“A Penetração de Genéricos no Brasil e os indicadores Sociais do IBGE – Um
estudo da relevância dos medicamentos genéricos na melhoria da saúde
Brasileira”
Sergio De Souza Coelho
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO
FEA - Faculdade de Economia e Administração
Programa de Estudos Pós-Graduados em Administração
2
RESUMO
O objetivo deste artigo é realizar análises estatísticas dos dados do Mercado de Genéricos no Brasil
forncedidos pela IMS Health mostrando sua penetração por região e verificando suas relações com
alguns indicadores sociais divulgados pelo IBGE mostrando a correlação entre estas variáveis .
Aproveitaremos para mostrar as tendências por região da participação dos genéricos nas vendas de
medicamentos, bem como mostraremos se os mesmos estão cumprindo o papel a que foram
destinados de atender as regiões mais pobres e as classes menos privilegiadas .
Palavras-chave: Mercado de Genéricos
1. INTRODUÇÃO
O brasileiro está cuidando mais da saúde e um dos responsáveis por esse fenômeno pode ser
identificado nas prateleiras das farmácias por uma tarja amarela e uma letra G maiúscula e azulada
estampada na embalagem : Os medicamentos genéricos.
Dados do instituto de pesquisa IMS Health mostram que , em 2006, o segmento superou a barreira de
US$ 1 bilhão em faturamento, um salto de 53% em relação ao ano anterior. Em volume, o crescimento
foi de 27,8% , com 194 milhões de unidades vendidas em 2006. Trata-se de um Record desta
indústria, surpreendente para que acreditava que os genéricos apenas substituiriam os dedicamntos de
marca e não teriam o poder de aumentar o acesso dos brasileiros ao mercado de medicamentos.
Pesquisas mostram que o segmento cresceu quase quatro vezes mais que a indústria farmacêutica no
geral. Em reportagem do jornal da tarde , verifica-se a satisfação do Vice- Presidente da PróGenéricos, Odnir Finotti, comentando sobre a evolução dos genéricos com crescimento de 25% ao ano
desde 2002, e que devido ao aumento de renda da população, os escluidos passaram a adquirir
medicamentos.
Nota-se que outro fator que contribuiu para a inclusão farmacêutica foi a confiança do paciente.
Quando esses medicamentos surgiram(genéricos), há sete anos, muitos consumidores duvidavam de
sua eficácia por causa do preço mais barato. Aos poucos , porém , as indústrias do setor conseguiram
derrubar as barreiras da falta de informação.
Campanhas institucionais do governo, desde 1999, procuram tranqüilizar os brasileiros em relação à
qualidade dos genéricos. Atualmente, as drogas destinadas ao tratamento de doenças crônicas, como
diabetes ou hipertensão, já representam 48,3% das vendas. Logo o mercado farmacêutico representará
25% do mercado nacional. Chegar a um quarto do mercado não é tarefa fácil. Países que atingiram
essa marca contam com outros estímulos, como programas de reembolso dos medicamentos.
Sabe-se que o Governo tem interesse em contribuir com o amadurecimento rápido do setor de
genéricos. Com o produto cada vez mais presente nas licitações federais, aumenta a possibilidade de
redução de custos para os programas de distribuição destes medicamentos à população.
Hoje, o cidadão das classes D e E, mesmo com o advento dos genéricos, não tem condições de pagar
por um remédio, principalmente se for para o combate de uma doença crônica, que muitas vezes exige
um tratamento mais contínuo. Percebe-se que a prioridade destas classes é o açougue e não os
medicamentos. Fácil concluir que para resolver o problema precisaremos combinar três fatores: a
contínua evolução do mercado, os programas públicos de saúde e o aumento de renda da população.
3
Para os genéricos, existe a possibilidade de aproveitar o avanço dos programas de renda do governo,
principalmente em regiões onde o consumo ainda é baixo, caso do Nordeste. Diferentemente do que
se poderia esperar , a penetração desses medicamentos na região é baixa. O problema neste caso é a
falta de informação e o poder aquisitivo baixíssimo.
Relatório da consultoria MBA Associados mostra que, com um bom trabalho de divulgação, o
Nordeste poderá se tornar, em breve, um grande pólo de compras de genéricos. A Consultoria leva em
conta, sobretudo, o aumento do Bolsa-família, cujo valor médio mensal deve subir cerca de 15% neste
ano.
Outro ponto a atentar , além do apelo social, é a questão macroeconômica. A concorrência que os
genéricos promoveram no mercado fez com que os laboratórios de produtos de marca, em alguns
casos, segurassem o preço de seus remédios. Hoje, o peso de produtos farmacêuticos na inflação
medida pelo índice Nacional de Preços ao Consumidor(INPC), que inclui a faoxa da população mais
pobre(até 8 salários mínimos), é de cerca de 3,12%. Certamente este índice seria maior se não fosse a
concorrência dos genéricos.
Dado este cenário, neste nosso estudo, tentaremos mostrar a penetração no mercado nacional de
genéricos por região no Brasil e suas correlações com indicadores sociais do Instituto Brasileiro de
Geografia e Estatística do Brasil(IBGE) .
Para que possamos atingir os objetivos deste trabalho utilizamos técnicas estatísticas disponíveis no
pacote estatístico Minitab Statistical Software, versão 14.
2. ANÁLISE EXPLORATÓRIA DOS DADOS
A maior parte das análises do presente trabalho se concentra na utilização dos dados de penetração de
mercado fornecidos pela IMS Health/Febrafarma com os quais fora feita a tabela em anexo neste
nosso estudo e dados dos Indicadores Sociais do IBGE . Os dados utilizados são de 2002 à 2006 ,
sendo que no caso dos indicadores sociais, foram considerados lineares os percentuais mensais.
2.1 Os Indivíduos
Os indivíduos desta pesquisa são a penetração de medicamentos por regiões categorizadas por
medicamentos de Referência, Marca, Genéricos e Similar em contrapartida da análise de indicadores
sociais de mortalidade infantil e mortalidade bruta nos anos de 2002,2003,2004,2005 e 2006. Esses
dados foram fornecidos parte pela IMS Health(dados de penetração de medicamentos no mercado
brasileiro por região), que nos pediu sigilo e parte pode ser encontrado no site [email protected] do
IBGE(http://www.ibge.gov.br/paisesat/) – Indicadores Sociais
4
2.2 As Variáveis
São treze as variáveis desta pesquisa. As mesmas são melhor explicadas na Tabela 1 abaixo.
Tabela 1. Detalhamento das variáveis
VARIÁVEL
Meses
Crescimento da Indústria Farmacêutica no Brasil
Medicamento de Referência em USD
Crescimento da Indústria Farmacêutica no Brasil
Medicamento de Marca em USD
Crescimento da Indústria Farmacêutica no Brasil
Medicamento Genérico em USD
Crescimento da Indústria Farmacêutica no Brasil
Medicamento Similar em USD
Crescimento da Indústria Farmacêutica no Brasil
Medicamento de Referência em Unidade
Crescimento da Indústria Farmacêutica no Brasil
Medicamento de Marca em Unidades
Crescimento da Indústria Farmacêutica no Brasil
Medicamento Genérico em Unidades
Crescimento da Indústria Farmacêutica no Brasil
Medicamento Similar em Unidades
Participação dos Genéricos nas vendas de
Medicamentos Total
Participação de Genéricos na Região Norte
Participação de Genéricos na Região Sul
Participação de Genéricos na Região Centrooeste
CÓDIGO
Meses
MRUS
MMUS
MGUS
MSUS
MRUN
MMUN
MGUN
MSUN
PGVT
PGRN
PGRS
PGCO
PGRSUD
Participação de Genéricos na Região Sudeste
PGRNORD
Participação de Genéricos na Região Nordeste
Expectativa de vida do nascimento em anos
Mortalidade infantil no Brasil
Crude Death rate no Brasil
EVNA
MIB
CDRB
SIGNIFICADO
TIPO
UNIDADE DE MEDIDA
Valor em dolar de medicamentos de referência vendidos
por ano e por mês de 2002 à 2006
Valor em dolar de medicamentos de Marca vendidos por
ano e por mês de 2002 à 2006
Valor em dolar de medicamentos Genéricos vendidos por
ano e por mês de 2002 à 2006
Valor em dolar de medicamentos Similares vendidos por
ano e por mês de 2002 à 2006
Quantidade de medicamentos de referência vendidos em
unidades por ano e por mês de 2002 à 2006
Quantidade de medicamentos de Marca vendidos em
unidades por ano e por mês de 2002 à 2006
Quantidade de medicamentos Genéricos vendidos em
unidades por ano e por mês de 2002 à 2006
Quantidade de medicamentos Similares vendidos em
unidades por ano e por mês de 2002 à 2006
VARIÁVEL
CATEGÓRICA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
Porcentagem de participação das vendas de genéricos em
relação ao total de medicamentos vendidos
% de participação das vendas de genéricos na região Norte
em relação à venda total de genéricos no Brasil
% de participação das vendas de genéricos na região Sul
em relação à venda total de genéricos no Brasil
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
% de participação das vendas de genéricos na região
Centro-oeste em relação à venda total de genéricos no Br
VARIÁVEL
QUANTITATIVA
PORCENTAGEM %
% de participação das vendas de genéricos na região
Sudeste em relação à venda total de genéricos no Brasil
VARIÁVEL
QUANTITATIVA
PORCENTAGEM %
% de participação das vendas de genéricos na região
Nordeste em relação à venda total de genéricos no Brasil
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
VARIÁVEL
QUANTITATIVA
Meses do ano
Expectativa de vida desde o nascimento em anos
Taxa de Mortalidade Infantil no Brasil
Taxa de Mortalidade bruta no Brasil
N.A.
USD BIO
USD BIO
USD BIO
USD BIO
UNIDADES BIO
UNIDADES BIO
UNIDADES BIO
UNIDADES BIO
PORCENTAGEM %
PORCENTAGEM %
PORCENTAGEM %
PORCENTAGEM %
ANOS
POR MIL NASCIMENTOS
POR MIL PESSOAS
2.3 Tabelas de dados
Segue abaixo as tabelas de dados utilizadas nesta pesquisa incluindo a utilizado no programa MINI
Tab 14 :
Tabela 2 – Os valores são de 2002 à 2006
H:\Data\PUC TABELA
GENÉRICOS PARA MÉ
E:\PUC MINITAB
MONOGRAFIA JULHO
2.4 Fonte de dados
A tabela abaixo detalha as fontes de dados da pesquisa:
Tabela 3 – Fonte de dados
5
Dado

Fonte
http://www.ibge.gov.br/paisesat/
Indicadores Sociais do Brasil IBGE
2.5 Análise individual das variáveis quantitativas
A análise deste tipo de variável permite a utilização de uma grande gama de ferramentas como
histogramas, curvas de densidade, box-plot, além de medidas numéricas como média, desvio-padrão,
variância, quantidade de observações, valor mínimos e máximos, informações dos quartis e teste de
normalidade. Assim, segue abaixo a análise individual de cada variável.
MRUS
Summary for USD BIO REFERENCIA MRUS
A nderson-D arling N ormality Test
0,1
0,2
0,3
A -S quared
P -V alue
1,04
0,009
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,29450
0,09268
0,00859
-0,098888
-0,967219
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,4
0,10000
0,20000
0,30000
0,37500
0,45000
95% C onfidence Interv al for M ean
0,27056
0,31844
95% C onfidence Interv al for M edian
0,25000
0,30173
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,07856
0,11304
Mean
Median
0,24
0,26
0,28
0,30
0,32
Com base nos gráficos e números da tabela acima, podemos observar que trata-se de uma distribuição
ligeiramente assimétrica . Assim, a amostra está concentrada em valores de MRUS menores do que
0,3. A distribuição tem três picos, representando MRUS entre 0,2 e 0,4 . Porém, percebemos a
existência MRUS bastante baixos, menores do que 0,1. O teste de Anderson-Darling indica que
podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim,
percebemos uma razoável amplitude dos dados. O valor mínimo de MRUS é o de Janeiro de 2002
(0,1) e o máximo é o de Julho de 2005/2006(0,425 USD BIO). A mediana nos indica que
aproximadamente metade dos valores de MRUS é menor do que 0,3 e metade maior do que este valor.
O MRUS médio é de 0,2945, com desvio-padrão baixo, de 0,09268. A mediana está razoavelmente
próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a
média do MRUS está entre 0,27056 e 0,31844.
6
MMUS
Summary for USD BIO MARCA MMUS
A nderson-D arling N ormality Test
0,05
0,10
0,15
0,20
0,25
0,30
A -S quared
P -V alue
1,10
0,006
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,20710
0,08003
0,00640
0,077161
-0,942018
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,35
0,05000
0,15000
0,20000
0,30000
0,35000
95% C onfidence Interv al for M ean
0,18643
0,22777
95% C onfidence Interv al for M edian
0,17500
0,25000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,06784
0,09761
Mean
Median
0,18
0,20
0,22
0,24
0,26
Podemos observar que trata-se também de uma distribuição levemente assimétrica para a esquerda.
Percebemos a existência de valores MMUS muito baixos e, alguns casos, próximos do limite inferior
do indicador que é 0,05. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de
normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável
amplitude dos dados. O valor mínimo é o de Janeiro de 2002 (0,05) e o máximo é o de Junho/julho de
2006 (0,325 USD BIO). A mediana indica que aproximadamente metade dos valores de MMUS tem o
valor deste indicador menor do que 0,20 e metade maior do que este valor. O MMUS médio é de
0,20710, com desvio-padrão baixo, de 0,08003. Com 95% de confiança, podemos afirmar que a média
populacional para este indicador está em uma faixa , entre 0,18643 e 0,22777.
7
MGUS
Summary for USD BIO GENÉRICOS MGUS
A nderson-D arling N ormality Test
0,02
0,04
0,06
0,08
A -S quared
P -V alue <
2,71
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,046817
0,025123
0,000631
0,682450
-0,899173
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,10
0,015000
0,025000
0,035000
0,065000
0,095000
95% C onfidence Interv al for M ean
0,040327
0,053307
95% C onfidence Interv al for M edian
0,030000
0,050693
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,021295
0,030642
Mean
Median
0,030
0,035
0,040
0,045
0,050
0,055
Trata-se de distribuição menos simétrica do que as demais, com a curva tendendo para a esquerda
onde encontramos valores mais “flat” no sentido de quantidades de meses com o mesmo valor de
MGUS. Devemos rejeitar a hipótese de normalidade da distribuição em acordo ao teste de AndersonDarling. Há valores atípicos, como o caso do 0,50 em Jan/Fev 2005,mas percebemos uma razoável
amplitude dos dados. O valor mínimo é o de Janeiro de 2002(0,015) e o máximo é o de
Julho/Agosto/Novembro/Dezembro de 2006(0,095). A mediana indica que aproximadamente metade
dos valores de MGUS tem o valor deste indicador menor do que 0,035 e metade maior do que este
valor. O valor do MGUS médio é de 0,046817, com desvio-padrão elevado, de 0,025123. A mediana
está razoavelmente distante da média, demonstrando pouca simetria da distribuição. Com 95% de
confiança, podemos afirmar que a média populacional para este indicador também está em uma faixa
bastante baixa, entre 0,040237 e 0.053307.
8
MSUS
Summary for SIMILAR MSUS
A nderson-D arling N ormality Test
0,001
0,002
0,003
A -S quared
P -V alue <
3,17
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,002183
0,000965
0,000001
0,436361
-0,708177
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,004
0,001000
0,001000
0,002000
0,003000
0,004000
95% C onfidence Interv al for M ean
0,001934
0,002433
95% C onfidence Interv al for M edian
0,002000
0,002000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,000818
0,001177
Mean
Median
0,0019
0,0020
0,0021
0,0022
0,0023
0,0024
0,0025
A distribuição tem um pico, representando valor de MSUS próximo a 0,002 . O teste de AndersonDarling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro
de 2002 (0,001) e o máximo é o de Dezembro de 2004 (0,004). A mediana indica que
aproximadamente metade dos valores de MSUS tem valor menor do que 0,002 e metade maior do que
este valor. O valor médio é de 0,002183, com desvio-padrão , de 0,000965. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 0,001934 e 0,002433.
9
MRUN
Summary for REFERÊNCIA MRUN
A nderson-D arling N ormality Test
0,04
0,06
0,08
0,10
A -S quared
P -V alue <
4,32
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,054583
0,014909
0,000222
0,90087
3,36309
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,025000
0,050000
0,055000
0,060000
0,100000
95% C onfidence Interv al for M ean
0,050732
0,058435
95% C onfidence Interv al for M edian
0,050000
0,055000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,012637
0,018184
Mean
Median
0,050
0,052
0,054
0,056
0,058
A distribuição tem um pico, representando valor de MRUN próximo a 0,06 . O teste de AndersonDarling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que
aproximadamente metade dos valores de MRUN tem valor menor do que 0,055 e metade maior do
que este valor. O valor médio é de 0,054583, com desvio-padrão , de 0,014909. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 0,050732 e 0,058435.
MMUN
Summary for MMUN
A nderson-D arling N ormality Test
0,02
0,03
0,04
0,05
0,06
A -S quared
P -V alue <
3,31
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,042550
0,007212
0,000052
-1,15796
2,61074
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,020000
0,040000
0,045000
0,045000
0,060000
95% C onfidence Interv al for M ean
0,040687
0,044413
95% C onfidence Interv al for M edian
0,040000
9 5 % C onfidence Inter vals
0,006113
Mean
Median
0,040
0,041
0,042
0,043
0,045000
95% C onfidence Interv al for S tD ev
0,044
0,045
0,008796
10
A distribuição tem um pico, representando valor de MMUN próximo a 0,045 . O teste de AndersonDarling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro
de 2002 (0,02) e o máximo é o de JuLho de 2002 (0,06). A mediana indica que aproximadamente
metade dos valores de MMUN tem valor menor do que 0,045 e metade maior do que este valor. O
valor médio é de 0,042550, com desvio-padrão , de 0,007212. A mediana está razoavelmente próxima
da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média
populacional para este indicador está entre 0,040687 e 0,044413.
MGUN
Summary for MGUN
A nderson-D arling N ormality Test
0,008
0,012
0,016
0,020
A -S quared
P -V alue <
2,41
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,011467
0,003744
0,000014
0,264045
-0,839069
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,005000
0,008000
0,010000
0,015000
0,020000
95% C onfidence Interv al for M ean
0,010500
0,012434
95% C onfidence Interv al for M edian
0,010000
0,015000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,003173
0,004566
Mean
Median
0,010
0,011
0,012
0,013
0,014
0,015
A distribuição tem dois picoa, representando valor de MGUN entre 0,010 e 0,016 . O teste de
Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há
valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o
Fevereiro de 2002 (0,008) e o máximo é o de Agosto de 2006 (0,020). A mediana indica que
aproximadamente metade dos valores de MGUN tem valor menor do que 0,010 e metade maior do
que este valor. O valor médio é de 0,011467, com desvio-padrão , de 0,003744. Com 95% de
confiança, podemos afirmar que a média populacional para este indicador está entre 0,010500 e
0,012434.
11
MSUN
Summary for MSUN
A nderson-D arling N ormality Test
0,001
0,002
0,003
0,004
0,005
A -S quared
P -V alue <
6,73
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,001833
0,000740
0,000001
1,57509
5,39205
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,001000
0,001000
0,002000
0,002000
0,005000
95% C onfidence Interv al for M ean
0,001642
0,002025
95% C onfidence Interv al for M edian
0,002000
0,002000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,000627
0,000903
Mean
Median
0,0016
0,0017
0,0018
0,0019
0,0020
A distribuição tem um pico, representando valor de MMUN próximo a 0,0020 . O teste de AndersonDarling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro
de 2002 (0,001) e o máximo é o de (0,02). A mediana indica que aproximadamente metade dos
valores de MMUN tem valor menor do que 0,0020 e metade maior do que este valor. O valor médio é
de 0,001833, com desvio-padrão , de 0,000740. A mediana está razoavelmente próxima da média,
demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para
este indicador está entre 0,001642 e 0,002025.
12
PGVT
Summary for PGVT
A nderson-D arling N ormality Test
6
8
10
12
A -S quared
P -V alue <
3,03
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
9,4320
2,7204
7,4008
0,32395
-1,26952
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
14
5,9600
7,8300
8,4500
11,3500
13,5700
95% C onfidence Interv al for M ean
8,7292
10,1348
95% C onfidence Interv al for M edian
7,8300
11,3500
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
2,3059
3,3180
Mean
Median
8
9
10
11
A distribuição tem um pico, representando valor de PGVT próximo a 8 . O teste de Anderson-Darling
indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos,
mesmo assim, percebemos uma razoável amplitude dos dados.
A mediana indica que
aproximadamente metade dos valores de PGVT tem valor menor do que 8,45 e metade maior do que
este valor. O valor médio é de 9,4320, com desvio-padrão , de 2,7204. Com 95% de confiança,
podemos afirmar que a média populacional para este indicador está entre 8,7292 e 10,1348.
PGRN
Summary for PGRN
A nderson-D arling N ormality Test
0,16
0,20
0,24
0,28
A -S quared
P -V alue <
3,10
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,22600
0,06707
0,00450
0,35542
-1,18342
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,32
0,14000
0,19000
0,20000
0,27000
0,33000
95% C onfidence Interv al for M ean
0,20867
0,24333
95% C onfidence Interv al for M edian
0,19000
0,27000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,05685
0,08181
Mean
Median
0,20
0,22
0,24
0,26
0,28
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição.
Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor
mínimo é o do Janeiro de 2002 (5,56%) e o máximo é o de Dez 2006 (13,57%). A mediana indica que
13
aproximadamente metade dos valores de PGRN tem valor menor do que 0,20 e metade maior do que
este valor. O valor médio é de 022600, com desvio-padrão , de 0,06707. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 0,20867 e 0,2433.
PGRS
Summary for PGRS
A nderson-D arling N ormality Test
0,9
1,2
1,5
1,8
A -S quared
P -V alue <
3,02
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,4400
0,4138
0,1713
0,32171
-1,25989
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
2,1
0,9100
1,2000
1,2900
1,7300
2,0700
95% C onfidence Interv al for M ean
1,3331
1,5469
95% C onfidence Interv al for M edian
1,2000
1,7300
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,3508
0,5047
Mean
Median
1,2
1,3
1,4
1,5
1,6
1,7
1,8
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. A
mediana indica que aproximadamente metade dos valores de PGRS tem valor menor do que 0,0020 e
metade maior do que este valor. O valor médio é de 1,4400 , com desvio-padrão , de 0,4138. A
mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança,
podemos afirmar que a média populacional para este indicador está entre 1,3331 e 1,54699.
14
PGCO
Summary for PGRCO
A nderson-D arling N ormality Test
0,25
0,30
0,35
0,40
0,45
A -S quared
P -V alue <
2,90
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,35400
0,10414
0,01084
0,28464
-1,30908
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,50
0,22000
0,29000
0,32000
0,43000
0,51000
95% C onfidence Interv al for M ean
0,32710
0,38090
95% C onfidence Interv al for M edian
0,29000
0,43000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,08827
0,12701
Mean
Median
0,30
0,32
0,34
0,36
0,38
0,40
0,42
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade
dos valores de PGRCO tem valor menor do que 0,320 e metade maior do que este valor. O valor médio é de 0,3540, com
desvio-padrão , de 0,10414. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de
confiança, podemos afirmar que a média populacional para este indicador está entre 0,32710 e 0,38090.
PGRSUD
Summary for PGRSUD
A nderson-D arling N ormality Test
4
5
6
7
8
A -S quared
P -V alue <
3,03
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
6,1420
1,7727
3,1426
0,32530
-1,26780
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
9
3,8800
5,1000
5,5000
7,3900
8,8400
95% C onfidence Interv al for M ean
5,6841
6,5999
95% C onfidence Interv al for M edian
5,1000
9 5 % C onfidence Inter vals
1,5026
Mean
Median
5,0
5,5
6,0
6,5
7,3900
95% C onfidence Interv al for S tD ev
7,0
7,5
2,1622
15
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição.
Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana
indica que aproximadamente metade dos valores de PGRSUD tem valor menor do que 5,5 e metade
maior do que este valor. O valor médio é de 6,1420, com desvio-padrão de 1,7727 . A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 5,68141 a 6,5999
PGRNORD
Summary for PGRNORD
A nderson-D arling N ormality Test
0,8
1,0
1,2
1,4
1,6
1,8
A -S quared
P -V alue <
3,06
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,2640
0,3646
0,1330
0,33223
-1,26568
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,8000
1,0500
1,1300
1,5200
1,8200
95% C onfidence Interv al for M ean
1,1698
1,3582
95% C onfidence Interv al for M edian
1,0500
1,5200
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,3091
0,4447
Mean
Median
1,0
1,1
1,2
1,3
1,4
1,5
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição.
Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana
indica que aproximadamente metade dos valores de PGRNORD tem valor menor do que 1,13 e
metade maior do que este valor. O valor médio é de 1,2640, com desvio-padrão de 0,3646 . A
mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança,
podemos afirmar que a média populacional para este indicador está entre 1,1698 a 1,3582.
16
EVNA
Summary for EVNA
A nderson-D arling N ormality Test
70,0
70,5
71,0
71,5
A -S quared
P -V alue <
2,10
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
71,000
0,713
0,508
0,00000
-1,30814
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
72,0
70,000
70,500
71,000
71,500
72,000
95% C onfidence Interv al for M ean
70,816
71,184
95% C onfidence Interv al for M edian
70,500
71,500
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,604
0,870
Mean
Median
70,50
70,75
71,00
71,25
71,50
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição.
Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana
indica que aproximadamente metade dos valores de EVNA tem valor menor do que 71,00 e metade
maior do que este valor. O valor médio é de 71,00, com desvio-padrão , de 0,713. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 70,816 a 71,184.
MIB
Summary for MIB
A nderson-D arling N ormality Test
24
27
30
33
A -S quared
P -V alue <
2,11
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
29,244
4,748
22,540
0,035516
-0,866837
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
36
22,170
27,300
28,750
31,600
36,400
95% C onfidence Interv al for M ean
28,018
30,470
95% C onfidence Interv al for M edian
27,300
31,600
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
4,024
5,791
Mean
Median
27
28
29
30
31
32
O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição.
Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados.A mediana
17
indica que aproximadamente metade dos valores de MIB tem valor menor do que 28,75 e metade
maior do que este valor. O valor médio é de 29,244, com desvio-padrão , de 4,748. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 28,018 a 30,470.
CDRB
Summary for CDRB
A nderson-D arling N ormality Test
6,1
6,2
6,3
6,4
6,5
A -S quared
P -V alue <
4,99
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
6,4200
0,1955
0,0382
-0,62808
-1,18237
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
6,6
6,1000
6,3000
6,5000
6,6000
6,6000
95% C onfidence Interv al for M ean
6,3695
6,4705
95% C onfidence Interv al for M edian
6,3000
6,6000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
0,1657
0,2385
Mean
Median
6,30
6,35
6,40
6,45
6,50
6,55
6,60
A distribuição tem um pico, representando valor de CDR B próximo a 6,6 . O teste de AndersonDarling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores
atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que
aproximadamente metade dos valores de CDRB tem valor menor do que 6,5 e metade maior do que
este valor. O valor médio é de 0,001833, com desvio-padrão , de 0,000740. A mediana está
razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos
afirmar que a média populacional para este indicador está entre 6,3695 e 6,4705.
2.6 Análise individual da variável Categórica
Por tratar-se de uma única variável categórica e relativa a meses do ano, não faremos esta análise.
3.0 Análise das Variáveis
Neste capítulo analisaremos algumas variáveis relevantes ao nosso estudo sendo elas: Crescimento da
indústria Farmacêutica no Brasil Medicamento Genércio(em USD$ e Unidades), Participação de
Genéricos por região(Norte, Nordeste, Sul, Sudeste e Centro-oeste), Crude Death Rate no Brasil.
18
3.1 Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD e
Unidades
3.1.1. O comportamento da Variável
Time Series Plot of MGUS
0,10
0,09
0,08
MGUS
0,07
0,06
0,05
0,04
0,03
0,02
0,01
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 until 2006
jan
jul
jan
jul
Time Series Plot of MGUN
0,0200
0,0175
MGUN
0,0150
0,0125
0,0100
0,0075
0,0050
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
19
3.1.2. Análise de Tendências
Trend Analysis Plot for MGUS
Trend Analysis Plot for MGUS
Linear Trend Model
Yt = 0,00599209 + 0,00133851*t
Quadratic Trend Model
Yt = 0,0234670 - 0,000352610*t + 0,0000277233*t**2
Variable
A ctual
Fits
Forecasts
MGUS
0,08
A ccuracy Measures
MA PE
22,1446
MA D
0,0079
MSD
0,0001
0,06
Variable
A ctual
Fits
Forecasts
0,14
0,12
A ccuracy Measures
MA PE
12,3373
MA D
0,0045
MSD
0,0000
0,10
MGUS
0,10
0,04
0,08
0,06
0,04
0,02
0,02
0,00
0,00
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
Trend Analysis Plot for MGUS
A ccuracy Measures
MA PE
14,2577
MA D
0,0052
MSD
0,0000
0,08
0,06
Variable
A ctual
Fits
Forecasts
0
-10
MGUS
0,10
MGUS
S-Curve Trend Model
Yt = (10**0) / (-176,856 + 229,048*(0,996311**t))
Variable
A ctual
Fits
Forecasts
0,12
jan
Trend Analysis Plot for MGUS
Growth Curve Model
Yt = 0,0167473 * (1,02950**t)
0,14
jan
jan
jan
Month from 2002 to 2006
C urv e Parameters
Intercept
0,019160
A sy mptote
-0,005654
A sy m. Rate
0,996311
-20
Accuracy Measures
MA PE
15,4942
MA D
0,0074
MSD
0,0001
-30
0,04
-40
0,02
-50
0,00
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
1
20
Trend Analysis Plot for MGUN
Trend Analysis Plot for MGUN
Linear Trend Model
Yt = 0,00675311 + 0,000154543*t
Quadratic Trend Model
Yt = 0,00905780 - 0,0000684921*t + 3,656312E-06*t**2
Accuracy Measures
MA PE
20,6605
MA D
0,0020
MSD
0,0000
0,0150
0,0125
Variable
A ctual
Fits
Forecasts
0,020
MGUN
0,0175
MGUN
0,025
Variable
A ctual
Fits
Forecasts
0,0200
A ccuracy Measures
MA PE
17,9514
MA D
0,0018
MSD
0,0000
0,015
0,0100
0,010
0,0075
0,0050
0,005
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
A ccuracy Measures
MA PE
19,1654
MA D
0,0020
MSD
0,0000
0,0125
0,0100
Variable
A ctual
Fits
Forecasts
0,12
0,10
MGUN
MGUN
0,14
Variable
A ctual
Fits
Forecasts
0,0150
jan
S-Curve Trend Model
Yt = (10**-1) / (15,9067 - 2,72198*(1,02411**t))
Growth Curve Model
Yt = 0,00715152 * (1,01375**t)
0,0175
jan
jan
jan
Month from 2002 to 2006
Trend Analysis Plot for MGUN
Trend Analysis Plot for MGUN
0,0200
jan
Curv e Parameters
Intercept
0,00537
A sy mptote
0,00629
A sy m. Rate
1,02411
0,08
A ccuracy Measures
MA PE
18,5996
MA D
0,0021
MSD
0,0000
0,06
0,04
0,0075
0,02
0,0050
0,00
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD
Linear
Quadrática
S-Curve
Exponencial
MAPE
22,1446
12,3373
15,4952
14,2577
MAD
0,0079
0,0045
0,0074
0,0052
MSD
0,0001
0,0000
0,0001
0,0000
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“MGUs”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em Unidades
Linear
Quadrática
S-Curve
MAPE
20,6605
17,9514
MAD
0,0020
0,0018
0,0023
0,0020
MSD
0,0000
0,0000
0,0000
0,0000
18,5996
Exponencial
19,1654
2
21
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“MGUN”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
3.1.3 Previsões
Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras ,isto nos leva
ao gráfico já acima mencionado plotado com 12 meses vistas ao futuro com os seguintes valores:
MGUS
Forecasts
Period Forecast
jul 0,105116
ago 0,108174
set 0,111286
out 0,114455
nov 0,117678
dez 0,120957
jan 0,124292
fev 0,127682
mar 0,131128
abr 0,134628
mai 0,138185
jun 0,141797
MGUN
Forecasts
Period Forecast
jul 0,0184849
ago 0,0188662
set 0,0192547
out 0,0196506
nov 0,0200537
dez 0,0204642
jan 0,0208820
fev 0,0213071
mar 0,0217395
abr 0,0221793
mai 0,0226263
jun 0,0230807
3.2 Participação de Genéricos por região(Norte, Nordeste, Sul, Sudeste e Centro-oeste)
3.2.1. O comportamento das Variáveis
Participação de Genéricos por Região – Região Norte,Sul, Centro-Oeste, Sudeste e Nordeste
22
Time Series Plot of PGRS
Time Series Plot of PGRN
0,35
9
8
0,30
PGRS
PGRN
7
0,25
6
0,20
5
0,15
4
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
jan
jan
jul
jul
jan
jan
jul
Month
jan
jul
jan
jul
jan
jul
Time Series Plot of PGRSUD
2,2
0,55
2,0
0,50
1,8
0,45
1,6
0,40
PGRSUD
PPGCO
Time Series Plot of PPGCO
jul
1,4
0,35
0,30
1,2
0,25
1,0
0,20
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
jan
jul
jan
jul
jan
Time Series Plot of PGRNORD
1,8
PGRNORD
1,6
1,4
1,2
1,0
0,8
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
2
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
1
23
3.2.2 Análise de Tendências
Região Norte
Trend Analysis Plot for PGRN
Trend Analysis Plot for PGRN
Linear Trend Model
Yt = 0,113729 + 0,00368102*t
Quadratic Trend Model
Yt = 0,133928 + 0,00172631*t + 0,0000320445*t**2
0,40
A ccuracy
MA PE
MA D
MSD
0,30
0,25
Measures
7,33197
0,01546
0,00036
Variable
A ctual
Fits
Forecasts
0,40
0,35
PGRN
0,35
PGRN
0,45
Variable
A ctual
Fits
Forecasts
0,20
A ccuracy
MAPE
MAD
MSD
0,30
0,25
0,20
0,15
0,15
0,10
0,10
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
A ccuracy
MAPE
MAD
MSD
0,30
Measures
6,32605
0,01385
0,00029
jan
jan
0,25
Variable
Actual
Fits
Forecasts
0,5
PGRN
0,35
jan
Month
0,6
Variable
Actual
Fits
Forecasts
0,40
jan
S-Curve Trend Model
Yt = (10**1) / (-181,753 + 254,443*(0,996643**t))
Growth Curve Model
Yt = 0,130658 * (1,01667**t)
0,45
jan
Trend Analysis Plot for PGRN
Trend Analysis Plot for PGRN
PGRN
Measures
6,32049
0,01381
0,00029
C urv e Parameters
Intercept
0,137572
A symptote
-0,055020
A sym. Rate
0,996643
0,4
A ccuracy
MAPE
MAD
MSD
0,3
0,20
0,2
0,15
0,10
0,1
jan
jan
jan
jan
Month
jan
jan
jan
jan
jan
jan
Month
jan
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Participação de Genéricos por Região – Região Norte
Linear
Quadrática
S-Curve
Exponencial
MAPE
7,33197
6,32049
6,85258
6,32605
MAD
0,01546
0,01381
0,01553
0,01385
MSD
0,00036
0,00029
0,00037
0,00029
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“PGRN”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
Measures
6,85258
0,01553
0,00037
24
Região Sul
Trend Analysis Plot for PGRS
Trend Analysis Plot for PGRS
Quadratic Trend Model
Yt = 3,65428 + 0,0500610*t + 0,000781085*t**2
Linear Trend Model
Yt = 3,16193 + 0,0977071*t
11
A ccuracy
MA PE
MA D
MSD
8
7
Measures
6,78386
0,38866
0,22705
Variable
A ctual
Fits
Forecasts
11
10
A ccuracy
MAPE
MAD
MSD
9
PGRS
9
PGRS
12
Variable
Actual
Fits
Forecasts
10
6
8
7
6
5
5
4
4
3
3
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
A ccuracy
MA PE
MA D
MSD
9
8
Measures
5,83719
0,35129
0,18626
jan
jan
7
Variable
A ctual
Fits
Forecasts
12,5
PGRS
10
jan
Month
15,0
Variable
Actual
Fits
Forecasts
11
jan
S-Curve Trend Model
Yt = (10**2) / (-53,5711 + 80,0722*(0,996107**t))
Growth Curve Model
Yt = 3,60157 * (1,01628**t)
12
jan
Trend Analysis Plot for PGRS
Trend Analysis Plot for PGRS
PGRS
Measures
5,79622
0,34767
0,18318
Curv e Parameters
Intercept
3,77342
Asy mptote
-1,86668
Asy m. Rate
0,99611
10,0
Accuracy
MAPE
MAD
MSD
7,5
6
Measures
6,23884
0,39068
0,24617
5
5,0
4
3
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
jan
jan
Month
jan
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Participação de Genéricos por Região – Região Sul
Linear
Quadrática
S-Curve
Exponencial
MAPE
6,78386
5,79622
6,23884
5,813719
MAD
0,38866
0,34767
0,39068
0,35129
MSD
0,22705
0,18318
0,24617
0,18626
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“PGRS”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada
para as projeções dos próximos 12 meses.
25
Região Centro-Oeste
Trend Analysis Plot for PPGCO
Trend Analysis Plot for PPGCO
Linear Trend Model
Yt = 0,744407 + 0,0228063*t
Quadratic Trend Model
Yt = 0,858025 + 0,0118111*t + 0,000180250*t**2
2,5
A ccuracy
MA PE
MA D
MSD
Measures
6,75333
0,09078
0,01240
1,5
Variable
A ctual
Fits
Forecasts
2,50
2,25
PPGCO
2,0
PPGCO
2,75
Variable
A ctual
Fits
Forecasts
A ccuracy
MAPE
MAD
MSD
2,00
1,75
Measures
5,80902
0,08155
0,01007
1,50
1,25
1,0
1,00
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
Trend Analysis Plot for PPGCO
3,5
A ccuracy
MA PE
MA D
MSD
Measures
5,84802
0,08239
0,01023
Variable
A ctual
Fits
Forecasts
3,0
Curv e Parameters
Intercept
0,885991
A sy mptote
-0,458712
A sy m. Rate
0,995985
2,5
PPGCO
PPGCO
S-Curve Trend Model
Yt = (10**1) / (-21,8002 + 33,0870*(0,995985**t))
Variable
A ctual
Fits
Forecasts
2,0
jan
Trend Analysis Plot for PPGCO
Growth Curve Model
Yt = 0,846374 * (1,01621**t)
2,5
jan
jan
jan
Month from 2002 to 2006
A ccuracy
MAPE
MAD
MSD
2,0
1,5
1,5
1,0
1,0
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Participação de Genéricos por Região – Região Centro-Oeste
Linear
Quadrática
S-Curve
Exponencial
MAPE
6,75333
5,80902
6,25574
5,84802
MAD
0,09078
0,08155
0,09151
0,08239
MSD
0,01240
0,01007
0,01338
0,01023
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“PPGCO”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
Measures
6,25574
0,09151
0,01338
26
Região Sudeste
Trend Analysis Plot for PGRSUD
Trend Analysis Plot for PGRSUD
Linear Trend Model
Yt = 0,178271 + 0,00576160*t
Quadratic Trend Model
Yt = 0,203520 + 0,00331821*t + 0,0000400556*t**2
0,6
Accuracy
MAPE
MAD
MSD
0,4
Measures
6,62619
0,02179
0,00071
Variable
Actual
Fits
Forecasts
0,6
PGRSUD
0,5
PGRSUD
0,7
Variable
Actual
Fits
Forecasts
Accuracy
MAPE
MAD
MSD
0,5
Measures
5,76471
0,01986
0,00059
0,4
0,3
0,3
0,2
0,2
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
jan
A ccuracy
MA PE
MA D
MSD
Measures
5,76939
0,02007
0,00061
0,4
Variable
A ctual
Fits
Forecasts
0,7
Curv e Parameters
Intercept
0,211244
A sy mptote
-0,291090
A sy m. Rate
0,992327
0,6
PGRSUD
PGRSUD
0,8
Variable
A ctual
Fits
Forecasts
0,5
jan
S-Curve Trend Model
Yt = (10**1) / (-34,3536 + 81,6922*(0,992327**t))
Growth Curve Model
Yt = 0,204271 * (1,01675**t)
0,6
jan
jan
jan
Month from 2002 to 2006
Trend Analysis Plot for PGRSUD
Trend Analysis Plot for PGRSUD
0,7
jan
0,5
A ccuracy
MA PE
MA D
MSD
0,4
0,3
0,3
0,2
0,2
jan
jan
jan
jan
Month
jan
jan
jan
jan
jan
jan
Month
jan
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD
Linear
Quadrática
S-Curve
Exponencial
MAPE
22,1446
12,3373
15,4952
14,2577
MAD
0,0079
0,0045
0,0074
0,0052
MSD
0,0001
0,0000
0,0001
0,0000
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“MGUS”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
Measures
6,09837
0,02196
0,00077
27
Região Nordeste
Trend Analysis Plot for PGRNORD
Trend Analysis Plot for PGRNORD
Quadratic Trend Model
Yt = 0,754908 + 0,0100677*t + 0,000164228*t**2
Linear Trend Model
Yt = 0,651390 + 0,0200856*t
2,5
2,25
Variable
A ctual
Fits
Forecasts
PGRNORD
1,75
A ccuracy
MA PE
MA D
MSD
1,50
Measures
6,82641
0,08051
0,00975
1,25
2,0
PGRNORD
2,00
Variable
Actual
Fits
Forecasts
A ccuracy
MA PE
MA D
MSD
Measures
5,80269
0,07170
0,00781
1,5
1,00
1,0
0,75
0,50
jan
jan
jan
jan
Month
jan
jan
jan
jan
Trend Analysis Plot for PGRNORD
A ccuracy
MA PE
MA D
MSD
Measures
5,84821
0,07244
0,00794
1,5
Variable
A ctual
Fits
Forecasts
3,0
2,5
PGRNORD
PGRNORD
S-Curve Trend Model
Yt = (10**1) / (-32,2721 + 45,1076*(0,996711**t))
Variable
Actual
Fits
Forecasts
2,0
jan
Trend Analysis Plot for PGRNORD
Growth Curve Model
Yt = 0,741974 * (1,01625**t)
2,5
jan
jan
jan
Month from 2002 to 2006
C urve Parameters
Intercept
0,779091
A sy mptote
-0,309865
A sy m. Rate
0,996711
2,0
A ccuracy
MA PE
MA D
MSD
1,5
1,0
1,0
jan
jan
jan
jan
Month
jan
jan
jan
jan
jan
jan
jan
Month from 2002 to 2006
jan
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD
Linear
Quadrática
S-Curve
Exponencial
MAPE
22,1446
12,3373
15,4952
14,2577
MAD
0,0079
0,0045
0,0074
0,0052
MSD
0,0001
0,0000
0,0001
0,0000
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“MGUs”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
Measures
6,26593
0,08089
0,01059
28
3.2.3 Previsões
Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras para todas as
variáveis acima descritas ,isto nos leva aos gráficos já acima mencionados, plotados com 12 meses
vistas ao futuro com os seguintes valores :
Forecasts PGRN
Period Forecast
jul 0,358470
ago 0,364138
set 0,369870
out 0,375666
nov 0,381526
dez 0,387450
jan 0,393438
fev 0,399490
mar 0,405607
abr 0,411787
mai 0,418032
jun 0,424340
Forecasts PGRS
Period Forecast
jul
9,6144
ago
9,7605
set
9,9082
out
10,0575
nov
10,2083
dez
10,3607
jan
10,5147
fev
10,6702
mar
10,8272
abr
10,9859
mai
11,1461
jun
11,3078
Forecasts PPGCO
Period Forecast
jul
2,24921
ago
2,28319
set
2,31754
out
2,35224
nov
2,38730
dez
2,42273
jan
2,45851
fev
2,49465
mar
2,53116
abr
2,56803
mai
2,60525
jun
2,64284
Forecasts PPGSUD
Period Forecast
jul 0,554977
ago 0,563222
set 0,571547
out 0,579953
nov 0,588438
dez 0,597004
jan 0,605649
fev 0,614375
mar 0,623181
abr 0,632067
mai 0,641033
jun 0,650079
29
Forecasts PPGNORD
Period Forecast
jul
1,98013
ago
2,01040
set
2,04099
out
2,07192
nov
2,10317
dez
2,13475
jan
2,16666
fev
2,19890
mar
2,23147
abr
2,26436
mai
2,29759
jun
2,33114
3.3 Crude Death Rate no Brasil
3.3.1. O comportamento da Variável
Crude Death Rate no Brasil
Time Series Plot of CDRB
6,6
6,5
CDRB
6,4
6,3
6,2
6,1
jan
jul
jan
jul
jan
jul
jan
jul
Month from 2002 to 2006
jan
jul
30
3.3.2 Análise de Tendências
Trend Analysis Plot for CDRB
Trend Analysis Plot for CDRB
Linear Trend Model
Yt = 6,73729 - 0,0104029*t
Quadratic Trend Model
Yt = 6,61105 + 0,00181407*t - 0,000200278*t**2
6,8
Variable
A ctual
Fits
Forecasts
6,6
A ccuracy
MA PE
MA D
MSD
CDRB
6,5
6,4
Measures
0,955144
0,061343
0,005143
6,3
Variable
A ctual
Fits
Forecasts
6,6
6,4
CDRB
6,7
A ccuracy
MA PE
MA D
MSD
6,2
Measures
0,578581
0,036613
0,002259
6,0
6,2
6,1
5,8
6,0
5,6
5,9
jan
jan
jan
jan
jan
Month from 2002 to 2007
jul
jan
jul
Trend Analysis Plot for CDRB
A ccuracy
MA PE
MA D
MSD
CDRB
6,5
6,4
jul
6,75
Measures
0,979195
0,062919
0,005398
6,3
Variable
Actual
Fits
Forecasts
6,50
C urve Parameters
Intercept
6,63204
Asymptote
6,67645
Asym. Rate
1,04970
6,25
CDRB
6,6
jul
S-Curve Trend Model
Yt = (10**2) / (14,9780 + 0,100288*(1,04970**t))
Variable
A ctual
Fits
Forecasts
6,7
jul
Month
Trend Analysis Plot for CDRB
Growth Curve Model
Yt = 6,74476 * (0,998368**t)
6,8
jul
Accuracy
MAPE
MAD
MSD
6,00
6,2
5,75
6,1
6,0
Measures
0,663338
0,041904
0,003038
5,50
5,9
jul
jul
jul
jul
Month
jul
jul
jul
jul
jul
jul
Month
jul
jul
Para podermos visualizar qual a melhor função para representar a série de dados acima,
podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das
variáveis abaixo :
Crude Death Rate in Brazil
Linear
Quadrática
S-Curve
Exponencial
MAPE
0,95144
0,578581
0,663338
0,979198
MAD
0,061343
0,036613
0,041904
0,062919
MSD
0,005143
0,002259
0,003038
0,005398
Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados
“CDRB”, uma vez que possui os menores valores para os três erros. Assim, esta será a função
utilizada para as projeções dos próximos 12 meses.
1
31
3.3.3 Previsões
Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras ,isto nos leva
ao gráfico já acima mencionado plotado com 12 meses vistas ao futuro com os seguintes valores:
CDRB
Forecasts
Period Forecast
jul
5,91350
ago
5,88010
set
5,84545
out
5,80952
nov
5,77227
dez
5,73368
jan
5,69373
fev
5,65238
mar
5,60963
abr
5,56543
mai
5,51978
jun
5,47267
3.4 O comportamento das variáveis utilizando o método da decomposição
3.4.1. Variável PGVT
Time Series Decomposition Plot for PGVT
Multiplicative Model
14
Variable
Actual
Fits
Trend
13
12
Accuracy
MA PE
MA D
MSD
PGVT
11
10
9
8
7
6
5
2007
2017
2027
2037
Year
2047
2057
Measures
6,76779
0,59545
0,53278
32
Residual Plots for PGVT
Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99,9
1
90
Residual
Percent
99
50
10
1
0,1
-2
-1
0
Residual
1
0
-1
-2
2
Histogram of the Residuals
7,5
10,0
Fitted Value
12,5
15,0
Residuals Versus the Order of the Data
12
1
9
Residual
Frequency
5,0
6
3
0
-1,6
-0,8
0,0
Residual
0
-1
-2
0,8
1 5
10 15 20 25 30 35 40 45 50 55 60
Observation Order
Seasonal Analysis for PGVT
Multiplicative Model
Seasonal Indices
Detrended Data, by Seasonal Period
1,2
1,5
1,1
1,0
1,0
0,9
0,5
1
2
3
4
1
Percent Variation, by Seasonal Period
2
3
4
Residuals, by Seasonal Period
30
1
20
0
10
0
-1
1
2
3
4
-2
1
2
3
4
33
Component Analysis for PGVT
Multiplicative Model
Original Data
Detrended Data
1,2
Detr. Data
Data
12
9
1,1
1,0
0,9
6
2027
2047
2027
2047
Year
Seasonally Adjusted Data
Seasonally Adj. and Detrended Data
12
9
6
2007
2007
Year
2027
2047
Year
Seas. A dj. and Detr. Data
Seas. A dj. Data
2007
1
0
-1
-2
2007
2027
2047
Year
3.5 Considerações sobre as variáveis:
Pudemos perceber que a tendência de penetração de genéricos tem-se acentuado na região sudeste e a
tendência , caso não apareça nenhuma nova variável, é de aumento de crescimento nos próximos
meses. Demonstra-se ainda incipiente a penetração nas regiões Norte e Nordeste não correspondendo
às maiores necessidades do nosso país. Um ponto á ressaltar é que a tendência do índice de
mortalidade bruto do Brasil está em um processo de queda e a tendência continua nos próximos
meses, o que de certa maneira pode refletir a maior penetração de genéricos e outros medicamentos no
país atingindo as classes menos privilegiadas, obviamente que os dados não são suficientes para esta
observação.
34
4. O comportamento da variável utilizando o método da decomposição
PGVT
Residual Plots for PGVT
Time Series Decomposition Plot for PGVT
Normal Probability Plot of the Residuals
Multiplicative Model
13
12
Accuracy
MAPE
MAD
MSD
10
Measures
6,76779
0,59545
0,53278
99
1
90
50
10
1
0,1
-2
-1
0
Residual
9
1
-1
Histogram of the Residuals
8
2007
2017
2027
2037
Year
2047
Residual
5
6
3
2057
0
-0,8
0,0
Residual
1 5
Detrended Data
1,2
Data
0,9
9
2007
1
Percent Variation, by Seasonal Period
2
3
2027
Seas. A dj. Data
0
-1
1
2
3
4
-2
0,9
2047
12
9
6
2007
1
2
3
4
2007
2027
2027
2047
Year
2047
Year
Seasonally Adjusted Data
Residuals, by Seasonal Period
1
10
1,0
Year
4
30
20
1,1
6
0,5
4
Detr. Data
12
1,0
3
10 15 20 25 30 35 40 45 50 55 60
Observation Order
Multiplicative Model
1,1
2
-1
0,8
1,2
1
15,0
0
Original Data
Detrended Data, by Seasonal Period
1,0
12,5
Component Analysis for PGVT
Multiplicative Model
1,5
10,0
Fitted Value
-2
-1,6
Seasonal Analysis for PGVT
Seasonal Indices
7,5
1
9
Frequency
6
5,0
Residuals Versus the Order of the Data
12
7
0
0
-2
2
Seas. A dj. and Detr. Data
PGVT
11
Residuals Versus the Fitted Values
99,9
Residual
Variable
Actual
Fits
Trend
Percent
14
Seasonally Adj. and Detrended Data
1
0
-1
-2
2007
2027
2047
Year
1
35
PGRSUD
Residual Plots for PGRSUD
Time Series Decomposition Plot for PGRSUD
Normal Probability Plot of the Residuals
Multiplicative Model
0,40
Measures
6,62619
0,02179
0,00071
Residual
Accuracy
MAPE
MAD
MSD
0,025
90
50
10
0,000
-0,025
-0,050
1
0,1
-0,10
-0,05
0,35
0,00
Residual
0,05
0,10
0,2
Histogram of the Residuals
0,25
0,20
2007
2017
2027
2037
Year
2047
0,050
12
0,025
8
4
0
2057
Multiplicative Model
Original Data
1,2
0,9
4
0,2
2007
1
Percent Variation, by Seasonal Period
30
2
3
-0,05
2
3
4
0,5
0,4
0,3
0,2
2007
1
2
3
4
1,0
0,9
2007
2027
2027
2047
Year
2047
Year
Seasonally Adjusted Data
Seas. A dj. Data
10
2047
1,1
Year
Residuals, by Seasonal Period
0,00
1
2027
4
0,05
20
0,4
0,3
0,5
3
Detr. Data
Data
1,0
2
Detrended Data
1,2
0,5
1,1
1
1 5 10 15 20 25 30 35 40 45 50 55 60
Observation Order
Component Analysis for PGRSUD
Detrended Data, by Seasonal Period
1,0
0,000
-0,050
Multiplicative Model
1,5
0,5
-0,025
45
45
30
30
15
60
00
15
,0 0, 0 0,0 0,0 0,0 0,0 0,0 0, 0
-0
Residual
Seasonal Analysis for PGRSUD
Seasonal Indices
0,3
0,4
Fitted Value
Residuals Versus the Order of the Data
16
Residual
Frequency
0,30
Seas. A dj. and Detr. Data
PGRSUD
0,45
0,050
99
Percent
Variable
Actual
Fits
Trend
0,50
0
Residuals Versus the Fitted Values
99,9
0,55
Seasonally Adj. and Detrended Data
0,05
0,00
-0,05
2007
2027
2047
Year
1
36
PGRNORD
Residual Plots for PGRNORD
Time Series Decomposition Plot for PGRNORD
Normal Probability Plot of the Residuals
Multiplicative Model
Variable
Actual
Fits
Trend
1,50
Measures
6,82641
0,08051
0,00975
0,1
90
Residual
Accuracy
MAPE
MAD
MSD
0,2
99
Percent
1,75
50
10
0,0
-0,1
-0,2
1
0,1
-0,30
-0,15
0,00
Residual
1,25
0,15
0,30
0,5
Histogram of the Residuals
1,0
1,5
Fitted Value
2,0
Residuals Versus the Order of the Data
0,2
1,00
Frequency
10,0
0,75
5,0
2,5
0,50
2007
2017
2027
2037
Year
2047
0,1
7,5
Residual
PGRNORD
Residuals Versus the Fitted Values
99,9
2,00
2057
0,0
-0,2
-0,2
-0,1
0,0
Residual
1,0
Detrended Data
1,2
1,8
Detr. Data
1,0
1 5 10 15 20 25 30 35 40 45 50 55 60
Observation Order
Original Data
Detrended Data, by Seasonal Period
1,2
0,2
Multiplicative Model
Multiplicative Model
1,5
0,1
Component Analysis for PGRNORD
Seasonal Analysis for PGRNORD
Seasonal Indices
0,0
-0,1
Data
1,5
1,2
1,0
0,9
1
2
3
4
0,8
Percent Variation, by Seasonal Period
2
3
10
1,8
1,5
1,2
0,9
-0,2
0
2007
1
2
3
4
1
2
3
4
2027
2027
2047
Year
2047
Year
Seasonally Adjusted Data
Residuals, by Seasonal Period
0,0
0,8
2007
2047
Year
0,2
20
2027
4
Seas. A dj. Data
30
2007
1
Seas. A dj. and Detr. Data
0,5
Seasonally Adj. and Detrended Data
0,2
0,0
-0,2
2007
2027
2047
Year
2
37
CDRB
Residual Plots for CDRB
Time Series Decomposition Plot for CDRB
Normal Probability Plot of the Residuals
Multiplicative Model
90
50
10
1
0,1
-0,2
6,4
-0,1
0,0
Residual
0,1
0,2
6,2
Histogram of the Residuals
6,3
2007
2017
2027
2037
Year
2047
2057
6
4
2
-0,12
-0,06
0,00
0,06
Residual
1,02
6,4
6,2
0,5
2
3
4
2007
1
Percent Variation, by Seasonal Period
2
3
2027
4
Residuals, by Seasonal Period
2047
Seas. A dj. Data
0,1
0,0
10
2
3
4
1
2
3
2047
Seasonally Adjusted Data
Seasonally Adj. and Detrended Data
6,2
-0,1
1
2027
Year
6,4
2007
2007
Year
6,6
20
1,00
0,98
0,98
1
Detrended Data
6,6
Detr. Data
1,00
Original Data
Data
1,0
1 5 10 15 20 25 30 35 40 45 50 55 60
Observation Order
Multiplicative Model
Detrended Data, by Seasonal Period
1,02
0,12
Component Analysis for CDRB
Multiplicative Model
1,5
0,0
-0,1
0
Seasonal Analysis for CDRB
Seasonal Indices
6,8
0,1
Residual
Frequency
6,1
6,4
6,6
Fitted Value
Residuals Versus the Order of the Data
8
6,2
0,0
-0,1
2027
4
2047
Seas. A dj. and Detr. Data
CDRB
6,5
Measures
0,955144
0,061343
0,005143
0,1
Residual
Accuracy
MAPE
MAD
MSD
6,6
99
Percent
Variable
Actual
Fits
Trend
6,7
0
Residuals Versus the Fitted Values
99,9
6,8
0,1
0,0
-0,1
2007
2027
Year
2047
1
Year
5.0 Correlações
5.1 Checagem de correlação entre as variáveis quantitativas
5.1.1. Análise das Variáveis :
MRUS,MRUN,MMUS,MMUN,MGUS,MGUN,MSUS,MSUN,PGVT,PGRN,PGRSUD,PGRS,
PGRCO,PGRNORD,EVNA,MIB e CDRB
Correlations: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; MSUN; ...
MRUS MRUN
MRUN
0,236
0,069
MMUS
MMUN
MGUS
MGUN
MMUS
0,870 0,156
0,000 0,235
MMUN
0,584 0,323 0,690
0,000 0,012 0,000
MGUS
0,845 0,067 0,901 0,488
0,000 0,610 0,000 0,000
MGUN
0,727 0,122 0,816 0,457 0,789
0,000 0,353 0,000 0,000 0,000
MSUS
0,780 0,129 0,813 0,521 0,871 0,693
0,000 0,326 0,000 0,000 0,000 0,000
MSUN
0,049
0,139 0,078
0,462 -0,138
0,047 0,067
MSUS
MSUN
38
0,708 0,288
0,556 0,000
0,292 0,722
0,610
PGVT
0,796 0,038 0,854 0,405 0,955 0,711 0,824 -0,292
0,000 0,775 0,000 0,001 0,000 0,000 0,000 0,023
PGRN
0,793 0,036 0,851 0,402 0,954 0,705 0,823 -0,294
0,000 0,782 0,000 0,001 0,000 0,000 0,000 0,023
PGRSUD 0,796 0,038 0,854 0,405 0,956 0,711 0,824 -0,292
0,000 0,775 0,000 0,001 0,000 0,000 0,000 0,024
PGRS
0,795 0,037 0,853 0,405 0,955 0,710 0,823 -0,293
0,000 0,776 0,000 0,001 0,000 0,000 0,000 0,023
PGRCO
0,796 0,039 0,854 0,407 0,954 0,714 0,822 -0,295
0,000 0,769 0,000 0,001 0,000 0,000 0,000 0,022
PGRNORD 0,796 0,038 0,854 0,405 0,956 0,711 0,824 -0,291
0,000 0,776 0,000 0,001 0,000 0,000 0,000 0,024
EVNA
0,780 0,048 0,836 0,405 0,929 0,714 0,788 -0,321
0,000 0,717 0,000 0,001 0,000 0,000 0,000 0,012
MIB
-0,752 -0,048 -0,805 -0,385 -0,902 -0,679 -0,756 0,345
0,000 0,715 0,000 0,002 0,000 0,000 0,000 0,007
CDRB
-0,804 -0,047 -0,867 -0,426 -0,979 -0,768 -0,819 0,211
0,000 0,724 0,000 0,001 0,000 0,000 0,000 0,106
PGRN
PGVT PGRN PGRSUD
0,999
0,000
PGRS
PGRCO PGRNORD
EVNA
MIB
PGRSUD 1,000 0,999
0,000 0,000
PGRS
1,000 0,999 1,000
0,000 0,000 0,000
PGRCO
1,000 0,998 1,000 1,000
0,000 0,000 0,000 0,000
PGRNORD 1,000 0,999 1,000 1,000 1,000
0,000 0,000 0,000 0,000 0,000
EVNA
0,982 0,978 0,982 0,982 0,986 0,982
0,000 0,000 0,000 0,000 0,000 0,000
MIB
-0,963 -0,964 -0,963 -0,963 -0,964 -0,962 -0,984
0,000 0,000 0,000 0,000 0,000 0,000 0,000
CDRB
-0,974 -0,971 -0,974 -0,973 -0,973 -0,974 -0,948 0,913
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Cell Contents: Pearson correlation
P-Value
Os valores P-value das análises de variância acima nos confirmam que:
- Existem tendências a correlações fortes entre as variáveis MMUS, MMUN, MGUS, MGUN,
MSUN, PGRN, PGRSUD, PGRS, EVNA, MIB, CDRB em relação à variável MRUN, sendo as
correlações MIB e CDRB negativas, o que demonstra a veracidade das mesmas, uma vez que com um
maior investimento em medicamento temos uma redução nas taxas de mortalidade infantil e
mortalidade bruta.
- Existem tendências a correlações fortes também entre MRUS, MRUN, MMUS, MMUN, MGUS,
MGUN, MSUS em relação à variável MSUN, sendo está negativa em relação à variável MGUS, o que
39
também confirma a realidade uma vez que os medicamentos similares estão sendo substituídos
também pelos genéricos.
- Finalmente também verificamos a correlação entre a variável MSUN em relação à CDRB.
6.0 Teste de Hipótese
6.1 Variáveis CDRB, MRUN,MIB, MMUN,MSUN
Vamos verificar pelo teste de hipótese a confirmação o que já haviamos visto anteriormente nos testes
de variabilidade , que existe uma correlação forte entre entre algumas variáveis, não faremos para
todas, pois admitiremos que as outras também seguem o mesmo conceito.
Two-sample T for CDRB vs MRUN
N Mean StDev SE Mean
CDRB 60 6,420 0,196 0,025
MRUN 60 0,0546 0,0149 0,0019
Difference = mu (CDRB) - mu (MRUN)
Estimate for difference: 6,36542
95% CI for difference: (6,31528; 6,41555)
T-Test of difference = 0 (vs not =): T-Value = 251,42 P-Value = 0,782 DF =
118
Both use Pooled StDev = 0,1387
Two-sample T for MIB vs MRUN
N Mean StDev SE Mean
MIB 60 29,24 4,75 0,61
MRUN 60 0,0546 0,0149 0,0019
Difference = mu (MIB) - mu (MRUN)
Estimate for difference: 29,1894
95% CI for difference: (27,9757; 30,4032)
T-Test of difference = 0 (vs not =): T-Value = 47,62 P-Value = 0,568 DF = 118
Both use Pooled StDev = 3,3571
Two-sample T for MMUN vs MRUN
N Mean StDev SE Mean
MMUN 60 0,04255 0,00721 0,00093
MRUN 60 0,0546 0,0149 0,0019
Difference = mu (MMUN) - mu (MRUN)
Estimate for difference: -0,012033
95% CI for difference: (-0,016267; -0,007799)
T-Test of difference = 0 (vs not =): T-Value = -5,63 P-Value = 0,382 DF = 118
Both use Pooled StDev = 0,0117
Two-sample T for MSUN vs CDRB
N
Mean StDev SE Mean
MSUN 60 0,001833 0,000740 0,000096
CDRB 60 6,420 0,196 0,025
Difference = mu (MSUN) - mu (CDRB)
Estimate for difference: -6,41817
95% CI for difference: (-6,46816; -6,36818)
T-Test of difference = 0 (vs not =): T-Value = -254,24 P-Value = 0,619 DF =
118
Both use Pooled StDev = 0,1383
40
Pelos exemplos acima confirmamos as correlações indicadas no item 5.0
7.0 Dendograma
Cluster Analysis of Variables: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; ...
Correlation Coefficient Distance, Single Linkage
Amalgamation Steps
Number
Number
of obs.
of Similarity Distance Clusters
New in new
Step clusters
level level joined cluster cluster
1
16 100,000 0,000000 9 11
9
2
2
15 100,000 0,000005 9 14
9
3
3
14 100,000 0,000010 9 12
9
4
4
13 99,984 0,000316 9 13
9
5
5
12 99,973 0,000539 9 10
9
6
6
11 99,301 0,013976 9 15
9
7
7
10
97,795 0,044096 5 9
5
8
8
9 95,674 0,086520 16 17
16
2
9
8 95,056 0,098882 3 5
3
9
10
7 93,574 0,128519 3 7
3
10
11
6 93,501 0,129988 1 3
1
11
12
5 90,788 0,184239 1 6
1
12
13
4 84,507 0,309858 1 4
1
13
14
3 73,095 0,538098 1 8
1
14
15
2 67,255 0,654905 1 16
1
16
16
1 66,147 0,677058 1 2
1
17
Dendrogram
Dendrogram with Single Linkage and Correlation Coefficient Distance
Similarity
66,15
77,43
88,72
100,00
D
N IB RB UN
S
N
A
S
T
N
D
N
S
S
S
O
R
RU MU GU PGV RS U NO R PGR GRC PGR EV N S U GU MU SU M C D
M
M
M
M
M M
M M
P
PG PGR
Variables
41
Pelo dendograma acima, verificamos visualmente as correlações entre as 16 variáveis do nosso
estudo. Abaixo faremos uma análise de correlação entre um número menor de variáveis
representando o montante de 16 variáveis.
8.0 Componentes Principais
Principal Component Analysis: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; MSUN; P
Eigenanalysis of the Correlation Matrix
Eigenvalue 12,834 1,949 0,891 0,424 0,320 0,208 0,157 0,097 0,062
Proportion 0,755 0,115 0,052 0,025 0,019 0,012 0,009 0,006 0,004
Cumulative 0,755 0,870 0,922 0,947 0,966 0,978 0,987 0,993 0,997
Eigenvalue 0,037 0,014 0,006 0,000 0,000 0,000 -0,000 -0,000
Proportion 0,002 0,001 0,000 0,000 0,000 0,000 -0,000 -0,000
Cumulative 0,999 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Variable PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8
MRUS
0,239 0,205 -0,038 0,117 -0,016 -0,911 0,020 -0,128
MRUN
0,026 0,360 -0,901 0,105 -0,133 0,125 -0,105 0,036
MMUS
0,255 0,214 0,090 0,032 0,237 -0,096 0,027 0,231
MMUN
0,140 0,519 0,053 -0,556 0,463 0,134 0,288 0,033
MGUS
0,273 0,022 0,060 0,083 -0,081 0,001 0,036 0,393
MGUN
0,219 0,165 0,110 0,770 0,400 0,248 0,119 -0,155
MSUS
0,241 0,150 0,097 0,048 -0,613 0,139 0,684 -0,136
MSUN
-0,053 0,616 0,379 0,031 -0,366 0,127 -0,547 -0,149
PGVT
0,276 -0,095 -0,012 -0,075 -0,055 0,046 -0,101 0,034
PGRN
0,275 -0,097 -0,013 -0,084 -0,066 0,043 -0,104 0,034
PGRSUD 0,276 -0,095 -0,012 -0,075 -0,055 0,046 -0,101 0,034
PGRS
0,276 -0,096 -0,013 -0,078 -0,056 0,046 -0,101 0,028
PGRCO
0,276 -0,095 -0,014 -0,074 -0,042 0,049 -0,098 0,003
PGRNORD 0,276 -0,095 -0,011 -0,075 -0,057 0,046 -0,102 0,042
EVNA
0,272 -0,105 -0,043 -0,079 0,073 0,073 -0,102 -0,353
MIB
-0,266 0,124 0,066 0,122 -0,098 -0,077 0,125 0,604
CDRB
-0,273 0,043 -0,033 -0,069 0,036 -0,081 0,188 -0,462
Variable PC9 PC10 PC11 PC12 PC13 PC14 PC15 PC16
MRUS
0,179 0,075 -0,010 0,039 0,000 -0,000 -0,000 0,000
MRUN
-0,037 -0,013 0,005 -0,015 -0,000 0,000 -0,000 -0,000
MMUS
-0,847 -0,166 -0,096 0,080 0,000 0,000 0,000 0,000
MMUN
0,270 0,092 0,029 0,010 0,000 -0,000 -0,000 0,000
MGUS
0,225 -0,612 0,264 -0,508 -0,000 0,000 -0,000 -0,000
MGUN
0,149 0,176 0,077 -0,018 -0,000 -0,000 -0,000 -0,000
MSUS
-0,058 0,002 -0,087 0,124 0,000 -0,000 0,000 0,000
MSUN
0,000 0,001 0,011 -0,042 -0,000 -0,000 -0,000 -0,000
PGVT
-0,017 0,214 0,077 -0,068 -0,545 0,279 -0,130 -0,584
PGRN
-0,034 0,197 0,353 0,090 0,260 0,525 0,104 -0,050
PGRSUD -0,017 0,214 0,083 -0,064 0,200 -0,553 0,635 -0,294
PGRS
-0,022 0,215 0,109 -0,059 0,199 -0,468 -0,742 -0,036
PGRCO -0,012 0,209 -0,093 -0,172 -0,598 -0,122 0,133 0,610
PGRNORD -0,016 0,216 0,098 -0,051 0,377 0,265 0,015 0,421
EVNA
0,031 -0,131 -0,710 -0,366 0,215 0,170 -0,012 -0,129
MIB
0,016 0,496 -0,300 -0,365 0,102 0,093 -0,004 -0,057
CDRB
-0,311 0,151 0,381 -0,630 0,006 0,004 0,006 -0,005
Variable PC17
MRUS
0,000
MRUN
-0,000
MMUS
0,000
MMUN
-0,000
MGUS
-0,000
MGUN
-0,000
MSUS
0,000
MSUN
-0,000
0,322
PGVT
PGRN
-0,600
PGRSUD 0,029
42
PGRS
-0,140
PGRCO -0,227
PGRNORD 0,666
EVNA
-0,118
MIB
-0,082
CDRB
0,014
Scree Plot of MRUS; ...; CDRB
Scree Plot of MRUS; ...; CDRB
14
12
Eigenvalue
10
8
6
4
2
0
2
4
6
8
10
Component Number
12
14
16
Score Plot of MRUS; ...; CDRB
Second Component
5,0
2,5
0,0
-2,5
-5,0
-5,0
-2,5
0,0
2,5
First Component
5,0
7,5
43
Loading Plot of MRUS; ...; CDRB
0,7
MSUN
0,6
MMUN
Second Component
0,5
0,4
MRUN
0,3
0,2
0,1
MMUS
MRUS
MGUN
MSUS
MIB
CDRB
MGUS
0,0
PGRNORD
PGRSUD
PGRCO
PGRN
PGVT
PGRS
EVNA
-0,1
-0,2
-0,3
-0,2
-0,1
0,0
First Component
0,1
0,2
0,3
A análise de componentes principais mostra que, ao invés de utilizarmos as 16 variáveis,
poderiamos utilizar apenas 5(PC1 a PC5). Essas 5 variáveis, em conjunto, explicam mais de 97% o
comportamento das 16 variáveis em questão.
44
9.0 Considerações finais
Não há motivo para negar que os medicamentos genéricos têm seu papel e uma grande importância na
luta pela saúde, uma vez que foram criados para garantir o acesso de uma parcela expressiva da
sociedade aos tratamentos essenciais. Pudemos verificar no decorrer do estudo que a tendência do
crescimento dos medicamentos, entre eles os genéricos, nos levam a uma redução da mortalidade
infantil e da mortalidade bruta no País.
Pelo Baixo custo de produção e conseqüentemente , pelo menor valor de venda para o consumidor
final, o mercado de genéricos tende a crescer anualmente ,segundo um função quadrática(visto no
estudo), a taxa de dois dígitos. Verificamos nos últimos anos que as divisões de genéricos dos
grandes laboratórios são vendidas por cifras bilionárias ao redor do mundo e as unidades de produção
no Brasil recebem novos investimentos em ampliações, contratando recursos do BNDES(no caso de
empresas multinacionais, os recursos derivam da matriz).
Esses são fatos que comprovam a viabilidade do mercado de genéricos e de seu potencial de
crescimento e os benefícios que poderá trazer aos pacientes. Podemos também ver pelo estudo, que a
tendência é de crescimento para os medicamentos no geral.
Também percebemos nos últimos anos que o governo aposta nessa modalidade de medicamentos
como forma de atender a população que tem na rede pública de saúde a única forma de acesso aos
tratamentos.
Pelo estudo verificamos que as regiões do Brasil que mais tem penetração de genéricos é a região
Sudeste com 65% de penetração e a menor região é a Norte com 2%. Isto nos remete ao baixo nível de
informação que as regiões afastadas do pólo industrial do Brasil(Sudeste) recebem à respeito dos
medicamentos genéricos, bem como o baixo acesso às redes públicas de saúde e mesmo à falta de
medicamentos nestas regiões.
Outro ponto que devemos levar em consideração é que para as doenças mais comuns, cujos
medicamentos foram lançadas há mais de 10 ou 20 anos, os medicamentos genéricos estão atendendo
dentro de suas limitações de capacidade. O problema também nos remete à demanda gerada por
pacientes que sofrem com doenças crônicas, com necessidades médicas não atendidas, para os quais a
tecnologia de ponta e medicamentos de novíssima geração são os que representam esperança e
significam uma luz no final do túnel, pois nesta caso, para chegar em quantidade suficiente em acordo
à necessidade da população, deverá esperar que sua patente seja terminada, para então fazer parte do
contingente de genéricos. Mas o tempo é inimigo das doenças ,o que poderá acarretar um aumento no
percentual de mortes no Brasil. No estudo verificamos uma queda gradativa do índice CDRB, mas isto
não significa que não haja aumento de mortalidade por falta de medicamentos adequados.
Avanços na tecnologia dos medicamentos, bem como investimentos em pesquisa de novas moléculas,
faz-se necessário e a rapidez é um ponto crucial. Como fica o Brasil nesta questão? Avanços tão
numerosos e tão significativos têm um custo, que é alto e difícil de ser pago. Portanto emerge daí a
necessidade de uma gestão pública que seja capaz de unir o melhor dos dois mundos. Porque,
enquanto alguns pacientes podem ser atendidos pelos genéricos, outros dependem da tecnologia para
se manter vivos, produtivos e conseguir sua reinserção na sociedade.
Cabe ao governo garantir a essas pessoas o direito constitucional de acesso universal à saúde. E temos
aprendido que isto é possível, por meio de uma relação de transparência , parceria e de negociação
com os laboratórios, qualquer que seja seu país de origem.
45
Com vontade política e foco direcionado para as reais necessidades dos pacientes, é possível garantir
eu os genéricos cumpram seu papel e também será possível que a inovação e o avanço da medicina
cheguem cada vez mais a um número maior de pacientes.
Neste estudo verificamos que inúmeras são as variáveis relativas aos medicamentos e que muitas são
correlacionadas diretamente e inversamente ,vimos as tendências com suas projeções das principais
variáveis e que algumas podem representar o todo com 95% de confiabilidade.
O importante é sabermos que todos os esforços são válidos e bem-vindos para garantirmos o acesso à
todo e qualquer tipo de medicamento necessário a toda população carente do nosso País .
Download

Sergio De Souza Coelho - PUC-SP