar
a superdispersao e realizando a analise de resıduos.
Quando a sobredispersao dos dados ocorre, os erros padroes obtidos no modelo sao con-
siderados improprios e, consequentemente, a interpretacao do modelo sera equivocada. Uma
maneira de solucionar a sobredispersao e utilizar o modelo de quasi-Poisson que se ajusta a
um parametro de dispersao extra para considerar essa variacao amplificada. No modelo quasi-
Poisson o metodo quase-verossimilhanca atribui a funcao da variancia em relacao a media (??).
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 series
temporais, no qual adiciona um termo de lag entre os regressores da equacao. No modelo SAR,
a variavel dependente (variavel resposta) e explicada por seus vizinhos e por outras covariaveis,
ou seja, a informacao dos vizinhos e introduzida,tambem, como variavel explicativa(??).
Y = Xβ + ρWY + ε (3.7)
~Y – vetor aleatorio (n x 1) de variaveis dependente (variavel resposta) formado pelos Yi=
Y (Ai).;
3.8 Modelos Espaciais 34
W - e a matriz de proximidade espacial;
X - matriz (n x p) com p - 1 covariaveis (variaveis explicativas);
~β= vetor (p x 1) com os coeficientes de regressao, estimados por mınimos quadrados or-
dinarios.;
ρ - e o coeficiente espacial autoregressivo;
ε - erros aleatorios. ε ∼ N(0, σ2) com media zero e variancia desconhecida.
3.8.2 Autoregressivo Condicional (CAR)
O modelo autoregresivo capta a dependencia espacial das variaveis. No modelo autorre-
gressivo condicional, os efeitos espaciais sao considerados ruıdos, ou seja, termos que precisam
ser removidos. Os efeitos da autocorrelacao espacial sao associados ao termo de erro ε (??). A
hipotese nula para a nao-existencia de autocorrelacao e que λ=0, ou seja, o termo de erro nao
e espacialmente correlacionado. A qualidade do ajuste do modelo de regressao espacial (CAR)
semelhante a do modelo de regressao multipla e verificada por meio da analise de resıduos com
base no Indice de Moran. Nos modelos de regressao espacial nao e possıvel estimar o coeficiente
de determinacao.
Y = Xβ + ε (3.8)
ε = ρWε+ u (3.9)
~Y – vetor aleatorio (n x 1) de variaveis dependente (variavel resposta) formado pelos Yi=
Y (Ai);
W - e a matriz de proximidade espacial;
X - matriz (n x p) com p - 1 covariaveis (variaveis explicativas);
~β= vetor (p x 1) com os coeficientes de regressao, estimados por mınimos quadrados or-
dinarios.;
ρ - e o coeficiente espacial autoregressivo;
u - e a componente do erro nao correlacionada que se supoe seguir uma distribuicao normal
com media zero e variancia constante, isto e, u ∼ N(0,σ2).
3.9 Criterio de Informacao de Akaike (AIC) 35
3.9 Criterio de Informacao de Akaike (AIC)
A escolha de um modelo e muito importante para uma analise de dados. A ideia basica
implıcita ao uso do AIC, para a selecao de modelos e a maximizacao da probabilidade log
esperada de um modelo determinado usando o metodo da maxima verossimilhanca. O AIC
sugere a necessidade da analisar o conceito de verossimilhanca em varios nıveis de modelagem
, procurando o modelo que contem poucos parametros a serem estimados e que explique bem
o comportamento da variavel resposta (??).
O Criterio de Informacao de Akaike (AIC) e expresso por:
−2(LIK) + 2K (3.10)
onde, LIK e o log de verossimilhanca maximizado e K e o numero de coeficientes de
regressao. O melhor modelo e aquele que possui o menor valor de AIC.
36
4 Resultados
Como o trabalho tem um conceito investigativo, dados da existencia de areas remanescentes
de Mata Atlantica , precipitacao e projecao populacional de 2015 com o intuito de gerar uma
hipotese 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 municıpios do estado Minas Gerais de 2015 a 2017. Inici-
almente e apresentada uma analise exploratoria dos dados por meio de uma serie historica com
o total de casos por semana epidemiologica. Com o intuito de visualizar o tempo transcorrido
entre o instante final e o instante inicial, a serie historica a seguir, esta sinalizado o ”pico de
casos da doenca”, um ano apos a tragedia em Minas Gerais e queda da barragem.
Figura 4: Serie Historica do numero casos de febre amarela por semana epidemiologica emMinas Gerais (2015 a 2017)
Quanto ao numero de casos, a serie historica apresenta maiores casos da doenca entre as
106a a 117a semana epidemiologica. Na 107a semana epidemiologica, onde ocorreu o ”pico”da
doenca, foram notificados 386 casos de febre amarela.
Para uma visualizacao grafica serao apresentados mapas coropleticos, em diferentes epocas
4 Resultados 37
dos anos, das taxas brutas por semanas epidemiologicas, com o proposito de retratar a trajetoria
dos casos de febre amarela nos municıpios de Minas Gerais. O criterio para escolha das semanas
epidemiologicas mapeadas, foi visualizar o comportamento das taxas de incidencia da doenca
por 100 mil habitantes, ou seja, antes da queda da barragem, na semana que a barragem caiu,
um ano apos a tragedia, o ”pico”dos casos da doenca e apos o ”pico”.
(a) 10aSE (b) 39aSE
(c) 50aSE (d) 91aSE
Figura 5: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 10, 39, 50 e 91
Nos mapas da Figura 5, os municıpios de Minas Gerais apresentam baixas taxas de in-
cidencia nos casos de febre amarela.
O auge da epidemia ocorreu nas semanas epidemiologicas apresentadas na Figura 6, evidenciando
elevadas taxas de incidencia da doenca em municıpios proximos. O perıodo da epidemia acon-
tece no inıcio do ano de 2017.
4 Resultados 38
(a) 106aSE (b) 107aSE
(c) 108aSE (d) 109aSE
Figura 6: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 106, 107, 108 e 109
4 Resultados 39
(a) 121aSE (b) 131aSE
(c) 137aSE (d) 138aSE
Figura 7: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 121, 131 137 e 138
A Figura 7 aponta uma reducao expressiva a partir da 120a semana epidemiologica das
taxas de incidencia dos casos da doenca no estado de Minas Gerais.
Apos ter gerado mapas de semanas epidemiologicas dos 853 municıpios de Minas Gerais
sera dado um foco para a regiao onde aconteceu a tragedia. Tendo como referencia a Figura 4
e percurso do Rio Doce, foram 37 municıpios, representados na Figura 8.
4 Resultados 40
Figura 8: Municıpios atingidos pela Lama da Samarco e percurso do Rio Doce
Por falta de estacoes metereologicas ou dados nas mesmas, nao foi possıvel obter informacoes
de precipitacao dos 37 municıpios. O unico municıpio que tinha dados na sua estacao mete-
reologica era Caaratinga. A serie historica representada na Figura 9 descreve o comportamento
da precipitacao (mm) e dos casos de febre amarela por semana epidemiologica em Caaratinga.
4 Resultados 41
Figura 9: Serie Historica da precipitacao (mm) e casos notificados por semana epidemiologicaem Caaratinga.
Caaratinga teve o maior numero de casos de febre amarela em 2017, totalizando 271 casos,
sendo considerado um valor discrepante. Em Caaratinga o ”pico”dos casos da doenca aconteceu
na 106a semana epidemiologica, com 94 casos, e a maior quantidade de precipitacao (mm) antes
do ”pico”ocorreu na 55a semana epidemiologica, ou seja, 51 semanas depois. Ao visualizar a
Figura 9, sinalizando a queda da barragem, foi possıvel verficar que as chuvas tambem podem
ter influenciado no aumento dos casos. Porem nao so a precipitacao poderia ser responsavel
pela epidemia. A serie historica apresentada na Figura 9, mostra uma variacao sazonal1 da
precipitacao (mm) no municıpio de Caaratinga nos anos de 2015 a 2017 tendo as maiores
ocorrencias nas primeiras semanas epidemiologicas de cada ano.
Com o intuito de buscar explicacao do numero de casos da doenca outra variavel importante
para a investigacao seria a quantidade de rejeitos despejados em cada municıpio, mas ainda
nao existe ou nao se tem acesso a esse tipo de informacao. Por isso, as variaveis percentual de
mata Atlantica, medido por hectares, e tamanho projetado pelo IBGE para 2015, medidas em
cada municıpio, terao como objetivo explicar se quanto mais mata e populacao um municıpio
tiver, mais casos de febre amarela ocorrera.
Na analise exploratoria realizada nos 37 municıpios, verificou que em 2015 e 2016 nao foram
registrados casos da doenca. Ja em 2017, 10 municıpios tiveram casos de febre amarela. A partir
disso, o estudo sera direcionado como primeiro foco o ano de 2017.
1Variacao na incidencia de uma doenca, cujos ciclos coincidem com as estacoes do ano. Essa variacao ocorredentro do perıodo de um ano.
4 Resultados 42
Com a finalidade de estimar o nıvel de autocorrelacao espacial entre as areas foi usado o
ındice de Moran global para os casos de febre amarela em 2017. O teste de pseudo-significancia
para a variavel foi I =(0, 245) com p-valor=(< 0, 0001) indicando a dependencia espacial.
A primeira etapa da modelagem, consistiu em fazer uma transformacao dos dados na
variavel resposta (casos de febre amarela em 2017). Como esta variavel consiste em uma
contagem, principalmente com poucos dados, foi realizada uma transformacao nos dados para
aproximar a variavel resposta a uma distribuicao Normal. Para realizar a transformacao lo-
garıtmica nos dados, foi necessario somar 1 na variavel resposta (casos de febre amarela em
2017), pois havia presenca de zeros. Vale ressaltar que para os modelos apresentados, a preci-
pitacao nao foi utilizada pois os dados obtidos so pertenciam a um so municıpio. E necessario
destacar que o intercepto foi retirado do modelo de regressao linear e modelo espaciail pois o
p-valor nao era significativo. No modelo de regressao linear nao foi retirado a variavel mata,
visto que se retirasse nao alteraria significativamente o valor do criterio de comparacao, alem
de que, so um parametro a mais nao alteraria muito em termos de parcimonia. No modelo
Generalizado de Poisson foi observado uma sobredispersao nos dados, isto e VAR(X)>E(X),
por isso o ideal seria ajustar a variancia.
• No modelo de regressao linear, que desconsidera a dependencia espacial, obteve-se:
Tabela 5: Modelo de Regressao LinearCoeficiente Estimativa P-valor
Mata Atlantica 0, 00004 0, 0618Projecao Populacional 2015 0, 00001 < 0, 00001
• Ja para o modelo linear generalizado, foram encontradas as seguintes estimativas para os
coeficientes :
Tabela 6: Modelo Generalizado PoissonCoeficiente Estimativa P-valorIntercepto 1, 15600 < 0, 00001
Mata Atlantica 0, 00008 < 0, 00001Projecao Populacional 2015 0, 00008 < 0, 00001
Nos Modelos Espaciais SAR e CAR, temos :
• SAR
Tabela 7: Modelo SARCoeficiente Estimativa P-valor
Mata Atlantica 0, 00004 0, 01341Projecao Populacional 2015 0, 00001 < 0, 00001
4 Resultados 43
• CAR
Tabela 8: Modelo CARCoeficiente Estimativa P-valor
Mata Atlantica 0, 00005 0, 0115Projecao 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 (nao transformados) nao e comparavel
aos demais, por estar em escala diferente. Para metodo comparativo, foi necessario inserir uma
mesma escala em todos os modelos apresentados. Para escolha do melhor modelo, foi utilizado
o EQM (erro quadratico medio), que soma as diferencas entre o valor estimado e o valor real
dos dados, ponderados pelo numero 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: Criterio de Informacao de Akaike e Erro Quadratico Medio dos ModelosModelos AIC EQM
Regressao Linear 104.69 168.31Generalizado Poisson 1487 71.64
SAR 105.03 191.68CAR 104.9 231.65
Para uma vizualizacao dos dados dos casos de febre amarela, segue os mapas coropleticos
dos valores observados na Figura10 e estimados pelos modelos propostos na Figura11.
Figura 10: Mapa dos valores observados
4 Resultados 44
Figura 11: Mapa dos valores estimados pelos modelos propostos
(a) Regressao Linear (b) CAR
(c) SAR (d) Poisson
4 Resultados 45
Nos mapas produzidos a partir dos valores estimados pelos modelos da Figura 11 e possıvel
observar que apenas o mapa produzido pelo modelo linar generalizado Poisson se afasta dos
demais, evidenciando o problema de sobredispersao dos dados.
Nos mapas dos resıduos, a analise considera que, quanto mais alta a concentracao de resıduos
positivos ou negativos, existe presenca de autocorrelacao espacial.
4 Resultados 46
Figura 12: Mapa dos resıduos dos modelos propostos.
(a) Regressao Linear (b) CAR
(c) SAR (d) Poisson
4 Resultados 47
Uma analise da autocorrelacao dos resıduos foi realizada para confrontar os mapas e saber
se realmente ha indıcios de presenca de autocorrelacao espacial entre as observacoes. A nao
verificacao da hipotese de independencia do erro, indica a necessidade de incluir um componente
espacial no modelo de regressao linear.
Tabela 10: Indice de autocorrelacao espacial para os resıduos dos ModelosModelos Estatıstica I Moran Global P-valor
Regressao Linear −0.2148 0.9699Generalizado Poisson −0.086 0.845
SAR −0.066 0.6501CAR 0.136 0.0556
Na Tabela 10, sendo a hipotese nula para o teste de significancia do ındice I de Moran
associada a independencia espacial, percebe-se que tal hipotese foi aceita para os resıduos de
cada modelo testado.
48
5 Conclusoes
Como ja visto na literatura, a analise dos mapas coropleticos baseados em taxas de in-
cidencia podem induzir a identificacao de areas mais afetadas quando os tamanhos das corres-
pondentes populacoes forem relativamente pequenos.
Por esse motivo, a proposta do trabalho atual foi apresentar e comparar a adequacao
de modelos de regressao - incluindo ou nao efeitos aleatorios. Foi analisado a distribuicao
Poisson para a quantidade de casos e transformacao dos dados originais para uma adequacao a
suposicao de normalidade para sua distribuicao - de forma a identificar uma maneira de estimar
melhor a quantidade de casos, levando em consideracao caracterısticas das areas que poderiam
minimizar o efeito do tamanho populacional ou que estariam diretamente associadas a presenca
dos mosquitos que transmitem a febre amarela (representado pelo percentual de mata atlantica
remanescente, por municıpio).
Entre os quatro modelos propostos, atraves do AIC, nao foi possıvel comparar a qualidade
dos modelos, visto que, o modelo linear generalizado nao possuia a mesma escala dos outros
modelos. Foi necessario 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 municıpios, indicando a necessidade de correcao de
sobredispersao sobre o proprio modelo.
Na analise dos resıduos, os testes de significancia aceita a hipotese de independencia espacial.
Apenas no modelo CAR o p-valor fica proximo do limite de 5% de significancia adotada no
presente trabalho.
Assim, tem-se que o modelo CAR e o modelo de regressao multipla representam a melhor
proposta para estimar e suavizar a quantidade de casos de febre amarela por municıpio do
estado de Minas Gerais.
Os municıpios que apresentam o mesmo comportamento em seus tons de cores, precisam
de mais atencao do governo, sao eles: Governador Valadares, Caaratinga, Maraiana, Aimores,
Alpercata, Marlieria. Os municıpios que exibem variacoes de cores entre um modelo e outro,
podem ser considerados municıpios de fronteira. Assim, como ja dito no trabalho, as variaveis
explicativas nao foram o suficiente para ver se existe relacoes da tragedia com o aumento dos
5 Conclusoes 49
casos de Febre Amarela.
A partir das percepcoes obtidas das analises realizadas, sugere-se, como desenvolvimentos
do presente trabalho, a avaliacao das seguintes propostas: analise dos dados relacionados aos
municıpios do estado do Espırito Santo, por onde ainda corre o Rio Doce; uso de estimadores
pontuais bayesianos empıricos, eventualmente com uso de fatores de encolhimento; correcao
do problema de sobredispersao do modelo de regressao Poisson; uso de modelos de Poisson
inflacionados de zeros; uso de modelos hierarquicos espaco-temporais para descrever a evolucao
do fenomeno.
50
ANEXO A -- Mapas coropleticos das taxas de
incidencia de febre amarela nas
semanas epidemiologicas
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 51
(e) 1aSE (f) 2aSE
(g) 3aSE (h) 4aSE
(i) 5aSE (j) 6aSE
Figura 13: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 1, 2, 3, 4, 5, 6
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 52
(a) 7aSE (b) 8aSE
(c) 9aSE (d) 10aSE
(e) 11aSE (f) 12aSE
Figura 14: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 7, 8, 9, 10, 11, 12
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 53
(a) 13aSE (b) 14aSE
(c) 15aSE (d) 16aSE
(e) 17aSE (f) 18aSE
Figura 15: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 13, 14, 15, 16, 17, 18
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 54
(a) 19aSE (b) 20aSE
(c) 21aSE (d) 22aSE
(e) 23aSE (f) 24aSE
Figura 16: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 19, 20, 21, 22, 23, 24
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 55
(a) 25aSE (b) 26aSE
(c) 27aSE (d) 28aSE
(e) 29aSE (f) 30aSE
Figura 17: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 25, 26, 27, 28, 29, 30
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 56
(a) 31aSE (b) 32aSE
(c) 33aSE (d) 34aSE
(e) 35aSE (f) 36aSE
Figura 18: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 31, 32, 33, 34, 35, 36
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 57
(a) 37aSE (b) 38aSE
(c) 39aSE (d) 40aSE
(e) 41aSE (f) 42aSE
Figura 19: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 37, 38, 39, 40, 41, 42
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 58
(a) 43aSE (b) 44aSE
(c) 45aSE (d) 46aSE
(e) 47aSE (f) 48aSE
Figura 20: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 43, 44, 45, 46, 47, 48
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 59
(a) 49aSE (b) 50aSE
(c) 51aSE (d) 52aSE
(e) 53aSE (f) 54aSE
Figura 21: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 49, 50, 51, 52, 53, 54
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 60
(a) 55aSE (b) 56aSE
(c) 57aSE (d) 58aSE
(e) 59aSE (f) 60aSE
Figura 22: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 55, 56, 57, 58, 59, 60
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 61
(a) 61aSE (b) 62aSE
(c) 63aSE (d) 64aSE
(e) 65aSE (f) 66aSE
Figura 23: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 61, 62, 63, 64, 65, 66
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 62
(a) 67aSE (b) 68aSE
(c) 69aSE (d) 70aSE
(e) 71aSE (f) 72aSE
Figura 24: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 67, 68, 69, 70, 71, 72
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 63
(a) 73aSE (b) 74aSE
(c) 75aSE (d) 76aSE
(e) 77aSE (f) 78aSE
Figura 25: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 73, 74, 75, 76, 77, 78
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 64
(a) 79aSE (b) 80aSE
(c) 81aSE (d) 82aSE
(e) 83aSE (f) 84aSE
Figura 26: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 79, 80, 81, 82, 83, 84
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 65
(a) 85aSE (b) 86aSE
(c) 87aSE (d) 88aSE
(e) 89aSE (f) 90aSE
Figura 27: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 85, 86, 87, 88, 89, 90
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 66
(a) 91aSE (b) 92aSE
(c) 93aSE (d) 94aSE
(e) 95aSE (f) 96aSE
Figura 28: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 91, 92, 93, 94, 95, 96
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 67
(a) 97aSE (b) 98aSE
(c) 99aSE (d) 100aSE
(e) 101aSE (f) 102aSE
Figura 29: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 97, 98 , 99, 100, 101, 102
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 68
(a) 103aSE (b) 104aSE
(c) 105aSE (d) 106aSE
(e) 107aSE (f) 108aSE
Figura 30: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 103, 104, 105, 106, 107, 108
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 69
(a) 109aSE (b) 110aSE
(c) 111aSE (d) 112aSE
(e) 113aSE (f) 114aSE
Figura 31: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 109, 110, 111, 112, 113, 114
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 70
(a) 115aSE (b) 116aSE
(c) 117aSE (d) 118aSE
(e) 119aSE (f) 120aSE
Figura 32: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 115, 116, 117, 118, 119, 120
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 71
(a) 121aSE (b) 122aSE
(c) 123aSE (d) 124aSE
(e) 125aSE (f) 126aSE
Figura 33: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 121, 122, 123, 124, 125, 126
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 72
(a) 127aSE (b) 128aSE
(c) 129aSE (d) 130aSE
(e) 131aSE (f) 132aSE
Figura 34: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 127, 128, 129, 130, 131, 132
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 73
(a) 133aSE (b) 134aSE
(c) 135aSE (d) 136aSE
(e) 137aSE (f) 138aSE
Figura 35: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 133, 134, 135, 136, 137, 138
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 74
(a) 139aSE (b) 140aSE
(c) 141aSE (d) 142aSE
(e) 143aSE (f) 144aSE
Figura 36: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 139, 140, 141, 142, 143, 144
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 75
(a) 145aSE (b) 146aSE
(c) 147aSE (d) 148aSE
(e) 149aSE (f) 150aSE
Figura 37: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 145, 146, 147, 148, 149, 150
Anexo A -- Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epidemiologicas 76
(a) 151aSE (b) 152aSE
(c) 153aSE (d) 154aSE
(e) 155aSE (f) 156aSE
Figura 38: Mapas coropleticos das taxas de incidencia de febre amarela nas semanas epide-miologicas 151, 152, 153, 154, 155, 156