Revista Brasileira de Meteorologia, v. 32, n. 3, 311-320, 2017 rbmet.org.

br
DOI: http://dx.doi.org/10.1590/0102-77863230001

Reviso

Prticas Simples em Anlises Climatolgicas: Uma Reviso

Rodrigo Jos Bombardi1, Leila Maria Vspoli de Carvalho2

1
Department of Atmospheric, Oceanic, and Earth Sciences, George Mason University,
Fairfax, VA, USA.
2
Department of Geography, University of California, Santa Barbara, CA, USA.

Recebido em 6 de Setembro de 2016 Aceito em 24 de Abril de 2017

Resumo
Muitos estudos meteorolgicos e climatolgicos utilizam metodologias que superestimam ou at subestimam a
significncia estatstica dos resultados. Anlises que subestimam o papel de tendncias e dependncia temporal e
espacial nos dados podem levar a concluses errneas. Por outro lado, anlises desnecessariamente rigorosas podem
enfraquecer os resultados. O objetivo deste artigo discutir algumas prticas simples, muitas vezes negligenciadas, que
podem produzir resultados muito mais robustos e estatisticamente significativos. Este artigo discute alguns problemas
relacionados ao clculo do ciclo anual mdio e anomalias, s anlises de tendncias e dependncia temporal e espacial,
dando nfase a testes de hipteses.
Palavras-chave: ciclo anual mdio, tendncia, dependncia temporal, significncia de campo, teste de hiptese.

Simple Practices in Climatological Analyses: A Review

Abstract
Many studies in Meteorology and Climatology use methodologies that overestimate or even underestimate the statistical
significance of the results. Analyses that underestimate the role of trends and temporal or spatial dependency in the data
sets can lead to incorrect conclusions. On the other hand, unnecessarily rigorous analyses can undermine the conclu-
sions. The objective of this article is to discuss some simple practices, commonly neglected, that can produce results
much more robust and statistically significant. This paper discusses some problems related to the calculation of the mean
annual cycle and anomalies, trend analyzes, and temporal and spatial dependency, emphasizing statistical hypothesis
testing.
Keywords: mean annual cycle, trend, temporal dependency, field significance, hypothesis testing.

estatisticamente significativas entre fenmenos sem ne-

1. Introduo
Qualquer meteorologista ou climatologista ficaria
perplexo se algum tentasse explicar a relao entre a
temperatura mdia global e a criminalidade em grandes
centros urbanos, ou entre o aumento do buraco da camada
de oznio e o nmero de pessoas no Facebook. Contudo,
por mais absurdas que essas relaes possam parecer, cor-
relaes estatsticas entre essas variveis podem ser altas
simplesmente pelo fato que todas elas possuem tendncias
e essas tendncias dominam o comportamento temporal
dessas variveis relativamente s flutuaes de origem es-
tocstica. Entretanto, nem tudo est perdido. Existem prti-
cas simples em anlises meteorolgicas e climatolgicas
que podem minimizar as chances de encontrarmos relaes
nhuma relao. Portanto, este artigo tem como objetivo
revisar algumas dessas prticas simples as quais, infeliz-
mente, so comumente negligenciadas em anlises meteo-
rolgicas e climatolgicas e que podem ajudar a encontrar
resultados mais robustos e auxiliar em diagnsticos e inter-
pretaes de resultados. Embora exista um nmero grande
de prticas que poderiam ser citadas aqui, discutiremos
aquelas comumente utilizadas em artigos cientficos como
o mtodo mais adequado para o clculo de anomalias do
ciclo anual e a avaliao da significncia estatstica de
tendncias e de campos espaciais e temporais.
A seo 2 explora problemas comuns no clculo do
ciclo anual mdio e anomalias. A seo 3 revisa problemas
em anlises e comparaes de dados com tendncias. Pro-

Autor de correspondncia: Rodrigo Jos Bombardi, rbombard@gmu.edu.

312 Bombardi e Carvalho

blemas relacionados dependncia temporal so discutidos
na seo 4. A seo 5 faz uma reviso de problemas oriun-
dos dependncia espacial de dados climatolgicos. As
consideraes finais so apresentadas na seo 6.
2. O Clculo do Ciclo Anual e de Anomalias
O clculo de anomalias provavelmente o ponto de
partida da maioria das anlises climatolgicas. Um aspecto
importante no clculo de anomalias, que comumente
negligenciado, a correta estimao do ciclo anual mdio.
Hartmann e Michelsen (1989) discutem que o ciclo anual
mdio no pode ser caracterizado apenas pela srie tempo-
ral anual mdia porque essa mdia resulta em uma curva
com oscilaes de alta frequncia (Fig. 1a). Parte destas
oscilaes de alta frequncia so resduos provenientes de
imperfeies na amostragem das variveis atmosfricas.
Quando o ciclo anual mdio suavizado, estes resduos so
removidos sem que a verdadeira varincia anual seja redu-
zida significantemente. Comumente o ciclo anual mdio
suavizado filtrando-se a srie temporal (Hartmann e Mi-
chelsen, 1989) ou atravs do ajuste dos trs primeiros
harmnicos do ciclo anual mdio (Kikuchi et al., 2012;
Kiladis et al., 2014). importante mencionar que o ciclo
anual mdio dever ser suavizado principalmente quando
trabalhamos com dados de alta frequncia (e.g. dados di-
rios ou pentadais). O ciclo anual calculado a partir de dados
mensais ou sazonais no precisa ser suavizado.
O problema do clculo das anomalias discutido aqui
est ilustrado no seguinte exemplo. A Fig. 1a mostra o ciclo
anual mdio de precipitao (CPC_UNI, Chen et al., 2008;
Xie et al., 2007) sobre uma pequena regio no Brasil central
[52.5 W-47.5 W, 20 S-15 S] utilizando dados dirios e
considerando o perodo de 1979 a 2014. Esto includos
tambm o ciclo anual mdio suavizado utilizando-se uma
mdia mvel de trs pontos (filtro 1-2-1; aplicado 300
vezes) e os trs primeiros harmnicos do ciclo anual mdio.
A Fig. 1b mostra anomalias de precipitao para o perodo
de 2000 a 2010 calculadas a partir do ciclo anual mdio no
suavizado. Analogamente, a Fig. 1c mostra anomalias de
precipitao calculadas a partir do ciclo anual mdio suavi-
zado (filtro 1-2-1). As duas sries temporais so bastante
semelhantes e apresentam desvios padres semelhantes
tambm (Fig. 1b,c). Por outro lado, se padronizamos as
sries temporais de anomalias verificamos que a suavi-
zao do ciclo anual tem um papel importante (Fig. 1d,e). A

Figura 1 - a) Ciclo anual mdio de precipitao no suavizado e suavizado utilizando-se um filtro 1-2-1 (passado 300 vezes) e os trs primeiros
harmnicos do ciclo anual mdio; b) anomalias calculadas a partir do ciclo anual mdio no suavizado; c) anomalias calculadas a partir do ciclo anual
mdio suavizado (filtro 1-2-1); d) anomalias padronizadas calculadas a partir do ciclo anual mdio no suavizado; e) anomalias padronizadas calculadas a
partir do ciclo anual mdio suavizado (filtro 1-2-1). O valor do desvio padro das sries de anomalias entre o perodo de 2000 a 2010 est mostrado nos
painis b) a e).
Prticas Simples em Anlises Climatolgicas: Uma Reviso
srie temporal de anomalias padronizadas calculada a partir
do ciclo anual no suavizado apresenta valores aberrantes,
o que no verificado na srie de anomalias padronizadas
calculadas a partir do ciclo anual suavizado (Fig. 1d,e). Ou
seja, se o ciclo anual mdio no suavizado somos erronea-
mente levados a concluir de que h mais varincia em
nossos dados do que de fato existe. Isso pode ter implica-
es enormes em anlise climticas (por exemplo, anlise
de anomalias mdias associadas a um determinado fenme-
no) j que essa varincia pode estar aleatoriamente distri-
buda em diversas frequncias espectrais.
O clculo de anomalias depende tambm do objetivo
do estudo. Se o objetivo do estudo comparar a impor-
tncia relativa de anomalias em diferentes estaes do ano
ou comparar importncia relativa de anomalias entre baixas
e altas latitudes, as anomalias devem ser padronizadas. A
padronizao obtida calculando-se a diferena entre o
valor do dado de cada dia e o valor do mesmo dia no ciclo
anual mdio suavizado e dividindo-se a diferena pelo
desvio padro de cada dia (calculado com os dados de cada
dia, por exemplo, todos os valores dos dias 2 de janeiro).
importante frisar que o desvio padro de cada dia deve ser
calculado em relao s anomalias obtidas com respeito
mdia suavizada. A anomalia padronizada dada em n-
mero de desvios padres para aquele dia (ou pntada, ou
ms, etc.), pois a cada dia (pntada, ms, etc.) corresponde
a uma varivel diferente.
Se, por outro lado, o objetivo do estudo investigar
como as flutuaes de duas ou mais sries temporais so
coerentes, necessrio primeiro remover a tendncia dos
dados. Voltando ao exemplo da correlao entre a crimina-
lidade nos centros urbanos e o aquecimento global mencio-
nados na introduo, o nico motivo pelo qual estes dois
conjuntos de dados mostram uma correlao estatistica-
mente significativa o fato de que ambos os dados possuem
tendncias temporais. Portanto, ao se correlacionar duas
variveis preciso remover as tendncias lineares de cada
conjunto de dado. S assim, estaremos realmente avaliando
a covarincia entre as flutuaes (de origem estocstica) de
cada uma das variveis em questo. Entretanto, se o intuito
do estudo investigar tendncias, o clculo das anomalias
se d pela remoo do ciclo anual mdio apenas, como
descrito anteriormente.
Remover tendncias um procedimento extrema-
mente importante no apenas no clculo de correlaes
lineares de Pearson. Recomenda-se que tendncias sejam
removidas tambm quando se calculam covarincias (ou
correlaes) nos procedimentos como anlises de Funes
Ortogonais Empricas (EOFs). Ao se aplicar EOFs a dados
com tendncias, um dos modos principais (normalmente o
primeiro) certamente representar a tendncia dos dados.
Cabe ao pesquisador decidir se a tendncia deve ser inclu-
da na anlise ou no. Problemas comuns relacionados
anlise de tendncias so descritos na seo 3. repetidos no i-simo grupo (Wilks, 2011; Zilli et al., 2016).
313
3. Tendncias
Dois problemas comuns em anlises de tendncias
so: 1) a escolha da metodologia apropriada para a estimati-
va da tendncia e 2) a escolha da metodologia apropriada
para a estimativa da significncia estatstica da tendncia.
Clculos de tendncias so muito comuns em anlises cli-
matolgicas para identificar mudanas climticas.
O mtodo dos mnimos quadrados comumente utili-
zado na estimativa de tendncias. O problema com esse
mtodo que este mtodo paramtrico, ou seja, baseado
na suposio de que o conjunto de dados possui distribui-
o essencialmente Gaussiana. Alm disso, esses mtodos
so apenas teis quando se assume que a tendncia mono-
tnica linear e pode ser representada por uma equao da
reta. Mtodos que no dependem dessa suposio so cha-
mados robustos. O mtodo dos mnimos quadrados tam-
bm afetado por valores aberrantes, onde alguns valores
extremos podem afetar significantemente a estimativa dos
parmetros. Mtodos que no so afetados por valores
aberrantes so chamados resistentes.
O teste Mann-Kendall uma alternativa de mtodo
mais robusto amplamente utilizado em anlises de tendn-
cias (Chandler e Scott, 2011; Wilks, 2011; Zilli et al.,
2016). Para utilizar esse teste deve-se calcular a seguinte
estatstica S (e.g., Zilli et al., 2016).
n- 1 n
s= sgn(x j - xi ) (1)
i=1 j=i+ 1
onde n o nmero de pontos da srie; x representa as
medidas no tempo; i e j so ndices temporais, com i j; sgn
definido como (Wilks 2011):
1, se ( x j - x i ) > 0
sgn = 0, se ( x j - x i ) = 0 (2)
-1, se ( x j - x i ) < 0
O teste de Mann-Kendall deve ser aplicado para che-
car a hiptese nula (aquela que queremos rejeitar) de no
existncia de tendncia contra a hiptese alternativa da
presena de uma tendncia. Valores positivos da estatstica
S indicam uma tendncia positiva (de aumento da varivel),
enquanto que os valores negativos indicam uma tendncia
negativa (diminuio da varivel) com o tempo. Como
n > 0 ento a estatstica S segue uma distribuio Gaussiana
(note que a estatstica segue a distribuio Gaussiana, e no
necessariamente os dados), com uma mdia igual a zero
(E[S] = 0) e varincia estimada por:
m
n( n - 1)( 2n + 5) - t i ( t i - 1)( 2t i + 5)
i=1
var( S ) = (3)
18
onde m representa o nmero de grupos de valores repetidos
(se esses existirem, obviamente), e ti o nmero de valores
314
Uma vez calculada a varincia, pode-se agora utilizar a
estatstica z (tambm conhecida como z-scores em in-
gls), para se estimar a significncia:
S -1
var( S ) , S > 0
z =
S +1 ,S < 0
var( S )
Se o valor absoluto de z (estimado pela Eq. (4)) for
maior que o valor de z (a/2) obtido pela tabela z (assumin-
do-se um teste bilateral, onde a o nvel de significncia
desejado por exemplo 5%) ento podemos rejeitar a
hiptese nula da no existncia de tendncia nos dados. A
tabela z representa a distribuio normal P(0 Z < z0). Ou
seja, ela fornece a probabilidade de que a varivel trans-
formada Z esteja entre um valor z0 e zero. A estatstica Z
geralmente mostra a probabilidade de apenas um lado da
distribuio normal. Portanto, se o nvel de significncia de
interesse a, deve-se usar o valor de z0 referente a a/2 na
tabela z. Por exemplo, se o nvel de significncia de inte-
resse a = 0.05, o valor de z0 de interesse aquele cuja
probabilidade igual a 0.475 (ou 0.500 - a/2).
Existem alguns outros problemas que precisam ser
considerados. Note que o mtodo Mann-Kendall baseado
na suposio de que a srie de dados no possui dependn-
cia temporal, o que no verdade para a maioria dos dados
meteorolgicos e climatolgicos. Quando existe dependn-
cia temporal nos dados (quer dizer, os dados exibem um
certo grau de memria no tempo), a varincia calculada
pode ser subestimada e a significncia estatstica superesti-
mada. A dependncia temporal pode ser levada em conta no
clculo do teste adaptando-se a frmula da varincia
(Eq. (3)) de modo a se considerar um nmero efetivo de
observaes (o qual deve substituir o nmero total de ob-
servaes) conforme ser discutido na seo 4.
Entretanto, h outros meios de se reduzir a depen-
dncia temporal. Por exemplo, remover o ciclo anual dos
dados (sobretudo se forem dados dirios) ou agreg-los, por
exemplo, como dados mensais. Para compreender este pro-
blema, considere a serie temporal da precipitao discutida
Tabela 1 - Comparao entre o clculo de tendncias lineares e da significncia estatstica de tendncias lineares para sries de precipitao e anomalias
padronizadas de precipitao considerando o mtodo de mnimos quadrados, o teste Mann-Kendall, e o teste de re-amostragem.
Srie de dados Coeficiente angular
Mnimos Quadrados
Dados brutos -0,000151
Anomalias padronizadas (ciclo -0,000151
anual no suavizado)
Anomalias padronizadas (ciclo -0,000014
anual suavizado com filtro 1-2-1)
Anomalias padronizadas (ciclo -0,000014
anual suavizado com harmnicos)
Bombardi e Carvalho
acima. fcil compreender que deve existir muito mais
independncia temporal entre Janeiros em anos conse-
cutivos do que entre Janeiro e Fevereiro do mesmo ano.
Para entender esse exemplo, considere um ano de El Nio.
Se a regio de estudo for significativamente afetada por
esse fenmeno poderamos esperar que as chuvas de de-
(4)
zembro e janeiro sejam ambas afetadas pelo fenmeno e,
portanto, exibam uma maior semelhana (mais ou menos
chuva, dependendo do tipo de teleconexo) do que em anos
subsequentes. O fato de existir uma memria em dados
subsequentes pode resultar em uma reduo da varincia.
Outros problemas relacionados dependncia temporal
sero explorados em maior detalhe na Seo 4.
A Tabela 1 mostra valores de tendncia (coeficiente
angular do ajuste linear) e a significncia estatstica da
tendncia calculadas para as mesmas sries de precipitao
e anomalias de precipitao utilizadas na anlise da Fig. 1 e
para o perodo entre 2000 e 2010, incluindo a sria de dados
brutos e as trs diferentes sries de anomalias padronizadas.
O coeficiente angular foi calculado utilizando o mtodo de
mnimos quadrados e o mtodo Mann-Kendall. Note que o
mtodo dos mnimos quadrados no a melhor opo para
se estimar a tendncia de dados dirios de precipitao, j
que os desvios em relao mdia nestes dados no pos-
suem distribuio normal. Alm disso, pode haver eventos
extremos de precipitao que vo afetar o ajuste de mni-
mos quadrados. O mtodo dos mnimos quadrados fornece
valores de coeficientes angulares muito maiores do que o
mtodo Mann-Kendall (Tabela 1).
A Tabela 1 tambm apresenta estimativas de signifi-
cncia estatstica para os coeficientes angulares do ajuste
de tendncia nas sries temporais. Umas das vantagens do
teste Mann-Kendall o fato do mtodo fornecer tanto o
coeficiente angular do ajuste linear como a significncia
estatstica da tendncia linear. J a significncia estatstica
do ajuste de mnimos quadrados foi avaliada utilizando-se a
tcnica de re-amostragem, tambm conhecida como Boot-
strap (Wilks, 2011). Esta tcnica consiste em se reorga-
nizar aleatoriamente a srie temporal e calcular o ajuste de
mnimos quadrados. Este procedimento repetido vrias
vezes (e.g. 1000 vezes) e os valores dos coeficientes angu-
lares obtidos em cada ajuste so ordenados do menor para o
Significncia estatstica
Mann-Kendall Re-amostragem Mnimos Quadrados Mann-Kendall
-0,0000001 Significativa ao nvel de 5% No significativa
-0,0000001 Significativa ao nvel de 5% No significativa
-0,000017 No significativa No significativa
-0,000016 No significativa No significativa
Prticas Simples em Anlises Climatolgicas: Uma Reviso
maior. Por fim, verifica-se a posio do ajuste original em
relao srie ordenada de ajustes. O ajuste original
considerado significativo se coincide com os valores nas
extremidades das caudas da distribuio de ajustes lineares
das sries temporais reorganizadas (e.g. inferior a 2.5% ou
superior a 97.5% para teste bilateral).
No caso da srie de precipitao sobre o Brasil cen-
tral, verificamos que ao se utilizar a metodologia menos
apropriada, ou seja, a conjuno do teste menos apropriado
(mnimos quadrados para conjunto de dados em questo)
com o conjunto de dados menos apropriados (srie de da-
dos brutos ou anomalias calculadas com o ciclo anual
mdio no suavizado) obtm-se erroneamente resultados
estatisticamente significativos. Por outro lado, ao se utilizar
a metodologia mais apropriada (teste Mann-Kendall) e o
conjunto de dados mais apropriados (anomalias calculadas
com o ciclo anual suavizado) a tendncia temporal no
considerada significativa (Tabela 1).
Maiores informaes sobre problemas relacionados a
anlises de tendncias, sobre o clculo de tendncias e
sobre mtodos para se verificar a significncia estatstica de
tendncias podem ser encontrados nos sites do Climate
Data Guide, do Climatic Research Unit e do Pacific North-
west National Laboratory.
4. Dependncia Temporal
Conforme discutido anteriormente, dados meteoro-
lgicos e climatolgicos possuem dependncia temporal.
Portanto, ao se avaliar a significncia estatstica de correla-
es entre variveis climatolgicas, preciso lev-la em
conta (Wilks, 2011). Considere, por exemplo, o caso em
que queremos avaliar a significncia estatstica da correla-
o entre anomalias mensais de temperatura da superfcie
do mar (TSM) e o fenmeno El Nino Oscilao Sul
(ENOS). Para isso, utilizamos dados mensais de TSM (OI-
SST; Reynolds et al., 2007) e o ndice ENOS calculado
pelo Climate Prediction Center (CPC) para o perodo de
1982 - 2014. Mais informaes sobre o ndice ENOS pode
ser encontradas no site do CPC-NOAA. O teste de signifi-
cncia estatstica pode ser facilmente realizado calculan-
do-se a estatstica t0 (Eq. (5)), que possui distribuio
t-Student para correlao nula, com r igual ao valor do
coeficiente de correlao de Pearson entre a srie temporal
de anomalias de TSM a cada ponto de grade e a srie tem-
poral do ndice ENOS. N o nmero de dados em cada srie
temporal.
r N -2
t0 = (5)
1- r 2
Se o valor absoluto de t0 for maior do que o valor de
t(n,a) na tabela t de Student (e.g. Wilks, 2011) para o
nmero de graus de liberdade n e o nvel de significncia de
interesse a (e.g. a = 5%), rejeita-se a hiptese nula (na
maioria das anlises em climatologia e meteorologia esta-
315
mos interessados em testes para duas caudas, uma vez que
tanto valores positivos quanto negativos so relevantes).
Neste caso a hiptese nula afirma que no h correlao. O
maior problema nesta anlise estimar o correto nmero
graus de liberdade n = N - 2. Se considerarmos N como o
nmero total de dados no tempo (N = 396 meses) estaremos
superestimando o valor do nmero de graus de liberdade,
dado que ambos os conjuntos de dados (TSM e ndice
ENOS) possuem alta dependncia temporal. Dessa forma
corremos o risco de erroneamente rejeitar a hiptese nula
(erro do tipo I). Por outro lado, se considerarmos N como
sendo o nmero de anos em nossa srie temporal (N = 33),
corremos o risco de subestimar o valor do nmero de graus
de liberdade. Assim, estaramos aplicando o teste esta-
tstico com muita restrio (erro do tipo II). Uma forma
simples de minimizar esse problema simplesmente esti-
mar o nmero efetivo de graus de liberdade. No caso de
correlaes entre conjuntos de dados diferentes, o nmero
efetivo de graus de liberdade pode ser estimado a partir de
propriedades auto-regressivas de ambos os conjuntos de
dados (Livezey e Chen, 1983) (Eq. (6)).
n
t = 1+ 2 CTSM ( i )C ENOS ( i ) (6)
i=1
onde N o nmero de dados (396 meses), i o i-simo dado
e C a auto-correlao de lag i para as anomalias de TSM e
o ndice ENOS, respectivamente. A partir de t podemos
estimar o nmero de amostras independentes (N efetivo) na
srie temporal (Eq. (7)). O valor de N efetivo ento
utilizado na Eq. (5).
N
N efetivo = (7)
t
A Fig. 2a mostra a correlao entre anomalias de
TSM e o ndice ENOS incluindo a significncia estatstica
considerando essas trs formas diferentes de se estimar N.
O sombreado mais claro mostra regies de correlao sig-
nificativa considerando N igual ao nmero total de dados
(396) na srie temporal (graus de liberdade superestima-
dos). O sombreado mais escuro mostra regies de correla-
o significativa considerando N igual ao nmero de anos
(33) na srie temporal (graus de liberdade subestimados). O
sombreado intermedirio mostra significncia consideran-
do-se o nmero efetivo de amostras independentes.
Outra tcnica popularmente utilizada em anlises ex-
ploratrias em climatologia so composites (ou compos-
tos) de anomalias, em que se calcula a mdia de anomalias
para algumas datas de interesse. Analogamente, preciso
considerar a dependncia temporal destas anomalias no
clculo da significncia estatstica. Vamos considerar no-
vamente o caso em que queremos avaliar a significncia
estatstica de anomalias mensais de temperatura da super-
fcie do mar (TSM) durante eventos El Nio. Neste caso,
podemos utilizar um teste simples como o teste t para uma
316 Bombardi e Carvalho

Figura 2 - a) Correlao entre anomalias de TSM a o ndice ENOS (contorno) e b) composies de anomalias de TSM durante eventos El Nio
(contorno). O sombreado mostra regies estatisticamente significativas ao nvel de 5%. O tom de cinza mais claro mostra regies onde a significncia
estatstica estimada superestimando-se o nmero de graus de liberdade. O tom de cinza mais escuro mostra regies estatisticamente significante
subestimando-se o nmero de graus de liberdade. O tom intermedirio mostra regies estatisticamente significativas estimada com o valor apropriado
para o nmero de graus de liberdade (veja o texto para maiores detalhes).

amostra. O teste t de uma amostra examina a hiptese nula
de que a mdia de uma amostra retirada de uma populao
centrada em um valor previamente especificado, m0 (no
nosso caso assumimos m0 = 0). Se o nmero de dados na
amostra grande o suficiente para que sua distribuio seja
Gaussiana, de acordo com o Teorema do Valor Central, a
estatstica do teste (Eq. (8)) segue uma distribuio conhe-
cida como t de Student, ou simplesmente distribuio t
(Wilks, 2011).
x -m 0
t=
[s N ]
1
2 2
onde x a mdia da amostra (mdia das anomalias de TSM
durante eventos El Nio), N o numero de dados e s2 a
varincia da amostra descrita pela Eq. (9),
1 n
s2 = ( xi - x ) 2
n -1 i=1
Na Eq. (9), xi o valor da i-sima observao e n
nmero total de dados na amostra. Assim, o maior proble-
ma se resume a encontrar o nmero de graus de liberdade
n = N - 1, onde N o nmero de observaes independentes.
Novamente, N pode ser estimado levando em considerao
a propriedade auto-regressiva do conjunto de dados
(Eq. (10)). O valor de r1 obtido da auto-correlao de
lag 1 da srie temporal dos dados de onde a amostra foi
retirada (a srie temporal completa das anomalias de TSM).
O valor de N efetivo ento utilizado na Eq. (8) (Wilks,
2011).
1- r 1
N efetivo = N
(10)
1+ r 1
A Fig. 2a mostra a composio de anomalias de TSM
(8)
durante eventos El Nio incluindo a significncia estats-
tica considerando trs formas diferentes de se estimar N. O
sombreado mais claro mostra regies onde as anomalias
so significativas considerando N igual ao nmero total de
dados (396) na srie temporal (graus de liberdade superes-
timados). O sombreado mais escuro mostra regies com
anomalias significativas para N igual ao nmero de eventos
(9) El Nio (9) no perodo considerado (graus de liberdade
subestimados). O sombreado intermedirio mostra signifi-
cncia considerando-se o nmero efetivo de amostras inde-
pendentes.
Vale lembrar que o teste t de Student um teste
paramtrico baseado na suposio de que o conjunto de da-
dos possui distribuio essencialmente Gaussiana, o que
Prticas Simples em Anlises Climatolgicas: Uma Reviso
verdade para anomalias de TSM. Entretanto, se estivs-
semos investigando anomalias de precipitao teramos
que utilizar uma estratgia diferente. Uma alternativa seria
aplicar um teste no paramtrico, que no requer que os da-
dos pertenam a uma distribuio particular.
Outra alternativa seria transformar as anomalias de
precipitao para uma distribuio normal. Vale lembrar
tambm que o termo normalizar assume significados dife-
rentes na literatura. Essa transformao diferente da tcni-
ca de padronizao. Existem vrias tcnicas para transfor-
mao como por exemplo transformao da raiz quadrada,
da raiz cbica e logartmica, comumente aplicadas a dados
de chuva. O usurio deve analisar qual a melhor transfor-
mao e se mesmo aps transformar os dados eles ainda
no apresentam distribuio normal, a nica alternativa o
teste no paramtrico.
5. Dependncia Espacial
Assim como dados meteorolgicos e climatolgicos
apresentam dependncia temporal, estes tambm exibem
dependncia espacial. O conceito de auto-correlao espa-
cial parte do princpio de que tudo est relacionado com
todo o resto, mas coisas prximas esto mais relacionadas
do que coisas distantes, tambm conhecido como a pri-
meira lei da Geografia (Tobler, 1970).
Ao se aplicar testes de significncia em sries tempo-
rais obtemos algumas regies espacialmente coerentes on-
de os resultados podem ser erroneamente considerados
como estatisticamente significativos. Erros do tipo I em que
a hiptese nula erroneamente rejeitada tendem a se agre-
gar no espao, levando a concluses errneas de que existe
uma regio coerente onde os resultados so estatisticamen-
te significativos. Este problema conhecido na literatura
como o problema da multiplicidade de testes. Portanto,
sempre que se aplica mltiplos testes de hipteses (como no
caso de testes de sries temporais em pontos de grade ou
mesmo em anlises de perfis verticais da atmosfera)
apropriado se aplicar um teste de significncia de campo
(Wilks, 2006).
Os principais testes de significncia de campo em
meteorologia e climatologia so: 1) o teste proposto por
Livezey e Chen (1983), que utiliza simulaes de Monte
Carlo; 2) um mtodo de regresso proposto por Delsole e
Yang (2011) e 3) um procedimento conhecido como Taxa
de Falsa Deteco (False Discovery Rate FDR) proposto
por Ventura et al. (2004) e Wilks (2006).
O teste Livezey-Chen (Livezey e Chen, 1983) base-
ado no mtodo de Monte Carlo. Se tomarmos o mesmo
exemplo da Fig. 2a, a ideia calcular a correlao entre as
anomalias de TSM e o ndice ENOS e contar o nmero de
pontos de grade onde a hiptese nula foi rejeitada (consi-
derando tambm a dependncia no tempo). Em seguida,
gera-se uma srie de dados aleatrios com o mesmo n-
mero de dados e as mesmas caractersticas estatsticas da
srie do ndice ENOS original. No nosso exemplo, uma
317
srie com distribuio Gaussiana seria suficiente. Ento
calcula-se a correlao entre as anomalias de TSM e a srie
de dados aleatrios e conta-se novamente o nmero de
pontos onde a correlao estatisticamente significativa.
Esse processo ento repetido muitas vezes, sempre com
uma srie diferente de dados aleatrios. Os resultados obti-
dos com cada srie de dados aleatrios (o nmero de pontos
onde a correlao estatisticamente significativa) so ento
ordenados do menor para o maior. O padro de correlao
original dito ter significncia de campo se o nmero de
pontos que rejeitam a hiptese nula superior a um limiar
(e.g. o percentil de 95%) da cauda superior da distribuio
dos nmeros de pontos com significncia estatstica deriva-
da das sries temporais aleatrias. Em resumo, 1) calcula-
se vrias vezes (e.g. 1000 vezes) o nmero de pontos onde a
correlao estatisticamente significativa utilizando-se di-
ferentes sries temporais aleatrias para cada clculo; 2) or-
dena-se os resultados do menor para o maior e 3) verifica-se
a posio do resultado original em relao srie ordenada.
A desvantagem deste teste que ele ignora a intensidade e a
localizao das regies estatisticamente significativas
(Delsole e Yang, 2011; Wilks, 2016).
O teste proposto por Delsole e Yang (2011) utiliza
uma regresso multivariada aplicada anlise de compo-
nentes principais das variveis de interesse para estimar a
significncia de campo dos resultados. As desvantagens
deste teste so que ele mais complexo do que o testes
Livezey-Chen e FDR, ignora a variabilidade ortogonal aos
principais modos das componentes principais e fornece
pouca informao sobre a localizao das regies estatis-
ticamente significativas (Delsole e Yang, 2011).
O teste FDR bastante simples de ser aplicado, tem
baixo custo computacional e fornece informaes sobre a
localizao das regies estatisticamente significativas. Por-
tanto, este o mtodo que escolhemos para demonstrar a
estimativa da significncia de campo dos nossos resultados
(Fig. 3). Quando calculamos a significncia estatstica de
um resultado, estamos de fato calculando a probabilidade
de quanto o resultado se afasta de uma condio que satis-
faz a hiptese nula (ou aquela que gostaramos de rejeitar).
Em outras palavras, calculamos a probabilidade de que o
valor obtido ou a varivel transformada (por exemplo, a
varivel z, t-student, etc.) se encontra em uma distribuio,
a qual pode ser conhecida ou no. Essa probabilidade
conhecida como valor p. No caso de estudos meteorolgi-
cos ou climatolgicos, a significncia estatstica comu-
mente apresentada em um campo, em um mapa. Portanto,
podemos calcular o valor p para todos os pontos do nosso
domnio de estudo e criar um mapa de valores p. O mtodo
FDR se baseia em ordenar os valores de um campo de valor
p e encontrar o ponto em que a curva de valores p intercepta
um limiar de probabilidade FDR. Esse limiar depende do
nvel de significncia de interesse, a. Wilks (2016) sugere
calcular o teste FDR utilizando um valor de a igual ao
dobro do valor global de interesse (a = 2aglobal). Ou seja,
318 Bombardi e Carvalho

Figura 3 - a) Correlao entre anomalias de TSM a o ndice ENOS (contorno) e b) composies de anomalias de TSM durante eventos El Nio
(contorno). O sombreado mostra regies estatisticamente significativas ao nvel de 5%. O tom de cinza mais claro mostra regies estatisticamente
significativas estimadas com o valor apropriado para o nmero de graus de liberdade mas sem considerar dependncia espacial. O tom de cinza mais
escuro mostra regies estatisticamente significativas estimadas com o valor apropriado para o nmero de graus de liberdade e considerando a
dependncia espacial. Note que em (b) nenhuma regio considerada estatisticamente significativa ao nvel de 5% quando se aplica o teste FDR (veja o
texto para maiores detalhes).

aglobal o nvel de significncia de interesse e a o nvel de
significncia utilizado no clculo do teste FDR. No nosso
caso o nvel de significncia de interesse 5%
(aglobal = 0.05) e, portanto, o teste FDR calculado utili-
zando-se a = 0.1. Entretanto, importante ressaltar que as
regies significativas devem apresentar tanto valores p me-
nores que aglobal (significncia estatstica considerando-se
dependncia temporal) quanto significncia de campo em
relao a a (significncia estatstica considerando-se de-
pendncia espacial). Uma desvantagem do teste FDR que
o teste no vlido para o caso em que os testes de hiptese
so altamente correlacionados no espao (Delsole e Yang,
2011).
A Fig. 3 mostra o teste de significncia de campo para
os resultados das mesmas anlises feitas na seo 2: corre-
lao entre anomalias de TSM e o ndice ENOS (Fig. 3a) e
composies de anomalias de TSM durante eventos El
Nio (Fig. 3b). Neste caso, primeiramente calculamos a
significncia estatstica considerando a dependncia tem-
poral. Ou seja, considerando-se o nmero efetivo de amos-
tras independentes mas sem considerar a significncia de
campo. Neste caso, o sombreado em cinza claro mostra as
regies estatisticamente significativas ao nvel de 5%. Em
seguida, aplicamos o teste FDR e o sombreado em cinza
escuro mostra as regies estatisticamente significativas ao
nvel de 5% neste caso. Note que as regies com correla-
es estatisticamente significativas so menores quando se
considera significncia de campo em comparao com o
caso em que a significncia de campo ignorada (Fig. 3a).
O teste de significncia de campo no uma prtica
muito comum na maioria dos artigos cientficos em cin-
cias atmosfricas, apesar do fato de estes testes j existirem
h bastante tempo. Uma das razes o fato de que muitos
cientistas no esto cientes do problema. Outro motivo est
relacionado ao fato de que o resultado destes testes depende
da escolha das fronteiras da regio de estudo. Note que para
o caso das anomalias de TSM durante eventos El Nio
(Fig. 3b), nenhuma regio foi considerada significativa
quando se aplica o teste FDR. Se ao invs de calcularmos
FDR sobre todo o domnio calculssemos o teste FDR
apenas sobre a bacia do Oceano Pacfico obteramos pa-
dres espaciais muito semelhantes aos padres espaciais
obtidos considerando apenas a dependncia temporal (no
mostrado). Entretanto, isso seria incorreto. Escolher um
domnio para incluir apenas regies com resultados estatis-
ticamente significantes uma forma de manipulao de
resultados, uma prtica desonesta. Portanto, mtodos para
Prticas Simples em Anlises Climatolgicas: Uma Reviso
a estimativa da significncia de campo devem fornecer uma
explicao de como selecionar a regio de interesse. Uma
alternativa ao uso de testes de significncia de campo seria
estimar a significncia estatstica de um resultado cientfico
utilizando-se a mesma anlise (i.e. considerando apenas a
dependncia temporal) em diferentes fontes de dados
(DelSole, comunicao pessoal e livro em preparao). Se
diferentes conjuntos de dados mostram padres espaciais
de significncia estatstica semelhantes entre si, h menos
incerteza no resultado obtido.
6. Consideraes Finais
Este artigo forneceu uma breve reviso de algumas
prticas simples mas muito importantes em anlises
climatolgicas que so comumente empregadas em
estudos diagnsticos e prognsticos. Essas prticas,
muitas vezes ignoradas ou negligenciadas, produzem
resultados robustos e estatisticamente significativos e
auxiliam na interpretao de campos, diagnsticos e
prognsticos.
Por exemplo, o ciclo anual no pode ser calculado
como sendo simplesmente o ciclo anual mdio. A melhor
estimativa para o ciclo anual deve levar em considerao a
suavizao do ciclo anual mdio. As tcnicas mais comuns
envolvem a utilizao de uma mdia mvel ou dos trs
primeiros harmnicos do ciclo anual mdio.
A estimativa de tendncias em sries temporais de-
vem ser aplicadas a sries temporais de anomalias. Deve-
se, tambm, sempre considerar os requisitos nos quais os
mtodos de estimativa de tendncias e estimativa de signi-
ficncia estatsticas so baseados. O uso de mtodos ina-
propriados pode levar a concluses errneas a respeito do
sinal e significncia estatstica de tendncias.
A dependncia temporal deve ser considerada na esti-
mativa dos graus de liberdade de testes estatsticos. Erros
na estimativa dos nmeros de graus de liberdade podem
levar tanto superestimao como subestimao de re-
gies com significncia estatstica e, portanto, a concluses
errneas.
Como ainda no temos uma boa noo da melhor
forma de se escolher as fronteiras da regio de estudo em
testes de significncia de campo, a opinio dos autores
deste artigo que se deve aplicar testes de significncia de
campo com cautela na maioria das anlises espaciais efe-
tuadas. Entretanto, a recomendao que os testes de
significncia de campo no sejam ignorados em caso de
interpretaes de significncias em campos com estru-
turas fragmentadas ou baseados em nmero restrito de
amostras independentes. Estes testes tornar-se-o indis-
pensveis e mais robustos medida que compreendamos
melhor a relao entre as fronteiras do domnio de estudo
e a significncia estatstica dos resultados.
319
Agradecimentos
Este artigo tem o apoio financeiro da NOAA
(NA15NWS4680018). Rodrigo Bombardi gostaria de a-
gradecer o Dr. Timothy DelSole por sua ajuda na interpre-
tao de testes de significncia de campo e por comparti-
lhar o manuscrito do seu livro em preparao: Statistics: An
Introduction for Climate Scientists. By Timothy DelSole
and Michael Tippett. Rodrigo Bombardi gostaria de agra-
decer tambm ao Dr. Daniel Wilks por sua ajuda na imple-
mentao do teste FDR.
Referncias
CHANDLER, R.E.; SCOTT, E.M. Statistical Methods for
Trend Detection and Analysis in the Environmental Sci-
ences. [s.l.] John Wiley & Sons, 2011.
CHEN, M.; SHI, W.; XIE, P.; SILVA, V.B.S.; KOUSKY, V.E. et
al. Assessing objective techniques for gauge-based analyses
of global daily precipitation. Journal of Geophysical Re-
search, v. 113, n. D4, p. D04110, 29 2008.
DELSOLE, T.; YANG, X. Field Significance of Regression Pat-
terns. Journal of Climate, v. 24, n. 19, p. 5094-5107, 2011.
HARTMANN, D.L.; MICHELSEN, M.L. Intraseasonal Peridio-
cities in Indian Rainfall. Journal of Armospheric Scences,
v. 46, n. 18, p. 2838-2862, 1989.
KIKUCHI, K.; WANG, B.; KAJIKAWA, Y. Bimodal representa-
tion of the tropical intraseasonal oscillation. Climate Dy-
namics, v. 38, n. 9-10, p. 1989-2000, 2012.
KILADIS, G.N.; DIAS, J.; STRAUB, K.H.; WHEELER, M.C.;
TULICH, S.N. et al. A Comparison of OLR and Circula-
tion-Based Indices for Tracking the MJO. Monthly
Weather Review, v. 142, n. 5, p. 1697-1715, 2014.
LIVEZEY, R.E.; CHEN, W.Y. Statistical Field Significance and
its Determination by Monte Carlo Techniques. Monthly
Weather Review, v. 111, n. 1, p. 46-59, 1983.
REYNOLDS, R.W.; SMITH, T.M.; LIU, C.; CHELTON, D.B.;
CASEY, K.S. et al. Daily High-Resolution-Blended Analy-
ses for Sea Surface Temperature. Journal of Climate, v. 20,
n. 22, p. 5473-5496, 2007.
TOBLER, W.R.A Computer Movie Simulating Urban Growth in
the Detroit Region. Economic Geography, v. 46, p. 234,
1970.
VENTURA, V.; PACIOREK, C.J.; RISBEY, J.S. Controlling the
Proportion of Falsely Rejected Hypotheses when Con-
ducting Multiple Tests with Climatological Data. Journal
of Climate, v. 17, n. 22, p. 4343-4356, 2004.
WILKS, D.S. On Field Significance and the False Discovery
Rate. Journal of Applied Meteorology and Climatology,
v. 45, n. 9, p. 1181-1189, 2006.
WILKS, D.S. Statistical Methods in the Atmospheric Sciences.
Third ed. [s.l.] Academic Press, Burlington, MA 01803,
USA, 2011.
WILKS, D.S. The stippling shows statistically significant grid-
points: How Research Results are Routinely Overstated
and Over-interpreted, and What to Do About It. Bulletin of
the American Meteorological Society, p. BAMS-D-15-
00267.1, 9 2016.
XIE, P.; CHEN, M.; YANG, S.; YATAGAI, A.; HAYASAKA, T.
et al. A Gauge-Based Analysis of Daily Precipitation over
320
East Asia. Journal of Hydrometeorology, v. 8, n. 3,
p. 607-626, 2007.
ZILLI, M.T.; CARVALHO, L.M.V.; LIEBMANN, B.; SILVA,
D.; MARIA, A. A comprehensive analysis of trends in ex-
treme precipitation over southeastern coast of Brazil. Inter-
national Journal of Climatology, v. 37, n. 5, p. 2269-2279,
2017.
Endereos de Internet
CPC-NOAA: http://www.cpc.ncep.noaa.gov/products/analysis_
monitoring/ensostuff/ensoyears.shtml.
Bombardi e Carvalho
Climate Data Guide: https://climatedataguide.ucar. edu/climate-
data-tools-and-analysis/trend-analysis.
Climatic Research Unit: https://crudata.uea.ac.uk/projects/
stardex/Linear_regression.pdf.
Pacific Northwest National Laboratory: http://vsp.pnnl.gov/
help/Vsample/Design_Trend_Mann_Kendall.htm.
Statistics: An Introduction for Climate Scientists:
ftp://wxmaps.org/pub/delsole/dir_necessity/manu-
script.02242017.pred.pdf.
This is an Open Access article distributed under the terms of the Creative Commons Attribution
Non-Commercial License which permits unrestricted non-commercial use, distribution, and
reproduction in any medium provided the original work is properly cited.