Em todas as áreas de conhecimento, quando vamos analisar os dados em busca de informações, nos deparamos com dados faltantes Esse tipo de dados diversas vezes nos fazem tomar decisões erradas devido terem apresentado resultados equivocados em suas análises, e devido isso devemos -tomar muito cuido e sermos minuciosos quanto tratamos esse tipo de dados, Para (Little e Rubin, 2019)[13], dados faltantes são valores não observados que seriam significativos para análise se observados; em outras palavras, um valor ausente oculta um valor significativo. Dados longitudinais são gerados quando os indivíduos são medidos repetidamente ao longo do tempo, e os modelos longitudinais descrevem o processo estocástico dos dados observados. Esses modelos permitem-nos distinguir, sobretudo, a variabilidade dos dados dentro e entre indivíduos (Diggle,2002) [9]. De acordo com (Little e Rubin, 2019)[13], dados faltardes são valores não observados que seriam significativos para análise se observados; em outras palavras, um valor ausente oculta um valor significativo. O problema de dados faltantes tem sido alvo de muitas pesquisas recentemente devido o fato de que quando se tem uma população com observações faltantes, ao se fazer a inferência estatística, se mio usarmos os procedimentos adequados, os resultados podem não ser fiáveis e assim levarão a conclusões equivocadas. O que queremos é muito simples, se F é uma população a ser estimada e F é uma estimativa de F, onde a amostra é composta por observações faltantes, então o procedimento que será usado para, calcular esses dados deve ser levado em conta o método estatístico que será usado para calcular Ê. Logo, se esse procedimento estatístico funcionar corretamente teremos então Ê com valor próximo de F para a média. Estamos a procura de que o viés seja mínimo, assim como o desvio padrão e variância de F onde assim poderemos fazer inferência. com mais precisão para urna tomada de decisão.