“A Penetração de Genéricos no Brasil e os indicadores ... · Aproveitaremos para mostrar as...

“A Penetração de Genéricos no Brasil e os indicadores Sociais do IBGE – Um

estudo da relevância dos medicamentos genéricos na melhoria da saúde

Brasileira”

Sergio De Souza Coelho

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA - Faculdade de Economia e Administração

Programa de Estudos Pós-Graduados em Administração

2

RESUMO O objetivo deste artigo é realizar análises estatísticas dos dados do Mercado de Genéricos no Brasil forncedidos pela IMS Health mostrando sua penetração por região e verificando suas relações com alguns indicadores sociais divulgados pelo IBGE mostrando a correlação entre estas variáveis . Aproveitaremos para mostrar as tendências por região da participação dos genéricos nas vendas de medicamentos, bem como mostraremos se os mesmos estão cumprindo o papel a que foram destinados de atender as regiões mais pobres e as classes menos privilegiadas . Palavras-chave: Mercado de Genéricos 1. INTRODUÇÃO O brasileiro está cuidando mais da saúde e um dos responsáveis por esse fenômeno pode ser identificado nas prateleiras das farmácias por uma tarja amarela e uma letra G maiúscula e azulada estampada na embalagem : Os medicamentos genéricos. Dados do instituto de pesquisa IMS Health mostram que , em 2006, o segmento superou a barreira de US$ 1 bilhão em faturamento, um salto de 53% em relação ao ano anterior. Em volume, o crescimento foi de 27,8% , com 194 milhões de unidades vendidas em 2006. Trata-se de um Record desta indústria, surpreendente para que acreditava que os genéricos apenas substituiriam os dedicamntos de marca e não teriam o poder de aumentar o acesso dos brasileiros ao mercado de medicamentos. Pesquisas mostram que o segmento cresceu quase quatro vezes mais que a indústria farmacêutica no geral. Em reportagem do jornal da tarde , verifica-se a satisfação do Vice- Presidente da Pró-Genéricos, Odnir Finotti, comentando sobre a evolução dos genéricos com crescimento de 25% ao ano desde 2002, e que devido ao aumento de renda da população, os escluidos passaram a adquirir medicamentos. Nota-se que outro fator que contribuiu para a inclusão farmacêutica foi a confiança do paciente. Quando esses medicamentos surgiram(genéricos), há sete anos, muitos consumidores duvidavam de sua eficácia por causa do preço mais barato. Aos poucos , porém , as indústrias do setor conseguiram derrubar as barreiras da falta de informação. Campanhas institucionais do governo, desde 1999, procuram tranqüilizar os brasileiros em relação à qualidade dos genéricos. Atualmente, as drogas destinadas ao tratamento de doenças crônicas, como diabetes ou hipertensão, já representam 48,3% das vendas. Logo o mercado farmacêutico representará 25% do mercado nacional. Chegar a um quarto do mercado não é tarefa fácil. Países que atingiram essa marca contam com outros estímulos, como programas de reembolso dos medicamentos. Sabe-se que o Governo tem interesse em contribuir com o amadurecimento rápido do setor de genéricos. Com o produto cada vez mais presente nas licitações federais, aumenta a possibilidade de redução de custos para os programas de distribuição destes medicamentos à população. Hoje, o cidadão das classes D e E, mesmo com o advento dos genéricos, não tem condições de pagar por um remédio, principalmente se for para o combate de uma doença crônica, que muitas vezes exige um tratamento mais contínuo. Percebe-se que a prioridade destas classes é o açougue e não os medicamentos. Fácil concluir que para resolver o problema precisaremos combinar três fatores: a contínua evolução do mercado, os programas públicos de saúde e o aumento de renda da população.

3

Para os genéricos, existe a possibilidade de aproveitar o avanço dos programas de renda do governo, principalmente em regiões onde o consumo ainda é baixo, caso do Nordeste. Diferentemente do que se poderia esperar , a penetração desses medicamentos na região é baixa. O problema neste caso é a falta de informação e o poder aquisitivo baixíssimo. Relatório da consultoria MBA Associados mostra que, com um bom trabalho de divulgação, o Nordeste poderá se tornar, em breve, um grande pólo de compras de genéricos. A Consultoria leva em conta, sobretudo, o aumento do Bolsa-família, cujo valor médio mensal deve subir cerca de 15% neste ano. Outro ponto a atentar , além do apelo social, é a questão macroeconômica. A concorrência que os genéricos promoveram no mercado fez com que os laboratórios de produtos de marca, em alguns casos, segurassem o preço de seus remédios. Hoje, o peso de produtos farmacêuticos na inflação medida pelo índice Nacional de Preços ao Consumidor(INPC), que inclui a faoxa da população mais pobre(até 8 salários mínimos), é de cerca de 3,12%. Certamente este índice seria maior se não fosse a concorrência dos genéricos. Dado este cenário, neste nosso estudo, tentaremos mostrar a penetração no mercado nacional de genéricos por região no Brasil e suas correlações com indicadores sociais do Instituto Brasileiro de Geografia e Estatística do Brasil(IBGE) . Para que possamos atingir os objetivos deste trabalho utilizamos técnicas estatísticas disponíveis no pacote estatístico Minitab Statistical Software, versão 14. 2. ANÁLISE EXPLORATÓRIA DOS DADOS A maior parte das análises do presente trabalho se concentra na utilização dos dados de penetração de mercado fornecidos pela IMS Health/Febrafarma com os quais fora feita a tabela em anexo neste nosso estudo e dados dos Indicadores Sociais do IBGE . Os dados utilizados são de 2002 à 2006 , sendo que no caso dos indicadores sociais, foram considerados lineares os percentuais mensais. 2.1 Os Indivíduos Os indivíduos desta pesquisa são a penetração de medicamentos por regiões categorizadas por medicamentos de Referência, Marca, Genéricos e Similar em contrapartida da análise de indicadores sociais de mortalidade infantil e mortalidade bruta nos anos de 2002,2003,2004,2005 e 2006. Esses dados foram fornecidos parte pela IMS Health(dados de penetração de medicamentos no mercado brasileiro por região), que nos pediu sigilo e parte pode ser encontrado no site Paises@ do IBGE(http://www.ibge.gov.br/paisesat/) – Indicadores Sociais

http://www.ibge.gov.br/paisesat/

4

2.2 As Variáveis São treze as variáveis desta pesquisa. As mesmas são melhor explicadas na Tabela 1 abaixo. Tabela 1. Detalhamento das variáveis

VARIÁVEL CÓDIGO SIGNIFICADO TIPO UNIDADE DE MEDIDA

Participação dos Genéricos nas vendas de Medicamentos Total

PGVTPorcentagem de participação das vendas de genéricos em relação ao total de medicamentos vendidos

VARIÁVEL QUANTITATIVA PORCENTAGEM %

Participação de Genéricos na Região Norte PGRN% de participação das vendas de genéricos na região Norte em relação à venda total de genéricos no Brasil


Participação de Genéricos na Região Sul PGRS% de participação das vendas de genéricos na região Sul em relação à venda total de genéricos no Brasil


Participação de Genéricos na Região Centro-oeste

PGCO % de participação das vendas de genéricos na região Centro-oeste em relação à venda total de genéricos no Br


Participação de Genéricos na Região SudestePGRSUD % de participação das vendas de genéricos na região

Sudeste em relação à venda total de genéricos no BrasilVARIÁVEL

QUANTITATIVA PORCENTAGEM %

Participação de Genéricos na Região NordestePGRNORD % de participação das vendas de genéricos na região

Nordeste em relação à venda total de genéricos no BrasilVARIÁVEL

QUANTITATIVA PORCENTAGEM %

Expectativa de vida do nascimento em anos EVNAExpectativa de vida desde o nascimento em anos

VARIÁVEL QUANTITATIVA ANOS

Mortalidade infantil no Brasil MIBTaxa de Mortalidade Infantil no Brasil

VARIÁVEL QUANTITATIVA POR MIL NASCIMENTOS

Crude Death rate no Brasil CDRBTaxa de Mortalidade bruta no Brasil

VARIÁVEL QUANTITATIVA POR MIL PESSOAS

N.A.Meses Meses

Meses do anoVARIÁVEL

CATEGÓRICA

USD BIO

USD BIO

USD BIO

USD BIO

VARIÁVEL QUANTITATIVA




MSUS

Valor em dolar de medicamentos de referência vendidos por ano e por mês de 2002 à 2006

Valor em dolar de medicamentos de Marca vendidos por ano e por mês de 2002 à 2006

Valor em dolar de medicamentos Genéricos vendidos por ano e por mês de 2002 à 2006

Valor em dolar de medicamentos Similares vendidos por ano e por mês de 2002 à 2006

UNIDADES BIO

UNIDADES BIO

UNIDADES BIO

UNIDADES BIOQuantidade de medicamentos Similares vendidos em unidades por ano e por mês de 2002 à 2006





Quantidade de medicamentos de referência vendidos em unidades por ano e por mês de 2002 à 2006

Quantidade de medicamentos de Marca vendidos em unidades por ano e por mês de 2002 à 2006

Quantidade de medicamentos Genéricos vendidos em unidades por ano e por mês de 2002 à 2006

Crescimento da Indústria Farmacêutica no Brasil Medicamento de Referência em USD

Crescimento da Indústria Farmacêutica no Brasil Medicamento de Marca em USD

Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD

Crescimento da Indústria Farmacêutica no Brasil Medicamento Similar em USD

MRUS

MMUS

MGUS

MRUN

MMUN

MGUN

MSUN

Crescimento da Indústria Farmacêutica no Brasil Medicamento de Referência em Unidade

Crescimento da Indústria Farmacêutica no Brasil Medicamento de Marca em Unidades

Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em Unidades

Crescimento da Indústria Farmacêutica no Brasil Medicamento Similar em Unidades

2.3 Tabelas de dados Segue abaixo as tabelas de dados utilizadas nesta pesquisa incluindo a utilizado no programa MINI Tab 14 : Tabela 2 – Os valores são de 2002 à 2006

H:\Data\PUC TABELA GENÉRICOS PARA MÉ

E:\PUC MINITAB MONOGRAFIA JULHO 2.4 Fonte de dados A tabela abaixo detalha as fontes de dados da pesquisa: Tabela 3 – Fonte de dados

5

Dado Fonte Indicadores Sociais do Brasil IBGE http://www.ibge.gov.br/paisesat/

2.5 Análise individual das variáveis quantitativas A análise deste tipo de variável permite a utilização de uma grande gama de ferramentas como histogramas, curvas de densidade, box-plot, além de medidas numéricas como média, desvio-padrão, variância, quantidade de observações, valor mínimos e máximos, informações dos quartis e teste de normalidade. Assim, segue abaixo a análise individual de cada variável. MRUS

0,40,30,20,1

Median

Mean

0,320,300,280,260,24

1st Q uartile 0,20000Median 0,300003rd Q uartile 0,37500Maximum 0,45000

0,27056 0,31844

0,25000 0,30173

0,07856 0,11304

A -Squared 1,04P-V alue 0,009

Mean 0,29450StDev 0,09268V ariance 0,00859Skewness -0,098888Kurtosis -0,967219N 60

Minimum 0,10000

A nderson-Darling Normality Test

95% C onfidence Interv al for Mean

95% C onfidence Interv al for Median

95% C onfidence Interv al for StDev95% Confidence Intervals

Summary for USD BIO REFERENCIA MRUS

Com base nos gráficos e números da tabela acima, podemos observar que trata-se de uma distribuição ligeiramente assimétrica . Assim, a amostra está concentrada em valores de MRUS menores do que 0,3. A distribuição tem três picos, representando MRUS entre 0,2 e 0,4 . Porém, percebemos a existência MRUS bastante baixos, menores do que 0,1. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo de MRUS é o de Janeiro de 2002 (0,1) e o máximo é o de Julho de 2005/2006(0,425 USD BIO). A mediana nos indica que aproximadamente metade dos valores de MRUS é menor do que 0,3 e metade maior do que este valor. O MRUS médio é de 0,2945, com desvio-padrão baixo, de 0,09268. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média do MRUS está entre 0,27056 e 0,31844.

http://www.ibge.gov.br/paisesat/

6

MMUS

0,350,300,250,200,150,100,05

Median

Mean

0,260,240,220,200,18


0,18643 0,22777

0,17500 0,25000

0,06784 0,09761

A -Squared 1,10P-V alue 0,006

Mean 0,20710StDev 0,08003V ariance 0,00640Skewness 0,077161Kurtosis -0,942018N 60

Minimum 0,05000





Summary for USD BIO MARCA MMUS

Podemos observar que trata-se também de uma distribuição levemente assimétrica para a esquerda. Percebemos a existência de valores MMUS muito baixos e, alguns casos, próximos do limite inferior do indicador que é 0,05. O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o de Janeiro de 2002 (0,05) e o máximo é o de Junho/julho de 2006 (0,325 USD BIO). A mediana indica que aproximadamente metade dos valores de MMUS tem o valor deste indicador menor do que 0,20 e metade maior do que este valor. O MMUS médio é de 0,20710, com desvio-padrão baixo, de 0,08003. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está em uma faixa , entre 0,18643 e 0,22777.

7

MGUS

0,100,080,060,040,02

Median

Mean


0,040327 0,053307

0,030000 0,050693

0,021295 0,030642

A -Squared 2,71P-V alue < 0,005


Minimum 0,015000





Summary for USD BIO GENÉRICOS MGUS

0,0550,0500,0450,0400,0350,030

Trata-se de distribuição menos simétrica do que as demais, com a curva tendendo para a esquerda onde encontramos valores mais “flat” no sentido de quantidades de meses com o mesmo valor de MGUS. Devemos rejeitar a hipótese de normalidade da distribuição em acordo ao teste de Anderson-Darling. Há valores atípicos, como o caso do 0,50 em Jan/Fev 2005,mas percebemos uma razoável amplitude dos dados. O valor mínimo é o de Janeiro de 2002(0,015) e o máximo é o de Julho/Agosto/Novembro/Dezembro de 2006(0,095). A mediana indica que aproximadamente metade dos valores de MGUS tem o valor deste indicador menor do que 0,035 e metade maior do que este valor. O valor do MGUS médio é de 0,046817, com desvio-padrão elevado, de 0,025123. A mediana está razoavelmente distante da média, demonstrando pouca simetria da distribuição. Com 95% de confiança, podemos afirmar que a média populacional para este indicador também está em uma faixa bastante baixa, entre 0,040237 e 0.053307.

8

MSUS

0,0040,0030,0020,001

Median

Mean

95% Confidence Intervals

Summary for SIMILAR MSUS


0,001934 0,002433

0,002000 0,002000

0,000818 0,001177



Minimum 0,001000




95% C onfidence Interv al for StDev

0,00250,00240,00230,00220,00210,00200,0019

A distribuição tem um pico, representando valor de MSUS próximo a 0,002 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 2002 (0,001) e o máximo é o de Dezembro de 2004 (0,004). A mediana indica que aproximadamente metade dos valores de MSUS tem valor menor do que 0,002 e metade maior do que este valor. O valor médio é de 0,002183, com desvio-padrão , de 0,000965. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,001934 e 0,002433.

9

MRUN

0,100,080,060,04

Median

Mean

0,0580,0560,0540,0520,050


0,050732 0,058435

0,050000 0,055000

0,012637 0,018184


Mean 0,054583StDev 0,014909V ariance 0,000222Skewness 0,90087Kurtosis 3,36309N 60

Minimum 0,025000




Summary for REFERÊNCIA MRUN



A distribuição tem um pico, representando valor de MRUN próximo a 0,06 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de MRUN tem valor menor do que 0,055 e metade maior do que este valor. O valor médio é de 0,054583, com desvio-padrão , de 0,014909. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,050732 e 0,058435. MMUN

0,060,050,040,030,02

Median

Mean


Summary for MMUN


0,040687 0,044413

0,040000 0,045000

0,006113 0,008796


Mean 0,042550StDev 0,007212V ariance 0,000052Skewness -1,15796Kurtosis 2,61074N 60

Minimum 0,020000





0,0450,0440,0430,0420,0410,040

10

A distribuição tem um pico, representando valor de MMUN próximo a 0,045 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 2002 (0,02) e o máximo é o de JuLho de 2002 (0,06). A mediana indica que aproximadamente metade dos valores de MMUN tem valor menor do que 0,045 e metade maior do que este valor. O valor médio é de 0,042550, com desvio-padrão , de 0,007212. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,040687 e 0,044413. MGUN

0,0200,0160,0120,008

Median

Mean


Summary for MGUN


0,010500 0,012434

0,010000 0,015000

0,003173 0,004566



Minimum 0,005000





0,0150,0140,0130,0120,0110,010

A distribuição tem dois picoa, representando valor de MGUN entre 0,010 e 0,016 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o Fevereiro de 2002 (0,008) e o máximo é o de Agosto de 2006 (0,020). A mediana indica que aproximadamente metade dos valores de MGUN tem valor menor do que 0,010 e metade maior do que este valor. O valor médio é de 0,011467, com desvio-padrão , de 0,003744. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,010500 e 0,012434.

11

MSUN

0,0050,0040,0030,0020,001

Median

Mean


Summary for MSUN


0,001642 0,002025

0,002000 0,002000

0,000627 0,000903


Mean 0,001833StDev 0,000740V ariance 0,000001Skewness 1,57509Kurtosis 5,39205N 60

Minimum 0,001000





0,00200,00190,00180,00170,0016

A distribuição tem um pico, representando valor de MMUN próximo a 0,0020 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 2002 (0,001) e o máximo é o de (0,02). A mediana indica que aproximadamente metade dos valores de MMUN tem valor menor do que 0,0020 e metade maior do que este valor. O valor médio é de 0,001833, com desvio-padrão , de 0,000740. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,001642 e 0,002025.

12

PGVT

14121086

Median

Mean


Summary for PGVT


8,7292 10,1348

7,8300 11,3500

2,3059 3,3180



Minimum 5,9600





111098

A distribuição tem um pico, representando valor de PGVT próximo a 8 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGVT tem valor menor do que 8,45 e metade maior do que este valor. O valor médio é de 9,4320, com desvio-padrão , de 2,7204. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 8,7292 e 10,1348. PGRN

0,320,280,240,200,16

Median

Mean


Summary for PGRN


0,20867 0,24333

0,19000 0,27000

0,05685 0,08181



Minimum 0,14000





0,280,260,240,220,20

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. O valor mínimo é o do Janeiro de 2002 (5,56%) e o máximo é o de Dez 2006 (13,57%). A mediana indica que

13

aproximadamente metade dos valores de PGRN tem valor menor do que 0,20 e metade maior do que este valor. O valor médio é de 022600, com desvio-padrão , de 0,06707. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,20867 e 0,2433. PGRS

2,11,81,51,20,9

Median

Mean

1,81,71,61,51,41,31,2


1,3331 1,5469

1,2000 1,7300

0,3508 0,5047



Minimum 0,9100





Summary for PGRS

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. A mediana indica que aproximadamente metade dos valores de PGRS tem valor menor do que 0,0020 e metade maior do que este valor. O valor médio é de 1,4400 , com desvio-padrão , de 0,4138. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 1,3331 e 1,54699.

14

PGCO

0,500,450,400,350,300,25

Median

Mean

0,420,400,380,360,340,320,30


0,32710 0,38090

0,29000 0,43000

0,08827 0,12701



Minimum 0,22000





Summary for PGRCO

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRCO tem valor menor do que 0,320 e metade maior do que este valor. O valor médio é de 0,3540, com desvio-padrão , de 0,10414. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 0,32710 e 0,38090. PGRSUD

987654

Median

Mean


Summary for PGRSUD


5,6841 6,5999

5,1000 7,3900

1,5026 2,1622



Minimum 3,8800





7,57,06,56,05,55,0

15

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRSUD tem valor menor do que 5,5 e metade maior do que este valor. O valor médio é de 6,1420, com desvio-padrão de 1,7727 . A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 5,68141 a 6,5999 PGRNORD

1,81,61,41,21,00,8

Median

Mean


Summary for PGRNORD


1,1698 1,3582

1,0500 1,5200

0,3091 0,4447



Minimum 0,8000





1,51,41,31,21,11,0

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de PGRNORD tem valor menor do que 1,13 e metade maior do que este valor. O valor médio é de 1,2640, com desvio-padrão de 0,3646 . A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 1,1698 a 1,3582.

16

EVNA

72,071,571,070,570,0

Median

Mean


Summary for EVNA


70,816 71,184

70,500 71,500

0,604 0,870



Minimum 70,000





71,5071,2571,0070,7570,50

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de EVNA tem valor menor do que 71,00 e metade maior do que este valor. O valor médio é de 71,00, com desvio-padrão , de 0,713. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 70,816 a 71,184. MIB

3633302724

Median

Mean


Summary for MIB


28,018 30,470

27,300 31,600

4,024 5,791



Minimum 22,170





323130292827

O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados.A mediana

17

indica que aproximadamente metade dos valores de MIB tem valor menor do que 28,75 e metade maior do que este valor. O valor médio é de 29,244, com desvio-padrão , de 4,748. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 28,018 a 30,470. CDRB

6,66,56,46,36,26,1

Median

Mean


Summary for CDRB


6,3695 6,4705

6,3000 6,6000

0,1657 0,2385


Mean 6,4200StDev 0,1955V ariance 0,0382Skewness -0,62808Kurtosis -1,18237N 60

Minimum 6,1000





6,606,556,506,456,406,356,30

A distribuição tem um pico, representando valor de CDR B próximo a 6,6 . O teste de Anderson-Darling indica que podemos rejeitar a hipótese de normalidade da distribuição. Não há valores atípicos, mesmo assim, percebemos uma razoável amplitude dos dados. A mediana indica que aproximadamente metade dos valores de CDRB tem valor menor do que 6,5 e metade maior do que este valor. O valor médio é de 0,001833, com desvio-padrão , de 0,000740. A mediana está razoavelmente próxima da média, demonstrando certa simetria. Com 95% de confiança, podemos afirmar que a média populacional para este indicador está entre 6,3695 e 6,4705. 2.6 Análise individual da variável Categórica Por tratar-se de uma única variável categórica e relativa a meses do ano, não faremos esta análise. 3.0 Análise das Variáveis Neste capítulo analisaremos algumas variáveis relevantes ao nosso estudo sendo elas: Crescimento da indústria Farmacêutica no Brasil Medicamento Genércio(em USD$ e Unidades), Participação de Genéricos por região(Norte, Nordeste, Sul, Sudeste e Centro-oeste), Crude Death Rate no Brasil.

18

3.1 Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD e Unidades 3.1.1. O comportamento da Variável

Month from 2002 until 2006

MGU

S

juljanjuljanjuljanjuljanjuljan

0,10

0,09

0,08

0,07

0,06

0,05

0,04

0,03

0,02

0,01

Time Series Plot of MGUS

Month from 2002 to 2006

MGU

N


0,0200

0,0175

0,0150

0,0125

0,0100

0,0075

0,0050

Time Series Plot of MGUN

19

3.1.2. Análise de Tendências

1


MGU

S

janjanjanjanjanjan

0,10

0,08

0,06

0,04

0,02

0,00

MAPE 22,1446MAD 0,0079MSD 0,0001

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUSLinear Trend Model

Yt = 0,00599209 + 0,00133851*t


MGU

S

janjanjanjanjanjan

0,14

0,12

0,10

0,08

0,06

0,04

0,02

0,00

MAPE 12,3373MAD 0,0045MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUSQuadratic Trend Model

Yt = 0,0234670 - 0,000352610*t + 0,0000277233*t**2


MGU

S

janjanjanjanjanjan

0,14

0,12

0,10

0,08

0,06

0,04

0,02

0,00

MAPE 14,2577MAD 0,0052MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUSGrowth Curve Model

Yt = 0,0167473 * (1,02950**t)


MGU

S

janjanjanjanjanjan

0

-10

-20

-30

-40

-50

Intercept 0,019160Asymptote -0,005654Asym. Rate 0,996311

Curve Parameters

MAPE 15,4942MAD 0,0074MSD 0,0001

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUSS-Curve Trend Model

Yt = (10**0) / (-176,856 + 229,048*(0,996311**t))

20

2


MGU

N

janjanjanjanjanjan

0,0200

0,0175

0,0150

0,0125

0,0100

0,0075

0,0050

MAPE 20,6605MAD 0,0020MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUNLinear Trend Model

Yt = 0,00675311 + 0,000154543*t


MGU

N

janjanjanjanjanjan

0,14

0,12

0,10

0,08

0,06

0,04

0,02

0,00

Intercept 0,00537Asymptote 0,00629Asym. Rate 1,02411

Curve Parameters

MAPE 18,5996MAD 0,0021MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUNS-Curve Trend Model

Yt = (10**-1) / (15,9067 - 2,72198*(1,02411**t))


MGU

N

janjanjanjanjanjan

0,025

0,020

0,015

0,010

0,005

MAPE 17,9514MAD 0,0018MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUNQuadratic Trend Model

Yt = 0,00905780 - 0,0000684921*t + 3,656312E-06*t**2


MGU

N

janjanjanjanjanjan

0,0200

0,0175

0,0150

0,0125

0,0100

0,0075

0,0050

MAPE 19,1654MAD 0,0020MSD 0,0000

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for MGUNGrowth Curve Model

Yt = 0,00715152 * (1,01375**t)

Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em USD

Linear Quadrática S-Curve Exponencial

MAPE 22,1446 12,3373 15,4952 14,2577

MAD 0,0079 0,0045 0,0074 0,0052

MSD 0,0001 0,0000 0,0001 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “MGUs”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses. Crescimento da Indústria Farmacêutica no Brasil Medicamento Genérico em Unidades


MAPE 20,6605 17,9514 18,5996 19,1654

MAD 0,0020 0,0018 0,0023 0,0020

MSD 0,0000 0,0000 0,0000 0,0000

21

Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “MGUN”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses. 3.1.3 Previsões Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras ,isto nos leva ao gráfico já acima mencionado plotado com 12 meses vistas ao futuro com os seguintes valores: MGUS Forecasts Period Forecast jul 0,105116 ago 0,108174 set 0,111286 out 0,114455 nov 0,117678 dez 0,120957 jan 0,124292 fev 0,127682 mar 0,131128 abr 0,134628 mai 0,138185 jun 0,141797

MGUN Forecasts Period Forecast jul 0,0184849 ago 0,0188662 set 0,0192547 out 0,0196506 nov 0,0200537 dez 0,0204642 jan 0,0208820 fev 0,0213071 mar 0,0217395 abr 0,0221793 mai 0,0226263 jun 0,0230807

3.2 Participação de Genéricos por região(Norte, Nordeste, Sul, Sudeste e Centro-oeste) 3.2.1. O comportamento das Variáveis Participação de Genéricos por Região – Região Norte,Sul, Centro-Oeste, Sudeste e Nordeste

22

1


PGR

N


0,35

0,30

0,25

0,20

0,15

Time Series Plot of PGRN

Month

PGR

S


9

8

7

6

5

4

Time Series Plot of PGRS


PPGC

O


2,2

2,0

1,8

1,6

1,4

1,2

1,0

Time Series Plot of PPGCO


PGR

SUD


0,55

0,50

0,45

0,40

0,35

0,30

0,25

0,20

Time Series Plot of PGRSUD

2


PGR

NOR

D


1,8

1,6

1,4

1,2

1,0

0,8

Time Series Plot of PGRNORD

23

3.2.2 Análise de Tendências Região Norte

Month

PGR

N

janjanjanjanjanjan

0,6

0,5

0,4

0,3

0,2

0,1


Curve Parameters

MAPE 6,85258MAD 0,01553MSD 0,00037

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNS-Curve Trend Model

Yt = (10**1) / (-181,753 + 254,443*(0,996643**t))


PGR

N

janjanjanjanjanjan

0,40

0,35

0,30

0,25

0,20

0,15

0,10

MAPE 7,33197MAD 0,01546MSD 0,00036

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNLinear Trend Model

Yt = 0,113729 + 0,00368102*t

Month

PGR

N

janjanjanjanjanjan

0,45

0,40

0,35

0,30

0,25

0,20

0,15

0,10

MAPE 6,32049MAD 0,01381MSD 0,00029

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNQuadratic Trend Model

Yt = 0,133928 + 0,00172631*t + 0,0000320445*t**2

Month

PGR

N

janjanjanjanjanjan

0,45

0,40

0,35

0,30

0,25

0,20

0,15

0,10

MAPE 6,32605MAD 0,01385MSD 0,00029

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNGrowth Curve Model

Yt = 0,130658 * (1,01667**t)

Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região – Região Norte


MAPE 7,33197 6,32049 6,85258 6,32605

MAD 0,01546 0,01381 0,01553 0,01385

MSD 0,00036 0,00029 0,00037 0,00029 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “PGRN”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

24

Região Sul


PGR

S

janjanjanjanjanjan

11

10

9

8

7

6

5

4

3

MAPE 6,78386MAD 0,38866MSD 0,22705

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSLinear Trend Model

Yt = 3,16193 + 0,0977071*t

Month

PGR

S

janjanjanjanjanjan

12

11

10

9

8

7

6

5

4

3

MAPE 5,79622MAD 0,34767MSD 0,18318

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSQuadratic Trend Model

Yt = 3,65428 + 0,0500610*t + 0,000781085*t**2


PGR

S

janjanjanjanjanjan

12

11

10

9

8

7

6

5

4

3

MAPE 5,83719MAD 0,35129MSD 0,18626

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSGrowth Curve Model

Yt = 3,60157 * (1,01628**t)

Month

PGR

S

janjanjanjanjanjan

15,0

12,5

10,0

7,5

5,0


Curve Parameters

MAPE 6,23884MAD 0,39068MSD 0,24617

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSS-Curve Trend Model

Yt = (10**2) / (-53,5711 + 80,0722*(0,996107**t))

Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região – Região Sul


MAPE 6,78386 5,79622 6,23884 5,813719

MAD 0,38866 0,34767 0,39068 0,35129

MSD 0,22705 0,18318 0,24617 0,18626 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “PGRS”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

25

Região Centro-Oeste


PPGC

O

janjanjanjanjanjan

2,5

2,0

1,5

1,0

MAPE 6,75333MAD 0,09078MSD 0,01240

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PPGCOLinear Trend Model

Yt = 0,744407 + 0,0228063*t


PPGC

O

janjanjanjanjanjan

2,75

2,50

2,25

2,00

1,75

1,50

1,25

1,00

MAPE 5,80902MAD 0,08155MSD 0,01007

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PPGCOQuadratic Trend Model

Yt = 0,858025 + 0,0118111*t + 0,000180250*t**2


PPGC

O

janjanjanjanjanjan

2,5

2,0

1,5

1,0

MAPE 5,84802MAD 0,08239MSD 0,01023

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PPGCOGrowth Curve Model

Yt = 0,846374 * (1,01621**t)


PPGC

O

janjanjanjanjanjan

3,5

3,0

2,5

2,0

1,5

1,0


Curve Parameters

MAPE 6,25574MAD 0,09151MSD 0,01338

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PPGCOS-Curve Trend Model

Yt = (10**1) / (-21,8002 + 33,0870*(0,995985**t))

Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Participação de Genéricos por Região – Região Centro-Oeste


MAPE 6,75333 5,80902 6,25574 5,84802

MAD 0,09078 0,08155 0,09151 0,08239

MSD 0,01240 0,01007 0,01338 0,01023

Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “PPGCO”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

26

Região Sudeste


PGR

SUD

janjanjanjanjanjan

0,6

0,5

0,4

0,3

0,2

MAPE 6,62619MAD 0,02179MSD 0,00071

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSUDLinear Trend Model

Yt = 0,178271 + 0,00576160*t


PGR

SUD

janjanjanjanjanjan

0,7

0,6

0,5

0,4

0,3

0,2

MAPE 5,76471MAD 0,01986MSD 0,00059

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSUDQuadratic Trend Model

Yt = 0,203520 + 0,00331821*t + 0,0000400556*t**2

Month

PGR

SUD

janjanjanjanjanjan

0,7

0,6

0,5

0,4

0,3

0,2

MAPE 5,76939MAD 0,02007MSD 0,00061

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSUDGrowth Curve Model

Yt = 0,204271 * (1,01675**t)

Month

PGR

SUD

janjanjanjanjanjan

0,8

0,7

0,6

0,5

0,4

0,3

0,2


Curve Parameters

MAPE 6,09837MAD 0,02196MSD 0,00077

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRSUDS-Curve Trend Model

Yt = (10**1) / (-34,3536 + 81,6922*(0,992327**t))



MAPE 22,1446 12,3373 15,4952 14,2577

MAD 0,0079 0,0045 0,0074 0,0052

MSD 0,0001 0,0000 0,0001 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “MGUS”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

27

Região Nordeste


PGR

NOR

D

janjanjanjanjanjan

3,0

2,5

2,0

1,5

1,0


Curve Parameters

MAPE 6,26593MAD 0,08089MSD 0,01059

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNORDS-Curve Trend Model

Yt = (10**1) / (-32,2721 + 45,1076*(0,996711**t))

Month

PGR

NOR

D

janjanjanjanjanjan

2,25

2,00

1,75

1,50

1,25

1,00

0,75

0,50

MAPE 6,82641MAD 0,08051MSD 0,00975

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNORDLinear Trend Model

Yt = 0,651390 + 0,0200856*t


PGR

NOR

D

janjanjanjanjanjan

2,5

2,0

1,5

1,0

MAPE 5,80269MAD 0,07170MSD 0,00781

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNORDQuadratic Trend Model

Yt = 0,754908 + 0,0100677*t + 0,000164228*t**2

Month

PGR

NOR

D

janjanjanjanjanjan

2,5

2,0

1,5

1,0

MAPE 5,84821MAD 0,07244MSD 0,00794

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for PGRNORDGrowth Curve Model

Yt = 0,741974 * (1,01625**t)



MAPE 22,1446 12,3373 15,4952 14,2577

MAD 0,0079 0,0045 0,0074 0,0052

MSD 0,0001 0,0000 0,0001 0,0000 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “MGUs”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

28

3.2.3 Previsões Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras para todas as variáveis acima descritas ,isto nos leva aos gráficos já acima mencionados, plotados com 12 meses vistas ao futuro com os seguintes valores : Forecasts PGRN Period Forecast jul 0,358470 ago 0,364138 set 0,369870 out 0,375666 nov 0,381526 dez 0,387450 jan 0,393438 fev 0,399490 mar 0,405607 abr 0,411787 mai 0,418032 jun 0,424340

Forecasts PGRS Period Forecast jul 9,6144 ago 9,7605 set 9,9082 out 10,0575 nov 10,2083 dez 10,3607 jan 10,5147 fev 10,6702 mar 10,8272 abr 10,9859 mai 11,1461 jun 11,3078 Forecasts PPGCO Period Forecast jul 2,24921 ago 2,28319 set 2,31754 out 2,35224 nov 2,38730 dez 2,42273 jan 2,45851 fev 2,49465 mar 2,53116 abr 2,56803 mai 2,60525 jun 2,64284

Forecasts PPGSUD Period Forecast jul 0,554977 ago 0,563222 set 0,571547 out 0,579953 nov 0,588438 dez 0,597004 jan 0,605649 fev 0,614375 mar 0,623181 abr 0,632067 mai 0,641033 jun 0,650079

29

Forecasts PPGNORD Period Forecast jul 1,98013 ago 2,01040 set 2,04099 out 2,07192 nov 2,10317 dez 2,13475 jan 2,16666 fev 2,19890 mar 2,23147 abr 2,26436 mai 2,29759 jun 2,33114

3.3 Crude Death Rate no Brasil 3.3.1. O comportamento da Variável Crude Death Rate no Brasil


CDR

B


6,6

6,5

6,4

6,3

6,2

6,1

Time Series Plot of CDRB

30

3.3.2 Análise de Tendências

1


CDR

B

janjanjanjanjanjan

6,8

6,7

6,6

6,5

6,4

6,3

6,2

6,1

6,0

5,9

MAPE 0,955144MAD 0,061343MSD 0,005143

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for CDRBLinear Trend Model

Yt = 6,73729 - 0,0104029*t

Month

CDR

B

juljuljuljuljuljul

6,6

6,4

6,2

6,0

5,8

5,6

MAPE 0,578581MAD 0,036613MSD 0,002259

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for CDRBQuadratic Trend Model

Yt = 6,61105 + 0,00181407*t - 0,000200278*t**2

Month

CDR

B

juljuljuljuljuljul

6,8

6,7

6,6

6,5

6,4

6,3

6,2

6,1

6,0

5,9

MAPE 0,979195MAD 0,062919MSD 0,005398

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for CDRBGrowth Curve Model

Yt = 6,74476 * (0,998368**t)

Month

CDR

B

juljuljuljuljuljul

6,75

6,50

6,25

6,00

5,75

5,50

Intercept 6,63204Asymptote 6,67645Asym. Rate 1,04970

Curve Parameters

MAPE 0,663338MAD 0,041904MSD 0,003038

Accuracy Measures

ActualFitsForecasts

Variable

Trend Analysis Plot for CDRBS-Curve Trend Model

Yt = (10**2) / (14,9780 + 0,100288*(1,04970**t))

Para podermos visualizar qual a melhor função para representar a série de dados acima, podemos analisar a tabela abaixo, que compara os três tipos de erros para cada uma das variáveis abaixo : Crude Death Rate in Brazil


MAPE 0,95144 0,578581 0,663338 0,979198

MAD 0,061343 0,036613 0,041904 0,062919

MSD 0,005143 0,002259 0,003038 0,005398 Percebemos claramente que a função Quadrática é a que melhor se adapta à nossa série de dados “CDRB”, uma vez que possui os menores valores para os três erros. Assim, esta será a função utilizada para as projeções dos próximos 12 meses.

31

3.3.3 Previsões Portanto uma vez que a função quadrática é a que melhor representa as projeções futuras ,isto nos leva ao gráfico já acima mencionado plotado com 12 meses vistas ao futuro com os seguintes valores: CDRB Forecasts Period Forecast jul 5,91350 ago 5,88010 set 5,84545 out 5,80952 nov 5,77227 dez 5,73368 jan 5,69373 fev 5,65238 mar 5,60963 abr 5,56543 mai 5,51978 jun 5,47267

3.4 O comportamento das variáveis utilizando o método da decomposição 3.4.1. Variável PGVT

Year

PGV

T

205720472037202720172007

14

13

12

11

10

9

8

7

6

5

MAPE 6,76779MAD 0,59545MSD 0,53278

Accuracy Measures

ActualFitsTrend

Variable

Time Series Decomposition Plot for PGVTMultiplicative Model

32

Residual

Per

cent

210-1-2

99,9

99

90

50

10

1

0,1

Fitted Value

Res

idua

l

15,012,510,07,55,0

1

0

-1

-2

Residual

Freq

uenc

y

0,80,0-0,8-1,6

12

9

6

3

0

Observation Order

Res

idua

l

605550454035302520151051

1

0

-1

-2

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values

Histogram of the Residuals Residuals Versus the Order of the Data

Residual Plots for PGVT

4321

1,5

1,0

0,5

4321

30

20

10

0

4321

1,2

1,1

1,0

0,9

4321

1

0

-1

-2

Seasonal Analysis for PGVTMultiplicative Model

Seasonal Indices

Percent Variation, by Seasonal Period

Detrended Data, by Seasonal Period

Residuals, by Seasonal Period

33

Year

Dat

a

204720272007

12

9

6

Year

Seas

. Adj

. Dat

a

204720272007

12

9

6

Year

Det

r. D

ata

204720272007

1,2

1,1

1,0

0,9

Year

Seas

. Adj

. and

Det

r. D

ata

204720272007

1

0

-1

-2

Component Analysis for PGVTMultiplicative Model

Original Data

Seasonally Adjusted Data

Detrended Data

Seasonally Adj. and Detrended Data

3.5 Considerações sobre as variáveis: Pudemos perceber que a tendência de penetração de genéricos tem-se acentuado na região sudeste e a tendência , caso não apareça nenhuma nova variável, é de aumento de crescimento nos próximos meses. Demonstra-se ainda incipiente a penetração nas regiões Norte e Nordeste não correspondendo às maiores necessidades do nosso país. Um ponto á ressaltar é que a tendência do índice de mortalidade bruto do Brasil está em um processo de queda e a tendência continua nos próximos meses, o que de certa maneira pode refletir a maior penetração de genéricos e outros medicamentos no país atingindo as classes menos privilegiadas, obviamente que os dados não são suficientes para esta observação.

34

4. O comportamento da variável utilizando o método da decomposição PGVT

1

Residual

Per

cent

210-1-2

99,9

99

90

50

10

1

0,1

Fitted Value

Res

idua

l

15,012,510,07,55,0

1

0

-1

-2

Residual

Freq

uenc

y

0,80,0-0,8-1,6

12

9

6

3

0

Observation Order

Res

idua

l

605550454035302520151051

1

0

-1

-2



Residual Plots for PGVT

Year

PGV

T

205720472037202720172007

14

13

12

11

10

9

8

7

6

5

MAPE 6,76779MAD 0,59545MSD 0,53278

Accuracy Measures

ActualFitsTrend

Variable

Time Series Decomposition Plot for PGVTMultiplicative Model

4321

1,5

1,0

0,5

4321

30

20

10

0

4321

1,2

1,1

1,0

0,9

4321

1

0

-1

-2

Seasonal Analysis for PGVTMultiplicative Model

Seasonal Indices




Year

Dat

a

204720272007

12

9

6

Year

Seas

. Adj

. Dat

a

204720272007

12

9

6

YearD

etr.

Dat

a204720272007

1,2

1,1

1,0

0,9

Year

Seas

. Adj

. and

Det

r. D

ata

204720272007

1

0

-1

-2

Component Analysis for PGVTMultiplicative Model

Original Data


Detrended Data


35

GRSUD P

1

Year

PGR

SUD

205720472037202720172007

0,55

0,50

0,45

0,40

0,35

0,30

0,25

0,20

MAPE 6,62619MAD 0,02179MSD 0,00071

Accuracy Measures

ActualFitsTrend

Variable

Time Series Decomposition Plot for PGRSUDMultiplicative Model

Residual

Per

cent

0,100,050,00-0,05-0,10

99,9

99

90

50

10

1

0,1

Fitted Value

Res

idua

l

0,50,40,30,2

0,050

0,025

0,000

-0,025

-0,050

Residual

Freq

uenc

y

0,045

0,030

0,015

0,000

-0,015

-0,030

-0,045

-0,060

16

12

8

4

0

Observation Order

Res

idua

l

605550454035302520151051

0,050

0,025

0,000

-0,025

-0,050



Residual Plots for PGRSUD

4321

1,5

1,0

0,5

4321

30

20

10

0

4321

1,2

1,1

1,0

0,9

4321

0,05

0,00

-0,05

Seasonal Analysis for PGRSUDMultiplicative Model

Seasonal Indices




Year

Dat

a

204720272007

0,5

0,4

0,3

0,2

Year

Seas

. Adj

. Dat

a

204720272007

0,5

0,4

0,3

0,2

Year

Det

r. D

ata

204720272007

1,2

1,1

1,0

0,9

Year

Seas

. Adj

. and

Det

r. D

ata

204720272007

0,05

0,00

-0,05

Component Analysis for PGRSUDMultiplicative Model

Original Data


Detrended Data


36

GRNORD P

2

Year

PGR

NOR

D

205720472037202720172007

2,00

1,75

1,50

1,25

1,00

0,75

0,50

MAPE 6,82641MAD 0,08051MSD 0,00975

Accuracy Measures

ActualFitsTrend

Variable

Time Series Decomposition Plot for PGRNORDMultiplicative Model

Residual

Per

cent

0,300,150,00-0,15-0,30

99,9

99

90

50

10

1

0,1

Fitted Value

Res

idua

l

2,01,51,00,5

0,2

0,1

0,0

-0,1

-0,2

Residual

Freq

uenc

y

0,20,10,0-0,1-0,2

10,0

7,5

5,0

2,5

0,0

Observation Order

Res

idua

l

605550454035302520151051

0,2

0,1

0,0

-0,1

-0,2



Residual Plots for PGRNORD

4321

1,5

1,0

0,5

4321

30

20

10

0

4321

1,2

1,0

0,8

4321

0,2

0,0

-0,2

Seasonal Analysis for PGRNORDMultiplicative Model

Seasonal Indices




Year

Dat

a

204720272007

1,8

1,5

1,2

0,9

Year

Seas

. Adj

. Dat

a

204720272007

1,8

1,5

1,2

0,9

Year

Det

r. D

ata

204720272007

1,2

1,0

0,8

Year

Seas

. Adj

. and

Det

r. D

ata

204720272007

0,2

0,0

-0,2

Component Analysis for PGRNORDMultiplicative Model

Original Data


Detrended Data


37

DRB C

1

Year

CDR

B

205720472037202720172007

6,8

6,7

6,6

6,5

6,4

6,3

6,2

6,1

MAPE 0,955144MAD 0,061343MSD 0,005143

Accuracy Measures

ActualFitsTrend

Variable

Time Series Decomposition Plot for CDRBMultiplicative Model

Residual

Per

cent

0,20,10,0-0,1-0,2

99,9

99

90

50

10

1

0,1

Fitted Value

Res

idua

l

6,86,66,46,2

0,1

0,0

-0,1

Residual

Freq

uenc

y

0,120,060,00-0,06-0,12

8

6

4

2

0

Observation Order

Res

idua

l

605550454035302520151051

0,1

0,0

-0,1



Residual Plots for CDRB

4321

1,5

1,0

0,5

4321

20

10

0

4321

1,02

1,00

0,98

4321

0,1

0,0

-0,1

Seasonal Analysis for CDRBMultiplicative Model

Seasonal Indices




Year

Dat

a

204720272007

6,6

6,4

6,2

Year

Seas

. Adj

. Dat

a

204720272007

6,6

6,4

6,2

Year

Det

r. D

ata

204720272007

1,02

1,00

0,98

Year

Seas

. Adj

. and

Det

r. D

ata

204720272007

0,1

0,0

-0,1

Component Analysis for CDRBMultiplicative Model

Original Data


Detrended Data


.0 Correlações

.1 Checagem de correlação entre as variáveis quantitativas

.1.1. Análise das Variáveis : ,MGUS,MGUN,MSUS,MSUN,PGVT,PGRN,PGRSUD,PGRS,

orrelations: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; MSUN; ...

MRUS MRUN MMUS MMUN MGUS MGUN MSUS MSUN

,870 0,156

5 5 5MRUS,MRUN,MMUS,MMUNPGRCO,PGRNORD,EVNA,MIB e CDRB C MRUN 0,236 0,069

MUS 0M 0,000 0,235

MUN 0,584 0M ,323 0,690

1 0,488

0,000 0,012 0,000

GUS 0,845 0,067 0,90M 0,000 0,610 0,000 0,000

GUN 0,727 0,122 0,816 0M ,457 0,789 0,000 0,353 0,000 0,000 0,000

SUS 0,780 0,129 0,813 0,521 0,M 871 0,693 0,000 0,326 0,000 0,000 0,000 0,000 MSUN 0,049 0,139 0,078 0,462 -0,138 0,047 0,067

38

0,708 0,288 0,556 0,000 0,292 0,722 0,610

24 -0,292 PGVT 0,796 0,038 0,854 0,405 0,955 0,711 0,8 0,000 0,775 0,000 0,001 0,000 0,000 0,000 0,023

94 PGRN 0,793 0,036 0,851 0,402 0,954 0,705 0,823 -0,2 0,000 0,782 0,000 0,001 0,000 0,000 0,000 0,023

,292 PGRSUD 0,796 0,038 0,854 0,405 0,956 0,711 0,824 -0 0,000 0,775 0,000 0,001 0,000 0,000 0,000 0,024

93 PGRS 0,795 0,037 0,853 0,405 0,955 0,710 0,823 -0,2 0,000 0,776 0,000 0,001 0,000 0,000 0,000 0,023

295 0,000 0,769 0,000 0,001 0,000 0,000 0,000 0,022

0,000 0,776 0,000 0,001 0,000 0,000 0,000 0,024

21

PGRCO 0,796 0,039 0,854 0,407 0,954 0,714 0,822 -0, PGRNORD 0,796 0,038 0,854 0,405 0,956 0,711 0,824 -0,291 EVNA 0,780 0,048 0,836 0,405 0,929 0,714 0,788 -0,3 0,000 0,717 0,000 0,001 0,000 0,000 0,000 0,012 MIB -0,752 -0,048 -0,805 -0,385 -0,902 -0,679 -0,756 0,345 0,000 0,715 0,000 0,002 0,000 0,000 0,000 0,007

,211 CDRB -0,804 -0,047 -0,867 -0,426 -0,979 -0,768 -0,819 0 0,000 0,724 0,000 0,001 0,000 0,000 0,000 0,106

PGVT PGRN PGRSUD PGRS PGRCO PGRNORD EVNA MIB GRN 0,999

,000 0,999 0,000 0,000

99 1,000 0,000 0,000 0,000

000 1,000 0,000 0,000 0,000 0,000

,000 1,000 0,000 0,000 0,000 0,000 0,000

0,982 0,000 0,000 0,000 0,000 0,000 0,000

62 -0,984 0,000 0,000 0,000 0,000 0,000 0,000 0,000

,948 0,913 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

ell Contents: Pearson correlation P-Value

value das análises de variância acima nos confirmam que:

MGUS, MGUN,

um

GUS, relação à variável MSUN, sendo está negativa em relação à variável MGUS, o que

P 0,000 PGRSUD 1 PGRS 1,000 0,9 PGRCO 1,000 0,998 1, PGRNORD 1,000 0,999 1,000 1 EVNA 0,982 0,978 0,982 0,982 0,986 MIB -0,963 -0,964 -0,963 -0,963 -0,964 -0,9 CDRB -0,974 -0,971 -0,974 -0,973 -0,973 -0,974 -0 C

Os valores P- Existem tendências a correlações fortes entre as variáveis MMUS, MMUN,-

MSUN, PGRN, PGRSUD, PGRS, EVNA, MIB, CDRB em relação à variável MRUN, sendo ascorrelações MIB e CDRB negativas, o que demonstra a veracidade das mesmas, uma vez que commaior investimento em medicamento temos uma redução nas taxas de mortalidade infantil e mortalidade bruta. - Existem tendências a correlações fortes também entre MRUS, MRUN, MMUS, MMUN, MMGUN, MSUS em

39

.0 Teste de Hipótese

RUN,MIB, MMUN,MSUN

que já haviamos visto anteriormente nos testes e variabilidade , que existe uma correlação forte entre entre algumas variáveis, não faremos para

19

N) stimate for difference: 6,36542

também confirma a realidade uma vez que os medicamentos similares estão sendo substituídos também pelos genéricos. - Finalmente também verificamos a correlação entre a variável MSUN em relação à CDRB. 6 6.1 Variáveis CDRB, M Vamos verificar pelo teste de hipótese a confirmação odtodas, pois admitiremos que as outras também seguem o mesmo conceito. Two-sample T for CDRB vs MRUN N Mean StDev SE Mean CDRB 60 6,420 0,196 0,025 MRUN 60 0,0546 0,0149 0,00 Difference = mu (CDRB) - mu (MRUE95% CI for difference: (6,31528; 6,41555) T-Test of difference = 0 (vs not =): T-Value = 251,42 P-Value = 0,782 DF = 118 Both use Pooled StDev = 0,1387 Two-sample T for MIB vs MRUN N Mean StDev SE Mean MIB 60 29,24 4,75 0,61 MRUN 60 0,0546 0,0149 0,00

19

) stimate for difference: 29,1894

Difference = mu (MIB) - mu (MRUNE95% CI for difference: (27,9757; 30,4032) T-Test of difference = 0 (vs not =): T-Value = 47,62 P-Value = 0,568 DF = 118

N) stimate for difference: -0,012033

Both use Pooled StDev = 3,3571 Two-sample T for MMUN vs MRUN N Mean StDev SE Mean MMUN 60 0,04255 0,00721 0,00093 MRUN 60 0,0546 0,0149 0,0019 Difference = mu (MMUN) - mu (MRUE95% CI for difference: (-0,016267; -0,007799) T-Test of difference = 0 (vs not =): T-Value = -5,63 P-Value = 0,382 DF = 118

RB

096

B) stimate for difference: -6,41817

Both use Pooled StDev = 0,0117 Two-sample T for MSUN vs CD N Mean StDev SE Mean MSUN 60 0,001833 0,000740 0,000CDRB 60 6,420 0,196 0,025 Difference = mu (MSUN) - mu (CDRE95% CI for difference: (-6,46816; -6,36818) T-Test of difference = 0 (vs not =): T-Value = -254,24 P-Value = 0,619 DF = 118 Both use Pooled StDev = 0,1383

40

emplos acima confirmamos as correlações indicadas no item 5.0

.0 Dendograma

Variables: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; ...

Number Number of obs. of Similarity Distance Clusters New in new

r cluster 2

Pelos ex

7 Cluster Analysis of Correlation Coefficient Distance, Single Linkage Amalgamation Steps Step clusters level level joined cluste 1 16 100,000 0,000000 9 11 9 2 15 100,000 0,000005 9 14 9 3 3 14 100,000 0,000010 9 12 9 4 4 13 99,984 0,000316 9 13 9 5 5 12 99,973 0,000539 9 10 9 6 6 11 99,301 0,013976 9 15 9 7 7 10 97,795 0,044096 5 9 5 8 8 9 95,674 0,086520 16 17 16 2 9 8 95,056 0,098882 3 5 3 9 10 7 93,574 0,128519 3 7 3 10 11 6 93,501 0,129988 1 3 1 11 12 5 90,788 0,184239 1 6 1 12 13 4 84,507 0,309858 1 4 1 13 14 3 73,095 0,538098 1 8 1 14 15 2 67,255 0,654905 1 16 1 16 16 1 66,147 0,677058 1 2 1 17 Dendrogram

Variables

Sim

ilari

ty

MRUN

CDRBMIB

MSUN

MMUNMGU

NMSU

SEV

NAPG

RN

PGRC

OPG

RS

PGRN

ORD

PGRS

UDPG

VTMGU

SMMUS

MRUS

66,15

77,43

88,72

100,00

Dendrogram with Single Linkage and Correlation Coefficient Distance

41

Pelo dendograma acima, verificamos visualmente as correlações entre as 16 variáveis do nosso estudo. Abaixo faremos uma análise de correlação entre um número menor de variáveis representando o montante de 16 variáveis. 8.0 Componentes Principais Principal Component Analysis: MRUS; MRUN; MMUS; MMUN; MGUS; MGUN; MSUS; MSUN; P Eigenanalysis of the Correlation Matrix Eigenvalue 12,834 1,949 0,891 0,424 0,320 0,208 0,157 0,097 0,062 Proportion 0,755 0,115 0,052 0,025 0,019 0,012 0,009 0,006 0,004 Cumulative 0,755 0,870 0,922 0,947 0,966 0,978 0,987 0,993 0,997 Eigenvalue 0,037 0,014 0,006 0,000 0,000 0,000 -0,000 -0,000 Proportion 0,002 0,001 0,000 0,000 0,000 0,000 -0,000 -0,000 Cumulative 0,999 1,000 1,000 1,000 1,000 1,000 1,000 1,000 Variable PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 MRUS 0,239 0,205 -0,038 0,117 -0,016 -0,911 0,020 -0,128 MRUN 0,026 0,360 -0,901 0,105 -0,133 0,125 -0,105 0,036 MMUS 0,255 0,214 0,090 0,032 0,237 -0,096 0,027 0,231 MMUN 0,140 0,519 0,053 -0,556 0,463 0,134 0,288 0,033 MGUS 0,273 0,022 0,060 0,083 -0,081 0,001 0,036 0,393

GUN 0,219 0,165 0,110 0,770 0,400 0,248 0,119 -0,155

01 0,034 GRS 0,276 -0,096 -0,013 -0,078 -0,056 0,046 -0,101 0,028

-0,042 0,049 -0,098 0,003 5 -0,057 0,046 -0,102 0,042

DRB -0,273 0,043 -0,033 -0,069 0,036 -0,081 0,188 -0,462

ariable PC9 PC10 PC11 PC12 PC13 PC14 PC15 PC16

MUN 0,270 0,092 0,029 0,010 0,000 -0,000 -0,000 0,000 0

00

SUN 0,000 0,001 0,011 -0,042 -0,000 -0,000 -0,000 -0,000 GVT -0,017 0,214 0,077 -0,068 -0,545 0,279 -0,130 -0,584

GVT 0,322

MMSUS 0,241 0,150 0,097 0,048 -0,613 0,139 0,684 -0,136 MSUN -0,053 0,616 0,379 0,031 -0,366 0,127 -0,547 -0,149 PGVT 0,276 -0,095 -0,012 -0,075 -0,055 0,046 -0,101 0,034 PGRN 0,275 -0,097 -0,013 -0,084 -0,066 0,043 -0,104 0,034 PGRSUD 0,276 -0,095 -0,012 -0,075 -0,055 0,046 -0,1PPGRCO 0,276 -0,095 -0,014 -0,074

GRNORD 0,276 -0,095 -0,011 -0,07PEVNA 0,272 -0,105 -0,043 -0,079 0,073 0,073 -0,102 -0,353 MIB -0,266 0,124 0,066 0,122 -0,098 -0,077 0,125 0,604 C VMRUS 0,179 0,075 -0,010 0,039 0,000 -0,000 -0,000 0,000 MRUN -0,037 -0,013 0,005 -0,015 -0,000 0,000 -0,000 -0,000 MMUS -0,847 -0,166 -0,096 0,080 0,000 0,000 0,000 0,000 MMGUS 0,225 -0,612 0,264 -0,508 -0,000 0,000 -0,000 -0,00MGUN 0,149 0,176 0,077 -0,018 -0,000 -0,000 -0,000 -0,0MSUS -0,058 0,002 -0,087 0,124 0,000 -0,000 0,000 0,000MPPGRN -0,034 0,197 0,353 0,090 0,260 0,525 0,104 -0,050PGRSUD -0,017 0,214 0,083 -0,064 0,200 -0,553 0,635 -0,294PGRS -0,022 0,215 0,109 -0,059 0,199 -0,468 -0,742 -0,036 PGRCO -0,012 0,209 -0,093 -0,172 -0,598 -0,122 0,133 0,610 PGRNORD -0,016 0,216 0,098 -0,051 0,377 0,265 0,015 0,421EVNA 0,031 -0,131 -0,710 -0,366 0,215 0,170 -0,012 -0,129 MIB 0,016 0,496 -0,300 -0,365 0,102 0,093 -0,004 -0,057 CDRB -0,311 0,151 0,381 -0,630 0,006 0,004 0,006 -0,005 Variable PC17 MRUS 0,000 MRUN -0,000 MMUS 0,000 MMUN -0,000 MGUS -0,000 MGUN -0,000 MSUS 0,000 MSUN -0,000 PPGRN -0,600 PGRSUD 0,029

42

PGRS -0,140 PGRCO -0,227 PGRNORD 0,666 EVNA -0,118 MIB -0,082 CDRB 0,014 Scree Plot of MRUS; ...; CDRB

Component Number

Scree Plot of MRUS; ..

Eige

nval

ue

161412108642

14

.; CDRB

12

10

8

6

4

2

0

First Component

Seco

nd C

ompo

nent

7,55,02,50,0-2,5-5,0

5,0

2,5

0,0

-2,5

-5,0

Score Plot of MRUS; ...; CDRB

43

First Component

Seco

nd C

ompo

nent

0,30,20,10,0-0,1-0,2-0,3

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0,0

-0,1

-0,2

CDRB

MIB

EVNAPGRNORDPGRCOPGRSPGRSUDPGRNPGVT

MSUN

MSUSMGUN

MGUS

MMUN

MMUS

MRUN

MRUS

Loading Plot of MRUS; ...; CDRB

A análise de componentes principais mostra que, ao invés de utilizarmos as 16 variáveis,

poderiamos utilizar apenas 5(PC1 a PC5). Essas 5 variáveis, em conjunto, explicam mais de 97% o

comportamento das 16 variáveis em questão.

44

.0 Considerações finais

ão há motivo para negar que os medicamentos genéricos têm seu papel e uma grande importância na ta pela saúde, uma vez que foram criados para garantir o acesso de uma parcela expressiva da ciedade aos tratamentos essenciais. Pudemos verificar no decorrer do estudo que a tendência do

rescimento dos medicamentos, entre eles os genéricos, nos levam a uma redução da mortalidade fantil e da mortalidade bruta no País.

elo Baixo custo de produção e conseqüentemente , pelo menor valor de venda para o consumidor nal, o mercado de genéricos tende a crescer anualmente ,segundo um função quadrática(visto no studo), a taxa de dois dígitos. Verificamos nos últimos anos que as divisões de genéricos dos randes laboratórios são vendidas por cifras bilionárias ao redor do mundo e as unidades de produção o Brasil recebem novos investimentos em ampliações, contratando recursos do BNDES(no caso de mpresas multinacionais, os recursos derivam da matriz).

sses são fatos que comprovam a viabilidade do mercado de genéricos e de seu potencial de rescimento e os benefícios que poderá trazer aos pacientes. Podemos também ver pelo estudo, que a ndência é de crescimento para os medicamentos no geral.

ambém percebemos nos últimos anos que o governo aposta nessa modalidade de medicamentos omo forma de atender a população que tem na rede pública de saúde a única forma de acesso aos

chegar em quantidade suficiente em acordo necessidade da população, deverá esperar que sua patente seja terminada, para então fazer parte do

de medicamentos adequados.

tão significativos têm um custo, que é alto e difícil de ser pago. Portanto emerge daí a ecessidade de uma gestão pública que seja capaz de unir o melhor dos dois mundos. Porque,

eio de uma relação de transparência , parceria e de negociação om os laboratórios, qualquer que seja seu país de origem.

9 Nlusocin Pfiegne Ecte Tctratamentos. Pelo estudo verificamos que as regiões do Brasil que mais tem penetração de genéricos é a região Sudeste com 65% de penetração e a menor região é a Norte com 2%. Isto nos remete ao baixo nível de informação que as regiões afastadas do pólo industrial do Brasil(Sudeste) recebem à respeito dos medicamentos genéricos, bem como o baixo acesso às redes públicas de saúde e mesmo à falta de medicamentos nestas regiões. Outro ponto que devemos levar em consideração é que para as doenças mais comuns, cujos medicamentos foram lançadas há mais de 10 ou 20 anos, os medicamentos genéricos estão atendendo dentro de suas limitações de capacidade. O problema também nos remete à demanda gerada por pacientes que sofrem com doenças crônicas, com necessidades médicas não atendidas, para os quais a tecnologia de ponta e medicamentos de novíssima geração são os que representam esperança e significam uma luz no final do túnel, pois nesta caso, paraàcontingente de genéricos. Mas o tempo é inimigo das doenças ,o que poderá acarretar um aumento no percentual de mortes no Brasil. No estudo verificamos uma queda gradativa do índice CDRB, mas isto não significa que não haja aumento de mortalidade por falta Avanços na tecnologia dos medicamentos, bem como investimentos em pesquisa de novas moléculas, faz-se necessário e a rapidez é um ponto crucial. Como fica o Brasil nesta questão? Avanços tão numerosos e nenquanto alguns pacientes podem ser atendidos pelos genéricos, outros dependem da tecnologia para se manter vivos, produtivos e conseguir sua reinserção na sociedade. Cabe ao governo garantir a essas pessoas o direito constitucional de acesso universal à saúde. E temos aprendido que isto é possível, por mc

45

Com vontade política e foco direcionado para as reais necessidades dos pacientes, é possível garantir eu os genéricos cumpram seu papel e também será possível que a inovação e o avanço da medicina cheguem cada vez mais a um número maior de pacientes. Neste estudo verificamos que inúmeras são as variáveis relativas aos medicamentos e que muitas são correlacionadas diretamente e inversamente ,vimos as tendências com suas projeções das principais variáveis e que algumas podem representar o todo com 95% de confiabilidade. O importante é sabermos que todos os esforços são válidos e bem-vindos para garantirmos o acesso à todo e qualquer tipo de medicamento necessário a toda população carente do nosso País .

“A Penetração de Genéricos no Brasil e os indicadores ... · Aproveitaremos para mostrar as...

Documents

Transcript of “A Penetração de Genéricos no Brasil e os indicadores ... · Aproveitaremos para mostrar as...