Universidade Federal de Alfenas Análise de Valores Extremos

Prof. Luiz Alberto Beijo

Aluno: Thales Rangel Ferreira

Trabalho
Introdução
A precipitação extrema é compreendida como a quantidade (mm) máxima de
chuva ocorrida em um determinado período de tempo, e de acordo com sua intensidade,
duração e frequência pode impactar diretamente sobre diferentes ramos da sociedade,
como agropecuária, a qual está sujeita a estragos em plantações e mortes de animais
devido alagamentos, na engenharia hídrica, em que a ocorrência de chuvas extremas pode
causar rompimento de barragens e alagamentos, além do impacto direto na economia.
Devido estes fatores, o estudo e a compreensão desta variável climatológica, faz-se de
grande importância.

Diversos estudos utilizam a distribuição Generalizada de Valores Extremos na análise

de viráveis climatológicas extremas. Esta distribuição foi proposta por [5], a qual é cons-
tituída por três distribuições de probabilidade, Frechét, Gumbel e Weibul, variando de
acordo com o valor do parâmetro forma.

Existem diferentes métodos para a estimação de parâmetros para uma determinada

distribuição, sendo bastante comum a utilização do método da Máxima Verossimilhança,
contudo este, segundo [1], não possui boa propriedades quando possuí amostras de ta-
manhos pequenos, o que ocorre com frequência para amostras referentes a precipitação
máxima, desta maneira, há a necessidade de utilizar outra metodologia para que a infe-
rência seja mais eficaz.

A inferência Bayesiana torna-se um bom método de estimação pois segundo [?], por
meio da mesma, pode-se acrescentar informações a Priori, o que otimiza o processo de in-
ferência. Perante estas considerações, este trabalho possui o objetivo de analisar a precipi-
tação máxima da cidade paranaense de Castro, utilizando para tal a inferência Bayesiana.

Metodologia
O município de Castro, que possuí área de 2526,147 km2 , localiza-se a leste do estado
do Paraná, com coordenadas latitudinais de 24o 47’ 28” S e longitudinais de 50o 00’ 43”
W, a 999 metros de altitude em relação ao nível do mar. De acordo com a Classificação
Climática de Köppen se enquadra no clima Cfb, isto é, clima temperado com verão ameno.
Tem a agricultura como forte atividade econômica, a qual gera 3060 empregos, IPARDES
(2019).

1
 Foram analisados dados de precipitação pluvial diária, dado pela altura de lâmina
d’água (mm) da cidade de Castro-PR, referente aos anos de 1961 a 2018, obtidos a partir
do Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) do Instituto Na-
cional de Meteorologia (INMET). Os dados de precipitação foram agrupados em séries
trimestrais, sendo Tri1, dezembro, janeiro e fevereiro, Tri2, março, abril e maio, Tri3,
junho, julho e agosto e por último Tri4 composto pelos meses de setembro, outubro e
novembro. Destas séries, foram extraídas a precipitação máxima ocorrida para cada tri-
mestre dos anos de 1961 a 2018, desta forma gerando quatro séries de máximos. Em
seguida, dividiu se as séries em dois blocos, o primeiro, com dados de 1961 a 2008, para
realizar o ajuste dos modelos, e o segundo, com dados de 2009 a 2018 para verificar a
acurácia e erro relativo de predição e a partir destes resultados ter conhecimento do mo-
delo mais adequado, e portanto calcular as estimativas de precipitação máxima para os
tempos de retorno de 2, 5, 10, 15, 20 e 50 anos e seus intervalos de credibilidade para
cada trimestre estudado.

A função densidade de probabilidade da distribuição GEV é dada por:

  −( 1+ξ
ξ )
( "  − 1ξ #)
1 x−µ x−µ
f (x| ξ, µ, σ) = 1+ξ exp − 1 + ξ , (1)
σ σ σ

De acordo com Jenkinson (1955) a distribuição GEV combina três distribuições de

valores extremos, Gumbel (Tipo I), Fréchet (Tipo II) e Weibull (Tipo III), onde seus
parâmetros, forma, posição e escala respectivamente ξ, µ, σ, determinam o Tipo da
distribuição. Se ξ = 0, então tem-se a distribuição Gumbel, sendo definida para −∞ < x
< +∞, se ξ > 0 a distribuição Fréchet, definida para µ − σ/ξ < x < +, se ξ < 0 Weibull,
definida para − < x < µ − σ/ξ.

Segundo [8] o conceito de verossimilhança é transversal aos quadros frequencista Baye-

siano de inferência. O método consiste em adotar o parâmetro que maximize a função de
verossimilhança [6]. Para um parâmetro genérico a função é dada por:
n
Y
L(θ; x) = f (xi | θ) (2)
i=1

Em que θ é o vetor de parâmetros de uma distribuição, no caso deste trabalho os parâ-

metros são referentes a distribuição GEV, logo, θ é composto por ξ, µ e σ.

A metodologia Bayesiana consiste de utilização de informações a Priori dos dados

amostrais e do cálculo da densidade a Posteriori dos parâmetros. A utilização da Priori
requer a especificação de uma distribuição a Priori para os parâmetros, esta distribuição
deve representar probabilisticamente o conhecimento que se tem sobre os parâmetros antes

2
da realização do experimento.

Aplicando-se a distribuição a priori P (θ), e a função de verossimilhança, L(x|θ), pode-

se obter a distribuição a posteriori de θ por meio do Teorema de Bayes, o teorema é dado
pela seguinte expressão (3).

L(Sn |θ) P (θ)

P (θ|Sn ) = R (3)
L(Sn |θ) P (θ)dθ

Sendo Sn = {y1 , y2 , ..., yn } sendo a amostra. Como o denominador não depende de θ

tem-se que:

p(θ|y) ∝ l(θ; y) p(θ) (4)

Foram realizados testes preliminares ao dados das séries de precipitação máxima de

cada trimestre estudado, a fim de verificar se os mesmos são independentes, para isto
utilizou-se o teste de independência de Ljung-Box (L-B), se são tendenciosos, aplicando
o Runs-test(R-t) e por meio do teste de Mann-Kendall (M-k) se há indícios de não ale-
atoriedade nos mesmos. As hipóteses a serem testadas nos testes L-B, R-t e M-K são
respectivamente: 
H = r = r = ... = r = 0
0 1 2 k
(5)
H = Ao menos um r 6= 0
1 k

em que r é o coeficiente de autocorrelação.


H = −1, se xi > Md
0
Bi (6)
H = +1, se xi < Md
1

em que xi representa os dados amostrais e Md é a mediana dos dados.


H = A série de dados é estacionária (p > α)
0
(7)
H = A série de dados não é estacionária (p < α)
1

em que p representa o p-valor da estatística do teste.

Verificado por meio dos testes preliminares se há indícios de não aleatoriedade, ten-
dência e se os dados são independentes, deve-se verificar qual o modelo mais apropriado
para a modelagem, utilizando-se Priori informativa u não informativa, visto isto, uma das
forma utilizadas é o erro médio de predição.

3
 n  
1 X  (oi − oi ) 
EM P =
n i  oi  × 100 (8)

Selecionado o modelo mais adequado aos dados de precipitação máxima, pode-se cal-
cular as estimativas de precipitação para um nível de retorno T, que segundo Naghettini
e Pinto (2007), representa o inverso da probabilidade com que um dado evento E tenha
ocorrido. Dada a ocorrência de um evento E, o tempo de retorno T é o tempo médio
necessário (em anos) para que esse evento recorra, em um ano qualquer. Isto é, se ocorrer
um evento de intensidade x, desejamos obter qual o tempo médio (T ) esperado para que
o evento de intensidade x ocorra novamente. O tempo de retorno T é dado por:

1
T = (9)
P (E)

De acordo com o que será trabalhado, o evento é a precipitação máxima que excede
um determinado valor x e a probabilidade de excedência de E é obtido por 1F (x). Assim:

1 1
T = = (10)
P (E) 1 − F (x)

em que F(x), a função cumulativa da distribuição GEV. Conforme Bautista (2002), o

nível de retorno (xp) é obtido pela solução da seguinte equação:
Z xp
f (x)dx = 1 − p (11)
−∞

1
em que, xp está associado ao tempo de retorno T e p = T
.

De (4) segue que, F (xp ) = 1 − p. Dessa forma, considerando que as observações

máximas seguem uma distribuição GEV ou Gumbe, o estimador do p-quantil xp é dado
por:
xp = F −1 (1 − p) (12)

A estimativa x̂p do nível de retorno xp para tempos de retorno T = p1 é obtida pela

substituição das estimativas de máxima verossimilhança dos parâmetros das distribuições
GEV.

Resultados
Na Tabela 1 serão apresentados dados estatísticos das precipitações pluviais máximas
ocorridas entre os anos de 1961 a 2008 na cidade de Castro-PR. É possível observar que
as médias de precipitação pluvial máxima ocorrida para Tri1, Tri2, Tri3 e Tri4 foram