Bayesiano
Modelo estatístico que devolve a incerteza da previsão.
Como funciona
O modelo bayesiano descreve como os casos de dengue surgem: um nível base, mais um efeito de cada UF, de cada ano e da época do ano, mais o quanto a semana de origem pesa no futuro. Em vez de um único número, ele devolve milhares de cenários plausíveis.
Os cenários dão o intervalo de 95% mostrado no gráfico, e por isso ele é o que mais bem comunica a incerteza. Anos novos recebem o efeito médio dos anos vistos.
- Entradas
- A incidência da semana H semanas antes, a UF, o ano e a época do ano (ondas seno e cosseno), com a população da UF.
- O que prevê
- Incidência de casos prováveis por 100 mil habitantes, 1 a 4 semanas à frente da origem.
- Configuração
- Contagem de casos binomial negativa
- Efeitos hierárquicos por UF e por ano
- 2 cadeias, 500 amostras de aquecimento e 500 de amostragem (nutpie)
- Referência
- Gelman et al., Bayesian Data Analysis; implementado em PyMC.
- Versão vigente
- 1
Erro por horizonte — Brasil
| Horizonte | NRMSE | MAE | RMSE | R² |
|---|---|---|---|---|
| H1 | 0,145 | 0,78 | 0,98 | 0,75 |
| H2 | 0,146 | 0,81 | 0,99 | 0,75 |
| H3 | 0,163 | 0,93 | 1,10 | 0,69 |
| H4 | 0,196 | 1,12 | 1,32 | 0,54 |
Erro por UF — 1 semana à frente
| UF | NRMSE | MAE | R² |
|---|---|---|---|
| Minas Gerais | 0,099 | 1,09 | 0,90 |
| Rio de Janeiro | 0,137 | 0,18 | 0,76 |
| Paraná | 0,192 | 0,71 | 0,52 |
| São Paulo | 0,202 | 1,00 | 0,51 |
Figuras do treino — 1 semana à frente



Como a previsão é feita
- Cada modelo lê as 12 semanas terminando na origem, 30/08/2026.
- Há 4 modelos por tipo, um para cada horizonte: o H1 responde “quantos casos na semana seguinte?”, o H2 “duas semanas depois?”, e assim até o H4.
- Todos recebem a mesma janela. Uma semana prevista não é calculada a partir da anterior, e por isso o erro cresce com o horizonte.
- As semanas previstas (06/09/2026 a 27/09/2026) ficam antes do dado mais recente (25/10/2026): é uma previsão retroativa, que dá para conferir com o que foi notificado depois.