Dissertao_Silvania_Com_Ficha_Catalogrfica (2).pdf
Documento PDF (3.4MB)

Exibir conteúdo Baixar

                    UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA

SILVANIA DONATO DA SILVA

IMPACTO AMBIENTAL DA COVID-19 NAS DOENÇAS NEGLIGENCIADAS
(DENGUE, TUBERCULOSE, LEISHMANIOSE E HANSENÍASE) EXISTENTES NO
ESTADO DE ALAGOAS

Maceió, AL
2024

SILVANIA DONATO DA SILVA

IMPACTO AMBIENTAL DA COVID-19 NAS DOENÇAS NEGLIGENCIADAS
(DENGUE, TUBERCULOSE, LEISHMANIOSE E HANSENÍASE) EXISTENTES NO
ESTADO DE ALAGOAS

Dissertação

apresentada

à

Universidade

Federal de Alagoas, como requisito para a
obtenção do título de Mestre em Meteorologia.

Orientador: Prof. Dr. José Francisco de Oliveira
Júnior

Maceió, AL
2024

UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
COORDENAÇÃO DE PÓS-GRADUAÇÃO EM METEOROLOGIA
CERTIFICADO DE APRESENTAÇÃO
Nº de ordem: MET-UFAL-MS-202.
“IMPACTO AMBIENTAL DA COVID-19 NAS DOENÇAS NEGLIGENCIADAS (DENGUE, TUBERCULOSE,
LEISHMANIOSE E HANSENÍASE) EXISTENTES NO ESTADO DE ALAGOAS.”

SILVANIA DONATO DA SILVA
Dissertação submetida ao colegiado do Curso de
Pós-Graduação em Meteorologia da Universidade
Federal de Alagoas – UFAL, como parte dos
requisitos necessários à obtenção do grau de Mestre
em Meteorologia.
Aprovado pela Banca Examinadora composta por:

________________________________________
Prof. Dr. José Francisco de Oliveira Júnior
(Orientador)

_________________________________________
Prof. Dr. Heliofabio Barros Gomes
(Membro Interno)

__________________________________________
Prof. Dr. Washington Luiz Félix Correia Filho
(Membro Externo)

______________________________________________
Prof. Dr. Dimas de Barros Santiago
(Membro Externo)
FEVEREIRO/2024

DEDICATÓRIA

Dedico, primeiramente, a Deus pela graça de mais uma conquista em minha vida, a
minha família por todo apoio ao longo dessa caminhada, ao meu orientador, Prof.
Dr. José Francisco de Oliveira Júnior, pelo incentivo e sabedoria e a todos os
professores do ICAT/UFAL pelos conhecimentos ministrados, os quais foram muito
valiosos para a minha formação acadêmica.

AGRADECIMENTOS

Ao Bom Deus pelo dom da vida e por me guiar em todos os momentos
difíceis ao longo da caminhada e a Nossa Senhora por toda proteção.
Aos meus Santos de devoção: São Miguel Arcanjo, São padre Pio de
Pietrelcina e São Donato, por suas intercessões.
A minha mãe, Valdira Pacheco, por suas orações, amor e cuidado.
Ao meu pai, João Donato, pelo exemplo de coragem.
Aos meus irmãos, Jessiane Donato e Sidney Donato, por todo apoio e pelas
palavras de incentivo.
Ao meu esposo, José Erisnaldo, pela paciência.
A minha madrinha, Maria Margarida, por sua generosidade.
Aos meus gatos: Monza, Imola, Johnny e WoodMax, por preencherem meu
coração com muito amor.
Ao meu orientador, Prof. Dr. José Francisco de Oliveira Júnior, pela
orientação, paciência, compreensão, ensinamentos, confiança, sinceridade e bom
humor.
Aos membros da banca examinadora: Prof. Dr. Héliofabio Gomes Barros,
Prof. Dr. Washington Luiz Félix Correia Filho e Prof. Dr. Dimas de Barros Santiago,
por dedicarem seu tempo.
A Universidade Federal de Alagoas, pela oportunidade de fazer о curso de
Pós-Graduação e proporcionar suportes para esta conclusão.
A todos os professores do ICAT/UFAL, pelos ensinamentos e inspiração.
Ao DATASUS, SVS e SINAM por cederem gentilmente os dados.
A CLIMANALISE por ceder gentilmente os boletins climáticos mensais.
Ao IBGE por ceder gentilmente os dados socioeconômicos.

Se eu vi mais longe, foi por está sobre ombros de gigantes
(Isaac Newton)

LISTA DE FIGURAS
pág.
Figura 1. Localização das mesorregiões climáticas do Estado de Alagoas e sua
respectiva altitude (m)................................................................................................21
Figura 2. Distribuição espacial do número total de casos Dengue nas mesorregiões
do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019............................................................................................................................28
Figura 3. Distribuição espacial do número total de casos de Dengue nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021............................................................................................................................29
Figura 4. Distribuição espacial do número total de casos de Tuberculose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019............................................................................................................................30
Figura 5. Distribuição espacial do número total de casos de Tuberculose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021............................................................................................................................31
Figura 6. Distribuição espacial do número total de casos de Leishmaniose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019............................................................................................................................32
Figura 7. Distribuição espacial do número total de casos de Leishmaniose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021............................................................................................................................33
Figura 8. Distribuição espacial do número total de casos de Hanseníase nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019............................................................................................................................34
Figura 9. Distribuição espacial do número total de casos de Hanseníase nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021............................................................................................................................35
Figura 10. Dendrograma dos casos de COVID-19 na mesorregião Leste de Alagoas
e o valor do CCC e o método de ligação (Centróide), respectivamente....................37

Figura 11. Distribuição espacial dos grupos formados (G1 e G2) de casos de
COVID-19 no Leste de Alagoas.................................................................................38
Figura 12. Dendrograma dos casos de COVID-19 na mesorregião Agreste de
Alagoas e o valor do CCC e o método de ligação (Média), respectivamente............39
Figura 13. Distribuição espacial dos grupos formados (G1, G2 e G3) de casos de
COVID-19

no

Agreste

de

Alagoas.......................................................................................................................40
Figura 14. Dendrograma dos casos de COVID-19 na mesorregião Sertão de
Alagoas e o valor do CCC e o método de ligação (Média), respectivamente............41
Figura 15. Distribuição espacial dos grupos formados (G1, G2 e G3) de casos de
COVID-19

no

Sertão

de

Alagoas.......................................................................................................................42
Figura 16. Matriz de correlação entre o Total de COVID-19 no Estado de Alagoas e
as variáveis sociodemográficas: população, IDH, GINI, densidade demográfica
(hab./km2) e área da unidade territorial (km2) no período em estudo........................43
Figura 17. Matriz de correlação (a) e o gráfico (b) entre os casos de COVID-19 na 1ª
Onda e os dados climáticos: precipitação, umidade, pressão, velocidade do vento e
temperatura no período em estudo............................................................................45
Figura 18. Matriz de correlação (a) e o gráfico (b) entre os casos de COVID-19 na 2ª
Onda e os dados climáticos: precipitação, umidade, pressão, velocidade do vento e
temperatura no período em estudo............................................................................46

LISTA DE TABELAS
pág.
Tabela 1. Métodos de Ligação e os valores de CCC aplicados aos casos de COVID19 obtidos das mesorregiões climáticas de Alagoas..................................................36

RESUMO
O estudo avaliou o impacto ambiental da COVID-19 nas doenças negligenciadas
existentes no Estado de Alagoas. Os dados das doenças negligenciadas (dengue,
tuberculose, leishmaniose e hanseníase) e de COVID-19 foram obtidos do sistema
DATASUS entre 03/2020 a 01/2023. Ambos os conjuntos de dados de saúde
juntamente com dados censitários (IBGE - 2010) e climáticos (TerraClimate) foram
submetidos às técnicas estatísticas descritiva e multivariada (análise de
agrupamento - AA). No estudo foram confeccionados mapas no Quantum GIS
(QGIS) versão 3.16. Os resultados da técnica de AA aplicada aos municípios das
mesorregiões do Estado mostrou que o Leste formou dois grupos homogêneos (G1 e
G2). As mesorregiões Agreste e Sertão formaram três grupos homogêneos (G1, G2 e
G3) de casos de COVID-19. A doença mais impactada no cenário antes e durante a
COVID-19 em Alagoas foi a dengue. No Leste, a dengue impactou Maceió, Penedo
e Maragogi. No Agreste, apenas Arapiraca. A tuberculose, no leste impactou
Maceió, seguido de Arapiraca no Agreste e no Sertão, apenas Santana do Ipanema
e Delmiro Gouveia. A Leishmaniose apenas impactou Maceió. A Hanseníase
impactou Maceió e União dos Palmares (Leste), seguido de Arapiraca no Agreste e
no Sertão, Delmiro Gouveia e Santana do Ipanema. A correlação de Pearson
mostrou que entre o Total de COVID-19 e as variáveis sociodemográficas foram
positivas e com alta correlação (r >0.90), a exceção foi índice de Gini (r = 0.61). As
correlações entre o Total de COVID-19 por mesorregião e as variáveis
sociodemográficas foram positivas, exceto o índice de Gini (r = 0.47). A correlação
entre os casos de COVID-19 na 1ª onda e a precipitação (r = -0.7), umidade (r = 0.63) e temperatura (r = -0.57) foram negativas, exceto a pressão atmosférica (r =
0.64). Já na segunda onda a correlação entre COVD-19 e Pressão atmosférica
permaneceu positiva (r = 0.84). Os resultados obtidos do Modelo de Regressão
Linear Múltipla (MRLM) mostraram que Maceió, obteve correlação significativa entre
os casos e a velocidade do vento (1ª onda) e a pressão de vapor d’água (2ª onda),
seguido de Mata Grande entre a precipitação e os casos, apenas na 1ª onda e
Palestina, com correlação significativa entre a precipitação, pressão de vapor e
casos na 2ª onda. As exceções foram Penedo, Arapiraca e Palmeira dos Índios, sem
correlação. Em suma, a COVID-19 impactou em Alagoas e ações são necessárias
pós-pandemia para resguardar a população, principalmente a mais vulnerável
socialmente.
Palavras-Chave: pandemia, COVID-19, impacto ambiental, doenças endêmicas,
SIG.

ABSTRACT
The study evaluated the environmental impact of COVID-19 on neglected diseases in
the State of Alagoas. Data on neglected diseases (dengue, tuberculosis,
leishmaniasis and leprosy) and COVID-19 were obtained from the DATASUS system
between 03/2020 and 01/2023. Both sets of health data along with census data
(IBGE - 2010) and climate data (TerraClimate) were subjected to descriptive and
multivariate statistical techniques (cluster analysis - AA). In the study, the maps were
created using Quantum GIS (QGIS) version 3.16. The results of the AA technique
applied to municipalities in the mesoregions of the State showed that the East formed
two homogeneous groups (G1 and G2). The Hinterland and Arid Zone mesoregions
formed three homogeneous groups (G1, G2 and G3) of COVID-19 cases. The
disease most impacted in the scenario before and during COVID-19 in Alagoas was
dengue. In the East, dengue impacted Maceió, Penedo and Maragogi. In Agreste,
only Arapiraca. Tuberculosis in the east impacted Maceió, followed by Arapiraca in
the Hinterland and Arid Zone, only Santana do Ipanema and Delmiro Gouveia.
Leishmaniasis only impacted Maceió. Leprosy impacted Maceió and União dos
Palmares (East), followed by Arapiraca in the Hinterland and Arid Zone, Delmiro
Gouveia and Santana do Ipanema. The Pearson correlation (r) showed that between
the Total COVID-19 and the sociodemographic variables were positive and with a
high correlation (r > 0.90), the exception was the Gini index (r = 0.61). The
correlations between Total COVID-19 by mesoregion and sociodemographic
variables were positive, except for the Gini index (r = 0.47). The correlation between
COVID-19 cases in the 1st wave and precipitation (r = -0.7), humidity (r = -0.63) and
temperature (r = -0.57) were negative, except for atmospheric pressure (r = 0.64). In
the second wave, the correlation between COVD-19 and atmospheric pressure
remained positive (r = 0.84). The results obtained from Multiple Linear Regression
Model (MRLM) showed that Maceió had a significant correlation between cases and
wind speed (1st wave) and water vapor pressure (2nd wave), followed by Mata
Grande between precipitation and cases, only in 1st wave and Palestine, with a
significant correlation between precipitation, vapor pressure and cases in the 2nd
wave. The exceptions were Penedo, Arapiraca and Palmeira dos Índios, with no
correlation. In short, COVID-19 had an impact on Alagoas and actions are necessary
post-pandemic to protect the population, especially the most socially vulnerable.
Keywords: pandemic, COVID-19, environmental impact, endemic diseases, GIS.

Sumário
pág.
1. INTRODUÇÃO ................................................................................................... 12
2. OBJETIVOS ....................................................................................................... 14
2.1 Geral .............................................................................................................................. 14
2.2 Específicos ................................................................................................................... 14
3. REVISÃO BIBLIOGRÁFICA .............................................................................. 15
3.1 - Impacto da COVID-19 no meio ambiente ............................................................. 15
3.2 - Modelagens matemática e estatística da COVID-19 .......................................... 17
3.3 – COVID-19 e as doenças negligenciadas ............................................................. 18
4. MATERIAIS E MÉTODOS .................................................................................. 21
4.1. Localização e Caracterização da Área de Estudo ................................................ 21
4.2 – Dados da COVID-19 e das Doenças Negligenciadas........................................ 22
4.3 – Dados do TerraClimate ........................................................................................... 22
4.4 – Metodologia ou Métodos ......................................................................................... 23
5. RESULTADOS E DISCUSSÃO ............................................................................ 27
5.1 Impactos da COVID-19 nas Doenças Negligenciadas em Alagoas ................... 27
5.2 Análise de Agrupamento aplicada as Mesorregiões de Alagoas ........................ 35
5.3 Padrões relacionais entre a COVID-19 e os dados sóciodemográficos e
climáticos ............................................................................................................................. 42
6 – CONCLUSÕES ................................................................................................... 50
7 – RECOMENDAÇÕES ........................................................................................... 52
REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................... 53
APÊNDICE ................................................................................................................ 63

1.

INTRODUÇÃO
Ao final de 2019, a COVID-19 tem seus primeiros casos relatados na cidade

de Wuhan, província Hubei na China e, depois de alguns meses atingiu o mundo
inteiro. O vírus SARS-CoV-2 (Severe Acute Respiratory Syndrome Coronavirus 2) é
responsável pela COVID-19 (LIMA e PEDROSO, 2020). A COVID-19 é de fácil
transmissão e surpreendeu o mundo em 2020, onde todas as nações tiveram que
lidar com a pandemia. A COVID-19 causou o fechamento do comércio, impactou no
turismo e nas mais diversas instituições públicas e privadas do mundo, e ainda
colocou todas as pessoas em condição de quarentena, isolamento e distanciamento
social (lockdown) - (SILVA e TEIXEIRA, 2020).
A pandemia de COVID-19 agravou os problemas cotidianos da sociedade em
diversos países, principalmente no Brasil (FALUME e RAMÍREZ-SÁNCHEZ, 2022).
A disseminação do vírus da COVID-19 no ambiente pode ter sido agravada pela
falta de saneamento básico e o simples hábito de lavar as mãos (VILARINHO et al.,
2022). Vale ressaltar que fatores ambientais e climáticos, tais como, temperatura e
umidade do ar, aerossóis, velocidade do vento e poluição atmosférica também
influenciaram na disseminação da COVID-19 no mundo (CHATKIN e GODOY,
2020).
É sabido que para estudar os mecanismos pelos quais as doenças se
espalham se faz necessário o uso de modelos matemáticos e estatísticos com viés
epidemiológicos, que ajudam no entendimento da dinâmica de transmissão e da
dispersão espacial, assim como nas projeções em curto e longo prazo (ALMEIDA,
2022). No caso da COVID-19, alguns estudos se basearam em estatísticas
descritiva e exploratória (distribuição de frequências, médias, máximo, percentual,
desvio padrão e boxplot), multivariada (análise de agrupamento - AA e modelos de
regressão linear múltipla - MRLM) e tendências (média, mediana, moda e MannKendall e Curvatura Sen) e no uso de inteligência artificial (redes neurais artificiais RNA, machine learning - ML e deep learning - DL), principalmente nos centros
urbanos, sendo as populações urbanas vulneráveis (KRONBAUER, 2020;
NASCIMENTO et al., 2020; MAIRINQUE, 2021; FURLETTI et al., 2022).

12

Com

a

COVID-19

no

Brasil,

algumas

doenças

endêmicas

foram

“negligenciadas”. Tais doenças afetam diretamente as populações vulneráveis
socialmente, principalmente as que residem nas áreas urbanas, onde sofrem com
diversos tipos de carência, por exemplo, saneamento básico, água potável, acesso
aos serviços de saúde, educação e moradia (CONCEIÇÃO, 2021). Geralmente,
essas doenças são subnotificadas, devido à redução na capacidade de testagem, na
menor procura dos serviços de saúde, na suspensão de atividades educativas e de
promoção em saúde, entre outros (SANTOS et al., 2021b). De acordo com o
DATASUS (2022), as doenças negligenciadas encontradas no Estado de Alagoas
são: i) dengue, ii) leishmaniose, iii) tuberculose e iv) hanseníase.
Estudo anterior sobre a tuberculose em Alagoas apontou que a maior
concentração da tuberculose ocorreu no Leste Alagoano, na Região Metropolitana
de Maceió (RMM), devido o crescimento desordenado, habitacionais insalubres,
maior aglomeração de pessoas, que contribuem para o aumento da transmissão da
tuberculose (SANTOS et al., 2019a). A dengue é uma doença negligenciada que
persiste como um grave problema de saúde pública no Brasil (Lira et al., 2021) e,
principalmente em Alagoas (Silva et al., 2021c), sendo uma enfermidade endêmica
cujo agente transmissor consegue infestar 100% dos municípios (OLIVEIRAJÚNIOR et al., 2023).
O estado de Alagoas é caracterizado como uma área endêmica de
leishmaniose, que também é uma doença negligenciada, visto que distorcem o
quadro epidemiológico, além dos diagnósticos incorretos, alterações de resposta do
hospedeiro e pluralidade de agentes etiológicos envolvidos (SILVA et al., 2021a). Já,
os estudos sobre hanseníase em Alagoas mostraram que houve uma redução
significativa no número de casos notificados, devido ao diagnóstico precoce e as
estratégias de prevenção (MELO et al., 2022).

13

Portanto, esse estudo tem como relevância, analisar com base em
ferramentas estatísticas e SIG (Sistema de Informação Geográfica), se a COVID-19
teve impacto ambiental nas doenças negligenciadas existentes no Estado de
Alagoas, quais doenças foram impactadas e quais os municípios do Estado
obtiveram os maiores indicativos de casos da COVID-19, e se a COVID-19 tem
padrão relacional com os indicativos sociodemográficos, climáticos e geoambiental.

2.

OBJETIVOS

2.1 Geral
AVALIAR o impacto ambiental no número de registros de notificações de
doenças negligenciadas durante a COVID-19 no Estado de Alagoas.

2.2 Específicos


IDENTIFICAR os grupos homogêneos dos casos de COVID-19 e das
doença(s) negligenciada(s) nas mesorregiões do Estado de Alagoas.



DETECTAR

qual(is)

municípios

foram

mais

impactado(s)

por

cada

mesorregião na notificação de doença(s) negligenciada(s) durante a COVID19 no Estado de Alagoas.


AVALIAR a partir da matriz de correlação e da Regressão Múltipla qual(is)
indicadores sociodemográficos, climáticos e geoambientais agravaram a
COVID-19 durante a 1ª e 2ª onda no Estado de Alagoas.

14

3.

REVISÃO BIBLIOGRÁFICA

3.1 - Impacto da COVID-19 no meio ambiente
No final de 2019, o vírus SARS-CoV-2 , que causa a COVID-19, causou uma
pandemia no mundo, sendo um dos grandes desafios do século XXI (BARROSO e
BORGES, 2020; SOUZA et al., 2021). A COVID-19 acometeu mais de 100 países
nos cinco continentes e seus impactos ainda são inestimáveis, pois afetou direta
e/ou indiretamente a saúde e a economia da população mundial sem precedente
(BRITO et al., 2020; LIMA, 2021).
Vale destacar que alguns fatores sociodemográficos, geoambientais e
climáticos, influenciaram no agravamento da COVID-19 no Brasil, tais como, ações
antropogênicas, o clima da região, o tamanho e o comportamento da população com
relação à circulação, o meio ambiente, a cultura de cada região, o nível de
conhecimento das pessoas sobre o agente etiológico e a doença (ALMEIDA e LIMA,
2021; LINDEMANN et al., 2021; CRUZ, 2022). A COVID-19 gerou impactos
ambientais positivos, como a melhoria da qualidade do ar e dos recursos naturais,
mas também provocou impactos negativos, por exemplo, as pessoas passaram mais
tempo em casa, com isso, houve maior consumo de comida, água, energia, serviços
como comunicação, e assim gerou muitos resíduos. Sendo que, o lixo gerado,
figura-se entre um dos impactos mais significativos ao meio ambiente (CONJO et al.,
2021).
Este cenário de pandemia agravou ainda mais problemas já existentes no
cotidiano da sociedade relacionados à poluição ambiental tais como, poluição dos
solos, a lixiviação de poluentes para águas superficiais e subterrâneas, perda da
biodiversidade, poluição visual, e proliferação de doenças (TARDIM e ALMADA,
2022). Vale ressaltar o descarte de máscaras descartáveis e respiradores pela
população em geral, que não possui treinamento de uso e descarte desses
equipamentos de proteção individual (EPI’s), que por sua vez são descartadas em
aterros sanitários e podem ser transportadas pelo vento para outros ambientes
(ROCHA, 2021). Outro fator que contribuiu para a disseminação do vírus da COVID19 no ambiente foi à falta de tratamento do esgoto, que por sua vez infectou a
população altamente vulnerável (AFFONSO et al., 2021).

15

De acordo com Miranda (2021), fatores ambientais e climáticos, tais como
temperatura da superfície, umidade do ar, aerossóis, alta velocidade do vento e
poluição do ar, também podem ter influenciado na disseminação da COVID-19, visto
que baixas temperaturas se relacionam com a rápida propagação do vírus, a alta
velocidade do vento contribui para o aumento de casos do COVID-19, e a poluição
do ar impulsiona o aumento da disseminação viral (GONZAGA e FREITAS, 2020).
A primeira fase (1ª onda) da pandemia no Brasil aconteceu de fevereiro a
novembro de 2020 e foi caracterizada pela expansão da transmissão do COVID-19
nas capitais e, principalmente nas áreas metropolitanas em direção a áreas
periféricas, seguido de pequenas cidades e zonas rurais, com um movimento
gradual de interiorização com evidente subnotificação de casos (BARCELLOS e
XAVIER, 2022). Nesse primeiro momento, governos estaduais adotaram políticas de
distanciamento social relativamente rígidas acompanhado de medidas adicionais de
prevenção, principalmente, a utilização de máscaras, adoção de protocolos de
higienização, proibição de eventos, suspensão total de atividades de ensino
presencial e regras para o funcionamento de vários tipos de estabelecimento (SILVA
et al., 2020).
A segunda fase (2ª onda) aconteceu de novembro de 2020 a dezembro de
2021, ela foi caracterizada pela transmissão local, ou seja, pessoas sem histórico
recente de viagens internacionais ficaram doentes. Esta fase foi caracterizada por
resultados aumentados de letalidade e mortalidade com altas taxas de ocupação de
leitos de Unidade de Terapia Intensiva (UTI) e falta de equipamentos e insumos.
Com medidas isoladas de distanciamento físico e social e o uso de máscaras
adotadas pelos governos estaduais e municipais, no final desse período da 2ª onda,
houve uma redução relativa do número de casos e de óbitos (SOUSA al., 2021b).
A terceira fase (3ª onda) aconteceu de dezembro de 2021 a maio de 2022, foi
uma consequência da diminuição ou eliminação dos cuidados de proteção
individuais e coletivos, em função do estresse que a pandemia da COVID-19 causou
no sistema de atenção à saúde (MENDES, 2020), sendo assim, a terceira onda
atingiu pessoas portadoras de condições crônicas como doenças cardiovasculares,
diabetes, doenças respiratórias, doenças oncológicas, obesidade, doenças renais
crônicas e fragilidade dos idosos (EMAMI et al., 2020).

16

A rápida contaminação mundial da COVID-19 enfatizou a necessidade de
desenvolver uma vacina eficaz para prevenir e controlar a transmissão da doença. A
vacinação contra COVID-19, independente do imunizante utilizado, contribuiu para
redução do número de casos graves, internações e óbitos causados pela doença
(BEE et al., 2022). O rápido desenvolvimento de vacinas contra a COVID-19
representou um importante avanço da ciência e da saúde pública mundial (SOUZA e
BUSS, 2021). A vacina foi uma ferramenta eficaz para mitigar os impactos da
pandemia e prevenir o desenvolvimento da doença em grandes populações a um
custo relativamente baixo (SENHORAS, 2021).
No Brasil, a cobertura vacinal se iniciou em fevereiro de 2021 e começou por
dois grupos prioritários: profissionais da saúde por estarem na linha de frente e
população idosa, pelo maior risco de morte por COVID-19, especialmente entre os
portadores de doenças crônicas (FILHO et al., 2021).

3.2 - Modelagens matemática e estatística da COVID-19
A modelagem de doenças infecciosas é uma ferramenta que tem sido
utilizada para estudar os mecanismos pelos quais as doenças se espalham, o que
torna importante o estudo de modelos matemáticos de epidemias, pois estes se
tornarão ferramentas que ajudarão no entendimento e desenvolvimento de
estratégias no avanço da epidemia e tomada de decisões que afetarão a população
em geral (KURZ et al., 2021). Na literatura científica, são encontrados diversos
modelos matemáticos não lineares e lineares que podem se utilizados para
descrever dados epidemiológicos, tais modelos são adequados para modelar, por
exemplo, os números de casos confirmados de COVID-19 (SANTOS, et al., 2020).
Esses

modelos

resultantes

no

acompanhamento

e

previsões

do

desenvolvimento da pandemia permitem análise do impacto e do avanço da COVID19 e suas consequências na saúde da população e na economia (cidades, estados e
países) e áreas da sociedade (comércio, escolas, indústrias e governo) - (COUTO et
al., 2021; DIAS et al., 2020; VALLE, 2021). Assim, a modelagem matemática ajuda
na compreensão e interpretação dos dados a ser modelados, e comparar esses
resultados com os observados (LEDO et al., 2020). Dessa forma, durante esse
cenário de pandemia, a matemática, acompanhada com seus gráficos, modelos de
17

previsão e estatísticas, entrou nos noticiários mostrando a média, a taxa de
transmissibilidade e taxa de letalidade da COVID-19 (VALERIO, 2021). Com esses
modelos é possível determinar parâmetros e projetar a evolução da pandemia da
COVID-19, tendo assim um melhor conhecimento de seu desenvolvimento em locais
diferentes (FRANCO e DUTRA, 2020).
Diante do cenário da pandemia da COVID-19, foi usados estudos como a
estatística descritiva para entender a maior concentração de casos nos centros
urbanos, as características das cidades, das populações urbanas e quais
populações são mais vulneráveis (LEIVA et al., 2020). A estatística é um conjunto de
técnicas usadas para: coletar, organizar, classificar, determinar, agregar, analisar
dados e tabelas, gráficos e fazer cálculos e interpretações de coeficientes,
facilitando assim a descrição e os resultados para uma melhor compreensão dos
casos estudados de COVID-19 (WATZECK, 2022).
Para se analisar semelhança entre o número de casos de uma doença, é
usado a Análise de Agrupamento (AA) ou Análise de Cluster (AC), sendo uma
técnica multivariada que tem como objetivo repartir os indivíduos em grupos
homogêneos que possuem características semelhantes, de forma que, os elementos
incluídos no mesmo grupo sejam similares entre si em relação às variáveis, e os
elementos em grupos diferentes sejam heterogêneos em relação a estas mesmas
variáveis (PEREIRA et al., 2019).
3.3 – COVID-19 e as doenças negligenciadas
Com a COVID-19 no Brasil, algumas doenças endêmicas se tornaram
“negligenciadas”. Tais doenças afetam diretamente as populações mais vulneráveis
socialmente, principalmente as populações residentes nas áreas urbanas, que
sofrem com diversos tipos de carência, por exemplo, escolaridade, saneamento
básico, água potável, acesso aos serviços de saúde e moradia (YAMASHITA, 2021).
Geralmente, essas doenças são subnotificadas, devido à redução na capacidade de
testagem, na menor procura dos serviços de saúde, na suspensão de atividades
educativas e de promoção em saúde, entre outros (CAPPELARI e MENEGHEL,
2021).

18

As doenças emergentes e negligenciadas são um dos principais problemas
de saúde pública nos países em desenvolvimento, principalmente na América Latina
e na África, devido à gravidade dos sintomas e à letalidade (SILVA et al., 2021b). Na
América Latina, principalmente, o Brasil foi gravemente afetado por elas,
particularmente pelas doenças ligadas as arboviroses, tais como, zika, dengue, febre
amarela e chikungunya. Nas duas últimas décadas, a rápida disseminação dessas
doenças no Brasil e o risco da reurbanização da febre amarela no país, com
destaque nas Regiões Metropolitanas (RM), tornou-se uma preocupação importante
para os formuladores de políticas públicas (HOMMA, et al., 2020).
O cenário da pandemia da COVID-19 pode ter contribuído para agravar de
forma considerável a invisibilidade de pessoas com doenças negligenciadas. A
pandemia aumentou significativamente as barreiras para pessoas que antes já eram
vulneráveis (MOROSINI, 2020). Essas doenças também apresentam indicadores
inaceitáveis e investimentos reduzidos em pesquisas, produção de medicamentos,
testes diagnósticos, vacinas e outras tecnologias para sua prevenção e controle
(NASCIMENTO et al., 2021a).
A pandemia da COVID-19 causou impactos nas notificações das doenças
negligenciadas em todo o país, e assim um aumento dos casos no pós-pandemia,
diminuição do número de internações e aumento na mortalidade (NETO et al.,
2023). Neste período de pandemia uma grande parte dos serviços de saúde, tanto
na atenção primária em saúde quanto a nível hospitalar, passaram por mudanças no
perfil de atendimento dos serviços de modo a contemplar além das atividades
básicas, também os pacientes acometidos pela COVID-19 e suas complicações
(JARDIMET al, 2021).
Sallas et al., (2022) mostraram que houve significativa diferença no número
de notificações compulsórias de doenças, agravo e eventos de saúde pública
(DAEs) registradas pela Rede Nacional de Vigilância Epidemiológica Hospitalar
(Renaveh) do Brasil entre o período pré-pandêmico, de 2017 a 2019, e no decorrer
da pandemia, em 2020, com um decréscimo de aproximadamente 150 mil
notificações. A hipótese da associação entre a pandemia e o decréscimo das
notificações foi reforçada pela redução em mais de mil registros por semana
epidemiológica a partir do momento em que a Organização Mundial da Saúde
(OMS) declarou a pandemia pelo SARS-CoV2.
19

A pandemia COVID-19 afetou diretamente as ações de vigilância e controle
das doenças negligenciadas. As medidas preconizadas pelo Ministério da Saúde e
efetivadas no Brasil, com o intuito de diminuir a transmissão do novo Coronavírus,
podem ter interferido na subnotificação das arboviroses (PAULA et al., 2023). Dentre
tais medidas, destacam-se as ações de vigilância e controle de zoonoses, pois a
fiscalização nas residências para inspeção, além do período de isolamento
populacional e o receio da população na busca por auxílio médico em meio à
pandemia (LISBOA, et al., 2022). No período em que foram intensificadas as ações
de combate da COVID-19, percebeu-se uma redução nas notificações de dengue no
Brasil, especialmente num período em que historicamente é verificado um aumento
de casos devido a sazonalidade da dengue no Brasil (SOUSA et al., 2022).
No caso das leishmanioses, deve-se destacar o impacto da pandemia nas
ações de busca ativa, detecção precoce e tratamento de casos, bem como em
outras atividades de campo (MARQUES et al., 2022). Estudo feito por Mendonça et
al., (2022), observaram que a COVID-19 criou dificuldades para o atendimento e
tratamento dos pacientes com hanseníase nas unidades de saúde da atenção
primária, com atrasos em agendamentos, remarcações de consultas, prorrogações
de tratamento devido à falta de medicação, dificuldades na avaliação de contatos e
busca ativa de novos casos, contribuindo para gerar um impacto negativo no
programa, e consequentemente no sistema de saúde.
Estudo realizado por Silva et al., (2022), no período de 2020 e 2021,
identificaram uma diminuição das notificações da tuberculose no Brasil, sendo
consequência da COVID-19, com subnotificação dos casos, com isso, o
planejamento das ações de prevenção e controle epidemiológicos são diretamente
impactadas pela subnotificação.

20

4.

MATERIAIS E MÉTODOS

4.1. Localização e Caracterização da Área de Estudo
O Estado de Alagoas é localizado entre as latitudes 8º48’54” e 10º30’09” S, e
as longitudes de 35º09’09” e 38º15’54” W, com altitudes inferiores a 850 m. Alagoas
pertence à região Nordeste do Brasil (NEB), sendo o segundo menor estado do país
com uma área de 27.993 km², correspondente à cerca de 0,32% do território do
Brasil. Limita–se ao Norte (N) e a Oeste (W) com o Estado de Pernambuco; ao Sul
(S), com os Estados de Sergipe e Bahia; a Leste (E), com o Oceano Atlântico, e, a
Sudoeste (SW), com o Estado da Bahia e o Rio São Francisco (SILVA, 2022) (Figura 1). Atualmente, o Estado está dividido geopoliticamente em 102 municípios
em três mesorregiões climáticas (Leste, Agreste e Sertão Alagoano) e com uma
população estimada de 3.127.683pessoas (IBGE, 2022).
Figura 1 - Localização das mesorregiões climáticas do Estado de Alagoas e sua
respectiva altitude (m).

Fonte: Autora, 2023.

21

O clima de Alagoas é classificado como Tropical Atlântico, por causa de sua
localização entre os trópicos e proximidade do Oceano Atlântico. O clima de Alagoas
é dividido como: úmido (Maceió e extremo norte), subúmido (Leste) e semiárido
(Centro e Oeste). A amplitude térmica média é 6ºC com temperaturas entre 21ºC e
27ºC (LIMA et al., 2018; MADEIROS, 2019).

4.2 – Dados da COVID-19 e das Doenças Negligenciadas
Os dados das doenças negligenciadas (dengue, tuberculose, leishmaniose e
hanseníase) existentes no Estado de Alagoas foram obtidos a partir do DATASUS e
do Sistema de Informação de Agravos de Notificação – (SINAM via Secretária) de
Vigilância em Saúde (SVS) e os dados de COVID-19, foram tirados do site do
Ministério

da

Saúde,

no

seguinte

endereço

eletrônico:

https://datasus.saude.gov.br/informacoes-de-saude-tabnet/. Os dados das doenças
negligenciadas compreendem o período de janeiro de 2018 a dezembro de 2021
(período máximo de dados notificados) e são dados mensais. Os dados da COVID19 compreendem o período de março de 2020 a janeiro de 2023 e são dados
diários.
4.3 – Dados do TerraClimate
O TerraClimate fornece um conjunto de dados global, abrangente, de alta
resolução e em grade de variáveis de clima mensal e balanço hídrico climático
(BHC) que abrange o período de 1958 a 2021. Esse conjunto de dados permite
análises em escala de alta resolução das interações complexas entre o clima e os
ecossistemas, com resolução espacial de aproximadamente 4 km (1/24°)
(ABATZOGLOU et al., 2018). O conjunto de dados TerraClimate é dividido em
variáveis climáticas primárias e secundárias. As variáveis climáticas primárias são
temperatura máxima (Tmax, °C), temperatura mínima (Tmin, °C), pressão de vapor
(e, hPa), precipitação total (P, mm), radiação de ondas curtas (Rs) de superfície
descendente (Rs, W.m-2) e velocidade do vento (U, m.s-1).
Já as variáveis climáticas secundárias são a evapotranspiração de referência
(ETo)

(modelo

padronizado

ASCE

Penman-Monteith),

escoamento,

evapotranspiração real (ETr), deficiência hídrica climática (CWD, mm), umidade do
22

solo (us, cm), e déficit de pressão de vapor (VPD, hPa). O site para acesso a
plataforma

de

dados

é

no

seguinte

endereço

eletrônico:

https://climatetoolbox.org/tool/Data-Download. No estudo foi usado o período similar
aos dos dados de COVID-19 no Estado de Alagoas.
4.4 – Metodologia ou Métodos
Ambos os conjuntos de dados foram submetidos à estatística descritiva
(média e desvio padrão), Análise de Agrupamento (AA), matriz de correlação
juntamente com os dados climáticos do TerraClimate, e o modelo de regressão
linear múltipla (MRLM). No estudo os dados sociodemográficos e geoambientais
foram obtidos do

IBGE

(IBGE,

2022), no

seguinte

endereço

eletrônico:

https://cidades.ibge.gov.br/brasil/al/panorama.
A média de um conjunto de dados é a medida de tendência central
encontrada pela soma de todos os valores, e esta soma é dividida pelo número total
de valores. A média é considerada o ponto de equilíbrio no conjunto de dados. Se as
observações em uma amostra de tamanho n são x1 x2...+ xn, a média amostral é
calculada pela seguinte expressão (PINTO e SILVA, 2020). Conforme a Eq. (1):
(1)
O desvio-padrão (DP) é definido como a raiz quadrada da média aritmética
dos quadrados dos desvios, ou seja, a raiz quadrada da variância. Se o DP é
calculado usando todos os elementos da população é simbolizado por  (Eq. 2); o
desvio-padrão populacional é um parâmetro. Se o DP é calculado a partir de uma
amostra, este é representado pelo símbolo s, chamado desvio-padrão amostral, e é
considerado um estimador (PINTO e SILVA, 2020). É representado por Eq. (3):

Desvio-padrão populacional

(2)

Desvio-padrão amostral

(3)

23

Para analisar a aglomeração dos casos notificados de COVID-19 no Estado
de Alagoas, foi usado a técnica de AA, que é um método de análise multivariada,
aplicado para identificar estruturas de classificação ou reconhecimento de grupos
(WARD, 1963). Para a classificação dos grupos, o método Euclidiano foi utilizado
como medida de distância (CORREIA FILHO e ARAGÃO, 2014; LYRA et al. 2014;
BRITO et al. 2016), segundo a Eq.(4):
(4)

Em que, Xaj é a j-ésima característica da i-ésima observação; Xbj é a j-ésima
característica da enésima observação; e Nab é o número de municípios com casos
notificados de COVID-19 no Estado de Alagoas.
Em relação às técnicas hierárquicas e aglomerativas, existem vários métodos
ou critérios de agrupamento:
Ward - a similaridade é baseada na soma dos desvios quadráticos em relação
à média do grupo - (WARD, 1963), dado pela Eq. (5).
(5)
em que, Xijk é o valor da j-ésima variável para o i-ésimo das observações, Nk dos
grupos K e Xjk é o valor médio.
Simples - consiste em considerar que a distância entre dois grupos é a menor
distância entre um objeto de um grupo e um objeto do outro grupo (OLIVEIRA,
2016), dado pela Eq. (6).

(6)
Completo - consiste em considerar que a distância entre dois grupos é a
maior distância entre um objeto de um grupo e um objeto do outro grupo (OLIVEIRA,
2016), dado pela Eq. (7).

24

(7)
Média - consiste em considerar que a distância entre dois grupos é a média
de todas as distâncias entre pares de observações (um em cada grupo) (OLIVEIRA,
2016), dado pela Eq. (8).
(8)
McQuitty, é dado pela Eq. (9).
(9)
em que, D(UV)W é a distância entre o agrupamento (UV) e o agrupamento W, D UW e
DVW são as distâncias entre a maior distância dos elementos dos agrupamentos U e
W e os elementos dos agrupamentos V e W (OLIVEIRA, 2016).
Mediana - é semelhante ao método do Centróide, porém, a atualização dos
centróides é feita pela média aritmética, sem a ponderação pelo tamanho dos
grupos, ou seja, um novo cluster (UV)W, dado pela Eq. (10).
(10)
em que, DUV e DW são as distâncias médias entre os elementos do grupo UW e do
grupo W, respectivamente (OLIVEIRA, 2016).
Centróide - toma-se a distância entre dois grupos como sendo a distância
entre as médias, ou outros pontos considerados “representativos” (centróides) dos
grupos (OLIVEIRA, 2016), dado pela Eq. (11).
(11)
Para a validação do método e verificação da qualidade do agrupamento foi
aplicado o Coeficiente de Correlação Cofenética (CCC), dado pela Eq. (12).
(12)

em que, cij é o valor de dissimilaridade entre as amostras obtidas via matriz
cofonética; dij é o valor de dissimilaridade entre amostras obtidas a partir da matriz
25

de dissimilaridade. O cm e o dm são obtidos por meio das Eqs. (13) e (14),
respectivamente.
(13)
(14)

Conforme Carvalho (2018), o CCC equivale à correlação de Pearson entre a
matriz de dissimilaridade original e a gerada após a construção do dendograma.
Desse modo, quanto mais próximo de 1 maior será a homogeneidade do grupo e,
consequentemente, melhor será a qualidade do agrupamento.
Para a análise da correlação entre os casos de COVID-19 (1ª e 2ª onda) e os
dados do TerraClimate, foi feita a matriz de correlação. A matriz de correlação é uma
tabela mostrando coeficientes de correlação entre duas ou mais variáveis que
assumem valores de -1 até +1, passando pelo zero (ausência de correlação).
Coeficientes positivos (r > 0) indicam correlação direta entre as variáveis, já os
coeficientes negativos (r < 0) significam uma correlação inversa. A matriz de
correlação é classificada em 5 classes: 1) desprezíveis (0 a 0,3), 2) fracas (0,31 a
0,5), 3) moderadas (0,51 a 0,7), 4) fortes (0,71 a 0,9) e 5) muito fortes (> 0,9) (MIOT,
2018).
É representado pela Eq (15):
(15)
O modelo de regressão linear múltipla (MRLM), foi usado para os municípios
onde teve os maiores registros das doenças negligenciadas, sendo analisado os
casos de COVID-19 com as variáveis climáticas nos períodos da 1ª e 2ª onda da
COVID-19. O MRLM é uma técnica da estatística experimental que envolve três ou
mais variáveis, das quais apenas uma é considerada como dependente das demais
(casos de COVID-19), chamadas de independentes, explanatórias, covariáveis ou
regressoras (variáveis climáticas). Por utilizar mais de uma variável independente, a
capacidade de predição da regressão linear múltipla é maior que a linear simples.
Os MRLM’s têm sido utilizados para estudar os índices de incidência e de
mortalidade relativos à COVID-19 (AQUINO, 2020).
26

Assim, um modelo geral de regressão linear pode ser representado pela Eq (16):

(16)

Em que Y representa o fenômeno em estudo (variável dependente quantitativa), a
representa o intercepto (constante ou coeficiente linear), bj (j= 1,2,...,k) são os
coeficientes de cada variável (coeficiente angulares), Xj são as variáveis explicativas
(métricas ou dummies) e u é o termo de erro (diferença entre o valor real de Y e o
valor previsto de Y por meio do modelo para cada observação). Os subscritos i
representam cada uma das observações da amostra em análise (i = 1,2,...,n, em que
n é o tamanho da amostra) (FÁVERO e BELFIORE, 2017).

5. RESULTADOS E DISCUSSÃO
5.1 Impactos da COVID-19 nas Doenças Negligenciadas em Alagoas
Para o cenário antes da COVID-19 (Figura 2), os maiores casos de dengue
no Leste, ocorreram em Maceió (5.440 casos), Penedo (917 casos), Maragogi (266
casos) e Porto Calvo (289 casos). No Agreste, os maiores casos ocorreram em
Arapiraca (9.577 casos), Lagoa da Canoa (533 casos), Limoeiro de Anadia (503
casos) e Palmeira dos Índios (311 casos). No Sertão, os maiores casos ocorreram
em Mata Grande (180 casos), Palestina (174 casos) e Olho D’ Água das Flores (100
casos). Maceió e Arapiraca registraram os maiores casos, vale ressaltar que
possuem a maior população do Estado e as maiores taxas de mudanças de uso e
ocupação de solo (CORREIA FILHO, 2017; OLIVEIRA JÚNIOR et al., 2021;
SANTOS et al., 2021a; CORREIA FILHO et al., 2022), interferindo assim nas
mudanças ambientais e associado ao aumento da temperatura do ar, da chuva e da
umidade do ar, gerando condições que favorecem o aumento do número de
criadouros disponíveis e influenciando assim no aumento dos casos do vetor da
dengue (SILVA et al., 2021c).

27

Figura 2 - Distribuição espacial do número total de casos Dengue nas mesorregiões
do Estado de Alagoas no período de janeiro de 2018 a dezembro de 2019.

Fonte: Autora, 2023.

E no cenário durante a COVID-19 (Figura 3), no Leste, os maiores casos de
dengue ocorreram em Maceió (5.110 casos), São Miguel dos Campos (360 casos),
Murici (500 casos), União dos Palmares (1.057 casos), Pilar (176 casos), Penedo
(227 casos), Viçosa (223 casos), Colônia Leopoldina (217 casos) e Maragogi (212
casos). No percentual antes e durante a COVID-19, ouve um aumento no número de
casos de dengue nas cidades de São Miguel dos Campos (169%), Murici (16.567%),
União dos Palmares (403%), Pilar (49%), Viçosa (5%) e Colônia Leopoldina (234%).
Houve uma diminuição no número de casos de dengue nas cidades de Maceió (6%),
Penedo (75%) e Maragogi (20%). No Agreste, os maiores casos ocorreram em
Arapiraca (232 casos) e no percentual antes e durante a COVID-19, houve uma
diminuição de 98% nos casos de dengue. No Sertão, os maiores casos ocorreram
em Delmiro Gouveia (224 casos) e no percentual antes e durante a COVID-19,
houve um aumento de 170% no número de casos. O maior impacto da COVID-19 na
dengue foi na cidade de Arapiraca.

28

Figura 3 - Distribuição espacial do número total de casos de Dengue nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021.

Fonte: Autora, 2023.

Andrade et al. (2022) avaliaram os casos de dengue no NEB no período de
2012 a 2021 e constataram que a partir de 2020 houve uma redução dos casos
notificados de dengue. Tal redução foi um reflexo de subnotificação, uma vez que a
OMS declarou em 11 de março de 2020 a COVID-19 como uma pandemia, e assim
gerou transtornos hospitalares e prejuízos socioeconômicos, sendo refletido em uma
redução da procura de ajuda profissional em casos suspeitos de dengue, e como os
esforços estavam voltados para a pandemia, impossibilitaram assim os agentes de
endemias de realizarem as fiscalizações dos criadouros do mosquito nas casas da
população (NASCIMENTO et al., 2021a).

29

Para o cenário antes da COVID-19 (Figura 4), no Leste, os maiores casos de
tuberculose ocorreram em Maceió (1.618 casos), São Miguel dos Campos (47
casos) e Rio Largo (46 casos), sendo Maceió os maiores casos, onde a tuberculose
está associada à consequência da urbanização acelerada e o contexto de
vulnerabilidade social e econômica, ocorrendo com mais frequência em áreas de
grande concentração populacional (SANTOS et al., 2019b). No Agreste, os maiores
casos foram em Arapiraca (134 casos) e Palmeira dos Índios (52 casos).
Figura 4 - Distribuição espacial do número total de casos de Tuberculose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019.

Fonte: Autora, 2023.

Para o cenário durante a COVID-19 (Figura 5), no Leste, os maiores casos de
tuberculose ocorreram em Maceió (1.324 casos), Rio Largo (49 casos) e Penedo (40
casos). No percentual antes e durante a COVID-19, houve uma diminuição no
número de casos em Maceió (18%) e ouve aumento no número de casos em Rio
Largo (6%) e Penedo (43%). No Agreste, os maiores casos ocorreram em Arapiraca
(113 casos), e no percentual antes e durante a COVID-19, houve uma diminuição de
30

16% no número de casos. No Sertão, Santana do Ipanema e Delmiro Gouveia
apresentaram 18 e 12 casos respectivamente, e no percentual antes e durante a
COVID-19, houve uma diminuição de 49% nos casos em Santana do Ipanema e
68% em Delmiro Gouveia. O maior impacto da COVID-19 na tuberculose foi na
cidade de Delmiro Gouveia.
Figura 5 - Distribuição espacial do número total de casos de Tuberculose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021.

Fonte: Autora, 2023.

Souza et al., (2022) identificaram casos notificados de tuberculose antes e
durante a COVID-19 para região do NEB, observaram que houve uma diminuição no
total de notificações em comparação aos dois períodos. Segundo os autores, isso se
deve ao baixo rastreamento da doença, pela falta de notificação dos municípios e
principalmente pela baixa procura do indivíduo pelo serviço público de saúde,
particularmente a priorização da atenção a COVID-19.

31

Para o cenário antes da COVID-19 (Figura 6), no Leste, os maiores casos de
leishmaniose ocorreram em Maceió (161 casos) e Penedo (1 caso). Em estudos
realizados por Rocha et al., (2018), em relação aos bairros de Maceió com os
maiores registros de casos de leishmaniose, foram os mais populosos e periféricos
da cidade, sem saneamento, com problemas no abastecimento de água, coleta de
lixo ineficiente, presença de entulhos e baixo poder socioeconômico. Assim, estes
ambientes são adequados para a proliferação do vetor da leishmaniose (LIRA et al.,
2020). No Agreste, os maiores casos ocorreram em Arapiraca (2 casos), Palmeira
dos Índios (2 casos) e Traipu (1 caso). No Sertão, os maiores casos ocorreram em
Santana do Ipanema (4 casos), Major Isidoro (2 casos), Olho D’Água das Flores (2
casos), Caneiros (1 caso), Água Branca (1 caso).
Figura 6 - Distribuição espacial do número total de casos de Leishmaniose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019.

Fonte: Autora, 2023.

Para o cenário durante a COVID-19 (Figura 7), no Leste, os maiores casos de
leishmaniose ocorreram em Maceió (57 casos) e no percentual antes e durante a
32

COVID-19, houve uma diminuição de 65% nos casos. No Agreste, os maiores casos
ocorreram em Arapiraca (2 casos) e Igaci (1 caso), sendo que no percentual antes e
durante a COVID-19, ouve aumento de 0% nos casos em Arapiraca e 100 % em
Igaci. No Sertão, os maiores casos ocorreram em Senador Rui Palmeira (1 caso) e
teve aumento de 100% no número de casos. O maior impacto da COVID-19 na
leishmaniose foi na cidade de Maceió.
Figura 7 - Distribuição espacial do número total de casos de Leishmaniose nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021.

Fonte: Autora, 2023.

Para o cenário antes da COVID-19 (Figura 8), no Leste, os maiores casos de
hanseníase, ocorreram em Maceió (272 casos), onde possuem a maior população
do Estado, com isso um número maior de pessoas com baixa renda, com más
condições de habitação, baixos índices de escolaridade, aglomeração de pessoas e
o contato prolongado com doentes multibacilares não tratados, que são condições
que facilitam a disseminação da doença (MELO et al., 2022), seguido de União dos
Palmares (32 casos), Coruripe (19 casos) e Penedo (27 casos). No Agreste, os
33

maiores casos ocorreram em Arapiraca (114 casos). No Sertão, os maiores casos
ocorreram em Santana do Ipanema (42 casos), Pão de Açúcar (31 casos), Delmiro
Gouveia (24 casos) e São José da Tapera (17 casos).
Figura 8 - Distribuição espacial do número total de casos de Hanseníase nas
mesorregiões do Estado de Alagoas no período de janeiro de 2018 a dezembro de
2019.

Fonte: Autora, 2023.

Para o cenário durante a COVID-19 (Figura 9), no Leste, os maiores casos de
hanseníase ocorreram na cidade de Maceió (148 casos) e União dos Palmares (23
casos). No percentual antes e durante a COVID-19, houve diminuição nos casos em
Maceió de 46% e União dos Palmares de 28%. No Agreste, os maiores casos
ocorreram na cidade de Arapiraca (65 casos) e no percentual antes e durante a
COVID-19, houve uma diminuição de 43% nos casos. No Sertão, os maiores casos
ocorreram em Santana do Ipanema (26 casos) e Delmiro Gouveia (23 casos). No
percentual antes e durante a COVID-19, ouve diminuição de 38% em Santana do
Ipanema e 4% em Delmiro Gouveia. O maior impacto da COVID-19 na hanseníase
foi na cidade de Maceió.
34

Figura 9 - Distribuição espacial do número total de casos de Hanseníase nas
mesorregiões do Estado de Alagoas no período de janeiro de 2020 a dezembro de
2021.

Fonte: Autora, 2023.

Oliveira et al., (2022) estudaram a hanseníase no NEB durante 2017 a 2021.
Eles identificaram que houve uma redução significativa dos casos no biênio 20202021, devido a menor taxa de detecção e do menor número de diagnósticos em
função da COVID-19, na qual houve uma sobrecarga do sistema de saúde para
contenção da doença e, assim gerou um déficit no suporte às outras doenças,
principalmente

aquelas

que

compõem

o

grupo

das

Doenças

Tropicais

Negligenciadas (DTN).

5.2 Análise de Agrupamento aplicada as Mesorregiões de Alagoas
Para a validação dos métodos e verificação da qualidade do agrupamento foi
aplicado o CCC para medir o ajuste entre a matriz de dissimilidade (matriz fenética)
e a matriz originada depois das aplicações dos métodos que é denominada como

35

matriz cofenética, ou seja, o dendrograma. Assim, quando o CCC é maior que 0,7
conclui-se que o método de agrupamento foi adequado (OLIVEIRA, 2022).
Na Tabela 1, mostra os métodos de ligação aplicadas aos casos de COVID19 nas mesorregiões de Alagoas e os valores de CCC. Na região Leste, o CCC
variou entre 0,9469 e 0,9994, sendo escolhido o método Centróide (0,9994), com
valor próximo de 1 e, portanto, houve maior homogeneidade dos dados, seguido da
melhor qualidade do agrupamento e apresentação do dendrograma de casos
notificados de COVID-19 (CARVALHO, 2018; GOES et al., 2020). No Agreste, o
CCC variou entre 0,9731 e 0,9986, destaque para Média (0,9986). No Sertão, o
CCC variou entre 0,9637 e 0,9842, novamente Média (0,9842).
Tabela 1 - Métodos de Ligação e os valores de CCC aplicados aos casos de COVID-19
obtidos das mesorregiões climáticas de Alagoas.

Métodos/Mesorregião

Leste

Agreste

Sertão

Completo

0,9986

0,9982

0,9742

Média

0,9992

0,9986

0,9842

McQuitty

0,9992

0,9985

0,9835

Mediana

0,9990

0,9984

0,9839

Centróide

0,9994

0,9985

0,9831

Fonte: Autora, 2023.

Com base na técnica de AA foram agrupados os municípios do Leste
Alagoano com maior similaridade em relação aos casos notificados de COVID-19,
sendo identificado dois grupos homogêneos (G1 e G2). O grupo G1 (3.756,31 ±
3.318,17 casos) se restringe ao município de Maceió, que apresentou a maior média
de casos e o maior desvio padrão, ou seja, apresentou maior dispersão dos dados
em relação ao grupo G2 (53,70 ± 60,18 casos) que foi composto pelos demais 51
municípios do Leste alagoano (Figura 10), onde teve a média e o desvio padrão
menor, com menor dispersão dos dados.

36

Figura 10 - Dendrograma dos casos de COVID-19 na mesorregião Leste de Alagoas e
o valor do CCC e o método de ligação (Centróide), respectivamente.

Fonte: Autora, 2023.

Na Figura 11, mostra o mapeamento dos grupos formados por casos de
COVID-19 na região Leste. De acordo com dados do IBGE (2022), Maceió se
destaca por possuir a maior população do Estado, com 957.916 pessoas residentes
e uma densidade demográfica de 1.880,77 hab./Km2, e assim explica a rápida
disseminação da COVID-19 e a concentração de casos na capital e ainda por ser
uma cidade litorânea, concentram todos os anos um fluxo alto de visitantes tanto
nacionais como internacional para atividades turísticas e festas tradicionais, por
exemplo, Carnaval, Juninas e Fim de Ano (VASCONCELOS et al., 2019). Vale
destacar que Maceió possui a maior rede de hospitais no Estado, que por sua vez
atende toda a RMM (Atalaia, Barra de Santo Antonio, Barra de São Miguel, Coqueiro
Seco, Maceió, Marechal Deodoro, Messias, Murici, Paripueira, Pilar, Rio Largo,
Santa Luzia do Norte e Satuba) e, portanto, é fato a ser considerado na maior
37

ocorrência de casos notificados de COVID-19. De acordo com o DATASUS (2023),
Maceió possui 19 Hospitais (público e privado) e 92 postos de saúde. O G2 possui
uma média de 1 hospital por região, sendo distribuídos no municípios de Marechal
Deodoro (1), Rio Largo (1), União dos Palmares (2), São Miguel dos Campos (1),
Coruripe (1), Teotonio Vilela (1), Atalaia (1), Pilar (1), Campo Alegre (1), São Luíz do
Quintude (1), Murici (1), Satuba (1), Viçosa (1), Porto Calvo (2), Junqueiro (1), Matriz
do Camaragibe (1), São José da Laje (1), Joaquim Gomes (1), Cajueiro (1) e Capela
(1) (DATASUS, 2023).
Figura 11 - Distribuição espacial dos grupos formados (G1 e G2) de casos de COVID19 no Leste de Alagoas.

Fonte: Autora, 2023.

Na Figura 12 foram agrupados os municípios do Agreste Alagoano com
similaridade em relação aos casos notificados de COVID-19 no período de estudo,
sendo identificado três grupos homogêneos (G1, G2 e G3) de casos notificados de
COVID-19, com um CCC = 0,9986, sendo próximo de 1. Vale destacar a diferença
no método de ligação entre as mesorregiões climáticas, onde no Leste foi método
38

Centróide e no Agreste foi o da Média (Tabela 1). O grupo G1 (1.193,83 ± 1.385,21
casos) foi formado pelo município de Arapiraca, onde apresentou uma média alta de
casos e o maior desvio padrão do Agreste, ou seja, apresentou maior dispersão dos
dados seguido do grupo G2 formado pelo município de Palmeira dos Índios (217,40 ±
196,22 casos), que apresentou também valor alto da média e do desvio padrão,
porem menor que no grupo G1, e o grupo G3 (32,64 ± 29,53 casos) composto pelos
demais 22 municípios do Agreste alagoano, com uma média e desvio padrão menor
e, assim uma menor dispersão dos dados.
Figura 12 - Dendrograma dos casos de COVID-19 na mesorregião Agreste de Alagoas
e o valor do CCC e o método de ligação (Média), respectivamente.

Fonte: Autora, 2023.

Na Figura 13 exibe a distribuição espacial dos grupos formados pelos casos
de COVID-19 na região do Agreste. De acordo com o IBGE (2022), Arapiraca se
destaca por ser a cidade que concentra a maior população do Agreste, com 234.696
de pessoas residentes e densidade demográfica de 678,99 hab./Km2, possui 6
hospitais ao todo (estado e particular) que atende toda a mesorregião e 36 postos de
saúde (DATASUS, 2023). Vale ressaltar a expansão urbana e socioeconômica de
39

Arapiraca, que a tornou a capital do Agreste (CORREIA FILHO et al., 2022) por
causa do grande fluxo de transportes e pessoas vindas das cidades circunvizinhas,
por ser um importante polo de serviços comerciais, industriais, públicos e privados
no Agreste (SANTOS, 2019). Palmeira dos Índios é a segunda cidade mais populosa
do Agreste alagoano com uma população de 71.574 de pessoas residentes e
densidade demográfica de 158.70 hab./Km2 (IBGE, 2022), possui apenas 1 hospital
regional e 35 posto de saúde (DATASUS, 2023). O G3 possui uma média de 1
hospital por região, sendo concentrados nos municípios de Quebrangulo (1) e São
Brás (1) (DATASUS, 2023).
Figura 13 - Distribuição espacial dos grupos formados (G1, G2 e G3) de casos de
COVID-19 no Agreste de Alagoas.

Fonte: Autora, 2023.

Na Figura 14 foram agrupados os municípios do Sertão Alagoano com
similaridade em relação aos casos notificados de COVID-19, sendo novamente
identificado três grupos homogêneos (G1, G2 e G3) de casos notificados de COVID19, com um CCC = 0,9842. Similar ao Agreste, o método de ligação Média foi usado
40

no Sertão de Alagoas (Tabela 1). O grupo G1 (média = 186,67 ± desvio padrão =
12,91) foi formado pelos municípios de Delmiro Gouveia e Santana do Ipanema por
apresentarem a maior média de casos e menor desvio, apresentando assim uma
menor dispersão dos dados. O G2 (19,44 ± 10,82 casos) foi composto por 18
municípios do Sertão alagoano, apresentaram uma média e desvio padrão baixo,
com menor dispersão dos dados. O grupo G3 (46,79 ± 16,04 casos) foi formado
pelos 6 municípios restantes do Sertão, com uma média e desvio maior que o grupo
G2.
Figura 14 - Dendrograma dos casos de COVID-19 na mesorregião Sertão de Alagoas e
o valor do CCC e o método de ligação (Média), respectivamente.

Fonte: Autora, 2023.

Na Figura 15, mostra a distribuição espacial dos grupos formados por casos
de Covid-19 no Sertão. Os municípios de Delmiro Gouveia e Santana do Ipanema
são as mais populosas do sertão (OLIVEIRA-JÚNIOR et al., 2022). Delmiro Gouveia
com uma população de 51.318 pessoas residentes e densidade demográfica de
81,65 hab./Km2, possui 1 hospital e 16 postos de saúde. Santana do Ipanema tem
uma população de 46.220 pessoas residentes e densidade demográfica de 105,97
41

hab./Km2, possui 1 hospital e 16 postos de saúde. Os municípios que compõe o G2
não possuem hospitais. O G3 possui uma média de 1 hospital por região, sendo
concentrados nos municípios de São José da Tapera (1) e Piranhas (1) (DATASUS,
2023).
Figura 15 - Distribuição espacial dos grupos formados (G1, G2 e G3) de casos de
COVID-19 no Sertão de Alagoas.

Fonte: Autora, 2023.

5.3 Padrões relacionais entre a COVID-19 e os dados sóciodemográficos e
climáticos


Sóciodemográficos
A Figura 16 mostra a matriz de correlação entre Total de COVID-19 e as

variáveis: população, IDH, GINI, Densidade Demográfica e Área de Unidade
Territorial. As correlações entre o Total de COVID-19 e a variáveis: população (r =
0,99), IDH (r = 0,93), Densidade Demográfica (r = 1) e Área de Unidade Territorial (r
= 0,96) foram positivas e com alta correlação (r > 0,90), a exceção foi Índice de GINI

42

(r = 0,61), com correlação fraca, segundo classificação de MIOT (2018). Em relação,
as correlações entre o Total de COVID-19 por mesorregião e as variáveis
sociodemográficas foram positivas e com maior correlação entre as variáveis:
população (r = 1), IDH (r = 0,96), Densidade Demográfica (r = 1) e Área de Unidade
territorial (r = 0,98) e uma diminuição do índice de GINI (r = 0,47).
Figura 16 - Matriz de correlação entre o Total de COVID-19 no Estado de Alagoas e as
variáveis sociodemográficas: população, IDH, GINI, densidade demográfica (hab./km2)
e área da unidade territorial (km2) no período em estudo.

Fonte: Autora, 2023.

As condições socioeconômicas estão correlacionadas com à incidência dos
casos confirmados de COVID-19, embora não sejam seu único fator. Estudo feito
por Romero e Silva (2020) para os municípios do Ceará, apontaram que, os
43

municípios com os piores IDH, apresentaram uma correlação moderada com a
incidência dos casos de Covid-19. Alberti et al., (2021), em estudo feito para os
municípios com maiores e o piores IDH de Santa Catarina, apontou que houve uma
relação maior entre os municípios com os piores IDH e o número de mortes por
COVID-19, do que aqueles municípios com o IDH bom. De acordo com Quinino et
al., (2021), em seu estudo para os municípios de Pernambuco, na análise de
correlação, mostrou que quanto maior a população e a densidade demográfica e
quanto menor o IDH, a taxa de Urbanização e a área, maior é a incidência de casos
por COVID-19. De acordo com o IBGE (2022), o estado de Alagoas, apresenta um
dos mais baixos IDH do país.



Climáticos
A Figura 17 mostra a matriz de correlação entre os casos de COVID-19 na 1ª

Onda e as variáveis climáticas: precipitação, umidade, pressão, velocidade do vento
e temperatura. As correlações entre os casos de COVID-19 na 1ª Onda e a variável
precipitação (r = -0,7) foi negativa e com correlação moderada. A correlação com as
variáveis: pressão (r = 0,64) foi positiva, umidade (r = -0,63) e temperatura (r = 0,57), foram negativas e com correlação fraca. Com a variável velocidade do vento (r
= 0,17) não teve correlação.

44

Figura 17 - Matriz de correlação (a) e o gráfico (b) entre os casos de COVID-19 na 1ª
Onda e os dados climáticos: precipitação, umidade, pressão, velocidade do vento e
temperatura no período em estudo.

a

b

Fonte: Autora, 2023.

45

A Figura 18 mostra a matriz de correlação entre os casos de COVID-19 na 2ª
Onda e as variáveis climáticas: precipitação, umidade do ar, pressão atmosférica,
velocidade do vento e temperatura do ar. As correlações entre os casos de COVID19 na 2ª Onda e a variável pressão (r = 0,84) foi positiva e teve correlação forte.
Com as variáveis precipitação (r = -0,7) e temperatura (r = -0,72) foram negativas e
com correlação moderada. Com as variáveis umidade (r = -0,42) e velocidade do
vento (r = -0,37), foram negativas e com correlação fraca.
Figura 18 - Matriz de correlação (a) e o gráfico (b) entre os casos de COVID-19 na 2ª
Onda e os dados climáticos: precipitação, umidade, pressão, velocidade do vento e
temperatura no período em estudo.

a

46

b

Fonte: Autora, 2023.

Estudos realizado por Bashir et al. (2020), na cidade de Nova York - USA,
encontraram correlação significativa entre fatores meteorológicos e a COVID-19,
onde as condições climáticas aumentaram significativamente a propagação de
infecções pela COVID-19. Em Singapura, Pani et al. (2020), revelaram que as
variáveis climáticas, tais como, temperatura do ar, temperatura do ponto de orvalho,
pressão de vapor d’água, umidades absoluta e relativa, apresentaram correlação
positiva e significativa com a transmissão da COVID-19, enquanto a velocidade do
vento ocorreu correlação negativa. Estudos realizados na Índia por Kumar (2020)
encontrou uma correlação positiva da temperatura do ar com casos diários de
COVID-19, enquanto que as umidades relativa e absoluta apresentou uma
correlação negativa.


Modelo de Regressão Linear Múltipla (MRLM)
Foi aplicado o MRLM em dois municípios de cada Mesorregião, no qual

obteve o maior total das doenças negligenciadas no período em estudo. no Leste
(Maceió e Penedo), no Agreste (Arapiraca e Palmeira dos Índios) e no Sertão (Mata
Grande e Palestina).

47

No MRLM aplicada ao município de Maceió, em relação à 1ª onda, o
coeficiente de determinação (R2) explicou que 98% das variáveis climáticas tem
impacto sobre os casos de COVID-19, destaque para correlação significativa entre
as varáveis casos COVID-19 e a velocidade do vento (p-valor = 0,034445). Na 2ª
onda, houve uma diminuição do coeficiente R2, que 84% das variáveis climáticas
tem impacto sobre os casos de COVID-19, com correlação significativa entre casos
COVID-19 e pressão de vapor d’água (p-valor = 0,006998), detalhes no Apêndice
A1.
No MRLM aplicada ao município de Penedo em relação à 1ª onda, o
coeficiente R2 explicou 98% do impacto das variáveis climáticas sobre os casos de
COVID-19, similar a capital Maceió. Na 2ª onda, o coeficiente R2 explicou 61% do
impacto das variáveis climáticas sobre os casos de COVID-19. Não houve
significância estatística na 1ª e 2ª ondas entre as variáveis climáticas e os casos
COVID-19, pois apresentou um p-valor > 0,05, detalhes no Apêndice A2. Já o
município de Arapiraca, na 1ª onda o coeficiente R2 explicou 69% do impacto das
variáveis climáticas sobre os casos de COVID-19. Na 2ª onda, o coeficiente R2
explicou 68% do impacto das variáveis sobre os casos de COVID-19. Novamente,
não houve significância estatística entre as variáveis climáticas, pois p-valor > 0,05
para todas as variáveis, detalhes no Apêndice A3.
Na regressão aplicada ao município de Palmeira dos Índios, na 1ª onda o
coeficiente R2 explicou 98% do impacto das variáveis sobre os casos de COVID-19.
Na 2ª onda, o coeficiente R2 explicou 73% do impacto das variáveis sobre os casos
de COVID-19. Novamente, não houve significância estatística entre as variáveis e os
casos de COVID-19, com p-valor > 0,05, detalhes no Apêndice A4.
Na regressão aplicada ao município de Mata Grande em relação à 1ª onda, o
coeficiente R2 explicou 97% do impacto das variáveis sobre os casos de COVID-19,
destaque para correlação significativa entre a precipitação e os casos COVID-19 (pvalor = 0,038319). No caso da 2ª onda, o coeficiente R2 explicou 79% do impacto
das variáveis sobre os casos de COVID-19, porém, não houve significância
estatística, com p-valor >0,05 para todas as variáveis, detalhes no Apêndice A5.
Na regressão aplicada ao município de Palestina em relação à 1ª onda, o
coeficiente R2 explicou 95% do impacto das variáveis climáticas sobre os casos de
COVID-19, no entanto, não houve correlação entre as variáveis, onde p-valor > 0,05.
48

Na 2ª onda, o coeficiente R2 explicou 93% do impacto das variáveis climáticas sobre
os casos de COVID-19, com significância estatística entre a precipitação e COVID19 (p-valor = 0,00052) e pressão de vapor (0,02244), detalhes no Apêndice A6.

49

6 – CONCLUSÕES
As conclusões do estudo são:
1. A análise multivariada de AA mostra que na mesorregião Leste há formação
de dois grupos homogêneos (G1 e G2). Situação contrária, das mesorregiões
Agreste e Sertão com três grupos homogêneos (G1, G2 e G3). O grupo G1 do
Leste é a capital Maceió. Tal fato é devido maior adensamento urbano e
populacional, seguido do maior fluxo de visitantes nacionais e internacionais
para atividades turísticas e a maior rede de hospitais no Estado. No Agreste,
o grupo G1 é Arapiraca, que concentra a maior população e maior rede de
hospitais da região. O grupo G2 é Palmeira dos Índios, que é o segundo
município mais populoso do Agreste. No Sertão, o grupo G1 consistem em
Delmiro Gouveia e Santana do Ipanema, os municípios mais populosos da
região.
2. A doença mais impactada antes e durante a COVID-19 em Alagoas é a
dengue. No Leste alagoano a dengue impacta Maceió, Penedo e Maragogi.
No Agreste, apenas Arapiraca e no Sertão, há diminuição da dengue. A
tuberculose, no Leste alagoano, impacta Maceió. No Agreste, novamente
Arapiraca. No Sertão impacta Santana do Ipanema e Delmiro Gouveia. A
leishmaniose impacta Maceió. A Hanseníase, Leste alagoano, impacta
Maceió e União dos Palmares. No Agreste, a Hanseníase impacta Arapiraca.
No Sertão, impacta Delmiro Gouveia e Santana do Ipanema.
3. Na correlação entre o Total de COVID-19 e o Total de COVID-19 por
mesorregião são população, IDH, Densidade Demográfica e Área de Unidade
Territorial. Em relação à correlação na 1ª onda entre os casos de COVID-19 e
as variáveis climáticas, destaque para precipitação. Na correlação entre os
casos de COVID-19 na 2ª onda e as variáveis climáticas, destaque para
pressão, precipitação e temperatura.
4. O MRLM aponta que Maceió tem correlação significativa entre os casos e a
velocidade do vento (1a onda) e a pressão de vapor d’água (2ª onda),
seguido de Mata Grande entre a precipitação e os casos, apenas na 1ª onda
e Palestina, com correlação significativa entre a precipitação, pressão de
vapor na 2ª onda. As exceções são Penedo, Arapiraca e Palmeira dos Índios,
sem correlação.
50

5. Em geral, as doenças negligenciadas se intensificam com atuação da COVID19 e o impacto atinge alguns municípios do Estado. Entretanto, a correlação
com as variáveis sociodemográficas e climáticas são marcante e evidenciam,
os problemas de vulnerabilidade e falta de gestão de saúde pública em
Alagoas.

51

7 – RECOMENDAÇÕES
As principais recomendações são:
 Avaliar correlação entre os dados censitários do IBGE (2023), ou seja, pós
COVID-19 no sentido de investigar os efeitos devastadores provocados pela
pandemia.
 Identificar os efeitos em outras doenças negligenciadas no Estado, no cenário
pós-COVID-19.

52

REFERÊNCIAS BIBLIOGRÁFICAS
ABATZOGLOU, J.; DOBROWSKI, S.; PARKS, S. et al. TerraClimate, a highresolution global dataset of monthly climate and climatic water balance from
1958–2015. Sci Data 5, 170191, 2018.
AFFONSO, M. V. G.; PEREIRA, C. E. A.; SILVA, W. B.; SILVA, M. V. S. O papel dos
Determinantes Sociais da Saúde e da Atenção Primária à Saúde no controle da
COVID-19 em Belém, Pará. Revista de Saúde Coletiva, Rio de Janeiro, v. 31,
n. 2, e310207, 2021.
ALBERTI, A.; SILVA, B. B.; JESUS, J. A.; ZANONI, E. M.; GRIGOLLO, L. R.
Associação do maior número de mortes por COVID-19 e o Índice de
Desenvolvimento Humano (IDH) de Cidades Catarinenses. Id on Line Revista
Multidisciplinar e de Psicologia, v. 14, n. 54, p. 427-434, Fevereiro/2021.
https://doi.org/10.14295/idonline.v15i54.2973.
ALMEIDA, B. C.; LIMA, E. A. Study of the impact of COVID-19 and social isolation
and its anthropogenic adaptations - A 30-year analysis of climate change.
Revista Angolana de Ciências, v. 3, n. 1, p. 217-235, 2021.
ALMEIDA, G. B. Aplicação de modelos matemáticos em pandemias: um estudo
de comportamento epidemiológico a partir da Covid-19. 2022. 61 f. Tese
(Doutor em Doenças Tropicais) – Faculdade de Medicina, Universidade
Estadual Paulista, Botucatu, 2022.
ANDRADE, S. M.; SANTOS, D. A.; CARVALHO, K. N. F.; ROSA, L. M. V.;
RODRIGUES, I. S. M.; PIRES, L. G. F.; SILVA, J. C. R. A.; TAMINATO, R. L.;
OLIVEIRA, E. H. Estudo epidemiológico dos casos de Dengue no Nordeste
brasileiro entre 2012 e 2021. Brazilian Journal of Development, v. 8, n. 7, p.
52839-52852, jul., 2022. ISSN: 2525-8761.
AQUINO, D. S. Influência do acesso a saneamento básico na incidência e na
mortalidade por COVID-19: análise de regressão linear múltipla nos estados
brasileiros. Revista Thema, v. 18, n. 1, p. 319-331, 2020. DOI:
http://dx.doi.org/10.15536/thema.V18.Especial.2020.319-331.1798.
BARCELLOS, C.; XAVIER, D. R.; As diferentes fases, os seus impactos e os
desafios da pandemia de covid-19 no Brasil. Revista Eletrônica de
Comunicação, Informação & Inovação em Saúde, Rio de Janeiro, v. 16, n. 2,
p. 221-226, abr.- jun. 2022.
BARROSO, S. P. C.; BORGES, C. L. Covid-19. Revista do Clube Naval, v. 2, n.
394, p. 10-12, 2020.
BASHIR, M. F.; MA, B.; BILAL.; KOMAL, B.; BASHIR, M. A.; TAN, D.; BASHIR, M.
Correlation between Climate Indicators and COVID-19 Pandemic in New York,
USA. Science of the Total Environment, v. 728, n. 1, p. 138835, 2020.
https://doi.org/10.1016/j.scitotenv.2020.138835
53

BEE, G. R.; PINTO, D. D.; SILVA, A. C. C. A.; TIAGO OLIVEIRA, T.; ARRIGO, J. S.
Vacinas contra COVID-19disponíveis no Brasil. Brazilian Journal of
Development, Curitiba, v.8, n.1, p. 6246-6263, 2022.
BRITO, T.; OLIVEIRA-JÚNIOR, J. F.; GOIS, G.; LYRA, G.; ZERI, M. Multivariate
analysis applied to monthly rainfall over Rio de Janeiro state, Brazil.
Meteorology Atmospheric and Phys, v.129, n. 1, p. 469-478, 2016.
BRITO, S. B. P.; BRAGA, I. O.; CUNHA, C. C.; PALÁCIO, M. A. V.; TAKENAMI, I.
Pandemia da COVID-19: o maior desafio do século XXI. Revista Vigilância
Sanitária em Debate, v. 8, n. 2, p. 54-63, abril-junho, 2020.
https://doi.org/10.22239/2317-269X.01531.
CAPPELARI, B. E.; MENEGHEL, S. N. Violências e Vulnerabilidades: Desigualdade
Social e Doenças Tropicais Negligenciadas. Revista Eletrônica do Univag, v.
1, n. 26, p. 98-109, 2021. https://doi.org/10.18312/connectionline.v0i26.1793.
CARVALHO, P. R. Estudo comparativo dos algoritmos hierárquicos de análise
de agrupamento em resultados experimentais. 2018. 142 f. Dissertação
(Mestre em Ciências) – Universidade de São Paulo, São Paulo, 2018.
CHATKIN, J. M..; GODOY, I. Tabagismo, poluição ambiental e condições climáticas
são fatores de risco para COVID-19? Journal Brasileiro de Pneumologia, v.
46, n. 5, p. e20200183, 2020. https://doi.org/10.36416/1806-3756/e20200183.
CONCEIÇÃO, J. R. Doenças Negligenciadas e Racismo Institucional: dos
Aspectos Socioeconômicos ao Desenvolvimento de Novos Fármacos. 2021. 36
f. Monografia (Bacharel em Farmácia-Bioquímica) - Faculdade de Ciências
Farmacêuticas, Universidade de São Paulo, São Paulo, 2021.
CONJO, M. P. F.; JESUS, O. M.; FUMO, R. I.; CONJO, C. G. D.; SILVEIRA, V. A. O
Covid-19 e Meio Ambiente, educação ambiental como ferramenta alternativa
para consciencialização das pessoas. Revista Ibero-Americana de
Humanidades, Ciências e Educação, São Paulo, v. 7, n. 6, p. 62-77, 2021.
CORREIA FILHO, W. L. F.; ARAGÃO, M. R. S. Padrões temporais do vento à
superfície em mesorregiões do estado da Bahia. Revista Ciência e Natura, v.
36, n. 2, p. 402-414, 2014.
CORREIA FILHO, W. Influence of meteorological variables on dengue incidence the
municipality of Arapiraca, Alagoas, Brazil. Revista da Sociedade Brasileira de
Medicina Tropical, v. 50, p. 309-314, 2017.
CORREIA FILHO, W. L. F.; OLIVEIRA-JÚNIOR, J. F.; SANTOS, C. T. B.; BATISTA,
B. A.; SANTIAGO, D. B.; SILVA JUNIOR, C. A.; TEODORO, P. E.; COSTA, C.
E. S.; SILVA, E. B.; FREIRE, F. M. The influence of urban expansion in the
socio-economic, demographic, and environmental indicators in the City of
Arapiraca-Alagoas, Brazil. Remote Sensing Applications: Society and
Environment, v. 25, p. 100662, 2022.
54

COUTO, M. T.; BARBIERI, C. L. A.; MATOS, C. C. S. A. Considerações sobre o
impacto da COVID-19 na relação indivíduo-sociedade: da hesitação vacinal ao
clamor por uma vacina. Revista Saúde e Sociedade, v. 30, n. 1, e200450,
2021.
CRUZ, G. C. F. Clima e COVID 19: as relações entre a temperatura do ar, radiação
solar e os novos casos diários em Ponta Grossa, PR. Revista TerraPlural,
v.16, p. 1-15, e2217446, 2022.
DATASUS.
[S.I]:
Virtual
Books,
2022.
Disponível
em:
https://datasus.saude.gov.br/informacoes-de-saude-tabnet/. Acesso em: 10 de
agosto de 2022, 09:12:47.
DATASUS.
[S.I]:
Virtual
Books,
2023.
Disponível
em:
https://cnes2.datasus.gov.br/Mod_Ind_Unidade_Listar.asp?VTipo=05&VListar=
1&VEstado=27&VMun=&VSubUni=&VComp=. Acesso em: 05 de janeiro de
2023, 09:12:11.
DIAS, G. N.; PAMPLONA, V. M. S.; RODRIGUES, A. E.; VOGADO, G. E. R.;
JUNIOR, W. L. S.; BARRETO, W. D. L.; ARAÚJO, J. C. O.; BARBOSA, E. S.
Mathematical and statistical analysis of disease COVID-19 and implications for
future projections. Research, Society and Development, v. 9, n. 10,
e4169108826, 2020.
EMAMI, A.; JAVANMARDI, F.; PIRBONYEH, N.; AKBARI, E. A. Prevalence of
Underlying Diseases in Hospitalized Patients with COVID-19: a Systematic
Review and Meta-Analysis. Arch Acad Emerg Med., v. 8, n. 1, p. e35, 2020.
FALUME, A. C.; RAMÍREZ-SÁNCHEZ, M. Y. Descarte incorrecto de Máscaras em
tempo de Pandemia de COVID-19. Revista Científica, v. 3, n. 3, p. e331236,
2022. https://doi.org/10.47820/recima21.v3i3.1236.
FÁVERO, L. P.; BELFIORE, P. Manual de Análise de Dados, Estatística e
Modelagem Multivariada com Excel®, SPSS® e Stata®. 1. ed. Rio de Janeiro:
Elsevier, 2017. 1187p.
FRANCO, C. M. R.; DUTRA, R. F. Modelos Matemáticos em Epidemiologia e
Aplicação na Evolução da COVID-19 no Brasil e no Estado da Paraíba.
Revista Educação Ciência e Saúde, v. 7, n. 1, p. 1-20, jan./jun., 2020.
FILHO, P. S. P. S.; SILVA, M. J. S.; JÚNIOR, E. J. F.; ROCHA, M. M. L.; ARAUJO, I.
A.; CARVALHO, I. C. S.; ESPERANDIO, J. V. M.; VASCONCELOS, A. C. A.
B.; POMPEU, J. G. F.; CAMPELO, V. E. S.; FILHO, E. R. S.; PAIVA, M. L.
R..; CARVALHO, A. M.; GUEDES, J. J. S.; RODRIGUES, I. C. D. S.
J.; VALENTE, V. S.; PIRES, A. S. S.; MESQUITA, G. V. Vacinas contra o
coronavírus (COVID-19; SARS-COV-2) no Brasil: uma visão geral. Research,
Society and Development, v. 10, n. 8, pág. e26310817189, 2021.

55

FURLETTI, L. A.; CARVALHO, Í. L.; SILVA, H. B.; PEIXOTO, L. C. Aplicação de
regressão linear múltipla para analisar a relação entre buscas por palavraschave na internet e casos de COVID-19 no Brasil. Revista Exacta, 2022.
https://doi.org/10.5585/exactaep.2022.20401.
GÓES, B. C.; GOES, R. J.; CREMASCO, C. P.; GABRIEL FILHO, L. R. A. Análise
Multivariada da soja cultivada sob sistema plantio direto em coberturas vegetais
de milheto e sorgo. Revista Brasileira de Engenharia de Biossistemas, v.
14, n. 3, p. 283, 2020. https://doi.org/10.18011/bioeng2020v14n3p283-298
GONZAGA, A. C.; FREITAS, A. C. V. Analysis of the relationship between weather
conditions, air pollution and viral respiratory infections: the COVID-19 case.
Research, Society and Development, v. 9, n. 8, e591985942, 2020.
HIDROWEB.
[S.I]:
Virtual
Books,
2022.
Disponível
em:
https://www.snirh.gov.br/hidroweb/serieshistoricas. Acesso em 10 de agosto de
2022, 09:44:11.
HOMMA, A.; FREIRE, M. S.; POSSAS, C. Vacinas para doenças negligenciadas e
emergentes no Brasil até 2030: o “vale da morte” e oportunidades para PD&I
na Vacinologia 4.0. Cadernos de Saúde Pública, v. 36, Sup 2:e00128819,
2020.
IBGE.
[S.I]:
virtual
Books,
2022.
Disponível
em:
https://cidades.ibge.gov.br/brasil/al/panorama. Acesso em: 10 de novembro de
2023, 09:25:04.
INMET. [S.I]: Virtual Books, 2022. Disponível em: https://www.gov.br/agricultura/ptbr/assuntos/inmet. Acesso em 10 de agosto de 2022, 09:30:52.
JARDIM, T. V.; JARDIM, F. V.; JARDIM, L.; CORAGEM, J. T.; CASTRO, C. F.;
FIRMINO, G. M.; JARDIM, P. Changes in the Profile of Emergency Room
Patients during the COVID-19 Outbreak in a General Hospital Specialized in
Cardiovascular Care in Brazi. Arquivos brasileiros de cardiologia, v.116, n.
1, p. 140–143, 2021. https://doi.org/10.36660/abc.20200595.
KRONBAUER, A. H. Um Desenho Metodológico para engajar e motivar os alunos
nas aulas Remotas na Pandemia do COVID-19. Revista Interfaces
Científicas, v. 8, n. 3, p. 611–626, 2020. doi.org/ 10.17564/23163828.2020v8n3p611-626.
KUMAR S. Effect of meteorological parameters on spread of COVID-19 in India and
air quality during lockdown. Science of The Total Environment, v. 745, n. 25,
p. 141021, 2020. https://www.doi.org/10.1016/j.scitotenv.2020.141021.
KURZ, G. B.; BUSKE, D.; QUADROS, R. S.; GONÇALVES, G. A. Análise da
Pandemia de COVID-19 em Pelotas. Revista Ciência e Natura, Santa Maria,
v. 43, e9, 2021. doi.org/10.5902/2179460X66994.

56

LEDO, M. V.; DÍAZ, R. G.; RODRÍGUEZ, W. B.; ONEGA, N. C. V.; LEZCA, W. M.
Modelos Matemáticos para el Control Epidemiológico. Educación Médica
Superior, v. 34, n. 2, e2387, abr.-jun. 2020.
LEIVA, G. C.; SATHLER, D.; FILHO, R. D. O. Estrutura urbana e mobilidade
populacional: implicações para o distanciamento social e disseminação da
Covid-19. Revista Brasileira de Estudos de População, v. 37, p. 1-22,
e0118, 2020.
LIMA, M. J. S.; CAVALCANTE, I. B. S.; MENDONÇA, H. S.; PEDRO FERNANDES
DE SOUZA NETO.; SILVA, S. D.; AMORIM, D. O. C.; SILVA, D. F.
Classificação, quantificação e ocorrência de eventos climáticos extremos nas
três mesorregiões do estado de Alagoas, Brasil. Revista Ciência e
Sustentabilidade, v. 4, n. 2, p.151-172, jul./dez. 2018.
LIMA, J. R. F.; PEDROSO, M. T. M. Impactos da crise do coronavírus nas cadeias
produtivas de frutas e hortaliças brasileiras. Revista de Economia e
Agronegócio, v. 18, n. 2, p. 1-10, 2020.
LIMA, J. R. B. Produção Agrícola Pernambucana frente à Pandemia de COVID19: Impactos e iniciativas na Agricultura Familiar. 2021. 116 f. Dissertação
(Mestre em Desenvolvimento e Meio Ambiente) - Centro de Filosofia e Ciências
Humanas, Universidade Federal de Pernambuco, Recife, 2021.
LINDEMANN, I. L.; SIMONETTI, A. B.; AMARAL, C. P.; RIFFEL, R. T.; SIMON, T. T.;
STOBBE, J. C.; ACRANI, G. O. Percepção do medo de ser contaminado pelo
novo Coronavírus. Jornal Brasileiro de Psiquiatria, v. 70, n. 1, p. 3-11, 2021.
LYRA, G. B.; OLIVEIRA-JÚNIOR, J. F.; ZERI, M. Cluster Analysis applied to the
spatial and temporal variability of monthly rainfall in Alagoas state, Northeast of
Brazil. International Journal of Climatolology, v. 34, n. 13, p. 3546-3558,
2014.
LIRA, J. L. M.; CALADO, M. F.; OLIVEIRA, L. L. Perfil epidemiológico da coinfecção
por HIV e leishmaniose visceral no estado de Alagoas, 2009 – 2019. Research,
Society and Development, v. 9, n. 10, p. e7249109203, 2020. DOI:
10.33448/rsd-v9i10.9203.
LIRA, L. F.; BROUWERSKUR, C.; SANTOS, M. C. C.; DIVINO, A. M. C. A.;
CAMARGO, L. L.; ARAUJO, I. M.; CRUZ, C. M. Incidência da dengue no Brasil:
análise comparativa entre São Paulo e Alagoas. Brazilian Journal of Health
Review, v. 4, n. 6, p. 24410-24426 nov./dec., 2021. DOI:10.34119/bjhrv4n6066.
LISBOA, T. R.; SERAFIM, I. B. M.; SERAFIM, J. C. M.; RAMOS, A. C.;
NASCIMENTO, R. M.; RONER, M. N. B. Relação entre incidência de casos de
arboviroses e a pandemia da Covid-19. Revista Interdisciplinar de Ciência
Aplicada v. 6, n. 10, p. 31-36, 2022. ISSN: 2525-3824.

57

MADEIROS, S. F. A cultura do eucalipto no Estado de alagoas: histórico,
perspectiva e característica dos plantios. 2019. 52 f. Dissertação (Mestrado
em Energia da Biomassa) – Centro de Ciências Agrárias, Universidade Federal
de Alagoas, Rio Largo, 2019.
MAIRINQUE, L. A. A Pandemia por COVID-19 e seus Impactos na Mobilidade
Urbana: um estudo de caso utilizando Análise Estatística Espacial. 2021. 124 f.
Dissertação (Mestre em Engenharia de Produção) - Universidade Federal de
Itajubá, Itajubá, 2021.
MARQUES, T. B.; PIMENTEL, H. S.; FECURY, A. A.; CARDENAS, A. M. C.;
PUREZA, D. Y.; ANDRADE, R. F. Impacto da COVID 19 no registro de Casos
das Doenças Endêmicas no Amapá. Revista Portuguesa De Ciências e
Saúde, v. 3, n. 01, p. 44–63, 2022.
MELO, R. L. B.; SANTOS, A. A. P.; COMASSETTO, I.; SANTOS, V. B.; BARROS, A.
C.; BERNARDO, T. H. L.; SANTOS, W. B.; SANTOS, J. A. M. Distribuição de
casos novos da hanseníase em um estado do Nordeste. Research, Society
and Development, v. 11, n. 1, p. e15011124917, 2022. DOI:
http://dx.doi.org/10.33448/rsd-v11i1.24917.
MENDES, E. V. (2020). O lado oculto de uma pandemia: a terceira onda da Covid19 ou o paciente invisível. 1. ed.: Conselho Nacional de Secretários de Saúde,
CONASS, 2020. 91 p.
MENDONÇA, I. M. S.; ELERES, F. B.; SILVA, E. M. S.; FERREIRA, S. M. B.;
SOUSA, G. S. Impact of the Covid-19 pandemic on the care of patients with
leprosy: an evaluative study from the perspective of the health professional.
Research, Society and Development, v. 11, n. 2, e4111225459, 2022.
https://doi.org/10.33448/rsd-v11i2.25459
MIRANDA, K. R. COVID-19: uma Análise Global de Fatores que Influenciam na
caracterização da Doença. 2021. 51 f. Monografia (Bacharel em Engenharia de
Produção) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de
Ouro Preto, João Monlevade, 2021.
MOROSINI, L. Fora da prioridade: pandemia de COVID-19 agrava desassistência de
doenças já consideradas invisibilizadas. RADIS: Comunicação e Saúde, n.
218, p. 20-24, 2020.
NASCIMENTO, V. F.; ESPINOSA, M. M.; SILVA, M. C. N.; FREIRE, N. P.;
TRETTEL, A. C. P. T. Impacto da COVID-19 sob o trabalho da Enfermagem
Brasileira: Aspectos Epidemiológicos. Revista Enfermagem em Foco, v. 11, n.
1, p. 24-31, 2020.
NASCIMENTO, C. S.; CORREIA, J. P. S.; TEMÓTEO, C. C. S.; CAMPOS, A. L. B.
Impacts on the epidemiological profile of Dengue amid the COVID-19 Pandemic
in Sergipe Impactos en el perfil epidemiológico del Dengue en medio de la
pandemia COVID-19 en Sergipe. Research, Society and Development, v. 10,
n. 5, e3610514544, 2021. https://doi.org/10.33448/rsd-v10i5.14544 (a).
NETO, J. W. V.; SILVA, G. A.; COSTA, H. P.; CARMO, S. J. M.; GUEDES, M. I. F.;
FERREIRA, J. E. S. M.; AMARO, J. P.; ALMEIDA, I. N. K.; GAZOS, W. M. J.;
58

PAIVA, K. G. P.; GALVÃO, J. W. S.; ARAÚJO, E. F.; SOUZA, F. A. C. A.
Doenças tropicais negligenciadas durante a pandemia da COVID-19. In:
FARIAS, B. M. Convergências: diálogos interdisciplinares na ciência
contemporânea. 1. ed. Rio de Janeiro: Epitaya, 2023. p. 47-64.
OLIVEIRA, M. R. G. Métodos Multivariados aplicados no monitoramento da
qualidade da água de cisternas de placas na região do Pajeú – PE. 2016.
137 f. Tese (Doutor em Biometria e Estatística) – Programa de Pós-Graduação
em Biometria e Estatística, Universidade Federal Rural de Pernambuco, Recife,
2016.
OLIVEIRA, G. G.; GAMA, A. K. S.; MAIA, G. M. U.; GONÇALVES, G. F.; MIRANDA,
I. B.; PALMEIRA, J. O. V.; SOUZA, M. J. N.; OLIVEIRA, P. E.; SOARES, A. L.
F. H. Análise da hanseníase na região nordeste do Brasil no período de 20172021. Research, Society and Development, v. 11, n. 11, p. e46111133150,
2022. DOI:https://doi.org/10.33448/rsd-v11i11.33150.
OLIVEIRA, N. L. Análise de Agrupamento Hierárquicos. 2022. 50 f. Monografia
(Bacharel em Estatística) - Departamento de Estatística e Matemática Aplicada,
Universidade Federal do Ceará, Fortaleza, 2022.
OLIVEIRA-JÚNIOR, J. F., CORREIA FILHO, W. L. F., SANTIAGO, D. B., GOIS, G.,
COSTA, M., SILVA JUNIOR, C. A., TEODORO, P. E., & FREIRE, F. M. Rainfall
in Brazilian Northeast via in situ data and CHELSA product: mapping, trends,
and socio-environmental implications. Environmental Monitoring and
Assessment, v. 193, p. 263-281, 2021. https://doi.org/10.1007/s10661-02109043-9.
OLIVEIRA-JÚNIOR, J. F.; ROCHA, A. L.; SILVA, V.; SANTOS, D.; COSTA, SILVA,
C. E. Relações institucionais e Multidimensionalidade no Semiárido de Alagoas:
uma convivência entre ensino, pesquisa e extensão. Diversitas Journal, v. 7,
p. 407-423, 2022.
OLIVEIRA-JÚNIOR, J. F.; SOUZA, A.; ABREU, M. C.; NUNES, R. S. C.;
NASCIMENTO, L. S.; SILVA, S. D.; CORREIA FILHO, W. L. F.; SILVA, E. B.
Modeling of Dengue by Cluster Analysis and Probability Distribution Functions
in the State of Alagoas in Brazilian. Brazilian Archives of Biology and
Technology, v. 66, p. 1-17, 2023.
PANI, S. K.; LIN, N. H.; RAVINDRABABU, S. Association of COVID-19 pandemic
with meteorological parameters over Singapore. Science of The Total
Environment,
v.
740,
n.
20,
p.
140112,
2020.
https://www.doi.org/10.1016/j.scitotenv.2020.140112
PAULA, F. A. P.; FERREIRA, J. Z.; JÚNIOR, E. L. S.; ALVES, I. G.; NARVAES, J. V.
R.; PAULA, C. A. P.; BARETTA, I. P.; PACHECO, R. B. Incidência da Dengue
Durante a COVID-19. Brazilian Journal of Surgery and Clinical Research, v.
44, n. 2, p. 73-78, 2023.
PEREIRA, P. V. M.; RAMOS, J. E. S.; PEREIRA, M. M.; SCHMIDT, V. Planejamento
da exploração florestal: um estudo na Amazônia brasileira. Brazilian Journal
of Development, v. 5, n. 10, p. 18376-18403, oct. 2019. http://
doi.org/10.34117/bjdv5n10-095.
59

PINTO, S. S.; SILVA, C. S. Estatística. 1. ed. Rio Grande: Ed. da FURG, 2020. 195
p.
QUININO, L. R. M.; VASCONCELLOS, F. H. M.; DINIZ, I. S.; AGUIAR, L. R.;
RAMOS, Y. T. M.; BASTIANI, F. Aspectos espacial e temporal e fatores
associados à interiorização da Covid-19 em Pernambuco, Brasil. Ciência &
Saúde Coletiva, v. 26, n. 6, p. 2171-2182, 2021. https://doi.org/10.1590/141381232021266.00642021
ROCHA, M. A. N.; MATOS-ROCHA, T. J.; RIBEIROS, C. M. B.; ABREU, R. O.
Epidemiological aspects of human and canine visceral leishmaniasis in State of
Alagoas, Northeast, Brazil. Brazilian Journal of Biology, v. 78, n. 4, p. 609614, 2018. https://doi.org/10.1590/1519-6984.166622.
ROCHA, T. H. S. Máscaras e respiradores: uma revisão sobre suas características
e seus impactos ambientais, e a influência da pandemia de COVID-19. 2021.
44 f. Monografia (Bacharelado em Química Tecnológica) - Centro de Ciências
Exatas e Tecnologia, Universidade Federal de São Carlos, São Carlos, 2021.
ROMERO, J. A. R.; SILVA, F. A. M. Relação entre as Condições Socioeconômicas e
a Incidência da Pandemia da Covid-19 nos municípios do Ceará. Boletim da
Conjuntura, v. 3, n. 7, p. 85-92, 2020. http://doi.org/10.5281/zenodo.3923443.
SALLAS, J.; ELIDIO, G. A.; COSTACURTA, G. F.; FRANK, C. H. M.; ROHLFS, D.
B.; PACHECO, F. C.; GUILHEM, D. B. Decréscimo nas notificações
compulsórias registradas pela Rede Nacional de Vigilância Epidemiológica
Hospitalar do Brasil durante a pandemia da COVID-19: um estudo descritivo,
2017-2020. Epidemiologia e Serviços de Saúde, v. 31, p. e2021303, 2022.
SANTOS, F. G. B.; PAIVA, J. P. S.; ARAÚJO, E. M. C. F.; LEAL, T. C.; SOUZA, C.
D. F.; DUAILIBE, F. T. Tuberculose no estado de Alagoas: análise espacial e
temporal entre 2010 e 2015. Revista O Mundo da Saúde, v. 43, n. 1, p. 129150, 2019. DOI: 10.15343/0104-7809.20194301129150. (a)
SANTOS, J. G. C.; ROCHA, M. A. D. N.; SANTOS, R. C.; RIBAS, J. L. C. Perfil
Clínico e Epidemiológico da Tuberculose em Alagoas de 2008 A 2017. Revista
Saúde e Desenvolvimento, v. 13, n. 14, p. 35–48, 2019 (b).
SANTOS, P. C. L. Arapiraca e sua expressão enquanto cidade média no
contexto regional alagoano. 2019. 131 f. Dissertação (Mestrado em
Geografia) – Instituto de Geografia, Desenvolvimento e Meio Ambiente,
Universidade Federal de Alagoas, Maceió, 2019.
SANTOS, A. L. P.; FIGUEIREDO, M. P. S.; FERREIRA, T. A. E.; GOMES-SILVA, F.;
MOREIRA, G. R.; SILVA, J. E.; FREITAS, J. R. Analysis and forecasting of the
evolution of COVID-19 death numbers in the state of Pernambuco and Ceará
using regression models. Research, Society and Development, v. 9, n. 7,
e602974551, 2020. DOI: http://dx.doi.org/10.33448/rsd-v9i7.4551.
SANTOS, F. S.; GOMES, H. B. ; BARROS, G. V. P.; ALVES, L. E. R.; SILVA, D. F.;
COSTA, R. L.; SILVA, F. D. S.; OLIVEIRA JÚNIOR, J. F. Análise Sazonal dos
Parâmetros Biofísicos Utilizando o Sensor MODIS para o Estado de Alagoas.
Revista Brasileira de Meteorologia, v. 35, p. 955-968, 2021 (a).
SANTOS, L. B.; MAGALHÃES, A. K.; ZANOL, B. M.; CARNEIRO, C. C. A.;
CERQUEIRA, J. P. N.; FEITOSA, R. R. M.; OLIVEIRA, G. N. A.; TORRES, Y.
60

D. A.; SILVA, C. A. Hanseníase: Aspectos epidemiológicos e evolução clínica
em Pernambuco - Brasil, nos anos de 2001 a 2020. Brazilian Journal of
Health Review, Curitiba, v. 4, n. 4, p. 18102-18115 jul./aug. 2021.
DOI:10.34119/bjhrv4n4-285. (b).
SENHORA, E. M. O campo de poder das vacinas na pandemia da COVID-19.
Boletim
De
Conjuntura,
v.
6,
n.
18,
p.
110-121,
2021.
http://doi.org/10.5281/zenodo.5009525.
SILVA, C. C. S. C.; TEIXEIRA, C. M. S. O uso das tecnologias na educação: os
desafios frente à pandemia da COVID-19. Brazilian Journal of Development,
Curitiba, v. 6, n. 9, p.70070-70079, sep. 2020.
SILVA, L. L. S.; LIMA, A. F. R.; POLLI, D. A.; RAZIA, P. F. S.; PAVÃO, L. F. A.;
CAVALCANTI, M. A. F. H.; TOSCANO, C. M. Medidas de distanciamento social
para o enfrentamento da COVID-19 no Brasil: caracterização e análise
epidemiológica por estado. Revista Caderno de Saúde Pública, Rio de
Janeiro, v. 36, n. 9, p. e00185020, setembro, 2020.
SILVA, A. P.; MEDEIROS, E. B.; NETTO, J. L. M. G.; WANDERLEY, F. S. Estudo
epidemiológico de Leishmaniose Tegumentar Americana em Alagoas, no
período de 2010 à 2018. Diversitas Journal, v. 6, n. 2, p. 2351-2364, abr./jun.
2021. DOI:10.17648/diversitas-journal-v6i2-1550 (a).
SILVA, A. M.; OLIVEIRA, G. G.; SANTOS, F. R. Doenças Tropicais Infecciosas
negligenciadas também são vistas e pesquisadas pela UFS. In: GURGEL, R.
Q.; NUNES, M. S. C. Ciência e Saúde: Diálogos Contemporâneos em
Tempos de COVID-19. 1. ed. São Cristóvão: Ed UFS, 2021. p. 39-41 (b).
SILVA, S. D.; JÚNIOR, J. F. O.; FILHO, W. L. F. C.; BARROS, H. G.; SOUZA, E. O.;
SANTIAGO, D. B.; SILVA, E. B.; BELO E SILVA, M. Dynamics of notified
cases of dengue in Alagoas: Geospatialization and Applied Statistics.
Research, Society and Development, v. 10, n. 15, e415101522990, 2021.
DOI:https://doi.org/10.33448/rsd-v10i15.22990 (c).
SILVA, I. J. L. Períodos Úmidos e Secos no Estado de Alagoas via Índice de
Seca. 2022. 119 f. Dissertação (Mestrado em Meteorologia) – Instituto de
Ciências Atmosféricas, Universidade Federal de Alagoas, Maceió.
SILVA, L. M.; SILVA, G. D.; SILVA, A. B. O.; OLIVEIRA, M. S.; SANTOS, G. S.;
GOMES, M. B. S.; SILVA, M. L.; VIEIRA, R. N.; BEZERRA, J. K. S.; SANTOS,
M. R. R. O cenário da Tuberculose no Brasil: impactos da pandemia da COVID19 na subnotificação e descontinuidade do tratamento. Brazilian Journal of
Health
Review,
v.
5,
n.
5,
p.
21067–21081,
2022.
https://doi.org/10.34119/bjhrv5n5-260
SOUSA, C. D. K.; MORAIS, T. C.; DABOIN, B. E. G.; PORTUGAL, I.; CAVALCANTI,
M. P. E.; ECHEIMBERG, J. O.; JACINTHO, L. C.; RAIMUNDO, R. D.;
ELMUSHARAF, K.; SIQUEIRA, C. E. Epidemiological profile of COVID-19 in
the State of Espírito Santo, Brazil, from march 2020 to june 2021. J Hum
Growth Dev., v. 31, n. 3, p. 507-520. 2021. DOI: 10.36311/jhgd.v31.12770 (b).
SOUSA, P. M. L.; CARTAXO, H. B.; COELHO, C. I. H. M.; GALVÃO, J. G. F.;
BRITO, S. A. Impactos do perfil epidemiológico da dengue durante a pandemia
61

da
COVID–19.
e-Acadêmica,
v.
http://dx.doi.org/10.52076/eacad-v3i2.198

3,

n.

2,

e3332198,

2022.

SOUZA, L. C.; SILVA, T. O.; PINHEIRO, A. R. S.; SANTOS, F. S. SARS-CoV,
MERS-CoV e SARS-CoV-2: a narrative review of the main Coronaviruses of the
century. Brazilian Journal of Health Review, Curitiba, v. 4, n. 1, p. 1419-1439,
Jan/Feb. 2021. DOI:10.34119/bjhrv4n1-120.
SOUZA, L. E. P. F.; BUSS, P. M. Desafios globais para o acesso equitativo à
vacinação contra a COVID-19. Revista Cadernos de Saúde Pública, v. 37, n.
9, p. e00056521, 2021. doi: 10.1590/0102-311X00056521.
SOUZA, C. E. A.; ARAÚJO, P. C.; AGUIAR, C. S.; CRUZ, F. M. F.; LIMA, M. W. H.;
SANTOS JUNIOR, M. S.; RÊGO, P. W. A.; CARVALHO , B. M. M.; MARTINS,
G. C. C.; SILVA, E. K. L. Covid-19 and the incidence of tuberculosis in the
northeast: A cross-sectional analysis. Research, Society and Development, v.
11, n. 9, p. e59411932162, 2022. DOI: 10.33448/rsd-v11i9.32162.
TARDIM, A. C. C.; ALMADA, E. V. C. O impacto da pandemia de COVID-19 na
geração de resíduos sólidos. Revista Meio Ambiente, v. 4, n. 2, p. 021-033,
2022.
VALERIO, E. J. Modelos matemáticos para a Covid-19. 2021. 56 f. Dissertação
(Mestrado Profissional em Matemática) - Departamento de Matemática,
Universidade Estadual de Maringá, Maringá, 2021.
VALLE, C. P. P. Uma sugestão de modelagem no ensino básico para a COVID19 em Goiás. 2021. 62 f. Dissertação (Mestre em Matemática) – Instituto de
Matemática, Universidade Federal de Goiás, Goiânia, 2021.
VASCONCELOS, D. A. L.; ARAUJO, L. M.; RAMOS, S. P. Turismo de sol e mar e a
territorialização do destino Maceió, Brasil. Revista de Turismo y Patrimônio
Cultural, v. 17, n. 4, Julio-Septiembre, p. 695-708, 2019.
VILARINHO, C. M. R.; SCHMITT, V. F.; REIS, B. C.; MELILLO, W. J. S.; COUTO, E.
A. Água e esgoto na pandemia da COVID-19: o papel da regulação e o desafio
para o objetivo de desenvolvimento sustentável 6 no Brasil. Revista de
Engenharia Sanitária e Ambiental, v. 27, n. 2, p. 335-346, mar/abr. 2022.
WATZECK, J. R. Estatística – uma Ferramenta Crucial no Controle da Pandemia da
COVID19: a realidade dos fatos. Revista Científica Multidisciplinar, v. 3, n. 4,
e341311, 2022. https://doi.org/10.47820/recima21.v3i4.1311.
YAMASHITA, N. P. L. Vulnerabilidades Sociais e Indicadores Ambientais em
área rural e suas implicações na propagação da Doença de Chagas: um
estudo no assentamento Barra Bonita, Estado do Tocantins. 2021. 102 f.
Dissertação (Mestre em Planejamento Urbano e Regional/Demografia) Universidade Federal do Tocantins, Araguaína, 2021.

62

APÊNDICE
A1 – Maceió
Estatística da Regressão
1ª Onda

2ª Onda

R múltiplo

0,994525246

R múltiplo

0,919659004

R-Quadrado

0,989080464

R-Quadrado

0,845772684

R-quadrado ajustado

0,956321857

R-quadrado ajustado

0,713577842

Erro padrão

662,6563378

Erro padrão

1702,356516

Observações

9

Observações

14

R múltiplo

0,994525246

R múltiplo

0,919659004

gl

SQ

MQ

F

F de significação

Regressão

6

79548895

13258149

30,19299

0,032402201

Resíduo

2

878226,84

439113,4

Total

8

80427122

gl

SQ

MQ

F

F de significação

Regressão

6

111247800

18541300

6,397925

0,013820982

Resíduo

7

20286124

2898018

Total

13

131533924

ANOVA 1ª onda

ANOVA 2ª onda

1ª onda
Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

Interseção

-98176,68383

37397,57
7

-2,62522

0,119618

-259085,4702

62732,103

-259085,4702

Precipitação

-62,68890326

26,14476

-2,39776

0,138658

-175,1807279

49,802921

-175,1807279

T mínima

4754,391008

3365,415
4

1,41272

0,293267

-9725,822641

19234,605

-9725,822641

T máxima

-2395,42293

2325,825

-1,02992

0,411303

-12402,6402

7611,7943

-12402,6402

63

Vv

5681,132043

1082,547
8

5,247927

0,034445

1023,304752

10338,959

1023,304752

ETo

-547,350116

193,8524
8

-2,82354

0,105883

-1381,430018

286,72979

-1381,430018

Pressão de
Vapor

46541,90424

20786,95
3

2,238996

0,15453

-42897,13729

135980,95

-42897,13729

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

Interseção

-42570,61242

27784,552

1,53217

0,169343

-108270,6384

108270,6384

23129,41352

Precipitação

5,989097488

8,8456972

0,67706
3

0,520106

-14,92765255

14,92765255

26,90584753

T mínima

6980,340445

3118,1503

2,23861
6

0,060201

-392,9134642

392,9134642

14353,59436

T máxima

931,9602225

2894,7367

0,32195

0,756892

-5913,004445

5913,004445

7776,92489

Vv

958,0895174

1539,2589

0,62243
6

0,553382

-2681,6794

-2681,6794

4597,858434

ETo

-49,95572543

96,10833

0,51979

0,619241

-277,2158138

277,2158138

177,3043629

Pressão de
Vapor

-47218,77656

12530,272

3,76838

0,006998

-76848,16252

76848,16252

17589,39059

2ª onda

A2 – Penedo
Estatística da Regressão
1ª Onda
R múltiplo
R-Quadrado
R-quadrado ajustado
Erro padrão
Observações
R múltiplo

2ª Onda
0,991678135
0,983425523
0,933702092
52,71496587
9
0,991678135

R múltiplo
R-Quadrado
R-quadrado ajustado
Erro padrão
Observações
R múltiplo

0,779511561
0,607638273
0,271328221
178,864302
14
0,779511561

64

ANOVA 1ª onda

Regressão
Resíduo
Total

gl

SQ

MQ

6

329761,2

54960,19

2

5557,735

2778,868

8

335318,9

gl

SQ

MQ

6

346819,8

57803,3

7

223947,1

31992,44

13

570766,9

F

F de significação

19,77791

0,048903845

F

F de significação

1,80678

0,228315572

ANOVA 2ª onda

Regressão
Resíduo
Total

1ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

422,9041756

1824,821

0,231751

0,838284

-7428,67

8274,475

-7428,66668

-15,3506448

4,916003

-3,12259

0,089069

-36,5025

5,801209

-36,50249837

2779,503361

909,6706

3,055505

0,092491

-1134,49

6693,5

-1134,493154

18,69022022

434,8641

0,042979

0,969623

-1852,38

1889,759

-1852,379057

-1234,17193

380,73

-3,24159

0,08343

-2872,32

403,9771

-2872,320984

-67,0497129

36,75934

-1,82402

0,209711

-225,212

91,11298

-225,2124084

-17941,0052

8767,75

-2,04625

0,177353

-55665,6

19783,58

-55665,58717

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

-1911,46154

2156,438

-0,8864

0,404825

-7010,63

3187,704

7010,626865

-0,28812107

1,567686

0,18379

0,859391

-3,99511

3,418867

3,995109404

242,8694156

213,7428

1,13627

0,293243

-262,552

748,2908

262,5519404

23,55362714

190,0006

0,12396
6

0,904827

-425,726

472,8336

425,7263353

-23,6976776

255,9701

0,09258

0,928831

-628,971

581,5754

628,9707918

-14,3234735

10,50472

1,36353

0,214944

-39,1632

10,51625

-39,1631986

2ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo

65

Pressão de
Vapor

-736,129152

1100,994

-0,6686

0,525175

-3339,57

1867,308

3339,566606

A3 – Arapiraca
Estatística da Regressão
1ª Onda

2ª Onda

0,830754706

R múltiplo

0,690153382

R-Quadrado

14

Observações

0,830754706

R múltiplo

1026,720451

Erro padrão

9

Observações

0,41396584

R-quadrado ajustado

1914,15147

Erro padrão

0,684443145

R-Quadrado

-0,2393865

R-quadrado ajustado

0,827310791

R múltiplo

0,827310791

R múltiplo

ANOVA 1ª onda

Regressão
Resíduo
Total

gl

SQ

MQ

F

F de significação

6

16322304

2720384

0,742468

0,671271876

2

7327952

3663976

8

23650256

gl

SQ

MQ

F

F de significação

6

16005241

2667540

2,530501

0,125052586

7

7379084

1054155

13

23384325

ANOVA 2ª onda

Regressão
Resíduo
Total

66

1ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

44941,83017

50942,98

0,882199

0,470728

-174248

264131,8

-174248,1145

16,05912123

49,73881

0,322869

0,777424

-197,95

230,068

-197,9497129

27,29149242

5249,21

0,005199

0,996324

-22558,2

22612,82

-22558,23797

-646,295512

3966,019

-0,16296

0,885529

-17710,7

16418,11

-17710,69732

-2270,13645

4877,092

-0,46547

0,687362

-23254,6

18714,3

-23254,57077

71,47030117

343,4414

0,2081

0,854418

-1406,24

1549,179

-1406,238664

-12973,3505

58933,44

-0,22014

0,846193

-266543

240596,8

-266543,4585

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

17522,11568

18806,23

0,93171
9

0,382493

-26947,6

61991,78

26947,55175

17,79637165

16,94857

1,05002
2

0,328601

-22,2806

57,87337

22,28062533

3424,662543

1888,608

1,81332
6

0,112665

-1041,19

7890,511

1041,186175

-1715,20226

1485,689

1,15448

0,286189

-5228,3

1797,893

5228,297682

-1981,59758

1990,23

0,99566

0,352579

-6687,74

2724,549

6687,744104

58,54136472

84,15635

0,69562
6

0,509091

-140,457

257,5395

140,4567722

-15649,4449

9349,378

1,67385

0,138074

-37757,2

6458,322

37757,21168

2ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

67

A4 – Palmeira dos Índios
Estatística da Regressão
1ª Onda

2ª Onda
0,987997466

R múltiplo

0,976138992

R-Quadrado

0,90455597

R-quadrado ajustado

62,0228548

Erro padrão

9

Observações

0,726593531

R-Quadrado

0,49224513

R-quadrado ajustado

135,3917857

Erro padrão

14

Observações

0,987997466

R múltiplo

0,852404558

R múltiplo

0,852404558

R múltiplo

ANOVA 1ª onda

Regressão
Resíduo
Total

gl

SQ

MQ

F

F de significação

6

314743,2

52457,2

13,63646

0,069889

2

7693,669

3846,835

8

322436,9

gl

SQ

MQ

F

F de significação

6

341008,7

56834,78

3,100484

0,082291

7

128316,5

18330,94

13

469325,2

ANOVA 2ª onda

Regressão
Resíduo
Total

1ª onda

Interseção
Precipitação
T mínima
T máxima

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

14621,49678

4856,89

3,010465

0,094895

-6276,01

35519,01

-6276,014777

3,791915016

1,888716

2,007668

0,182464

-4,33457

11,9184

-4,334574201

160,1676585

154,0614

1,039635

0,407694

-502,705

823,0405

-502,7051624

-50,712295

56,38707

-0,89936

0,463377

-293,326

191,9017

-293,326273

68

Vv
ETo
Pressão de
Vapor

-910,221888

359,1505

-2,53437

0,126755

-2455,52

635,0781

-2455,521903

16,04673082

7,021615

2,285333

0,149649

-14,1648

46,2583

-14,16484059

-7215,94417

3243,981

-2,22441

0,156112

-21173,7

6741,78

-21173,66884

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

2060,364809

3180,169

0,64787
9

0,537725

-5459,54

9580,271

5459,541097

1,232571149

2,035024

0,60567
9

0,563842

-3,5795

6,044638

3,579495687

224,1461914

124,0451

1,80697
4

0,113718

-69,1738

517,4662

69,17377099

-115,939678

155,9918

0,74324

0,48153

-484,802

252,9222

484,8015543

-109,239904

280,7992

0,38903

0,708816

-773,225

554,7447

773,2245463

4,640226781

11,6132

0,39956
5

0,701388

-22,8206

32,10108

22,82062381

-1314,22126

1169,114

1,12412

0,298029

-4078,74

1450,294

-4078,73672

2ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

A5 – Mata Grande
Estatística da Regressão
1ª Onda
R múltiplo
R-Quadrado
R-quadrado ajustado
Erro padrão
Observações
R múltiplo

2ª Onda
0,987826144
0,97580049
0, 90320196
10,42974046
9
0,98782614

R múltiplo
R-Quadrado
R-quadrado ajustado
Erro padrão
Observações
R múltiplo

0,88723795
0,78719118
0,60478362
12,2619715
14
0,88723795

69

ANOVA 1ª onda

Regressão
Resíduo
Total

gl

SQ

MQ

F

F de significação

6

8772,663

1462,111

13,44105

0,070855853

2

217,559

108,7795

8

8990,222

gl

SQ

MQ

F

F de significação

6

3893,223

648,8704

4,315562

0,03839101

7

1052,492

150,3559

13

4945,714

ANOVA 2ª onda

Regressão
Resíduo
Total

1ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

947,250618

463,0374

2,045732

0,17742

-1045,04

2939,54

-1045,038537

1,00412137

0,202424

4,960476

0,038319

0,13316

1,875083

0,133159565

-26,565791

13,18917

-2,01421

0,181583

-83,3142

30,18264

-83,31421822

-16,1456938

44,40895

-0,36357

0,751014

-207,222

174,9306

-207,2219824

-72,3019572

43,33554

-1,66842

0,237171

-258,76

114,1558

-258,7597507

4,93819575

2,31464

2,133462

0,166493

-5,0209

14,89729

-5,020895185

-232,913289

596,7475

-0,3903

0,733959

-2800,51

2334,684

-2800,510535

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

-294,548632

137,5186

2,14188

0,069441

-619,728

30,6312

619,7284634

0,08795155

0,14068

0,62519
1

0,551674

-0,2447

0,420606

0,244702852

9,4434559

9,364948

1,00838
3

0,346849

-12,7011

31,58804

-12,7011271

7,60133995

9,547941

0,79612
3

0,45211

-14,976

30,17863

14,97595342

38,0870544

16,85365

2,25986
9

0,058343

-1,7655

77,93961

1,765504197

2ª onda

Interseção
Precipitação
T mínima
T máxima
Vv

70

ETo

-1,82542679

0,805012

2,26758

0,057683

-3,72898

0,078124

-3,72897754

27,2178004

61,30822

0,44395

0,670478

-117,753

172,1887

117,7531055

Pressão de
Vapor

A6 – Palestina
Estatística da Regressão
1ª Onda

2ª Onda
0,975477577

R múltiplo

0,951556504

R-Quadrado

0,806226015

R-quadrado ajustado

14,36630865

Erro padrão

9

Observações

0,931688763

R-Quadrado

0,873136273

R-quadrado ajustado

6,585217448

Erro padrão

14

Observações

0,975477577

R múltiplo

0,965240262

R múltiplo

0,965240262

R múltiplo

ANOVA 1ª onda

Regressão
Resíduo
Total

gl

SQ

MQ

F

F de significação

6

8108,107

1351,351

6,5475353

0,138403857

2

412,7816

206,3908

8

8520,889

gl

SQ

MQ

F

F de significação

6

4140,159

690,026444

15,91203

0,000924525

7

303,5556

43,36509

13

4443,714

ANOVA 2ª onda

Regressão
Resíduo
Total

71

1ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior
95,0%

-80,72271622

332,4053

-0,24284

0,83076

-1510,95

1349,502

-1510,947076

-0,213760143

0,378969

-0,56406

0,629531

-1,84433

1,41681

-1,844330283

-48,77071344

54,84239

-0,88929

0,467676

-284,738

187,1971

-284,738477

11,31827443

21,25006

0,532623

0,647547

-80,1134

102,7499

-80,1133543

66,93488747

45,19385

1,481062

0,27676

-127,519

261,3883

-127,5185365

-0,079320919

1,957897

-0,04051

0,971365

-8,50347

8,34483

-8,50347224

288,6500637

361,6419

0,798165

0,50849

-1267,37

1844,67

-1267,369526

Coeficientes

Erro
padrão

Stat t

p-valor

95%
inferiores

95%
superiores

Inferior 95,0%

65,66905319

81,94778

0,801352

0,449269

-128,107

259,4448

-128,1066605

0,748720558

0,124051

6,035585

0,000523

0,455386

1,042055

0,455386465

-5,836049727

7,75474

-0,75258

0,476244

-24,1731

12,501

-24,17309623

11,82107353

7,368916

1,604181

0,152709

-5,60364

29,24579

-5,603644873

-2,625806791

10,97515

-0,23925

0,817766

-28,5779

23,3263

-28,57791685

-0,003205109

0,37622

-0,00852

0,99344

-0,89282

0,886413

-0,892823228

-124,5195451

42,69034

-2,91681

0,022442

-225,466

-23,5729

-225,4661682

2ª onda

Interseção
Precipitação
T mínima
T máxima
Vv
ETo
Pressão de
Vapor

72