ATIVIDADES DE ANÁLISE NÃO-PARAMÉTRICA

1. INTRODUÇÃO

A análise de sobrevivência é um procedimento estatístico implementado com maior

frequência a partir de meados do século XX, atingindo o seu maior desenvolvimento e
popularidade por volta da década de oitenta desse século. Consiste em uma coleção de
procedimentos estatísticos para análise de dados relacionados ao tempo de ocorrência de um
determinado evento de interesse, a partir de um tempo inicial pré-estabelecido.
Os dados desse estudo são sobre o câncer de laringe em pacientes do sexo masculino na
Dinamarca que foram diagnosticados no período de 1970-1978. Ao todo são 90 pacientes,
divididos por faixa etária (41 a 86 anos de idade) e classificados de acordo com os estágios da
doença (Estágios 1, 2, 3 e 4).
Segundo o Instituto Nacional do Câncer (INCA) o câncer de laringe ocorre
predominantemente em homens acima de 40 anos e é um dos mais comuns entre os que atingem
a região da cabeça e pescoço.
Ainda segundo o INCA, o álcool juntamente com o fumo são os principais fatores de
risco, sendo o fumo capaz de aumentar 10 vezes mais a chance de desenvolver o câncer de
laringe.
Esse relatório é baseado no estudo descrito em Klein e Moeschberger (1997), onde 90
(noventa) pacientes do sexo masculino na Dinamarca foram diagnosticados no período de 1970-
1978 com câncer de laringe e foram acompanhados até 01/01/1983.
2. OBJETIVOS

➢ Realizar testes não-paramétricos (Kaplan-Meier e Nelson-Aalen;

➢ Realizar testes paramétricos (modelos de regressão exponencial, Weibull, Log-normal
e Gamma);
➢ Aplicar o modelo de regressão de Cox.
➢ Estudar a função de risco ou sobrevivência dos pacientes participantes do estudo
descrito;
➢ Comparar as distribuições de sobrevivência dos pacientes;
➢ Identificar os fatores de riscos relacionados ao desenvolvimento da doença.

1
3. METODOLOGIA

Para a aplicação dos testes foram utilizadas informações disponíveis no estudo descrito
por Klein e Moeschberger (1997), onde:
➢ Para cada paciente foram registrados, no diagnóstico, a idade (em anos) e o estágio da
doença (I = tumor primário, II = envolvimento de nódulos, III = metástases e IV =
combinações dos 3 estágios anteriores), bem como a data do óbito ou do último
acompanhamento (censura).
➢ Os tempos foram registrados em anos, no total 50 eventos (óbitos) foram registrados.
➢ Os estágios encontram-se ordenados pelo grau de seriedade da doença (menos sério para
mais sério).

Para a realização dos testes foi utilizado software estatístico R (software livre).

2
4. RESULTADOS E DISCUSSÕES

4.1 Análise não-paramétrica

Por meio dos estimadores de Kaplan-Meier, obtemos os seguintes resultados:

3
 Pelos testes acima, os tempos medianos de vida para cada estágio da doença são: Estágio
1 = 6,5 anos, Estágio 2 = 7 anos, Estágio 3 = 5 anos e Estágio 4 = 1,5 anos. Podemos perceber
que pacientes que se encontram no estágio 4 da doença tem uma probabilidade de sobrevivência
menor do que a dos outros estágios considerados no estudo. Obtivemos também as
probabilidades de sobrevivência em cada período nos diferentes estágios da doença e
observamos que à medida que o tempo do estudo passa essas probabilidades vão diminuindo.
Observamos também, considerando um intervalo de confiança de 95%, os limites inferiores e
superiores para cada tempo considerado em cada estágio. Pela curva de sobrevivência obtida
pelo estimador de Kaplan-Meier (Figura 1), percebemos realmente que a curva correspondente

4
ao estágio 4 da doença decai mais rapidamente com relação às que representam os outros
estágios.

Observamos visualmente e os testes de Log-rank e Peto confirmam que rejeitamos a

hipótese nula de igual distribuição nos tempos de vida dos pacientes nos diferentes estágios da
doença, pois p-valor nos dois testes foram menores que 0,05 (0,00005 e 0,00004).
Fazendo as comparações entre os estágios, dois a dois, obtemos:

5
 Podemos perceber que diante do teste da comparação, dois a dois, rejeitamos a hipótese
nula de igual distribuição nos tempos de vida dos pacientes apenas nas comparações entre os
estágios 1 e 4, 2 e 4, 3 e 4, pois o p-valor nesses resultados foi menor que 5%.
De acordo com Figura 2 (TTT plot) podemos perceber a indicação de função de risco
crescente.

4.2 Análise paramétrica

6
 Pelas Figuras 3 e 4 e os resultados obtidos, o modelo que melhor se ajusta aos dados é
o modelo log-normal. Isso é confirmado também pela medida de ajuste analisada (AIC), pois o
modelo log-normal obteve o menor valor para essa medida, conforme dados da Tabela 1.

4.3 Modelo de regressão de Cox

Pelos resultados obtidos no R para o teste da razão de verossimilhanças parcial associado

à interação entre estágio e idade e constantes na Tabela 2, podemos perceber que a interação
não é significativa (TRV = 6,20; p = 0,10 e graus de liberdade = 3). Já nos resultados
apresentados na Tabela 3, percebemos que os testes individuais dos parâmetros dessa interação,
mostram evidências de que pelo menos um dos betas associados à referida interação difere
significativamente de zero, no caso β5 com valor p = 0,022.
Realizando a avaliação do ajuste utilizando-se os resíduos padronizados de Schoenfeld
dos modelos de Cox com e sem a presença de interação, para, então, proceder à escolha de um
dos modelos. Com isso, e utilizando os resíduos mencionados acima, estes com a interação e
constantes na Tabela 4 e na Figura 5, podemos observar que os valores dos coeficientes de
correlação de Pearson (ρ) são todos próximos de zero. Ainda, tanto o teste global quanto os
testes para cada covariável apresentaram evidências para não rejeitar a hipótese nula de taxas
de falha proporcionais, pois todos os valores-p foram maiores que que 0,05.
Na Tabela 5, onde constam os resultados do teste sem a presença de interação,
percebemos que apenas o estágio 3 é significativo (valor-p = 0,092).
Comparando-se, então, os resultados de ambos os diagnósticos apresentados, podemos
decidir pelo uso do modelo de Cox com a presença de interação.
Na Tabela 6, podemos perceber os resultados obtidos com o ajuste do modelo.
As funções de sobrevivência e de taxas de falha estimadas para o modelo ajustado são
expressas, respectivamente, por:

se estágio 1
se estágio 2
se estágio 3
7
se estágio 4
 ̂ 2
[𝑆̂0 (𝑡)]exp{𝛽4 𝑥 }
̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽1+(𝛽4+ 𝛽5) 𝑥 }
𝑆̂(𝑡 |𝑋) = { ̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽2+(𝛽4+ 𝛽6) 𝑥 }
̂ ̂ ̂ 2
[𝑆̂0(𝑡)]exp {𝛽3+(𝛽4+ 𝛽7) 𝑥 }

̂ 4 𝑥2 }
exp{𝛽 se estágio 1
̂0 (𝑡)
𝛾
̂ 1 +(𝛽
exp {𝛽 ̂ 5 ) 𝑥2 }
̂ 4+ 𝛽 se estágio 2
̂0 (𝑡)
𝛾
𝛾̂ (𝑡|𝑥 ) = { ̂ 2 +(𝛽 ̂ 6 ) 𝑥2 }
̂ 4+ 𝛽
̂0 (𝑡)
𝛾 exp {𝛽 se estágio 3
̂ 3 +(𝛽
exp {𝛽 ̂ 7 ) 𝑥2 }
̂ 4+ 𝛽
̂0 (𝑡)
𝛾 se estágio 4

As estimativas 𝑆̂0 (𝑡) e 𝛾̂0 (𝑡) contam na Tabela 7.

Nas Figuras 6 e 7 estão representadas as curvas de sobrevivência estimadas para

pacientes com idades de 50 e 65 anos, em cada um dos 4 estágios da doença. Desta figura, pode-
se observar que as curvas de sobrevivência estimadas para o estágio 1, 3 e 4 não apresentam
diferenças muito acentuadas, quando comparadas entre as idades de 50 e 65 anos. No estágio
2, contudo, observa-se um decréscimo expressivo desta curva para os pacientes de 65 anos de
idade, quando comparados aos de 50 anos. Justifica-se este fato pela presença da interação entre
o estágio e idade no modelo, em especial entre idade e o estágio 2.
Nas Figuras 8 e 9 encontram-se representadas as correspondentes curvas das taxas de
falha acumulada estimadas para pacientes com idades de 50 e 65 anos, em cada um dos 4
estágios da doença.

8
5. CONCLUSÃO

Concluímos que a razão de taxas de falha entre dois pacientes (i e ℓ), em que ambos se
encontram no estágio 2 da doença, mas um deles apresenta idade de 65 anos e o outro de 50
anos é de 5,84, conforme expressão abaixo:

̂ (𝑡|𝑥𝑖 )
𝛾 ̂1 +(𝛽
𝑒𝑥𝑝 {𝛽 ̂4 + 𝛽
̂5 ) ∗ 65}
̂ (𝑡|𝑥ℓ )
= ̂1 +(𝛽
̂4 + 𝛽
̂5 ) ∗ 50} = 𝑒𝑥𝑝 {(𝛽̂4 + 𝛽̂5 ) ∗ (65 − 50)} = 5,84
𝛾 𝑒𝑥𝑝 {𝛽

Isso significa que a taxa de morte de pacientes como 65 anos de idade e no estágio 2 da
doença é de aproximadamente 6 vezes a taxa de morte de pacientes com 50 anos e no mesmo
estágio da doença.
Por outro lado, tem-se, para os pacientes (j e k), em que ambos têm 50 anos de idade,
sendo que um deles se encontra no estágio 4 da doença e o outro no estágio 3, que a razão de
taxas de falha entres eles é de 2,96, conforme expressão abaixo.

𝛾̂(𝑡|𝑥𝑗 ) exp {𝛽̂3 + (𝛽̂4 + 𝛽̂7 ) ∗ 50}

= = 2,96
𝛾̂(𝑡|𝑥𝑘 ) exp {𝛽̂2 + (𝛽̂4 + 𝛽̂6 ) ∗ 50}

Isso significa que a taxa de morte de pacientes de 50 anos de idade e no estágio 4 da

doença é de aproximadamente 3 vezes a taxa de morte de pacientes também com 50 anos de
idade, mas que se encontram no estágio 3 da doença.

9
6. REFERÊNCIAS

COLOSIMO, Enrico; GIOLO, Suely. Análise de Sobrevivência Aplicada. 5ª ed. São Paulo:
Edgard Blucher, 2006.

Câncer de laringe. INSTITUTO NACIONAL DO CÃNCER. Disponível

em:<https://www.inca.gov.br/assuntos/cancer-de-laringe>. Acesso em: 25 de nov. de 2021.

Dados do estudo disponíveis em:

<https://docs.ufpr.br/~giolo/Livro/ApendiceA/Arquivos_ASA.html>. Acesso em 25 de nov. de
2021.

R Core Team (2021). R: A language and environment for statistical computing. R Foundation
for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

10
7. ANEXOS

7.1 Tabelas

Tabela 1: Medidas de ajuste AIC

MEDIDA DE AJUSTE
MODELO
(AIC)
Exponencial 292,6544
Weibull 294,1766
Log-normal 292,2434
Gamma 293,8713

Tabela 2: Estimativas obtidas para os modelos de Cox ajustados aos dados de câncer de laringe
Log verossimilhança
Modelos Covariáveis Estimativas
parcial
1 – – ℓ1 = –197,2129
X1: estágio 2 ̂1 = 0,0658
𝛽
2 X1: estágio 3 ̂2 = 0,6121
𝛽 ℓ2 = –189,0812
X1: estágio 4 ̂3 = 1,7228
𝛽

X1: estágio 2 ̂1 = 0,1386

𝛽
X1: estágio 3 ̂2 = 0,6383
𝛽
3 ℓ3 = –188,1794
X1: estágio 3 ̂3 = 1,6931
𝛽
X2: idade ̂4 = 0,0189
𝛽

11
 ̂1 = – 7,9461
𝛽
X1: estágio 2
X1: estágio 3 ̂2 = – 0,1225
𝛽
X1: estágio 4 ̂3 = 0,8470
𝛽
4 X2: idade ̂4 = – 0,0026
𝛽 ℓ4 = –185,0775
X1* X2:(estágio2*idade) ̂5 = 0,1203
𝛽
X1* X2:(estágio3*idade) ̂6 = 0,0114
𝛽
X1* X2:(estágio4*idade) ̂7 = 0,0137
𝛽

Tabela 3: Testes individuais dos parâmetros associados à interação

parâmetro estimativa erro padrão Wald p-valor

β5 = idade : estágio 2 0,1203 0,0523 2,2990 0,022

β6 = idade : estágio 3 0,0114 0,0374 0,3031 0,760

β7 = idade : estágio 4 0,0137 0,0360 0,3802 0,700

Tabela 4: Testes da proporcionalidade das taxas de falha no modelo de Cox com a interação
entre estágio e idade

Covariável rho(ρ) X2 p-valor

estágio 2 0,0958 0,5033 0,478

estágio 3 0,0462 0,1577 0,691

estágio 4 0,0269 0,0421 0,837

idade 0,1082 0,9376 0,333

estágio 2 * idade –0,0943 0,4929 0,483

estágio 3 * idade –0,0768 0,4364 0,509

estágio 4 * idade –0,0443 0,1160 0,733

GLOBAL – 5,7988 0,563

12
Tabela 5: Testes da proporcionalidade das taxas de falha no modelo de Cox sem a interação
entre estágio e idade

Covariável rho(ρ) X2 p-valor

estágio 2 –0,0107 0,00605 0,938

estágio 3 –0,2440 2,83791 0,092

estágio 4 –0,1188 0,62202 0,430

idade 0,1328 1,16886 0,280

GLOBAL – 4,56330 0,335

Tabela 6: Resultados do ajuste do modelo de Cox para os dados de câncer de laringe e as

correspondentes razões de taxas de falha (RTF)
Covariável Estimativa Erro padrão p-valor RTF

Estágio 2 –7,946 3,678 0,031 0,0003

Estágio 3 –0,123 2,468 0,960 0,8847

Estágio 4 0,847 2,426 0,730 2,3326

Idade –0,003 0,026 0,920 0,9974

Estágio II*idade 0,120 0,052 0,022 1,1278

Estágio III*idade 0,011 0,037 0,760 1,0114

Estágio IV*idade 0,014 0,036 0,700 1,0138

Tabela 7: Estimativas 𝑆̂0 (𝑡) e 𝛾̂0 (𝑡)

Tempos ̂𝟎 (𝒕)
𝑺 ̂𝟎 (𝒕)
𝜸 Tempos ̂𝟎 (𝒕)
𝑺 ̂ 𝟎 (𝒕)
𝜸
0,1 0,99377 0,00625 3,2 0,77965 0,24891
0,2 0,98739 0,01269 3,3 0,76923 0,26236
0,3 0,96737 0,03318 3,5 0,73805 0,30374
0,4 0,96039 0,04041 3,6 0,71695 0,33274
0,5 0,95319 0,04794 3,8 0,70498 0,34959

13
 0,6 0,94596 0,05555 4,0 0,66650 0,40572
0,7 0,93875 0,06321 4,3 0,65242 0,42707
0,8 0,91713 0,08650 5,0 0,63406 0,45561
1,0 0,90154 0,10365 5,3 0,61308 0,48925
1,3 0,88552 0,12158 6,0 0,59024 0,52723
1,5 0,87745 0,13073 6,2 0,56680 0,56775
1,6 0,86907 0,14033 6,3 0,54126 0,61386
1,8 0,85231 0,15980 6,4 0,48988 0,71360
1,9 0,83549 0,17974 6,5 0,46291 0,77022
2,0 0,81848 0,20030 7,0 0,43005 0,84384
2,3 0,80945 0,21140 7,4 0,39625 0,92571
2,4 0,80004 0,22309 7,8 0,35937 1,02341
7.2 Figuras

Figura 1: Estimador de Kaplan-Meier

Figura 2: TTTplot (Tempo total em teste)

14
Figura 3: Curvas de sobrevivência para os modelos paramétricos

15
 Figura 4: Resíduos de Cox-Snell

Figura 5: Resíduos padronizados de Schoenfeld do modelo de Cox com ainteração entre

estágio e idade

16
Figura 6: Curvas de sobrevivência estimada pelo modelo de Cox para os dados de laringe para
os pacientes de 50 anos

Figura 7: Curvas de sobrevivência estimada pelo modelo de Cox para os dados de laringe para
os pacientes de 65 anos

17
Figura 8: Taxas de falha acumulada estimadas para os dados de laringe para os pacientes de
idade 50 anos

Figura 9: Taxas de falha acumulada estimadas para os dados de laringe para os pacientes de
idade 65 anos

18
7.3 Script de entrada no R

library(survival)
laringe=read.table("C:/Users/Desktop/analisesobrevivencia/laringe.txt",header=T)
laringe
tempos<-laringe[,2]
tempos
censura<-laringe[,3]
censura
estagio<-c(rep(1,33),rep(2,17),rep(3,27),rep(4,13))
estagio
idade<-laringe[,4]
idade

#################Kaplan-Meier ############################
kp<-survfit(Surv(tempos,censura)~estagio)
kp
summary(kp)
plot(kp, lty=c(1,1,1,1), col=c("red","blue","green","black"),
xlab="Tempos (dias)",ylab="S(t) estimada", main="Kaplan-Meier")
legend(8.2,0.2,lty=c(1,1,1,1),col=c("red","blue","green","black"),
c("Estágio 1","Estágio 2","Estágio 3","Estágio 4"),lwd=2, bty="n",cex=0.8)

#################Teste de logrank ############################

survdiff(Surv(tempos,censura)~estagio,rho=0)
survdiff(Surv(tempos,censura)~estagio,rho=1)

######## Comparação dos estágios #########

data<-as.data.frame(cbind(tempos, censura, estagio))
dat1<-subset(data, subset = estagio %in% c(1,2)) # grupos 1 e 2
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat1)
dat2<-subset(data, subset = estagio %in% c(1,3)) # grupos 1 e 3
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat2)
dat3<-subset(data, subset = estagio %in% c(1,4)) # grupos 1 e 4
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat3)
dat4<-subset(data, subset = estagio %in% c(2,3)) # grupos 2 e 3
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat4)

19
dat5<-subset(data, subset = estagio %in% c(2,4)) # grupos 2 e 4
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat5)
dat6<-subset(data, subset = estagio %in% c(3,4)) # grupos 3 e 4
survdiff(Surv(tempos,censura) ~ estagio, rho=0, dat6)

################## TTT plot ######################

o=order(tempos)
t=tempos[o]
cens=censura[o]
n=length(t)
r=sum(cens)
j=1
TF=numeric()
MON=numeric()
I=numeric()
TTT=numeric()
Fi=numeric()
F=numeric()
S=numeric()
TF[j]=0
MON[j]=0
F[j]=0
S[j]=1
TTT[j]=0
i=1
while(i<(n+1)){
if(cens[i]==1){
j=j+1
TF[j]=t[i]
NI=n-i+1
I=((n+1)-MON[j-1])/(1+NI)
MON[j]=MON[j-1]+I
F[j]=MON[j]/n
S[j]=1-F[j]
}
i=i+1
}
TF[r+2]=t[n]
F[r+2]=1
TTT[1]=0
for(j in 2:(r+2)){
TTT[j]=TTT[j-1]+n*S[j-1]*(TF[j]-TF[j-1])
}
for(j in 1:(r+2)){
Fi[j]=TTT[j]/TTT[r+2]
}
plot(F,Fi,xlim=c(0,1),ylim=c(0,1),ylab='TTT com censuras',xlab='F(t)',
lwd=2,pch=19,cex.axis=1.4,cex.lab=1.4)
lines(F,Fi,type='l',lwd=1)
x=c(0,1)
y=c(0,1)
lines(x,y,lwd=2, col=2)

20
#######################Modelos paramétricos########################
library(flexsurv)
mod.Exp = flexsurvreg(Surv(tempos,censura)~estagio, dist = "exp")
mod.Exp
mod.Weibull = flexsurvreg(Surv(tempos,censura)~estagio, dist = "weibull")
mod.Weibull
mod.LogNormal = flexsurvreg(Surv(tempos,censura)~estagio, dist = "lnorm")
mod.LogNormal
mod.Gamma = flexsurvreg(Surv(tempos,censura)~estagio, dist = "gamma")
mod.Gamma

par(mfrow=c(2,2), mar=c(4,4.5,2,0.5))
plot(mod.Exp,
main="Modelo Exponencial",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.Weibull,
main="Modelo Weibull",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.LogNormal,
main="Modelo Log-Normal",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)
plot(mod.Gamma,
main="Modelo Gamma",
xlab = "Tempos", ylab = "S(t) estimada", mark.time = TRUE, lwd = 2)

#####################Ajuste do modelo#####################
mod<-survreg(Surv(tempos,censura)~as.factor(estagio), dist="lognormal")
summary(mod)
a0 = mod$coefficients[1]
a1 = mod$coefficients[2]
res = tempos*exp(-a0-a1*estagio)
ekm = survfit(Surv(res,censura)~1,type=c("kaplan-meier")); summary(ekm)

################Figura#################
par(mfrow=c(1,2), mar=c(4,4.5,3,0.5))
plot(ekm, conf.int=F, lty=c(1,4), xlab="Residuos", ylab="S(e) estimada")
res = sort(res); exp1 = exp(-res); lines(res,exp1,lty=3)
legend("bottomleft",lty=c(1,3),c("Kaplan-Meier","Exp(1)"),lwd=1,bty="n",cex=0.8)
st = ekm$surv; t = ekm$time; sexp1 = exp(-t)
plot(st, sexp1, xlab="S(e) - Kaplan-Meier", ylab="S(e) - Exp(1)", pch=16)
mtext("Resíduos de Cox-Snell", side=3, font=2, line=-2, outer=TRUE)

############## Modelo de cox#####################

library(survival)
fit2<-coxph(Surv(tempos,censura)~factor(estagio),data=laringe,x=T,
method = "breslow")
summary(fit2)
fit2$loglik
fit3<-coxph(Surv(tempos,censura)~factor(estagio)+idade,data=laringe,x=T,
method = "breslow")
summary(fit3)

21
fit3$loglik
fit4<-coxph(Surv(tempos,censura)~factor(estagio)+idade+factor(estagio)*idade,
data=laringe,x=T,method = "breslow")
summary(fit4)
fit4$loglik

################avaliação do ajuste pelo método padronizado de schoenfeld dos modelo de cox########

par(mfrow=c(2,3))
resid(fit4,type="scaledsch")
cox.zph(fit4,transform = "identity")
plot(cox.zph(fit4))
resid(fit3,type="scaledsch")
cox.zph(fit3,transform="identity")
plot(cox.zph(fit3))

#############estimativas#######################
Ht<-basehaz(fit4,centered=F)
tempos<-Ht$time
H0<-Ht$hazard
S0<-exp(-H0)
round(cbind(tempos,S0,H0),digits = 5)

############Figura###########
tt<-sort(tempos)
aux1<-as.matrix(tt)
n<-nrow(aux1)
aux2<-as.matrix(cbind(tempos,S0))
soo<-rep(max(aux2[,2]),n)
for(i in 1:n){
if(tt[i]>min(aux2[,1])){
i1<-aux2[,1]<=tt[i]
soo[i]<-min(aux2[i1,2])}}
tso<-cbind(tt,soo)
tso
b<-fit4$coefficients
id<-50
st1<-soo^(exp(b[4]*id))
st2<-soo^(exp(b[1]+((b[4]+b[5])*id)))
st3<-soo^(exp(b[2]+((b[4]+b[6])*id)))
st4<-soo^(exp(b[3]+((b[4]+b[7])*id)))
id<-65
st11<-soo^(exp(b[4]*id))
st21<-soo^(exp(b[1]+((b[4]+b[5])*id)))
st31<-soo^(exp(b[2]+((b[4]+b[6])*id)))
st41<-soo^(exp(b[3]+((b[4]+b[7])*id)))

par(mfrow=c(1,2))
plot(tt,st1,type="s",ylim=range(c(0,1)),xlab="Tempos",ylab="S(t|x)",lty=1)
lines(tt,st2,type="s",lty=2,col="blue")
lines(tt,st3,type="s",lty=3,col="green")
lines(tt,st4,type="s",lty=4,col="red")
legend(0,0.2,lty=c(1,2,3,4),col=c("black","blue","green","red"),

22
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=1,bty="n",cex=0.7)
title("Idade = 50 anos")

plot(tt,st11,type="s",ylim=range(c(0,1)),xlab="Tempos",ylab="S(t|x)",lty=1)
lines(tt,st21,type="s",lty=2,col="blue")
lines(tt,st31,type="s",lty=3,col="green")
lines(tt,st41,type="s",lty=4,col="red")
legend(0,0.2,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=1,bty="n",cex=0.7)
title("Idade = 65 anos")

##############Figura#########
ht1<- -log(st1)
ht2<- -log(st2)
ht3<- -log(st3)
ht4<- -log(st4)
ht11<- -log(st11)
ht21<- -log(st21)
ht31<- -log(st31)
ht41<- -log(st41)

par(mfrow=c(1,2))
plot(tt,ht1,type="s",ylim=range(c(0,4)),xlab="Tempos",ylab="T.Acumulada",lty=1)
lines(tt,ht2,type="s",lty=2,col="blue")
lines(tt,ht3,type="s",lty=3,col="green")
lines(tt,ht4,type="s",lty=4,col="red")
legend(0.1,4,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=2,bty="n",cex=0.7)
title("Idade = 50 anos")

plot(tt,ht11,type="s",ylim=range(c(0,4)),xlab="Tempos",ylab="T.Acumulada",lty=1)
lines(tt,ht21,type="s",lty=2,col="blue")
lines(tt,ht31,type="s",lty=3,col="green")
lines(tt,ht41,type="s",lty=4,col="red")
legend(0.1,4,lty=c(1,2,3,4),col=c("black","blue","green","red"),
c("Estágio I","Estágio II","Estágio III","Estágio IV"),lwd=2,bty="n",cex=0.7)
title("Idade = 65 anos")

23