Cap6 Est para

HIDROLOGIA ESTATSTICA
CAPTULO 6 - ESTIMAO DE PARMETROS

201
CAPTULO 6 ESTIMAO DE PARMETROS
Nos captulos precedentes, foram estabelecidas as bases do clculo de
probabilidades para variveis aleatrias discretas e contnuas. Uma vez conhecido
(ou presumido) o modelo distributivo de uma varivel aleatria e uma vez
determinados os valores numricos dos parmetros que o definem, podemos
calcular as probabilidades associadas a quaisquer eventos definidos pelos valores
da varivel em questo. Entretanto, conforme a discusso do item 1.4 do captulo
1, o modelo distributivo e os verdadeiros valores numricos de seus parmetros
seriam conhecidos apenas se toda a populao tivesse sido amostrada, o que, na
prtica, pelo menos no tocante s variveis hidrolgicas, seria impossvel. Assim,
de posse apenas de uma amostra finita de observaes de uma varivel aleatria,
devemos extrair concluses (i) quanto ao modelo distributivo da populao que
contm a amostra e (ii) quanto s estimativas dos valores numricos dos parmetros
que descrevem o modelo distributivo.
As tcnicas de extrao da informao probabilstica e de obteno das estimativas
dos parmetros a partir de uma amostra de observaes, podem ser englobadas
nos mtodos da inferncia estatstica. Em termos gerais, esses so mtodos
que fazem a associao entre a realidade fsica de um conjunto de observaes e
a concepo abstrata de um modelo probabilstico prescrito para uma varivel
aleatria. De fato, a populao um termo conceitual porque consiste de um
conjunto de elementos possivelmente observveis, mas que no existem no sentido
fsico. Por outro lado, a amostra constituda por um conjunto de N observaes
reais
N
x x x , ... , ,
2 1
, que se supem terem sido extradas da populao. As
observaes
N
x x x , ... , ,
2 1
representam os fatos concretos, a partir dos quais,
so obtidas as estimativas de caractersticas populacionais, tais como valor
esperado, varincia e coeficiente de assimetria, assim como as inferncias sobre a
respectiva distribuio de probabilidades e seus parmetros. A Figura 6.1 apresenta
uma ilustrao do raciocnio subjacente a esses mtodos de inferncia estatstica.
Nessa figura, a populao, associada a um certo fenmeno hipottico, foi mapeada
por uma varivel aleatria contnua X, cuja funo densidade de probabilidade foi
prescrita como f
X
(x), definida por parmetros
k
, ... , ,
2 1
; em alguns casos, a
forma de f
X
(x) pode ser deduzida seja das caractersticas fsicas do fenmeno em
questo, seja do cotejo com as estatsticas amostrais. Entretanto, mesmo que
f
X
(x) tenha sido corretamente prescrita, as estimativas
k
, ... ,

2 1
, dos
parmetros
k
, ... , ,
2 1
, devem ser necessariamente obtidas das observaes
amostrais.
202
Figura 6.1 Amostragem e inferncia estatstica
203
O problema, anteriormente descrito, denominado estimao de parmetros; o
termo estimao aqui usado livremente, para significar o ato de produzir estimativas
de parmetros populacionais, a partir de uma amostra. Dentre os mtodos clssicos
da inferncia estatstica, existem dois caminhos possveis para se obter estimativas de
parmetros: a estimao pontual e a estimao por intervalos. A estimao pontual
refere-se atribuio de um nico valor numrico a um certo parmetro populacional,
a partir de estatsticas amostrais. A estimao por intervalos utiliza as informaes
contidas na amostra, para estabelecer uma afirmao quanto probabilidade, ou grau
de confiana, com que um certo intervalo de valores ir conter o verdadeiro valor do
parmetro populacional. Nos itens que se seguem, iremos estabelecer as bases para a
estimao pontual e por intervalos, com maior nfase, entretanto, sobre a primeira,
por ser de uso mais freqente para os propsitos da hidrologia estatstica.
6.1 Preliminares sobre a Estimao Pontual de Parmetros
Como mencionado, o ponto de partida para a estimao de parmetros uma
amostra de tamanho N, constituda pelos elementos
N
x x x , ... , ,
2 1
. Esses
representam as realizaes das variveis aleatrias
N
X , ... , X , X
2 1
. Para que a
amostra seja considerada aleatria simples, ou simplesmente uma AAS, as variveis

N
X , ... , X , X
2 1
devem ser independentes e identicamente distribudas, ou seja,
variveis IID. Em termos formais, se a densidade comum s variveis

N
X , ... , X , X
2 1
f
X
(x), a funo densidade conjunta da AAS dada por
( ) ( ) ( ) ( )
N X X X N X , ... , X , X
x f ... x f x f x , ... , x , x f
N
2 1 2 1
2 1
. Nessa expresso, uma vez
especificada a distribuio f
X
(x), a qual completamente definida por valores,
ainda desconhecidos, dos parmetros
k
, ... , ,
2 1
, toda a informao est contida
na AAS
N
x x x , ... , ,
2 1
.
Suponha, por facilidade, que h um nico parmetro a ser estimado a partir da AAS

N
x x x , ... , ,
2 1
. Se toda a informao est ali contida, a estimativa de deve ser,
necessariamente, uma funo ( )
N
x , ... , x , x g
2 1
das observaes. Como os elementos

N
x x x , ... , ,
2 1
so as realizaes das variveis aleatrias
N
X , ... , X , X
2 1
,
podemos interpretar a funo ( )
N
x , ... , x , x g
2 1
como uma realizao da varivel
aleatria ( )
N
X , ... , X , X g
2 1
. Se essa funo a utilizada para a estimao do
parmetro de f
X
(x), ento, forosa a distino entre o estimador de , representado
por O, ou
, e a estimativa de , denotada por
. De fato, a estimativa
( )
N
x , ... , x , x g
2 1

simplesmente um nmero, ou seja, uma realizao do estimador
( )
N
X , ... , X , X g
2 1
O . Esse, por sua vez, uma varivel aleatria, cujas
propriedades podem ser estudadas pela teoria de probabilidades. Nesse contexto,
inapropriado levantar a questo se uma estimativa melhor ou pior do que outra
estimativa. Entretanto, absolutamente legtimo e relevante perguntar como se
= g(x
1
, x
2
,..., x
N
)
1
E
1
V
x
[
204
comparam, por exemplo, o estimador ( )
N
X , ... , X , X g
2 1 1 1 1
O com seu
competidor ( )
N
X , ... , X , X g
2 1 2 2 2
O . A resposta a essa questo est
relacionada s propriedades dos estimadores.
Primeiramente, indesejvel que um procedimento de estimao, materializado
por um certo estimador, produza estimativas que, em seu conjunto, sejam
sistematicamente maiores ou menores do que o verdadeiro valor do parmetro.
Com efeito, o que se deseja que a mdia das estimativas seja igual ao valor
populacional do parmetro. Formalmente, um estimador pontual
dito um
estimador sem vis (ou no enviesado) do parmetro populacional se
(6.1)
Caso o estimador seja enviesado, o vis, ou erro sistemtico, dado pela
diferena . Muitos estimadores so enviesados, mas possuem outras
propriedades desejveis.
Exemplo 6.1 Demonstre que a mdia aritmtica e a varincia de uma amostra
so estimadores no enviesados de e o
2
.
Soluo: Considere uma amostra
N
x , ... , x , x
2 1
, de tamanho N. O estimador
da mdia populacional ( )
N
X ... X X
N
X
+ + +
2 1
1
. Nesse caso, a equao
6.1 fornece [ ] [ ] [ ] [ ]
N
X E ... X E X E
N
X E + + +
2 1
1
, ou seja, [ ] N
N
X E
1
.
Para a varincia,
( )
( )

N
i
i
X X
N
S
1
2
2
1
1
. A aplicao da equao 6.1,
nesse caso, resulta em
[ ] ( ) ( ) ( )

N
i
i
N
i
i
X N X E
N
X X E
N
S E
1
2 2
1
2
2
1
1
1
1
.
Recordando que o valor esperado de uma soma a soma dos valores esperados,
[ ] ( ) [ ] ( ) [ ]
N
i
i
X NE X E
N
S E
1
2 2
2
1
1
. Nessa ltima equao, o primeiro
valor esperado, entre chaves, a varincia de X, ou seja, o
2
, enquanto o
segundo representa a varincia de X , igual a o
2
/N. Logo,
[ ]
2
2
2 2
1
1
o
o
o
N
N N
N
S E . Portanto, a mdia aritmtica e a varincia de
uma amostra so, de fato, estimadores no enviesados de e o
2
[ ]
E[ ]
| |
=
E[ ]
| |
=
E[ ]
205
A segunda propriedade desejvel dos estimadores a consistncia. Um estimador
considerado um estimador consistente de , se, para qualquer nmero

positivor,
(6.2)
Em alguns casos, um estimador no enviesado pode no ser consistente. Essa
situao ilustrada pelo exemplo 6.2, a seguir.
Exemplo 6.2 Considere os estimadores
( )

N
i
i
X X
N
1
2
1
1
e
( )
( )

N
i
i
X X
N
1
2
2
1
1
da varincia o
2
de uma populao. No exemplo 6.2
demonstrou-se que
2
um estimador sem vis de o

2
. Usando o mesmo
raciocnio do exemplo 6.2, pode-se mostrar que
[ ]
2 2
1
1
o = o

N
N
E
e que,
portanto,
1
um estimador enviesado de o
2
. Entretanto, Kottegoda e Rosso
(1997) afirmam que, apesar de enviesado,
1
um estimador consistente deo

2
,
ao contrrio de
2
. Pelo fato do atributo de inconsistncia ter conseqncias

menos severas do que o enviesamento, a prtica usual empregar
2
como o
estimador da varincia populacional o
2
.
A terceira propriedade desejvel dos estimadores a eficincia. Um estimador
no enviesado considerado o mais eficiente entre todos os outros estimadores
no-enviesados, se sua varincia, denotada por
[ ]
Var
, menor ou igual
varincia de qualquer outro estimador no-enviesado de .
Finalmente, a quarta propriedade desejvel de um estimador a suficincia. Um
estimador
considerado um estimador suficiente de , se ele usa, ao mximo,

toda a informao sobre , contida na amostra

N
x x x , ... , ,
2 1
, de modo que nenhuma
outra informao pode ser adicionada por qualquer outro estimador. Essa e as
propriedades de no-enviesamento, consistncia e eficincia, so os fundamentos que
guiam a seleo dos estimadores mais apropriados. Um tratamento rigoroso das
propriedades dos estimadores pode ser encontrado em livros de estatstica matemtica,
como, particularmente, os escritos por Cramr (1946) e Rao (1973).
Conforme meno anterior, uma vez escolhida a distribuio a ser ajustada aos dados
amostrais, seus parmetros devem ser estimados por algum procedimento da estatstica
P

lim
N
[
[ ] 1 r s
[
1
1
| | 1 lim =

N
[ ]
| |
Var
| |
2 2
1
1

=
N
N
E
( )
=
=
N
i
i
X X
N
1
2
1
1
{x
1
, x
2
,...x
N
}
206
matemtica, para que, em seguida, as estimativas paramtricas possam ser usadas
para o clculo de probabilidades e quantis. H uma variedade de mtodos de estimao
de parmetros, entre os quais destacam-se: (i) o mtodo dos momentos; (ii) o mtodo
da mxima verossimilhana; (iii) o mtodo dos momentos-L; (iv) o mtodo da mxima
entropia; (v) o mtodo dos mnimos quadrados; (vi) o mtodo generalizado dos
momentos; e (vii) o mtodo dos momentos mistos. Desses, consideraremos aqui os
trs primeiros, a saber: os mtodos dos momentos (MOM), de mxima verossimilhana
(MVS) e dos momentos-L (MML).
O mtodo da mxima verossimilhana (MVS) considerado o mtodo de
estimao mais eficiente porque produz os estimadores de menor varincia.
Entretanto, para alguns casos, a maior eficincia do mtodo MVS apenas
assinttica, o que faz com que sua aplicao a amostras de pequeno tamanho
produza estimadores de qualidade comparvel ou inferior a outros mtodos. Os
estimadores de MVS so consistentes, suficientes e assintticamente sem vis.
Para amostras finitas, entretanto, os estimadores de MVS podem ser enviesados,
embora o vis possa ser corrigido. O mtodo MVS exige um maior esforo
computacional, pelo fato de envolver solues numricas de sistemas de equaes,
freqentemente, no lineares e implcitas.
O mtodo dos momentos (MOM) mtodo de estimao mais simples. Entretanto,
os estimadores desse mtodo so, em geral, de qualidade inferior e menos
eficientes do que os estimadores de MVS, particularmente para distribuies de
trs ou mais parmetros. Cabe salientar, no entanto, que, para as pequenas
amostras, freqentes em hidrologia, os estimadores MOM podem ter atributos
comparveis ou at mesmo superiores aos de outros estimadores.
O mtodo dos momentos-L (MML) produz estimadores de parmetros
comparveis, em qualidade, queles produzidas pelo mtodo da MVS, com a
vantagem de exigirem um menor esforo computacional para a soluo de sistemas
de equaes menos complexas. Para amostras pequenas, os estimadores MML
so, com alguma freqncia, mais acurados do que os de MVS. Na seqncia,
detalharemos os princpios de cada um dos trs mtodos, apresentando exemplos
de suas respectivas aplicaes.
6.2 Mtodo dos Momentos (MOM)
O mtodo dos momentos consiste em igualar os momentos amostrais aos
populacionais. O resultado dessa operao produzir as estimativas dos
parmetros da distribuio de probabilidades em questo. Formalmente, sejam
207
y
1
, y
2
, y
3
, ... , y
N
as observaes constituintes de uma AAS retirada de uma
populao de uma varivel aleatria distribuda conforme
( )
k Y
, ... , , ; y f
2 1
de
k parmetros. Se
j
e m
j
representam, respectivamente, os momentos
populacionais e amostrais, o sistema de equaes fundamental do mtodo dos
momentos
(6.3)
As solues
1
,
2
...,
k
desse sistema de k equaes e k incgnitas sero as
estimativas dos parmetros
j
pelo mtodo dos momentos.
( )
k , ... , , j m , ... , ,
j k j
2 1 com
2 1

Exemplo 6.3 - Seja Y
1
, Y
2
, Y
3
, ... , Y
n
uma AAS retirada da populao de
uma varivel aleatria Y, cuja funo densidade de probabilidade, a um
nico parmetro , . Pede-se: (a)
determinar o estimador de pelo mtodo dos momentos; e (b) supondo
que a AAS de Y seja constituda pelos seguintes elementos {0,2; 0,9; 0,05;
0,47; 0,56; 0,8; 0,35}, calcular a estimativa de pelo mtodo dos momentos
e a probabilidade de Y ser maior do que 0,8.
Soluo: (a) Mtodo dos momentos:
1
= m
1
. Momento populacional:
. Momento Amostral:
Logo, . Esse o estimador de pelo mtodo
dos momentos. (b) A AAS {0,2; 0,9; 0,05; 0,47; 0,56; 0,8; 0,35} produz
. O estimador de , determinado no item (a), fornece a
estimativa . A FAP
. Com ,
P(Y > 0,8) = 1-F
Y
(8) = 1-0,8248 = 0,1752.
Exemplo 6.4 - Use o mtodo dos momentos para ajustar uma distribuio
Binomial com n = 4 aos dados abaixo. Calcule P(X>1). Lembre-se que
E(X) = n.p, p = probabilidade de sucesso e n = n
o
de tentativas
independentes de um processo de Bernoulli.
Valor de X (N de sucessos) 0 1 2 3 4
N de observaes para o valor dado de X 10 40 60 50 16
Y Y
n
m
n
i
i

1
1
1
Y
Y

+
+
1
1 2
2
1
0926 0
4757 0 1
1 4757 0 2
,
,
,

( ) ( )
+

y
Y
y dy y y F
0
1 1
( ) ( )
2
1
1
1
0
1
+
+
+

y d y y Y E
4757 0, y
( ) ( ) 1 0 para 1 ; s s +

y y y f
Y
0926 0,
208
Soluo: A distribuio Binomial definida pelos parmetros n e p. No
caso presente, o parmetro n foi especificado em 4, restando, portanto,
estimar p. O mtodo dos momentos impe a condio
1
= m
1
, a qual, no
caso presente, se particulariza para . Esse o
estimador de p, pelo mtodo dos momentos. A estimativa de p exige
o clculo da mdia aritmtica , a qual, para a AAS em questo, dada por
; portanto,
. Finalmente,
P(X>1)=1-P(X=0)= .
Exemplo 6.5 O Anexo 3 apresenta as alturas dirias mximas anuais,
observadas na estao pluviomtrica de Ponte Nova do Paraopeba, entre
os anos hidrolgicos de 1940/41 a 1999/2000, com algumas falhas no
perodo. Para essa amostra, foram calculadas as seguintes estatsticas:
e
Pede-se: (a) determinar os estimadores MOM para os parmetros da
distribuio de Gumbel (mximos); (b) as estimativas MOM para os parmetros
da distribuio de Gumbel; (c) calcular a probabilidade da altura diria mxima
anual superar 150 mm, em um ano qualquer; e (d) calcular a altura diria mxima
anual de tempo de retorno igual a 100 anos.
Soluo: (a) Suponha que X ~ Gu
max
(o,). Nesse caso, temos dois
parmetros a estimar e, portanto, so necessrios os dois primeiros
momentos: a mdia e a varincia de X, quais sejam,
e . Substituindo nessas equaes os momentos
populacionais pelos amostrais e resolvendo para o e , temos, como
resultado, os estimadores MOM da distribuio de Gumbel (mximos), a
saber: e . (b) As estimativas MOM de o e
decorrem da substituio de e S
X
pelas correspondentes estatsticas
amostrais . Resultados: e
. (c) A probabilidade pedida
. (d) A equao das
estimativas de quantis para T=100 anos
mm.
( ) 125 2 176 16 4 50 3 60 2 40 1 10 0 , x + + + +
x
mm , s , mm , s , mm , x
2
X X
988 517 759 22 267 82
2

. , g 7623 0
[ ]
6
2 2
2
o r
o
X
X Var
283 1, S
X
o
X
S , X
45 0
759 22 267 82 , s e , x
X
739 17, o
( ) 0123 0
150
1 150 1 ,
exp exp F
X

1
1
]
1
|
|
\
|
o

( ) 63 153
100
1
1 100 , ln ln
T x
1
]
1
\
|
o
4 seja, ou , X p X p n
53125 0, p =
( ) 9517 0 53125 0 1 53125 0
0
4
1
4
0
, , , =
|
.
|
\
|
| | + = 5772 0, X E
X
025 72,
=
209
Exemplo 6.6 Repita o exemplo 6.5 para a distribuio GEV.
Soluo: (a) Suponha que X ~ GEV( o, , x). Nesse caso, temos trs
parmetros a estimar e, portanto, so necessrios os trs primeiros momentos:
a mdia, a varincia e o coeficiente de assimetria de X, dados respectivamente
pelas equaes 5.71, 5.72 e 5.73 do captulo 5. Conforme mencionado no
captulo 5, o clculo dos parmetros da distribuio GEV deve comear pela
equao 5.73, a qual deve ser resolvida para x, por meio de iterao numrica
ou com o auxlio do grfico da Figura 5.13, a partir do valor do coeficiente de
assimetria. Uma forma alternativa para o clculo de x o uso de equaes de
regresso de x xy, tais como as seguintes, sugeridas por Rao e Hamed (2000):
para 1,1396 < y < 10 (Extremos Tipo 2 ou Frchet):
para -2 < y < 1,1396 (Extremos Tipo 3 ou Weibull):
,
e para -10 < y < 0 (Extremos Tipo 3 ou Weibull):
No caso presente, com 7623 0, y , a segunda equao a indicada e
compe a primeira pea da resoluo dos estimadores MOM da
distribuio GEV. Em seguida, conforme a seqncia apresentada no
captulo 5, temos os seguintes estimadores MOM:
( ) ( ) x + I x + I
x
o

S
X
1 2 1
2
2 2
e ( ) [ ] x + I
x
o

1 1 .
(b) As estimativas MOM de o, e x decorrem da substituio de X , S
X
e
y
pelas correspondentes estatsticas amostrais
, na seqncia acima descrita.
Resultados: .
(c) 1- ( ) 0087 0
150
1 1 150
1
,
exp F
1
1
]
1
|
|
\
|
o

x
x
.
(d) A equao das estimativas de quantis para T=100 anos
mm.
, , , ,
3 2
022725 0 116659 0 357983 0 2858221 0 + y y + y x
, , , ,
6 5 4
000004 0 000161 0 002604 0 y + y y
3 2
0 016759 0 060278 0 322016 0 277648 0 y + y + y x , , , ,
6 5 4
00005 0 00244 0 005873 0 y y y , , ,
5 4 3 2
000065 0 00087 0 005613 0 015497 0 00861 0 50405 0 y + y + y + y + y x , , , , , ,
( ) 07 148
1
1 1 ,
T
ln
T x
1
]
1
\
|

x
o
+
x
7623 , 0 g e 759 , 22 s , 267 , 82 x
X

405 , 72
e 323 , 19 , 072 , 0 o x
210
6.3 Mtodo da Mxima Verossimilhana (MVS)
O mtodo da mxima verossimilhana consiste basicamente em maximizar uma
funo dos parmetros da distribuio, conhecida como funo de
verossimilhana. O equacionamento para a condio de mximo resulta em um
sistema de igual nmero de equaes e incgnitas, cujas solues produzem os
estimadores de mxima verossimilhana.
Considere que y
1
, y
2
, y
3
, ... , y
N
representem as observaes constituintes de uma
AAS retirada de uma populao de uma varivel aleatria distribuda conforme a
densidade
( )
k Y
, ... , , ; y f
2 1
de k parmetros. A funo densidade conjunta da
AAS, constituda por Y
1
, Y
2
, Y
3
, ... , Y
N
, dada por
( ) ( ) ( ) ( )
N Y Y Y N Y , ... , Y , Y
y f ... y f y f y , ... , y , y f
N
2 1 2 1
2 1
. Essa densidade conjunta
proporcional probabilidade de que a AAS tenha sido extrada da populao,
definida por
( )
k Y
, ... , , ; y f
2 1
, sendo conhecida por funo de verossimilhana.
Portanto, em termos formais, a funo de verossimilhana dada por
(6.4)
Essa uma funo dos parmetros
j
, exclusivamente. Os valores
j
que maximizam
essa funo so aqueles que tambm maximizam a probabilidade de que aquela
AAS especfica, constituda por Y
1
, Y
2
, Y
3
, ... , Y
N
, tenha sido sorteada da
populao, tal como definida pela densidade prescrita. A busca da condio de
mximo para a funo de verossimilhana resulta no seguinte sistema de k equaes
e k incgnitas:
(6.5)
As solues desse sistema de equaes so os estimadores
j
de mxima
verossimilhana. freqente o emprego da funo logaritmo de verossimilhana
ln [L ()], em substituio funo de verossimilhana propriamente dita, para
facilitar a construo do sistema de equaes 6.5. Isso se justifica pelo fato da
funo logaritmo ser contnua, montona e crescente, e, portanto, maximizar o
logaritmo da funo o mesmo que maximizar a funo.
( ) ( )
k i
N
i
Y k
, ... , , ; y f , ... , , L
j
2 1
1
2 1
( )
k , ... , , j ;
, ... , , L
j
k
2 1 0
2 1

o
o
Exemplo 6.7 - Seja y
1
, y
2
, y
3
, ... , y
N
uma AAS retirada da populao de
uma varivel aleatria discreta Y, distribuda segundo uma distribuio de
Poisson, com parmetro i . Determine o estimador de i pelo mtodo da
mxima verossimilhana.
211
Soluo: A funo massa de Poisson
e a respectiva funo de verossimilhana
A pesquisa do valor de i que maximiza essa funo pode ser grandemente
facilitada por sua substituio pela funo log de verossimilhana, ou seja, por
Tomando a derivada dessa funo em relao a i, resulta em
( ) [ ]
i
+
i
i
N
i
i
N
Y N
d
Y , ... , Y , Y ; L ln d
1
2 1
1
. Igualando essa derivada a zero,
resulta o estimador de MVS de i, ou seja,
Exemplo 6.8 Repita o exemplo 6.5, usando o mtodo da mxima
verossimilhana.
Soluo: (a) A funo de verossimilhana de uma amostra de tamanho N,
extrada de uma populao Gumbel (mximos),
( )
1
]
1
\
|
o

|
\
|
o

o
o

N
i
N
i
i i
N
Y
exp
Y
exp , L
1 1
1
. Analogamente ao
exemplo anterior, a funo log de verossimilhana
( ) [ ] ( ) ( )

o

o
o o
N
i
i
N
i
i
Y
exp Y ln N , L ln
1 1
1
. Derivando
essa funo em relao a o e , e igualando ambas derivadas a zero, resulta
o seguinte sistema de equaes:
Rao e Hamed (2000) sugerem o procedimento, descrito a seguir, para a
soluo do sistema de equaes acima. Primeiramente, deduzindo da
( )
( ) ( )
j
j
i i
i
N
i
i
Y
N
i i
Y
N
! Y
N exp
! Y
exp
Y , ... , Y , Y ; L
N
i
i
i
1
1
2 1
1
( ) [ ] ( )
i + i i
j

N
i
i
N
i
i N
! Y ln Y ln N Y , ... , Y , Y ; L ln
1 1
2 1
( ) [ ] ( ) ( ) ( )
( ) [ ] ( ) II
Y
exp
N
, L ln
I
Y
exp Y Y
N
, L ln
N
i
i
N
i
i
i
N
i
i
0
1
0
1 1
1
1
2
1
2

o
o
o
o

o

o

o
+
o
o
o o
o

( )
( )
... , 2 , 1 , 0 ;
!
exp
;
i i
i y
y
y p
y
Y
.
1
Y ou Y
N
n
i
i
i i

212
equao (II) que
( )
N
i
i
Y exp
N
exp
1
, substituindo na equao (I)
e simplificando, resulta a seguinte equao:
( )

o
o
N
i
i
N
i
i
N
i
i
i
Y
exp Y
N
Y
exp Y F
1 1 1
0
1
.Essa
equao, embora funo apenas de o, no tem soluo analtica. Para resolv-
la, recorre-se ao mtodo iterativo de Newton, no qual, dado um valor inicial
para o, o valor da iterao seguinte atualizado pela expresso
( ) ( )
j
'
j j j
F F o o o o
+1
. Nessa equao, F
representa a derivada
de F, em relao a o, ou seja,
( )

o
+
o
+
o
o
N
i
i
i
N
i
N
i
i i
i
'
Y
exp Y
Y
exp
Y
exp Y F
1 1 1
2
2
1 1
. As
iteraes terminam quando F(o) est suficientemente prximo de zero, obtendo-
se assim o estimador o
. Em seguida, o estimador
obtido a partir da equao

. Esses so os estimadores de MVS da
distribuio Gumbel (mximos). (b) As estimativas de MVS de o e
decorrem da substituio das somatrias envolvidas no clculo dos
estimadores pelos seus respectivos valores amostrais. O software ALEA,
desenvolvido pelo Departamento de Engenharia Hidrulica e Recursos
Hdricos da Escola de Engenharia da UFMG, possui uma rotina que
implementa o procedimento de Rao e Hamed (2000) para uma dada
amostra, assim como outras rotinas para o clculo de estimativas MOM e
de MVS para diversas distribuies de probabilidades. O programa
executvel e um manual do usurio de software ALEA podem ser
downloaded a partir da URL http://www.ehr.ufmg.br. As estimativas de
MVS, calculadas pelo software ALEA, para a amostra de alturas dirias
mximas anuais de Ponte Nova do Paraopeba so 7 71 e 4 19 ,
o .
c) A probabilidade pedida
( ) 0175 0
150
1 150 1 ,
exp exp F
X

1
1
]
1
|
|
\
|
o

.
( )
(
(
(
(
=
N
i
i
Y exp
N
ln
1
213
(d) A equao das estimativas de quantis para T=100 anos
( ) 94 160
100
1
1 100 , ln ln
T x
1
]
1
\
|
o mm.
( ) [ ] ( ) [ ] [ ] ( ) [ ] ( )

1
0
1 1 dF F F F x x F x F X E M
s r p s
X
r
X
p
s , r , p
( )( )
o
1
0
0 1
1 dF F F x M
s
s s , ,
( )

1
0
0 1
dF F F x M
r
r , r ,
6.4 Mtodo dos Momentos-L (MML)
Greenwood et al. (1979) introduziram os momentos ponderados por probabilidades
(MPP), os quais so definidos pela seguinte expresso geral:
(6.6)
ondex(F) denota a funo de quantis, e p, r e s representam nmeros reais. Quando
r e s so nulos e p um nmero no negativo, os MPPs M
p,0,0
so iguais aos
momentos convencionais
p
de ordem p, em relao origem. Em particular, os
MPPs M
1,0,s
e M
1,r,0
so os de utilidade mais freqente na caracterizao de
distribuies de probabilidades e especificados por
(6.7)
(6.8)
Hosking (1986) demonstrou que o
s
e
r
, como funes lineares de x, possuem a
generalidade suficiente para a estimao de parmetros de distribuies de
probabilidades, alm de estarem menos sujeitos a flutuaes amostrais e, portanto,
serem mais robustos do que os correspondentes momentos convencionais. Para
uma amostra
N
x ... x x s s s
2 1
, ordenada de modo crescente, as estimativas
no-enviesadas de o
s
e
r
podem ser calculadas pelas seguintes expresses:
(6.9)
(6.10)

o
N
i
i s s
x
s
N
s
i N
N
a
1
1
1

N
i
i r r
x
r
N
r
i i
N
b
1
1
1
214
Os MPPs o
s
e
r
, assim como suas correspondentes estimativas amostrais a
s
e
b
r
, esto relacionados entre si pelas expresses
(6.11) ( ) ( )

o
o
s
i
r
i
i
i
r i
i
s
i
r
i
s
1 1
1 ou 1
Exemplo 6.9 Dadas as descargas mdias anuais (m
3
/s), observadas no Rio
Paraopeba em Ponte Nova do Paraopeba, listadas na Tabela 6.1 para os anos
civis de 1990 a 1999, calcule as estimativas de o
s
e
r
, (r,s 3).
Soluo: A Tabela 6.1 apresenta alguns clculos necessrios aplicao da
equao 6.9, para s = 0,1,2 e 3. O valor de a
0
obtido pela diviso da
soma dos 10 itens da coluna 5 por 10
0
1
N
N , o que resulta em
a
0
= 85,29; observe que a
0
, de fato, equivalente mdia aritmtica da
amostra. Clculos semelhantes com as colunas 6 a 8, conduzem aos
resultados a
1
= 35,923, a
2
= 21,655 e a
3
= 15,211. Os valores de b
r
podem
ser calculados pela equao 6.10 ou deduzidos de a
s
, a partir da expresso
6.11. Nesse ltimo caso, para r,s s 3, fcil verificar que
s
Ano Civil Vazo Q Ordem i Q
i
i
Q
i N

1
i
Q
i N

2
i
Q
i N

3
1990 53,1 1 53,1 53,1 477,9 1911,6 4460,4
1991 112,1 2 57,3 57,3 458,4 1604,4 3208,8
1992 110,8 3 63,6 63,6 445,2 1335,6 2226
1993 82,2 4 80,9 80,9 485,4 1213,5 1618
1994 88,1 5 82,2 82,2 411 822 822
1995 80,9 6 88,1 88,1 352,4 528,6 352,4
1996 89,8 7 89,8 89,8 269,4 269,4 89,8
1997 114,9 8 110,8 110,8 221,6 110,8 -
1998 63,6 9 112,2 112,2 112,2 - -
1999 57,3 10 114,9 114,9 - - -
Anual (m
3
s) ordenadas
1 2 3 4 5 6 7 8
Tabela 6.1 Vazes Mdias Anuais (m
3
/s) do Rio Paraopeba em Ponte Nova do Paraopeba
i
Q
i N
|
.
|
\
|
0
3 2 1 0 3 3 2 1 0 3
2 1 0 2 2 1 0 2
1 0 1 1 0 1
0 0 0 0
3 3 ou 3 3
2 ou 2
ou
ou
+ = + =
+ = + =
= =
= =
iii
t
215
Nas equaes acima, substituindo os MPPs pelas suas estimativas e com
os valores anteriormente calculados, obtm-se b
0
= 85,29, b
1
= 49,362, b
2
=
35,090 e b
3
= 27,261.
( )

o i
1
0
1
1
0
1
1
1
r
k
k k , r
r
k
k k , r
r
r
p p
Os MPPs o
s
e
r
, embora passveis de serem usados na estimao de parmetros,
no so de fcil interpretao como descritores de forma das distribuies de
probabilidades. Tendo em vista tal fato, Hosking (1990) introduziu o conceito de
momentos-L, os quais so grandezas diretamente interpretveis como descritores
de escala e forma das distribuies de probabilidades. Os momentos-L de ordem
r , denotados por i
r
, so combinaes lineares dos MPPs o
s
e
r
e formalmente
definidos por
(6.12)
onde
( )
k
k r
k
r
p
k r
k , r
1 1
1
1
1 . A aplicao da equao 6.12 para os
momentos-L, de ordem inferior a 4, resulta em
(6.13)
(6.14)
(6.15)
(6.16)
Os momentos-L amostrais so denotados por l
r
e so calculados pela substituio
de o
s
e
r
, nas equaes 6.13 a 6.16, pelas suas estimativas a
s
e b
r
.
O momento-L
1
i equivalente mdia e, portanto, uma medida populacional de
posio. Para ordens superiores a 1, os quocientes de momentos-L so particularmente
teis na descrio da escala e forma das distribuies de probabilidades. Como medida
equivalente ao coeficiente de variao convencional, define-se o coeficiente t, dado
por
(6.17)
0 0 1
o i
0 1 1 0 2
2 2 o o i
0 1 2 2 1 0 3
6 6 6 6 + o + o o i
0 1 2 3 3 2 1 0 3
12 30 20 20 30 12 + o o + o o i
1
2
i
i
t
0 0 1
= =
0 1 1 0 2
2 2 = =
0 1 2 2 1 0 3
6 6 6 6 + = + =
1
2
=
0 1 2 3 3 2 1 0 3
12 30 20 20 30 12 + = + =
2
l
P
b
2
3
1
r
o
216
o qual pode ser interpretado como uma medida populacional de disperso ou de
escala. Analogamente aos coeficientes de assimetria e curtose convencionais,
podem ser definidos os coeficientes t
3
e t
4
, dados, respectivamente, por
(6.18)
(6.19)
Os quocientes de momentos-L amostrais, cujas notaes so t, t
3
e t
4
, so
calculados pela substituio de i
r
, nas equaes 6.17 a 6.19, por suas estimativas
l
r
. Em relao aos momentos convencionais, os momentos-L apresentam diversas
vantagens, entre as quais destacam-se os limites de variao de t, t
3
e t
4
. De
fato, se X uma varivel aleatria no negativa, demonstra-se que 0 < t < 1.
Quanto a t
3
e t
4
, um fato matemtico que esses coeficientes esto compreendidos
no intervalo [-1,+1], em oposio aos seus correspondentes convencionais que
podem assumir valores arbitrariamente mais elevados. Outras vantagens dos
momentos-L, em relao aos momentos convencionais, so discutidas por Vogel
e Fennessey (1993).
O mtodo dos momentos-L (MML), para a estimao de parmetros de
distribuies de probabilidades semelhante ao mtodo dos momentos
convencionais. De fato, tal como exemplifica a Tabela 6.2, os momentos-L e seus
quocientes, a saber i
1
, i
2
, t, t
3
e t
4
podem ser postos como funes dos
parmetros das distribuies de probabilidades e vice-versa. O mtodo MML de
estimao de parmetros consiste em igualar os momentos-L populacionais aos
momentos-L amostrais. O resultado dessa operao produzir as estimativas dos
parmetros da distribuio de probabilidades em questo. Formalmente, sejam
y
1
, y
2
, y
3
, ... , y
N
as observaes constituintes de uma AAS retirada de uma
populao de uma varivel aleatria distribuda conforme ( )
k Y
, ... , , ; y f
2 1
de
k parmetros. Se [ i
1
, i
2
, t
j
] e [l
1
, l
2
, t
j
] representam, respectivamente, os
momentos-L (e seus quocientes) populacionais e amostrais, o sistema de equaes
fundamental do mtodo dos momentos-L
(6.20)
As solues
1
,
2
,...,
k
desse sistema de k equaes e k incgnitas sero as
estimativas dos parmetros
j
pelo mtodo MML.
2
4
4
i
i
t
2
3
3
i
i
t
( )
( ) 2 k , ... , 4 , 3 j com t ,..., ,
2 , 1 i com l ,..., ,
j k 2 1 j
i k 2 1 i
t
i
217
Exemplo 6.10 Encontre as estimativas MML dos parmetros da
distribuio de Gumbel para os dados do exemplo 6.9.
Soluo: Os resultados do exemplo 6.9 mostram que as estimativas MPP
de
r
so b
0
= 85,29, b
1
= 49,362, b
2
=35,090 e b
3
= 27,261. Temos dois
parmetros a estimar e, portanto, precisamos apenas dos dois primeiros
momentos-L, a saber i
1
e i
2
. As estimativas desses podem ser obtidas
pelas equaes 6.13 e 6.14: l
1
=b
0
=85,29 e
434 13 29 85 362 49 2 2
0 1 2
, , , b b l
. Com a relao entre o i e
2
da
distribuio de Gumbel (Tabela 6.2), segue-se que ( ) 381 19 2
2
, ln l
o .
Em seguida, tem-se que 103 74 5772 0
1
,
, l
o .
6.5 Estimao por Intervalos
Uma estimativa pontual de um parmetro de uma distribuio de probabilidades,
tal como apresentado nos itens anteriores, um nmero que se encontra na
vizinhana do verdadeiro e desconhecido valor populacional do parmetro. A
questo do erro presente na estimao pontual de parmetros, devido
variabilidade inerente s amostras aleatrias que lhe deram origem, nos remete
construo dos chamados intervalos de confiana. De fato, um estimador pontual
de um parmetro uma estatstica
, a qual, por ser uma funo de uma varivel

aleatria X, tambm uma varivel aleatria e possui, ela mesma, uma densidade
de probabilidades
( )
. bem verdade que, se
uma varivel aleatria

contnua, ento P(
= ) = 0, o que tornaria incuo um tal equacionamento, na

forma de igualdade. Entretanto, se construirmos as variveis aleatrias I,
correspondente a limite inferior, e S, correspondente a limite superior, ambas em
funo da varivel
, possvel estabelecer a seguinte afirmao probabilstica:

(6.21)
( ) o s s P 1 S I
Distribuio Parmetros i ii ii
1
i ii ii
2
t tt tt
3
t tt tt
4
Uniforme a,b
2
b a +
6
a b
0 0
Exponencial
3
1
6
1
Normal ,o
r
o
0 0,1226
Gumbel o,
o + 5772 0,
( ) 2 ln o 0,1699 0,1504
Tabela 6.2 Momentos-L e seus quocientes para algumas distribuies

de probabilidades (adap. de Stedinger et al., 1993)
distribuio
6
a b

2
3
1
+ 5772 0,
434 13 29 85 362 49 2 2
0 1 2
, , , b b l = = =
( ) = 1 S I
( )
218
na qual denota o valor populacional do parmetro e (1- o) representa o nvel de
confiana. Como um parmetro e no uma varivel aleatria, deve-se ter cuidado
com a interpretao da equao 6.21. Seria incorreto interpret-la como se fosse de
(1-o) a probabilidade do parmetro estar contido entre os limites do intervalo.
Precisamente porque no uma varivel aleatria, a equao 6.21 deve ser
corretamente interpretada da seguinte forma: a probabilidade do intervalo [I, S] conter
o verdadeiro valor populacional do parmetro igual a (1- o).
Para melhor clarear a afirmao dada pela equao 6.21, considere que queiramos
estimar a mdia de uma populao qualquer, cujo desvio padro populacional
conhecido e igual a o, e que, para tal, usaremos a mdia aritmtica de uma
amostra de tamanho N, suficientemente grande. Da soluo do exemplo 5.3 e,
portanto, do teorema do limite central, sabe-se que a varivel
( )
1 0, N ~
N
X
o

. Logo, pode-se escrever, para o exemplo em questo, que
95 0 96 1 96 1 , ,
N
X
,
+ <
o

< P . Para transformar essa expresso em uma
afirmao semelhante quela dada pela equao 6.21, necessrio isolar o
parmetro no centro da desigualdade, entre parnteses, ou seja,
95 0 96 1 96 1 ,
N
, X
N
, X
o
+ < <
o
P . Essa expresso deve ser
interpretada do seguinte modo: se construssemos uma grande quantidade de
intervalos [ ] N , X , N , X o + o 96 1 96 1 , a partir de amostras de tamanho
N, 95% desses intervalos conteriam o parmetro e 5% deles no o conteriam.
A Figura 6.2 ilustra o raciocnio, acima exposto, que , de fato, a essncia da
estimao por intervalos. Observe que, nessa figura, todos os k intervalos,
construdos a partir das k amostras de tamanho N, tm a mesma largura, mas so
posicionados de modo diferente, em relao ao parmetro . Se uma amostra
especfica produzir os limites [i, s], esses sero realizaes das variveis I e S, e,
pelo exposto, tero uma chance de 95% de conter .
O raciocnio exposto nos pargrafos anteriores pode ser generalizado para a
construo de intervalos de confiana para um parmetro , de uma distribuio
de probabilidades qualquer, a partir de uma amostra y
1
, y
2
, y
3
, ... , y
N
, extrada da
populao correspondente. Esse procedimento geral consta das seguintes etapas:
X
219
selecione uma funo-piv ( )
N
Y ,..., Y , Y , v V
2 1
, do parmetro e das
variveis Y
1
, Y
2
, ,Y
N
, cuja densidade de probabilidades ( ) v g
V
tenha
unicamente como parmetro desconhecido;
determine as constantes v
1
e v
2
, tais que
( ) o < < P 1
2 1
v V v ou que
( ) 2
1
o < P v V e ( ) 2
2
o > P v V ;
usando as regras da lgebra, reescreva a desigualdade
2 1
v V v < < , de
modo que o parmetro fique isolado, em seu centro, e que se possa
escrever que ( ) o < < P 1 S I ;
considere a amostra propriamente dita, substituindo as variveis Y
1
, Y
2
, ,
Y
N
pelas observaes y
1
, y
2
, y
3
, ... , y
N
, e calcule as realizaes i e s, das
variveis aleatrias I e S; e
o intervalo com confiana 100(1-o)%, para o parmetro , [i, s].
A maior dificuldade desse procedimento geral a seleo de uma funo-piv
adequada, o que nem sempre possvel. Entretanto, para alguns casos prticos
importantes, a funo-piv e sua respectiva funo densidade de probabilidades
podem ser adequadamente obtidas. Esses casos prticos esto sumariados na
Tabela 6.3.
Figura 6.2 Ilustrao de um intervalo de confiana para , com o conhecido e
(1-o)=0,95 (adap. de Bussab e Morettin, 2002)
220
Exemplo 6.11 Suponha que o consumo dirio de gua de uma comunidade
seja uma varivel Normal X e que uma amostra de 30 observaes produziu
6 2 3
m 256 e m 50
X
s x . Pede-se (a) construir um IC para a mdia
populacional , a um nvel 100(1- o) = 95% e (b) construir um IC para a
varincia populacional o
2
, a um nvel 100(1- o) = 95%.
Soluo: (a) Pela Tabela 6.3, a funo-piv, para esse caso
N S
X
V

,
a qual segue uma distribuio t de Student, com v = 30-1= 29 graus de
liberdade. Com o objetivo de estabelecer a afirmao
( ) 95 0
2 1
, v V v < < P , verifica-se na tabela de t de Student, do Anexo 7,
que 045 2
29 025 0 2 1
, t v v
, ,
; observe que a distribuio t de Student
simtrica e que, portanto, os quantis correspondentes a 025 0 2 , o
e 975 0 2 , o so simtricos em relao mdia 0. Logo,
95 0 045 2
30
045 2 , ,
S
X
,
<

< P . Manipulando essa desigualdade de
tal modo que a mdia populacional reste isolada no centro da inequao,
segue-se que 95 0
30
045 2
30
045 2 ,
S
, X
S
, X
+ < < P . Substituindo

S X e pelas suas respectivas realizaes
3 3
m 16 256 e m 50 s x
,
o IC a 95% para [44,03; 55,97]. (b) Pela Tabela 6.2, a funo-piv,
para esse caso ( )
2
2
1
o
S
N , cuja distribuio
2
29 1
N . Para estabelecer
Normal
2
conhecido
N
Y
o

N(0,1)
Normal
2
desconhecido
N S
Y
t
(n-1)
Normal
2
conhecido
2
1
o

N
i
i
Y
2
N
Normal
2
desconhecido
( )
2
2
1
o
S
N
( )
2
1
N
Exponencial -
Y N 2 2
2N
Distribuio
de V
Populao
IC para o
parmetro:
Atributo do segundo
parmetro
Funo-piv V
Tabela 6.3 Algumas funes-piv para a construo de intervalos de
confiana (IC), a partir de uma amostra de tamanho N
o
o
o

221
) 95 0
2
, v
, verifica-se na tabela do Anexo 6 que v
1
=16,047,
para 025 0 2 , o e 29 graus de liberdade, e que v
2
=45,722,
para 975 0 2 , o e 29 graus de liberdade; observe que, no caso da
distribuio do
2
, no h simetria para os quantis. Logo,
( ) 95 0 722 45 1 30 047 16
2
2
, ,
S
,
<
o
< P . Manipulando essa desigualdade
de modo semelhante ao feito no item (a), segue-se que
95 0
047 16
29
722 45
29
2
2
2
,
,
S
,
S
< o < P . Substituindo S

2
por sua realizao
s
2
= 256, segue-se que o IC para a varincia populacional o
2

[162,37;462,64]. Nesse ltimo caso, se 100(1- o) fosse alterado para
90%, o IC seria [174,45; 419,24] e, portanto, mais estreito, porm com
menor nvel de confiana.
A construo de intervalos de confiana para a mdia e a varincia de uma
populao Normal facilitada pela possibilidade de deduo de suas respectivas
distribuies exatas de amostragem, tais como as distribuies do t de Student
e do
2
. De fato, as distribuies exatas de amostragem podem ser obtidas em
forma explcita, quando a varivel aleatria X segue distribuies de probabilidades
que gozam da propriedade aditiva, tais como a Normal, a Gama, a Binomial e de
Poisson. Para outras variveis aleatrias, quase sempre impossvel determinar,
de forma explcita, as distribuies exatas de amostragem de funes de momentos,
tais como os coeficientes de assimetria e curtose, ou de um estimador
de um
parmetro populacional . Para esses casos, duas alternativas para a determinao
das distribuies de amostragem so possveis: os mtodos que envolvem a
simulao de Monte Carlo e os mtodos assintticos. Em ambas alternativas, os
resultados so aproximados e, em muitos casos, os nicos disponveis em
problemas de inferncia estatstica.
Os mtodos assintticos, mais freqentes para a soluo desses problemas de
inferncia estatstica, produzem resultados que so vlidos quando os tamanhos
das amostras tendem ao infinito. Obviamente, na prtica, uma dada amostra
finita, sendo natural que se considere a questo de qual deve ser o seu tamanho
para que as aproximaes sejam razoveis. Embora no haja respostas concisas
e totalmente satisfatrias para questes como essa, uma recomendao muito
freqente em livros de inferncia estatstica, que uma amostra de tamanho
suficientemente grande, quando N > 50 ou, pelo menos, quando N > 30.
Cramr (1946) demonstrou que, sob condies gerais e para grandes valores de
( ) 95 0
2 1
, v V v = < <
N c
T
X
( ) | | { } | |
2
; 1 = x f ln E c
X
222
N, as distribuies de amostragem de caractersticas, tais como funes de
momentos e estimadores genricos , convergem assintoticamente para uma
distribuio Normal de mdia igual ao valor populacional em questo, e de varincia
que pode ser escrita sob a forma , onde c depende da caracterstica estudada
e do mtodo de estimao. Hosking (1986) estendeu tais resultados para os
estimadores de MPPs, momentos-L e suas respectivas funes, sob a condio
que a distribuio da varivel aleatria original tenha varincia finita. Uma vez
obtidas a mdia e o desvio padro da distribuio Normal assinttica de um
parmetro genrico
, pode-se construir intervalos de confiana aproximados

para , tais como os previamente exemplificados.
Como anteriormente mencionado, o fator c da varincia, da distribuio Normal
assinttica, depende do mtodo de estimao. Se, por exemplo, o estimador
de mxima verossimilhana e se a distribuio tem um nico parmetro , prova-
se que . Entretanto, se a distribuio tem mais de
um parmetro, o clculo do fator c da varincia, da distribuio Normal assinttica,
relativamente mais complexo, pela necessria incluso da dependncia entre os
estimadores de parmetros. O mtodo de estimao tambm afeta a eficincia
assinttica dos estimadores, sendo um fato matemtico que os estimadores MOM
so assintoticamente menos eficientes do que os estimadores MVS. O leitor
interessado em detalhes sobre essas questes deve remeter-se s referncias
Cramr (1946) e Rao (1973), para consideraes tericas, e Kaczmarek (1977)
e Kite (1977), para exemplos e aplicaes em hidrologia e meteorologia. O item
seguinte, relativo construo de intervalos de confiana para quantis, apresenta
alguns resultados que so pertinentes s questes associadas aos erros inerentes
aos estimadores de parmetros.
6.6 Intervalos de Confiana para Quantis
Uma vez estimados os parmetros de uma distribuio de probabilidades F
X
(x),
o interesse volta-se para um dos mais importantes objetivos da hidrologia estatstica,
que o de estimar o quantil X
F
, correspondente probabilidade de no superao
F, ou X
T
, correspondente ao perodo de retorno T. O quantil X
F
pode ser estimado
pela funo inversa de F, aqui denotada por ( ) F o , ou, em outros termos,
( ) F X
x
F F
o , ou ainda, ( ) T X
x
T T
o . evidente que um estimador
pontual, como
T
X
, contm erros que so inerentes s incertezas presentes na

estimao das caractersticas e parmetros populacionais, a partir de amostras de
tamanho N. Uma medida freqentemente usada para quantificar a variabilidade
presente em , e, portanto, indicar a confiabilidade das estimativas de quantis
223
de variveis hidrolgicas, dada pelo chamado erro padro da estimativa,
denotado por S
T
e definido por
(6.22)
Deve-se ressaltar que o erro padro da estimativa leva em conta apenas os erros
oriundos do processo de estimao a partir de amostras finitas e, portanto, no
considera o erro devido seleo de uma distribuio de probabilidades
inadequada. Logo, supondo que a distribuio F
X
(x) tenha sido corretamente
especificada, o erro padro da estimativa dever subentender os erros presentes
nas estimativas dos parmetros de F
X
(x). Conseqentemente, os mtodos de
estimao mais usuais, a saber, os mtodos MOM, MVS e MML, produziro
diferentes erros-padro da estimativa, sendo que o de maior eficincia, do ponto
de vista estatstico, aquele que resultar no menor valor para S
T
.
A teoria assinttica de distribuies de amostragem demonstra que a distribuio
de assintoticamente Normal, com mdia X
T
e desvio-padro S
T
, quando
N . Como decorrncia desse resultado, pode-se construir intervalos de
confiana aproximados, a um nvel 100(1-o)%, cujos limites so expressos por
(6.23)
onde representa a varivel Normal padro, de probabilidade de no
superao igual a 2 o . Aplicando as propriedades do operador esperana
matemtica equao 6.22, possvel demonstrar que, para uma distribuio de
probabilidades genrica F
X
(x; o,), de 2 parmetros quaisquer o e , o quadrado
do erro padro da estimativa pode ser expresso por
(6.24)
Analogamente para uma distribuio F
X
(x; o,,y), de 3 parmetros quaisquer o,
e y, prova-se que
(6.25)
Nas equaes 6.24 e 6.25, as derivadas parciais so calculadas pela relao
( ) T X
x
T T
o
e, portanto, dependem da expresso analtica da funo inversa
( ) ( ) ( ) o
o
o
o o
o
+
o
o
+ o
o o
o

,
x x
x
S
T
Cov 2 Var Var
2
2
2
T T
S z X
2 o
( ) ( ) ( )
( ) ( ) ( ) y
y o
o
o
o
+ y o
y o
o
o o
o
+ o
o
o
o o
o
+
+ y
y o
o
+
o
o
+ o
o o
o
x x
,
x x
,
x x
x
S
T
Cov 2 Cov 2 Cov 2
Var Var Var
2 2
2
2
[
T
E S [ ]
2
T T
X
E X

[
T
X
2
z
224
da distribuio de probabilidades F
X
(x). Por outro lado, as varincias e as
covarincias dos parmetros dependem se o mtodo de estimao o dos
momentos (MOM), o de mxima verossimilhana (MVS) ou dos momentos-L
(MML). Examinaremos, a seguir, o caso mais geral de uma distribuio de 3
parmetros, considerando cada um desses mtodos de estimao.
6.6.1 Intervalos de Confiana para Estimadores MOM de Quantis
Se o mtodo para a estimao dos parmetros o, e y, de F
X
(x; o,,y), o dos
momentos, as respectivas varincias e as covarincias so calculadas a partir das
relaes entre os parmetros e os momentos populacionais (ou
1
)
X
'
,
) (ou
2
2 X
o e ) (ou
3
3 X X
o y , os quais so estimados pelos momentos amostrais
) (ou ), (ou
2
2 1 X
'
s m x m e ) (ou
3
3 X X
s g m , com X
y
e g
X
representando,
respectivamente, os coeficientes de assimetria populacional e amostral de X. Pelo
mtodo dos momentos, portanto, o quantil
T
X
uma funo dos momentos

amostrais , m
2
e m
3
, ou seja
T
X
=f( , m
2
e m
3
), para um dado tempo de
retorno T. Em decorrncia dessa particularidade do mtodo dos momentos, Kite
(1977) reapresenta a equao 6.25, da seguinte forma:
(6.26)
onde as derivadas parciais devem ser obtidas das relaes entre o quantil
T
X
e
, m
2
e m
3
, tal como usadas em sua estimao.Ainda segundo Kite (1977), as
varincias e covarincias de
'
m
1
, m
2
e m
3
so dadas por expresses que dependem
dos parmetros populacionais
2
a
6
. So elas:
(6.27)
(6.28)
(6.29)
( ) ( ) ( )
( ) ( )
( )
2 3
2 3
3 1
3 1
2 1
2 1
3
2
3
2
2
2
1
2
1
2
Cov 2
Cov 2 Cov 2
Var Var Var
m , m
m
X
m
X
m , m
m
X
m
X
m , m
m
X
m
X
m
m
X
m
m
X
m
m
X
S
T T
' T
'
T ' T
'
T
T T '
'
T
T
o
o
o
o
+
+
o
o
o
o
+
o
o
o
o
+
+
o
o
+
o
o
+
o
o
( )
N
m
' 2
1
Var

( )
N
m
2
2 4
2
Var

( )
N
m
3
2 2 4
2
3 6
3
9 6
Var
+
'
m
1
'
m
1
'
m
1
225
(6.30)
(6.31)
(6.32)
Kite (1977) prope que a soluo da equao 6.26 seja facilitada pela expresso
do quantil
T
X como uma funo dos dois primeiros momentos populacionais e
do chamado fator de freqncia K
T
, esse, por sua vez, dependente do tempo de
retorno T e dos parmetros da distribuio F
X
(x). Portanto, usando o fator de
freqncia, dado pela expresso
(6.33)
e manipulando as equaes 6.26 a 6.32, Kite (1977) prope, finalmente, a seguinte
equao para o clculo de
2
T
S para estimadores MOM:
(6.34)
onde,
(coeficiente de assimetria populacional) (6.35)
(coeficiente de curtose populacional) (6.36)
(6.37)
(6.38)
2
1
'
T
T
X
K
( )
N
m , m
' 3
2 1
Cov

( )
N
m , m
'
2
2 4
3 1
3
Cov

( )
N
m , m
2 3 5
3 2
4
Cov

( )
1
1
]
1
\
|
+
y
+
y
y y y y y
|
|
\
|
y o
o
+
+
)
`
1
]
1
\
| y
y
y y + y y
y o
o
+ y + y +
9
4
35
4
9 6 3
4
10
4
6 6 3 2 1
4
1
2
1 2 2
1 2 1 3 4
2
1
2
1 2
1 3
2
1 2
1
2
2
1
2 2
T
T
T T
T T
K
N
K
K K
K
N
S
2
2
4
2
x y
2 5
2
5
3
y
3
2
6
4
y
X 2 3
2
3
1
y y
226
Observe, entretanto, que, para uma distribuio de dois parmetros, o fator de
freqncia K
T
no depende do momento de ordem 3 e, portanto, as derivadas
parciais presentes na equao 6.33 so nulas. Nesse caso, a equao 6.34 reduz-
se a
(6.39)
Finalmente, o clculo de intervalos de confiana do quantil X
T
, estimado pelo
mtodo dos momentos a partir de uma amostra de tamanho N, feito, inicialmente,
pela substituio de
1 4 3 2 1
e y o o y y y y
T T
K K , , , , , na equao 6.34, pelos
valores populacionais da distribuio de probabilidades em questo, e
2
, por
sua estimativa amostral. Em seguida, toma-se a raiz quadrada de
2
T
S e aplica-se a
equao 6.23 para um nvel de confiana previamente especificado 100(1-o) %.
O exemplo 6.12, a seguir, ilustra o procedimento para a distribuio Gumbel, de
2 parmetros. Outros exemplos e aplicaes podem ser encontrados nas
referncias Kite (1977) e Rao e Hamed (2000).
Exemplo 6.12 De posse dos resultados e estimativas MOM do exemplo
6.5, estime o intervalo de confiana, ao nvel de 95%, para o quantil de
tempo de retorno 100 anos.
Soluo: Sabe-se que que X ~ Gu
max
( 739 17,
o ,
025 72,

) e que
N = 55 (ver Anexo 3). A distribuio de Gumbel, com coeficientes de
assimetria e curtose populacionais fixos e iguais a y
1
=1,1396 e y
2
=5,4, de
dois parmetros, sendo vlida, portanto, a equao 6.39. Substituindo as
equaes vlidas para essa distribuio, a saber, de momentos
o + 5772 0
1
,
'
e
6
2 2
2
o r
, e a de quantis
|
.
|
o
T
ln ln X
T
1
1 ,
na equao 6.33, fcil verificar que ( ) [ ] T ln ln , , K
T
1 1 7797 0 45 0
e que para T=100, K
T
=3,1367. De volta equao 6.39, substituindo K
T
,
y
1
=1,1396, y
2
=5,4 e 6173 517
6
2 2
2
,

o r
, resulta que 908 144
2
100
, S
e, portanto, 038 12
100
, S
. Com esse ltimo valor, com o quantil estimado

x
T=100
=153,16 e com z
0,025
=-1,96 na equao 6.23, conclui-se que os limites
do intervalo de confiana, a 95%, so [130,036; 177,224]. De acordo
com o exposto e com o mtodo MOM de estimao, esses limites contm
o verdadeiro quantil populacional, de tempo de retorno igual a 100 anos,
com 95% de confiana.
( )
y + y +
1
4
1
2
2
1
2 2 T
T T
K
K
N
S
227
6.6.2 Intervalos de Confiana para Estimadores MVS de Quantis
X
(x; o,,y), o da
mxima verossimilhana, as derivadas parciais, presentes nas equaes 6.24 e
6.25, so calculadas pela relao
( ) T X
x
T T
o
e, portanto, dependem da
expresso analtica da funo inversa da distribuio de probabilidades F
X
(x). Por
outro lado, segundo Kite (1977) e Rao e Hamed (2000), as varincias e as covarincias
dos parmetros so os elementos da seguinte matriz simtrica, denominada matriz de
covarincia:
(6.40)
a qual, dada pela inversa da seguinte outra matriz:
(6.41)
onde L representa a funo de verossimilhana. Se D denota o determinante da
matriz M, ento, a varincia de , por exemplo, pode ser calculada pela diviso
por D, do determinante da matriz restante, ao serem eliminadas a primeira linha e
a primeira coluna de . Em outros termos, a varincia de dada por
(6.42)
Depois de calculados os elementos da matriz I, volta-se equao 6.25 e estima-
se . Em seguida, toma-se a raiz quadrada de
2
T
S e aplica-se a equao 6.23
para um nvel de confiana previamente especificado 100(1-o)%. O exemplo
6.13, a seguir, ilustra o procedimento para a distribuio Gumbel, de 2 parmetros.
Outros exemplos e aplicaes podem ser encontrados nas referncias Kite (1977)
e Rao e Hamed (2000).
( ) ( ) ( )
( ) ( )
( )
y
y
y o o o
I
,

,
,
Var
Cov Var
Cov Cov Var
( )
D
L ln L ln L ln
2
2
2
2
2
2
Var
y o o
o
y o
o
o
o
o
y o
o
y o o
o
o
o
y o o o
o
o o o
o
o o
o
M
2
2
2
2
2
2 2
2
2
L ln
L ln L ln
L ln L ln L ln

2
T
S
228
Exemplo 6.13 De posse dos resultados e estimativas MVS do exemplo
Soluo: A funo ln L da distribuio de Gumbel
( ) [ ] ( ) ( )

o

o
o o
N
i
i
N
i
i
Y
exp Y ln N , L ln
1 1
1
. Kimball (1949),
citado por Kite (1977), apresenta as seguintes expresses aproximadas para
as derivadas parciais de segunda ordem:
2
2
2 2
2
2 2
2
4228 0
e ;
8237 1
o
o o o
o
o

o
o
o

o o
o N , L ln N L ln N , L ln
, as quais
compem os elementos da matriz M, que no caso presente tem dimenses
22. Invertendo-se a matriz M, conforme procedimento descrito no texto,
tem-se finalmente, os elementos da matriz I, a saber,
( )
N
,
2
6079 0 Var
o
o ,
( )
N
,
2
1087 1 Var
o
e
( )
N
,
2
2570 0 Cov
o
o
. Uma vez que a funo de
quantis da distribuio de Gumbel
|
.
|
o
T
ln ln Y
T
1
1 , as derivadas
parciais, presentes na equao 6.24 so as seguintes:
W
T
ln ln
Y
T

o o
o 1
1 e 1
o
o
T
Y
. Substituindo, na equao 6.24, as
varincias, covarincias e derivadas parciais, tal como calculadas, resulta
que a varincia dos quantis de MVS de Gumbel
( )
2
2
2
6079 0 5140 0 1087 1 W , W , ,
N
S
T
+ +
o
. Para a amostra de N=55, em
questo, os resultados da estimao MVS do exemplo 6.8 so
7 71 e 4 19 ,
o . Com esses resultados e W = 4,60, para T = 100,

conclui-se que 436 11 portanto, e, 787 130
2
, S , S
T T
. Comparando esse
resultado com o obtido no exemplo 6.12, verifica-se que os estimadores
MVS produzem quantis de menor varincia e, portanto, mais confiveis, do
que os estimadores MOM. Com o valor calculado para S
T
, com o quantil
estimado x
T=100
=160,94 e com z
0,025
= -1,96 na equao 6.23, conclui-se
que os limites do intervalo de confiana, a 95%, so [138,530; 183,350].
De acordo com o exposto e com o mtodo MVS de estimao, esses limites
contm o verdadeiro quantil populacional, de tempo de retorno igual a 100
anos, com 95% de confiana.
229
6.6.3 Intervalos de Confiana para Estimadores MML de Quantis
X
(x; o,,y), o dos
momentos-L, as derivadas parciais, presentes nas equaes 6.24 e 6.25, so
calculadas pela relao
( ) T X
x
T T
o e, portanto, dependem da expresso
analtica da funo inversa da distribuio de probabilidades F
X
(x). Por outro
lado, as varincias e as covarincias dos parmetros so os elementos da matriz
de covarincia, idntica expressa pela equao 6.40. Seus elementos, porm,
so calculados pela matriz de covarincia dos MPPs o
r
e
r
, para r =1, 2 e 3.
Hosking (1986) demonstrou que o vetor ( )
T
b , b , b b
3 2 1
assintoticamente
distribudo segundo uma Normal multivariada, com mdias ( )
T
, ,
3 2 1
e
matriz de covarincia V/N. As expresses para avaliar a matriz V e, na seqncia,
o erro padro da estimativa S
T
so bastante complexas e encontram-se disponveis,
em Hosking (1986), para algumas distribuies notveis.
Exemplo 6.14 De posse dos resultados e estimativas MML do exemplo
Soluo: Hosking (1986) apresenta as seguintes expresses para as
varincias e covarincias dos estimadores MML, para os parmetros o e
da distribuio de Gumbel: ( )
N
,
2
8046 0 Var
o
o ,
( )
N
,
2
1128 1 Var
o
e
( )
N
,
2
2287 0 Cov
o
o . As derivadas parciais, presentes na equao 6.24
so as seguintes: W
T
ln ln
Y
T
|
.
|

o o
o 1
1 e 1
o
o
T
Y
. Substituindo, na
equao 6.24, as varincias, covarincias e derivadas parciais, tal como
calculadas, resulta que a varincia dos quantis de MVS de Gumbel
( )
2
2
2
8046 0 4574 0 1128 1 W , W , ,
N
S
T
+ +
o
. Para a amostra de N =10, em
questo, os resultados da estimao MML do exemplo 6.8 so 381 19,
o
e 103 74,
. Com esses resultados e W= 4,60, para T=100, conclui-se

que 58 27 portanto, e, 39 760
2
, S , S
T T
. Observe que, para uma amostra
pequena de apenas 10 observaes,
2
T
S relativamente muito maior do que
nos exemplos anteriores. O quantil de 100 anos
( ) 26 163
100
1
1 100 , ln ln
T y
|
.
|
o . Com o valor calculado para

S
T
, com o quantil estimado e com z
0,025
= -1,96 na equao 6.23, conclui-se
que os limites do intervalo de confiana, a 95%, so [109,21; 217,31].
230
6.7 Sumrio dos Estimadores Pontuais
Apresenta-se a seguir um sumrio das equaes de estimativas de parmetros,
pelos mtodos MOM e MVS, para algumas distribuies de probabilidades,
organizadas em ordem alfabtica. As solues para estimadores MOM e MVS,
de grande parte das distribuies de variveis aleatrias contnuas, listadas a seguir,
encontram-se implementadas no software ALEA, cujos programa executvel e
manual do usurio esto disponveis na URL http://www.ehr.ufmg.br. Em todos
os casos, as equaes baseiam-se em uma amostra {x
1
, x
2
, ... , x
N
}, de tamanho
N. Em alguns casos, apresenta-se tambm um sumrio das equaes das
estimativas pelo mtodo MML.
6.7.1 Distribuio de Bernoulli
Mtodo MOM: x p
Mtodo MVS:
Mtodo MML:
6.7.2 Distribuio Beta
Mtodo MOM:
o

e so as solues do sistema
+ o
o
x e
( ) ( ) 1
2
2
+ + o + o
o
X
s
Mtodo MVS:
o

e so as solues do sistema
( ) ( ) [ ] ( )
+ o I I
o
o
N
i
i
x ln
N
ln ln
1
1
1
( ) ( ) [ ] ( )
+ o I o I
o o
o
N
i
i
x ln
N
ln ln
1
1
x p =
1
l p =
ln q q
231
6.7.3 Distribuio Binomial
Suponha que o nmero de tentativas independentes de Bernoulli seja conhecido e
igual a m.
Mtodo MOM: m x p
Mtodo MVS: m x p
Mtodo MML: m l p
1
6.7.4 Distribuio Exponencial

Mtodo MOM: x

Mtodo MVS: x

Mtodo MML:
1
l

6.7.5 Distribuio Gama
Mtodo MOM:
Mtodo MVS:
q a soluo da equao
( )

q I
q o
o
q
N
i
i
x ln
N
x ln ln ln
1
1
(A)
Depois de resolver (A), q x
.
A soluo da equao (A) pode ser aproximada por:
y
y , y , ,
2
0544 0 1649 0 5 0 +
q
se 0 s y s 0,5772, ou
( )
2
2
9685 11 7973 17
9775 0 060 9 899 8
y y , , y
y , y , ,
+ +
+
q
se 0,5772 < y s 17
x
s
X
2

2
2
X
s
x
q
x
s
X
2
=
y
y , y , ,
2
0544 0 1649 0 5 0 +
=
6.7.5 Distribuio Gama
( )

=
=

N
i
i
x ln
N
x ln ln ln
1
1
( )
2
2
9685 11 7973 17
9775 0 060 9 899 8
y y , , y
y , y , ,
+ +
+
=
232
onde

N
i
i
x ln
N
x ln y
1
1
Mtodo MML:
q a soluo (mtodo de Newton) da equao (B)
Depois de resolver (B),
q l
1
.
6.7.6 Distribuio Geomtrica
Mtodo MOM: x p 1
Mtodo MVS: x p 1
Mtodo MML:
1
1 l p
6.7.7 Distribuio Generalizada de Valores Extremos (GEV)
Mtodo MOM:
Alternativa 1:
resolver para x, a equao 5.73, do captulo 5, substituindo y pelo coeficiente de
assimetria amostral g
X
. A soluo iterativa, pelo mtodo de Newton.
Alternativa 2:
para coeficientes de assimetria amostrais 1,1396 < g
X
< 10 (g=g
X
):
3 2
022725 0 116659 0 357983 0 2858221 0 g , g , g , , + + x
para coeficientes de assimetria amostrais -2 < g
X
< 1,1396 (g
X
=g):
3 2
016759 0 060278 0 322016 0 277648 0 g , g , g , , + + x
para coeficientes de assimetria amostrais -10 < g
X
< 0 (g=g
X
):
3 2
0 005613 0 015497 0 00861 0 50405 0 g , g , g , , + + + x
Em seguida,
( ) ( ) x + I x + I
x
o

X
1 2 1
2
e
( ) [ ] x + I
x
o

1 1
6 5 4
000004 0 000161 0 002604 0 g , g , g , +
6 5 4
00005 0 00244 0 005873 0 g , g , g ,
5 4 3 2
000065 0 00087 0 005613 0 015497 0 00861 0 50405 0 g , g , g , g , g , , + + + + =
( )
( ) 1
5 0
1
2
+
+
=
,
l
l
233
Mtodo MVS:
so as solues simultneas (mtodo de Newton) do seguinte sistema:
(C)
(D)
(E)
onde
(
'
o

x
x
i
i
x
ln y 1
1
. A resoluo desse sistema complexa; sugere-
se as referncias Prescott e Walden (1983) e Hosking (1985) para algoritmo de
resoluo.
Mtodo MML:
2
9554 2 8590 7 C , C , + x
, onde ( ) 3 2 3 2
3
ln ln t C +
6.7.8 Distribuio Gumbel (mximos)
Mtodo MOM:
X
s , 7797 0 o
X
s , x
45 0
Mtodo MVS:
o

e so as solues do seguinte sistema de equaes:
( ) ( ) ( ) ( ) +
+ x x x
x

N
i
N
i
N
i
i i i i
y exp N y exp y y exp
1 1 1
2
1
1
( ) ( ) ( ) ( ) 0 1
1
1 1 1
+ x x x
xo

N
i
N
i
N
i
i i i i
y exp N y exp y y exp
( ) 0
1
1 1
+ +
x
+

N
i
N
i
i i i
N y exp y y
( ) ( ) ( ) 0 1
1
1 1
x x x
o

N
i
N
i
i i i
y exp y y exp
( ) ( )
x
x + I
x
o
2 1 1
2
( ) [ ] x + I
x
o

1 1
1
,
,
234
(G)
Manipulando-se ambas equaes, chega-se a
(H)
A soluo de (H), pelo mtodo de Newton, fornece o
.
Em seguida, .
Mtodo MML:
2
2
ln
l
o
o , l
5772 0
1
6.7.9 Distribuio Gumbel (mnimos)
Mtodo MOM:
X
s , 7797 0 o
X
s , x
45 0 +
Mtodo MML:
2
2
ln
l
o
o + , l
5772 0
1
( )

o
o
N
i
i
N
i
i
N
i
i
i
x
exp x
N
x
exp x F
1 1 1
0
1
( ) [ ] ( ) ( ) ( )
( ) [ ] ( ) G 0
1
F 0
1 1
1
1
2
1
2
o
o
o
o
o

o

o
+
o
o
o o
o

N
i
i
N
i
i
i
N
i
i
x
exp
N
, L ln
x
exp x x
N
, L ln
( )
(
(
(
=
N
i
i
x exp
N
ln
1
235
6.7.10 Distribuio Log-Normal
Mtodo MOM:
( ) 1
2
+ o
X Y
CV ln
2
2
Y
Y
x ln
o

com Y = lnX
Mtodo MVS:
y
Y

Y Y
s o
Mtodo MML:
( ) t erf
Y
1
2

o
2
2
1
Y
Y
l ln
o

onde . A inversa
( ) t erf
1
igual a 2 u , com u
representando a varivel Normal padro correspondente ( ) [ ]
2 1 + d t .
6.7.11 Distribuio Log-Pearson Tipo III
Mtodo MOM:
Lembrando que
( )
( )
o
y

r
r exp
'
r
1
so estimados por
'
r
m , y o ,
,
so as solues
de: ( ) o y 1
1
ln m ln
'
( ) o y 2 1 2
2
ln m ln
'
( ) o y 3 1 3
3
ln m ln
'
Para a soluo desse sistema, Kite (1977) sugere:
defina
' '
' '
m ln m ln
m ln m ln
B
1 2
1 3
2
3
, 3
1
o
A e
3
1
B
C
para 3, 5 < B < 6,
para 3, 0 < B
s
3, 5,
C ,99955 1 7157 +

r
w
u
du e
0
2 2
3 2
04557 0 20911 0 65262 1 23019 0 C , C , C , , A + +
( )

=
w
u
du e w erf
0
2 2
C , , A 99955 1 47157 0 + =
236
3
1
+
o
A
( ) ( ) o o

ln ln
m ln m ln
' '
2 1 1
2
2
1 2
Mtodo MVS:
so as solues (mtodo de Newton) do seguinte sistema:
onde
( )
( )
( ) I
I
+
'
, a qual, conforme Abramowitz e Stegun (1965), pode ser
aproximada por
( )
10 8 6 4 2
132
1
240
1
252
1
120
1
12
1
2
1
e + ln
.
Mtodo MML:
As estimativas pelo mtodo MML podem ser obtidas por procedimento idntico
ao ilustrado para a distribuio Pearson Tipo III, com a transformao z
i
=ln(x
i
).
6.7.12 Distribuio Normal
Mtodo MOM:
x
X

X X
s o
Mtodo MVS:
x
X

X X
s o
Mtodo MML:
1
l
X

2
l
X
r o
( ) o + y ln
m ln
'
1
1
( ) ( ) [ ]
o y +
N
i
i
/ x ln ln N
1
y o ,
,
( )
o y
N
i
i
N x ln
1
( )
y
o
N
i
i
x ln
N
1
1
1
237
6.7.13 Distribuio Pearson Tipo III
Mtodo MOM:
2
2

X
g
y

s x
X
2
Mtodo MVS:
y o ,
, so as solues (mtodo de Newton) do seguinte sistema:

onde
( )
( )
( ) I
I
+
'
(ver distribuio Log-Pearson Tipo III).
Mtodo MML:
Para t
3
1/3 e com
3
1 t t
m
, .
Para t
3
< 1/3 e com
2
3
3 t t
m
r , .
( )
y
o
N
i
i
x ln
N
1
1
1
X
2
( ) ( ) [ ]
o y +
N
i
i
/ x ln ln N
1
3 2
0442 0 1882 0
2906 0 1
m m m
m
t , t , t
t ,
+ +
+

3 2
3 2
77045 0 56096 2 78861 2 1
25361 0 5967 0 36067 0
m m m
m m m
t , t , t ,
t , t , t ,
+
+

( )
( ) 5 0
2
,
l
+ I
I
r o
o y

l
1
( )
o y
N
i
i
N x
1
>
238
6.7.14 Distribuio de Poisson
Mtodo MOM:
Mtodo MVS:
6.7.15 Distribuio Uniforme
Mtodo MOM:
x
s x b
3 +
Mtodo MVS:
( )
i
x Min a
( )
i
x Max b

Mtodo MML:
a e so as solues de e ( ) 6
2
a b l .
6.7.16 Distribuio Weibull (mnimos)
Mtodo MOM:
o

e so as solues do seguinte sistema de equaes:
o
+ I
1
1 x
`
(Ver item 5.7.2.5 do captulo 5).
Mtodo MVS:
o

e so as solues (mtodo de Newton) do seguinte sistema de equaes:
o
o

N
i
i
x
N
1
1
]
1
\
|
o
+ I
|
\
|
o
+ I
1
1
2
1
2 2 2
X
s
x
=
x
=
x
s x a 3 =
b
( ) 2
1
b a l + =
239
( ) ( )

o o

o
N
i
N
i
i i i
x ln x ln x
N
1 1
Exerccios
1) Dada a funo densidade ( )
( )
( )
, , x ,
x exp x
x f
X
0 0
1
> >

I II I
determine o valor
de c, tal que cX seja um estimador no-enviesado de . Recorde-se da seguinte
propriedade da funo gama: ( ) ( ) I + I 1 .
2) Suponha que {Y
1
, Y
2
, ... , Y
N
}seja uma AAS de uma FDP cuja mdia .
Pergunta-se sob quais condies
N
i
i i
Y a W
1
um estimador no-enviesado de
.
3) Considere que X
1
e X
2
seja uma AAS de tamanho 2 de uma distribuio
exponencial. Se
2 1
X X Y representa a mdia geomtrica de X
1
e X
2
, prove
que Y W 4 r um estimador no-enviesado de .
4) A distribuio Exponencial de 2 parmetros definida pela funo densidade
( ) ,
1
>
x
x
exp x f
X
, onde denota o parmetro de posio. Determine
os estimadores de e , pelos mtodos MOM e MVS.
5) Suponha que W
1
e W
2
denotem dois estimadores no-enviesados de um certo
parmetro , com varincias respectivamente iguais a Var(W
1
) e Var(W
2
). O
estimador W
1
dito mais eficiente do que W
2
se Var(W
1
) < Var(W
2
). Alm disso,
a eficincia relativa de W
1
, em relao a W
2
definida pela razo Var(W
2
)/
Var(W
1
). Considere que X
1
, X
2
e X
3
seja uma AAS de tamanho 3 de uma
distribuio exponencial de parmetro . Calcule a eficincia relativa de
4
2
3 2 1
1
X X X
W
+ +
, em relao a X W
2
.
6) Conforme meno anterior, um estimador
( )
N N
X ,..., X , X h W
2 1

considerado consistente, para , se ele converge, em probabilidade, para . Em
outros termos, se, para quaisquer r, o > 0, existir um ( )
o r, n
tal que
B|BK9|9|k |IkI|I|0k
CkP|IU|9 E |I|hkk9 9| PkKkh|IK9
I1l
( ) ( ) o r > o > r < P , para 1 n N W
N
. Suponha que {X
1
, X
2
, ... , X
N
} seja uma
AAS da FDP ( )
< < y ; x f
X
0 para 1 e que
max N
X W . possvel
demonstrar que
N
W um estimador enviesado de , embora possa ser consistente.
A questo da consistncia passa a ser posta na existncia (ou no) de ( )
o r, n ,
suficientemente grande, para que ( ) ( ) o r > o > r < , n N para W
N
1 P PP P .
Mostre que
N
W um estimador consistente de . Para resolver esse exerccio,
recorde-se que a FDP exata do mximo de uma AAS pode ser obtida pelos
mtodos descritos no item 5.7.1, do captulo 5. No caso presente, pode-se mostrar
que ( )
( )
N
N
N
N W
w N
w f
N
1
.
7) Conforme meno anterior, um estimador
( )
N
X ,..., X , X h W
2 1

consideradosuficiente, para , se, para todo e para quaisquer valores amostrais,
a FDP de ( )
N
X ,..., X , X
2 1
, condicionada a w, no depende de . Mais
precisamente, W suficiente se
( ) ( ) ( )
( ) w f
x f ... x f . x f
W
N X X X
N
2 1
2 1
no depende de
. Considere o estimador
N
W , descrito no exerccio 6. Demonstre que
N
W um
estimador suficiente.
8) O Anexo 2 apresenta as vazes mdias dirias mximas anuais da estao
fluviomtrica do Rio Paraopeba em Ponte Nova do Paraopeba (cdigo
40800001), para os anos hidrolgicos de 1938-39 a 1998-99. Use os mtodos
descritos nesse captulo para calcular (a) as estimativas dos parmetros da
distribuio Gama, pelos mtodos MOM, MVS e MML; (b) a probabilidade da
vazo mdia diria mxima anual superar 1000 m
3
/s, em um ano qualquer, usando
as estimativas de parmetros obtidas pelos trs mtodos; (c) o quantil de tempo
de retorno igual a 100 anos, usando as estimativas de parmetros obtidas pelos
trs mtodos; e (d) compare os resultados obtidos em (b) e (c).
9) Repita o exerccio 8 para a distribuio Exponencial.
10) Repita o exerccio 8 para a distribuio GEV.
11) Repita o exerccio 8 para a distribuio Gumbel (mximos).
12) Repita o exerccio 8 para a distribuio Log-Normal.
13) Repita o exerccio 8 para a distribuio Log-Pearson Tipo III.
14) Repita o exerccio 8 para a distribuio Pearson Tipo III.
B|BK9|9|k |IkI|I|0k
I1!
15) Os dados da tabela abaixo correspondem aos nmeros de Manning n,
determinados experimentalmente por Haan (1965), para tubos plsticos.
0,0092 0,0085 0,0083 0,0091
0,0078 0,0084 0,0091 0,0088
0,0086 0,0090 0,0089 0,0093
0,0081 0,0092 0,0085 0,0090
0,0085 0,0088 0,0088 0,0093
Suponha que essa amostra tenha sido extrada de uma populao Normal, de
parmetros e . Pede-se: (a) construir um intervalo de confiana para a mdia , a
um nvel 100(1-) = 95%; e (b) construir um intervalo de confiana para a varincia
2
, a um nvel 100(1-) = 95%.
16) Repita o exerccio 15, para um nvel de confiana de 90%. Interprete as
diferenas.
17) Suponha que, no item (a) do exerccio 15, a varincia populacional fosse
conhecida e igual estimativa obtida por meio da amostra. Sob essa condio,
refaa o item (a) do exerccio 15 e interprete as diferenas nos resultados.
18) Suponha que, no item (b) do exerccio 15, a mdia populacional fosse
conhecida e igual estimativa obtida por meio da amostra. Sob essa condio,
refaa o item (b) do exerccio 15 e interprete as diferenas nos resultados.
19) De volta s vazes mdias dirias mximas anuais do Rio Paraopeba em
Ponte Nova do Paraopeba (Anexo 2), construa os intervalos de confiana, a um
nvel 95%, para os quantis de Gumbel, estimados pelos mtodos MOM, MVS e
MML, para os tempos de retorno iguais a 2, 50, 100 e 500 anos. Decida qual
o mtodo de estimao mais eficiente. Interprete os resultados obtidos, do ponto
de vista da variao do tempo de retorno.
20) A confiabilidade dos estimadores MOM, MVS e MML de parmetros e
quantis das distribuies de probabilidades mais usadas em hidrologia tem sido
objeto de numerosos estudos. Esses estudos levam em considerao as principais
propriedades dos estimadores e muitos deles, permitem a comparao entre os
estimadores MOM, MVS e MML, de parmetros e quantis. As referncias Rao
e Hamed (2000), Kite (1977) e Hosking (1986) fazem uma sntese dos principais
resultados obtidos nesses estudos. Pede-se ao leitor recorrer a essas referncias
e preparar um sumrio comparado das principais caractersticas dos estimadores
MOM, MVS e MML, para as distribuies Exponencial, Gumbel (mximos),
GEV, Gama, Pearson Tipo III, Log-Pearson Tipo III, Normal e Log-Normal.
B|BK9|9|k |IkI|I|0k
IE 242

Cap6 Est para

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap6 Est para

Enviado por

Direitos autorais:

Formatos disponíveis

HIDROLOGIA ESTATSTICA

CAPTULO 6 - ESTIMAO DE PARMETROS

, e a estimativa de , denotada por

considerado um estimador consistente de , se, para qualquer nmero

um estimador sem vis de o

um estimador consistente deo

. Pelo fato do atributo de inconsistncia ter conseqncias

considerado um estimador suficiente de , se ele usa, ao mximo,

obtido a partir da equao

, a qual, por ser uma funo de uma varivel

. bem verdade que, se

uma varivel aleatria

= ) = 0, o que tornaria incuo um tal equacionamento, na

, possvel estabelecer a seguinte afirmao probabilstica:

Tabela 6.2 Momentos-L e seus quocientes para algumas distribuies

+ < < P . Substituindo

< o < P . Substituindo S

, pode-se construir intervalos de confiana aproximados

, contm erros que so inerentes s incertezas presentes na

uma funo dos momentos

. Com esse ltimo valor, com o quantil estimado

o . Com esses resultados e W = 4,60, para T = 100,

. Com esses resultados e W= 4,60, para T=100, conclui-se

o . Com o valor calculado para

6.7.4 Distribuio Exponencial

, so as solues (mtodo de Newton) do seguinte sistema:

Você também pode gostar