Estudos envolvendo o meio ambiente estão sendo cada vez mais desenvolvidos devido ao fato dos níveis de poluição e das mudanças climáticas estarem causando a degradação da qualidade do ar e dos reservatórios de água de maneira alarmante nos últimos anos, comprometendo sobretudo, a qualidade de vida do ser humano. Dado que estes fatores são preponderantes nos agravos e complicações respiratórias dos indivíduos, buscou-se compreender com este estudo a relação entre as condições atmosféricas e os problemas respiratórios nos residentes do município de Ribeirão Preto, interior de São Paulo, onde há um elevado número de focos de queimadas nos períodos de estiagem e, consequentemente, altas concentrações de poluentes, como o material particulado. Considerando os dados mensais de contagem de inalações/nebulizações, foram assumidos diferentes modelos de regressão de Poisson na presença de um fator aleatório que captura a variabilidade extra-Poisson entre as contagens. A análise dos dados foi feita sob enfoque Bayesiano, utilizando métodos de simulação MCMC (Monte Carlo em Cadeias de Markov) para obter os sumários a posteriori de interesse.

Many studies involving the environment are being developed in the last years due to the fact that the levels of pollution and climate changes are causing the degradation of air quality and water reservoirs at an alarming rate in recent years, with great consequences for the quality of life of the population. Since these factors are prevalent in respiratory disorders and complications of the health for the individuals, we intended to understand from this study the relationship between weather conditions and respiratory problems for the residents of the municipality of Ribeirão Preto, São Paulo, which has a high number of outbreaks of fires in drought periods and, consequently, high concentrations of pollutants such as particulate matter. Considering the monthly count of inhalations / nebulizations, we assumed different Poisson regression models in the presence of a random factor that captures the extra-Poisson variability between the counts. The data analysis was performed under a Bayesian approach using MCMC simulation methods (Markov Chain Monte Carlo) to get the posterior summaries of interest.