Escolar Documentos
Profissional Documentos
Cultura Documentos
Discente: Docentes:
Luis Geremias Dr. Johane Chinhacata
Rivan Jalane Doutor Felix Banze
Stefany Pascoal
Songo
Outubro de 2023
Departamento de Engenharia Civil
Licenciatura em Engenharia Hidráulica
2°Ano – IV Semestre
Hidrologia Aplicada
Análise Estátistica da Precipitação
Discente: Docentes:
Luis Geremias Dr. Johane Chinhacata
Rivan Jalane Doutor Felix Banze
Stefany Pascoal
Songo
Outubro de 2023
Resumo
Statistical analysis of precipitation is essential for understanding climate patterns and planning in
various fields, including agriculture, water resources, and environmental management. This work
focuses on applying advanced statistical methods to analyze a dataset of precipitation, consisting of
daily and annual observations over a specific time period. With the aid of Excel functions, tests of
randomness, basic statistics, quality assessments, and precipitation determinations were performed.
Keywords: Precipitation, Statistical Analysis, Time Series, Extreme Events, Distribution Models,
Climate Trends.
Índice
1 Introdução 1
1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objectivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Objectivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.2 Objectivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Revisão Bibliográfica 2
4 Estatisticas Básicas 12
5 Ajuste da série 12
5.1 Distribuição Log Normal 2 Paramentros . . . . . . . . . . . . . . . . . . . . . . . 12
5.2 Distribuição Log Normal 3 Paramentros . . . . . . . . . . . . . . . . . . . . . . . 12
5.3 Pearson tipo III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.4 Distribuição de Gumbel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
6 Teste do Qui-Quadrado 14
6.1 Para Distribuição Log Normal 2 Parametros . . . . . . . . . . . . . . . . . . . . . 14
6.2 Para Distribuição Log Normal 3 Parametros . . . . . . . . . . . . . . . . . . . . . 15
6.3 Para Pearson tipo III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6.4 Para Gumbell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
7 Teste de Kolmogorov-Smirnov 15
7.1 Para distribuição Log Normal de 2 e 3 Parametros . . . . . . . . . . . . . . . . . . 16
7.2 Para Pearson Tipo III . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.3 Para Gumbell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
8 Determinação das Precipitações 16
8.1 Periodo de retorno de 2 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
8.2 Periodo de retorno de 5 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
8.3 Periodo de retorno de 10 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
8.4 Periodo de retorno de 25 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
8.5 Periodo de retorno de 50 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
8.6 Periodo de retorno de 100 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
8.7 Periodo de retorno de 1000 anos . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
13 Ajuste da série 2 24
13.1 Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
13.2 Distribuição Log Normal 2 parametros . . . . . . . . . . . . . . . . . . . . . . . . 24
14 Teste do Qui-Quadrado 25
14.1 Para Distribuição Log Normal 2 Parametros . . . . . . . . . . . . . . . . . . . . . 25
14.2 Para Distribuição Log Normal 3 Parametros . . . . . . . . . . . . . . . . . . . . . 25
15 Teste de Kolmogorov-Smirnov 26
15.1 Para distribuição Log Normal de 2 e 3 Parametros . . . . . . . . . . . . . . . . . . 26
17 Periodo de retorno para a precipitação igual a duas vezes a máxima precipitação anual 32
18 O risco hidrológico duma precipitação anual igual a duas vezes a máxima precipitação
registada acontecer nos próximos 100 anos 32
19 Conclusões 33
20 Referência Bibliográfica 34
Índice de Tabelas
1.1 Contextualização
1.2 Objectivos
• Testar a qualidade do ajustamento das respectivas distribuições através dos testes do qui-
quadrado (χ2 ) e de Kolmogorov-Smirnov.
• Calcular o perı́odo de retorno para a precipitação igual a duas vezes a máxima precipitação
registada
• Calcular o risco hidrológico duma precipitação igual a duas vezes a máxima precipitação
registada acontecer nos próximos 100 anos
1
2 Revisão Bibliográfica
• Testes de Aleatoriedade
A aleatoriedade das séries de registos não pode ser provada mas a hipótese de aleatoriedade pode
ser rejeitada se a série mostrar desvios sistemáticos tais como haver evidência de persistência no
tempo (os elementos da série não são independentes uns dos outros) ou de um efeito de tendência
(os elementos da série parecem aumentar ou diminuir com o tempo), ou de os elementos da série
não pertencerem todos à mesma distribuição de probabilidades.
• Teste de Wald-Wolfowitz
O teste de Wald-Wolfowitz verifica se os elementos da série X têm todos a mesma distribuição,
constituindo um teste geral de homogeneidade da série. Considere-se a série Y obtida por ordenação
da série X e considere-se a série X dividida em duas sub-séries X 1 e X 2 , em que X 1 contem os
primeiros M elementos da série X, e X 2 os restantes (N-M) elementos, sendo M = int((N-1)/2)+1.
Considere-se agora a série Z definida da seguinte maneira (i = 1, 2, 3, ..., N):
zi = 1 se yi é um elemento deX 1
zi = 2 se yi é um elemento de X 2
2
a distribuição Normal com média (1+2L)/N e variância [2L(2L-N)]/[N 2 (N-1)] em que L = M(N-M).
N Rinf. Rsup.
15 5 13
17 6 13
19 6 15
21 7 16
23 8 17
25 9 18
27 10 19
29 10 21
31 11 22
33 12 23
35 12 25
Sempre que o valor de R não esteja entre os limites definidos na Tabela 1, deve rejeitar-se a hipótese
de homogeneidade da série X, com um nı́vel de confiança de 95 por cento.
• Teste do Número de Extremos Locais
O teste do número de extremos locais permite detetar a não homogeneidade da série X. Um valor
xi da série X é considerado um extremo local se xi > xi-1 e xi > xi+1 (máximo local) ou se xi
< xi-1 e xi > xi+1 (mı́nimo local). A presença de um número muito elevado ou muito baixo de
extremos locais é um indicador da não homogeneidade da série. O número de extremos locais, NE,
de uma série com dimensão N tende assintoticamente para uma distribuição Normal com média de
2(N–2)/3 e variância de (16N– 29)/90. Pode calcular-se a variável Normal reduzida z através de:
2(N −2)
NE − 3
z= q
16N −29
90
• Distribuição Normal
A distribuição Normal ou lei de Gauss é a distribuição mais conhecida e estudada em estatı́stica.
Apresenta, no entanto, algumas limitações para a utilização em estudos hidrológicos por não
ser limitada inferiormente e por ter assimetria nula. Para resolver estas dificuldades, utilizam-se
distribuições derivadas a partir da distribuição Normal: a distribuição log-Normal de 2 parâmetros
(lei de Galton), que corresponde a ajustar uma distribuição Normal aos logaritmos dos valores da
série; e a distribuição log-Normal de 3 parâmetros, semelhante à anterior, mas introduzindo um
terceiro parâmetro, de localização, correspondente ao limite inferior da série.
3
1 −(x−µ)2
f (x) = √ e 2σ2
σ 2π
Pode introduzir-se uma variável normal reduzida z, definida por:
x − µx
z=
σx
• Teste de Ordenação
Procura-se a presença de um efeito de tendência na série X. Ordena-se a série X obtendo a série
Y e define-se o ı́ndice de posicionamento Ki da variável Xi na série Y como sendo o número de
elementos de X não superiores a Xi. Se se verificar a presença duma correlação significativa entre
o ı́ndice de posicionamento Ki e o ı́ndice cronológico i isso indica a existência de um factor de
tendência na série X.
A estatı́stica do teste de ordenação é o coeficiente de Spearman dada pela expressão:
PN 2
6 i=1 (Ki − i)
Rf = 1 -
(N 3 − N )
Um valor alto de RT indica a existência dum efeito de tendência. Para o teste, utiliza-se uma
transformação de RT :
N −2 1
Y = RT ( )2
1 − RT2
Y segue uma distribuição de Student com N–2 graus de liberdade. A tabela 2 dá valores-limite
superiores para |Y | para diversos valores de N, considerando um intervalo de confiança de 95 por
cento.
N-2 10 15 20 25 30
Ysup 2,228 2,131 2,086 2,06 2,042
4
Z x
1 − 12 (
ln(x)−µy 2
)
F (x) = √ e σy
dx 0 < x < +∞
0 xσy 2π
Os parâmetros µy e σy , calculados pelo método dos momentos:
σy2
µy = ln(µx ) −
2
σx2 1
σy = [ln(1 + )] 2
µ2x
O método da máxima verosimilhança conduz simplesmente a que µy e σy sejam a média e o
desvio-padrão da série y = ln(x).
Tendo apenas dois parâmetros, a lei de Galton permite o ajustamento a uma variável com uma dada
média e uma dada variância e com assimetria positiva, mas não permite garantir que a assimetria
da distribuição iguale a da variável. O coeficiente de assimetria da distribuição é obtido em função
do coeficiente de variação de x, cv:
γ = Cv3 + 3Cv
Um problema que por vezes surge na utilização da lei de Galton (e, em geral, com distribuições
que utilizam transformações logarı́tmicas) é a existência de zeros na série de registos. Kite (1978)
sugere duas alternativas: adicionar 1 a todos os valores da série (o que altera a média em 1) ou
considerar a distribuição de probabilidades como a soma duma massa de probabilidades, para o
valor zero, e uma distribuição contı́nua de probabilidades, para o restante domı́nio da variável.
Obtidos os parâmetros da distribuição, µy e σy , trabalha-se facilmente no espaço Normal, utilizando
a variável normal reduzida, z. Com efeito, neste caso:
y − µy ln(x) − µy
z= =
σy σy
y = −x
F (x) = 1 − F (y)
x = −F −1 (1 − F (x))
5
A função de distribuição log-Normal de 3 parâmetros é:
Z x
1 1 ln(x−x0 )−µy 2
F (x) = √ e− 2 ( σy
)
dx 0 < x < +∞
x0 (x − x0 )σy 2π
sendo os três parâmetros x0 , µy eσy calculados pelo método dos momentos, através de:
1
−γx + (γx2 + 4) 2
G=
2 2
1 − G3
C= 1
G3 1
σy = [ln(1 + C 2 )] 2
σx σy2
µy = ln( ) −
C σ 2
x
x0 = µ x −
C
Os três parâmetros permitem garantir a igualdade da média, da variância e do coeficiente de
assimetria da amostra e da distribuição.
A partir do conhecimento dos três parâmetros da distribuição, a obtenção do valor de x para um
determinado perı́odo de retorno T, ou a resolução do problema inverso, são feitas do mesmo modo
que para a lei de Galton, trabalhando no espaço Normal, havendo apenas que utilizar x − x0 em
vez de x.
ln(x − x0 ) − µy
z=
σy
x = exp(zσy + µy ) + x0
σx γx
α=
2
4
β= 2
γx
2σx
x o = µx −
γx
6
Também para a distribuição de Pearson tipo 3 se torna mais simples trabalhar no espaço normal
através da transformação de Wilson-Hilferty (ou, no caso de γ > 3 , através da transformação de
Kirby).
• Distribuição de Gumbel
A distribuição de Gumbel, ou distribuição generalizada de extremos tipo I, tem a seguinte expressão:
Os parâmetros a e x0 podem ser estimados através do método dos momentos, pelas seguintes
expressões:
π 1.2825
a =√ =
6σx σx
x0 = µx − 0.4501σx
j=1 Ej
Os intervalos não têm de ser iguais, embora haja vantagem em que o sejam. Quando os intervalos
são iguais, Ej é constante para qualquer j, Ej = N/M:
M
MX
χ2 = −N + Oj
N j=1
Os valores de Oj são obtidos calculando os valores limite de x que correspondem aos limites dos
intervalos em termos de probabilidades, i/M, e contabilizando os elementos da amostra contidos
em cada intervalo.
A estatı́stica χ2 tem aproximadamente uma distribuição χ2 com um número de graus de liberdade v
= M – np – 1 em que np é o número de parâmetros da distribuição estimados a partir da amostra. O
teste do qui-quadrado diz que se deve rejeitar a hipótese do ajustamento com um nı́vel de confiança
n = 1 – α se χ2 > χ21−α , em que χ21−α é o quantil 1-α da distribuição χ2 com v graus de liberdade.
O número de intervalos M aconselhável é função da dimensão N da amostra, devendo M ser tal
que o número médio de valores por intervalo esteja entre 4 e 5. Para amostras pequenas, com 15 a
25 valores, deverá tomar-se M = 5. Para amostras com N > 25, M pode ser obtido por int(N/5) + 1.
7
A tabela 3 apresenta valores da distribuição χ2 para 1-α = 0,95 em função do número de graus de
liberdade:
v 1 2 3 4 5 6
χ2 3.841 5.991 7.815 9.488 11.070 12.592
• Teste de Kolmogorov-Smirnov
O teste de Kolmogorov-Smirnov consiste em determinar a estatı́stica D que é a maior distância
entre a função de distribuição teórica e a função de distribuição empı́rica. Considere-se a série
X ordenada por ordem crescente (x1 < x2 < ... < xN ) e que a probabilidade empı́rica de não
excedência do valor xi é dada pela plotting position de Weibull, Pi = i/(N + 1).
A expressão para o cálculo da distância Di referente a cada ponto da amostra é:
i−1 i
Di = max[| − F (xi )|; | − F (xi )|]
N +1 N +1
em que F (xi ) é o valor da função de distribuição teórica. O teste de Kolmogorov-Smirnof baseia-se
na estatı́stica D:
D = max[Di] i = 1, 2, ..., N
O teste pode formular-se da seguinte maneira: a hipótese de que a distribuição teórica se ajusta à
série em estudo é rejeitada com nı́vel de confiança 1–α se D > D1 –α, em que D1– α é o valor
crı́tico máximo aceitável para esse nı́vel de confiança.
8
3 Testes de Aleatoriedade da Série
Com base na série das precipitações máximas diárias que foram obtidas a partir dos dados forneci-
dos na folha Excel:
i Precipitação Máxima (Xi − X̄) (Xi+1 − X̄) (Xi − X̄)2 (Xi − X̄)(Xi+1 − X̄)
1 150.5 50.3214 -36.1786 2532.243298 -1820.557802
2 64 -36.1786 -0.3786 1308.891098 13.69721796
3 99.8 -0.3786 230.4214 0.14333796 -87.23754204
4 330.6 230.4214 -29.6786 53094.02158 -6838.584562
5 70.5 -29.6786 5.3214 880.819298 -157.931702
6 105.5 5.3214 -40.1786 28.31729796 -213.806402
7 60 -40.1786 -34.7786 1614.319898 1397.355458
8 65.4 -34.7786 -39.9786 1209.551018 1390.399738
9 60.2 -39.9786 -13.3786 1598.288458 534.857698
10 86.8 -13.3786 -0.1786 178.986938 2.38941796
11 100 -0.1786 -37.4786 0.03189796 6.69367796
12 62.7 -37.4786 -46.0786 1404.645458 1726.961418
13 54.1 -46.0786 -7.7786 2123.237378 358.426998
14 92.4 -7.7786 0 60.50661796 0
Soma 1402.5 - - 66034.00357 -3687.336387
Dados: Teste:
−3687.336 14
N = 14 r1 = = −0.06013
66034.00357 14 − 1
1 1 − 0.06013
X̄ = 100.178 Y = ln = −0.06021
2 1 + 0.0613
1.96
R:// Observa-se que |Y | = 0.06021 que é inferior a √ = 0.5238 não há independência no tempo
14
da série de precipitações a um nı́vel de confiança de 95%.
9
3.2 Teste de Wald-Wolfowitz
i Xi Yi X1 X2 Zi r
1 150.5 54.1 150.5 - 2 1
2 64 60 64 - 1 1
3 99.8 60.2 99.8 - 2 0
4 330.6 62.7 330.6 - 2 1
5 70.5 64 70.5 - 1 1
6 105.5 65.4 105.5 - 2 1
7 60 70.5 60 - 1 1
8 65.4 86.8 - 65.4 2 0
9 60.2 92.4 - 60.2 2 1
10 86.8 99.8 - 86.8 1 1
11 100 100 - 100 2 1
12 62.7 105.5 - 62.7 1 0
13 54.1 150.5 - 54.1 1 0
14 92.4 330.6 - 92.4 1 0
R=9
N = 14
A serie não é homogenea!
i Xi Extremos
1 150.5 0
2 64 1
3 99.8 0
4 330.6 1
5 70.5 1
6 105.5 0
7 60 1
8 65.4 1
9 60.2 1
10 86.8 0
11 100 1
12 62.7 0
13 54.1 1
14 92.4 0
NE = 8
10
2(14−2)
8− 3
z= q =0
16∗14−29
90
i Xi Yi ki ki − i (ki − i)2
1 150.5 54.1 13 12 144
2 64 60 7 5 25
3 99.8 60.2 9 6 36
4 330.6 62.7 12 8 64
5 70.5 64 2 -3 9
6 105.5 65.4 8 2 4
7 60 70.5 5 -2 4
8 65.4 86.8 10 2 4
9 60.2 92.4 14 5 25
10 86.8 99.8 3 -7 49
11 100 100 11 0 0
12 62.7 105.5 6 -6 36
13 54.1 150.5 1 -12 144
14 92.4 330.6 4 -10 100
Soma 1402.5 1402.5 - - 644
6 ∗ 644
Rt = 1 −
143 − 14
Rt = −0.41538
!1
14 − 2 2
Y = −0.41538
1 − (−0.41538)2
Y = −1.58184
N − 2 = 12
Ysup = 2.1892
Y < Ysup
11
4 Estatisticas Básicas
1402.5
x̄ = = 100.178
14
σ = 68.678
γ = 3.314
5 Ajuste da série
Dados: Ajustamento:
!#1/2
68.6782
"
µx = 100.178 σy = ln 1 + = 0.621
100.1782
0.6212
σx = 68.678 µy = ln(100.178) − = 4.414
2
Dados:
µx = 100.178
σx = 68.678
γ = 3.314
12
Ajustamento:
1
−3.314 + (3.3142 + 4) 2
G= = 0.278
2
2
1 − 0.278 3
C= 1 = 0.879
0.278 3
h i1
σy = ln(1 + 0.8792 ) 2
= 0.756
68.678 0.7562
µy = ln( )− = 4.073
0.879 2
68.678
xo = 100.178 − = 22.01859
0.879
Dados:
µx = 100.178
σx = 68.678
γ = 3.314
Ajustamento:
68.678 ∗ 3.314
α= = 113.817
2
4
β= = 0.364
3.3142
2 ∗ 68.678
x0 = 100.178 − = 58.73738
3.314
Dados:
µx = 100.178
σx = 68.678
γ = 3.314
Ajustamento:
1.2825
a= = 0.018
68.678
x0 = 100.178 − 0.4501 ∗ 68.678 = 69.273
13
6 Teste do Qui-Quadrado
i Xi F (x)
1 54.1 0.251131579
2 60 0.279265332
3 60.2 0.280245205
4 62.7 0.292632079
5 64 0.299172201
6 65.4 0.306288655
7 70.5 0.332820292
8 86.8 0.422774587
9 92.4 0.454911854
10 99.8 0.497800946
11 100 0.498962706
12 105.5 0.530880486
13 150.5 0.768132877
14 330.6 0.999603292
M=5
14
Ej = ≈2
5
X 2 = 19.5
Dados:
np = 2
V=2
2
X(1−α) = 5, 991 < 9.75 Rejeita-se a hipotese!
14
6.2 Para Distribuição Log Normal 3 Parametros
Dados:
np = 3
V=1
2
X(1−α) = 3, 841 < 9.75 Rejeita-se a hipotese!
Dados:
np = 3
V=1
2
X(1−α) = 3, 841 < 9.75 Rejeita-se a hipotese!
Dados:
np = 2
V=2
2
X(1−α) = 5, 991 < 9.75 Rejeita-se a hipotese!
7 Teste de Kolmogorov-Smirnov
i−1 i i−1 i
i Xi F (x) − F (xi ) − F (xi )
n+1 n+1 n+1 n+1
1 54.10 0.00 0.07 0.25 0.25 0.18
2 60.00 0.07 0.13 0.28 0.21 0.15
3 60.20 0.13 0.20 0.28 0.15 0.08
4 62.70 0.20 0.27 0.29 0.09 0.03
5 64.00 0.27 0.33 0.30 0.03 0.03
6 65.40 0.33 0.40 0.31 0.03 0.09
7 70.50 0.40 0.47 0.33 0.07 0.13
8 86.80 0.47 0.53 0.42 0.04 0.11
9 92.40 0.53 0.60 0.45 0.08 0.14
10 99.80 0.60 0.67 0.50 0.10 0.17
11 100.00 0.67 0.73 0.50 0.17 0.23
12 105.50 0.73 0.80 0.53 0.20 0.27
13 150.50 0.80 0.87 0.77 0.03 0.10
14 330.60 0.87 0.93 1.00 0.13 0.07
15
Dmax = 0.269
∗ 1.094
D0,95 =√ 0.85
= 0.276
14 − 0.01 + √
14
∗ 1.358
D0,95 =√ 0.11
= 0.3849
14 + 0.12 + √
14
∗ 0.935
D0,95 =√ 0.85
= 0.236
14 − 0.01 + √
14
Como os outros testes rejeitam iremos usar a distribuição Perason tipo III pois é a unica que
aceita!
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F = 1 − = 0.5
2
O z correspondente a distribuição normal é :
z=0 s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − +0∗ + 58.73738 = 76.63 mm/ano
9 ∗ 0.364 9 ∗ 0.364
16
8.2 Periodo de retorno de 5 anos
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F = 1 − = 0.8
5
O z correspondente a distribuição normal é :
z = 0.84s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 0.84 ∗ + 58.73738 = 123.21 mm/ano
9 ∗ 0.364 9 ∗ 0.364
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F =1− = 0.9
10
O z correspondente a distribuição normal é :
z = 1.28s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 1.28 ∗ + 58.73738 = 172.89 mm/ano
9 ∗ 0.364 9 ∗ 0.364
Dados:
α = 113.817
β = 0.364
17
x0 = 58.73738
Cálculo:
1
F =1− = 0.96
25
O z correspondente a distribuição normal é :
z = 1.75s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 1.75 ∗ + 58.73738 = 248.8 mm/ano
9 ∗ 0.364 9 ∗ 0.364
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F =1− = 0.98
50
O z correspondente a distribuição normal é :
z = 2.05s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 2.05 ∗ + 58.73738 = 311.54 mm/ano
9 ∗ 0.364 9 ∗ 0.364
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F =1− = 0.99
100
O z correspondente a distribuição normal é :
z = 2.32
18
s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 2.32 ∗ + 58.73738 = 378.64 mm/ano
9 ∗ 0.364 9 ∗ 0.364
Dados:
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
1
F =1− = 0.999
1000
O z correspondente a distribuição normal é :
z = 3.08s
1 1 3
X = αβ(1 − +z ) + xo
9β 9β
s 3
1 1
X = 113.817 ∗ 0.364 1 − + 3.08 ∗ + 58.73738 = 628.91 mm/ano
9 ∗ 0.364 9 ∗ 0.364
R:// Não podemos comparar com as outras distribuições pois elas rejeitam o ajustamento da série.
Dados:
X = 2*330.6 = 661.2 mm/ano
α = 113.817
β = 0.364
x0 = 58.73738
Cálculo:
( x−x
αβ
o 1/3
) −1+ 1
9β
z= q
1
9β
( 661.2−58.73738
113.817∗0.364
)1/3 − 1 + 1
9∗0.364
z= q = 3.16
1
9∗0.364
A probabilidade correspondente ao valor de z:
19
F = 0.9992 1
T= = 1250 anos
1 − 0.9992
R:// O perı́odo de retorno para uma precipitação igual a duas vezes o máximo caudal registado é
1250 anos.
10 O risco hidrológico duma precipitação igual a duas vezes a máxima precipitação regis-
tada acontecer nos próximos 100 anos
Dados:
F(z) = 0.9992
N = 100
Cálculo:
R = 1 − F (z)N
R = 1 − 0.9992100
R = 0.077 = 7.7%
R:// O risco hidrológico de uma precipitação igual a duas vezes a máxima precipitação registada
acontecer nos próximos 100 anos é de 7.7%
20
11 Testes de Aleatoriedade da Série 2
Com base na série das precipitações anuais irá-se repetir todos os pontos acima cálculados.
Dados: Teste:
−25694.024 14
N = 14 r1 = = −0.043880703
630584.4143 14 − 1
1 1 − 0.04388
X̄ = 744.2428571 Y = ln = −0.0439089
2 1 + 0.04388
1.96
R:// Observa-se que |Y | = que é inferior a √ = 0.5238 não há independência no tempo da série
14
de precipitações a um nı́vel de confiança de 95%.
21
11.2 Teste de Wald-Wolfowitz 2
i Xi Yi X1 X2 Zi r
1 550.8 363.6 550.8 - 1 0
2 452.9 452.9 452.9 - 1 0
3 882.5 550.8 882.5 - 1 0
4 936.9 599.2 936.9 - 1 1
5 599.2 607.3 599.2 - 2 0
6 1020.7 656.2 1020.7 - 2 0
7 363.6 701.9 363.6 - 2 0
8 656.2 713.7 - 656.2 2 0
9 607.3 882.2 - 607.3 2 1
10 701.9 882.5 - 701.9 1 0
11 987.4 936.9 - 987.4 1 1
12 1064.1 987.4 - 1064.1 2 1
13 713.7 1020.7 - 713.7 1 1
14 882.2 1064.1 - 882.2 2 0
R=5
N = 14
A serie não é homogenea!
i Xi Extremos
1 550.8 0
2 452.9 1
3 882.5 0
4 936.9 1
5 599.2 1
6 1020.7 1
7 363.6 1
8 656.2 1
9 607.3 1
10 701.9 0
11 987.4 0
12 1064.1 1
13 713.7 1
14 882.2 0
NE = 9
22
2(14−2)
9− 3
z= q = 0.6794 < 1.96
16∗14−29
90
i Xi Yi Ki Ki − i (Ki − i)2
1 550.8 363.6 7 6 36
2 452.9 452.9 2 0 0
3 882.5 550.8 1 -2 4
4 936.9 599.2 5 1 1
5 599.2 607.3 9 4 16
6 1020.7 656.2 8 2 4
7 363.6 701.9 10 3 9
8 656.2 713.7 13 5 25
9 607.3 882.2 14 5 25
10 701.9 882.5 3 -7 49
11 987.4 936.9 4 -7 49
12 1064.1 987.4 11 -1 1
13 713.7 1020.7 6 -7 49
14 882.2 1064.1 12 -2 4
Soma 10419.4 272
6 ∗ 272
Rt = 1 −
143 − 14
Rt = 0.402
1
14 − 2 2
Y = 0.402
1 − 0.402
Y = 1.522
N − 2 = 12
Ysup = 2.1892
Y < Ysup
1.522 < 2.189 A série é aleatória!
23
12 Estatisticas Básicas da Série 2
10419.4
x̄ = = 744.243
14
σ = 212.230
γ = −0.121
13 Ajuste da série 2
Dados: Ajustamento:
x − µx
µx = 744.243 z=
σx
x − 744.243
σx = 212.230 z=
212.230
Dados: Ajustamento:
!#1/2
212.2302
"
µx = 744.243 σy = ln 1 + = 0.279
744.2432
0.2792
σx = 212.230 µy = ln(744.243) − = 6.573
2
24
14 Teste do Qui-Quadrado
i Xi F (X)
1 363.6 0.036443616
2 452.9 0.084912389
3 550.8 0.181022333
4 599.2 0.247170148
5 607.3 0.25938071
6 656.2 0.339127377
7 701.9 0.420930413
8 713.7 0.442784238
9 882.2 0.742165059
10 882.5 0.742621379
11 936.9 0.818001008
12 987.4 0.874044961
13 1020.7 0.903648973
14 1064.1 0.934110303
M=5
14
Ej = ≈2
5
χ2 = 3.5
Dados: np = 2
V=2
χ1−α = 5, 991 > 3.5 Aceita-se a hipótese!
Dados: np = 3
25
V=1
χ1−α = 3.841 > 3.5 Aceita-se a hipótese!
15 Teste de Kolmogorov-Smirnov
(i − 1) i (i − 1) i
i Xi F(X) | − F (Xi)| | − F (Xi)| Max(Di)
N +1 N +1 n+1 n+1
1 363.6 0.04 0.00 0.07 0.04 0.03 0.04
2 452.9 0.08 0.07 0.13 0.02 0.05 0.05
3 550.8 0.18 0.13 0.20 0.05 0.02 0.05
4 599.2 0.25 0.20 0.27 0.05 0.02 0.05
5 607.3 0.26 0.27 0.33 0.01 0.07 0.07
6 656.2 0.34 0.33 0.40 0.01 0.06 0.06
7 701.9 0.42 0.40 0.47 0.02 0.05 0.05
8 713.7 0.44 0.47 0.53 0.02 0.09 0.09
9 882.2 0.74 0.53 0.60 0.21 0.14 0.21
10 882.5 0.74 0.60 0.67 0.14 0.08 0.14
11 936.9 0.82 0.67 0.73 0.15 0.08 0.15
12 987.4 0.87 0.73 0.80 0.14 0.07 0.14
13 1020.7 0.90 0.80 0.87 0.10 0.04 0.10
14 1064.1 0.93 0.87 0.93 0.07 0.00 0.07
Dmax = 1.27
∗ 1.094
D0,95 =√ 0.85
= 0.276
14 − 0.01 + √
14
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
1
F = 1 − = 0.5
2
26
O z correspondente a distribuição normal é :
z=0
X = zσx + µx
X = 0 ∗ 212.230 + 744.2428 = 744.2428mm/ano
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
1
F = 1 − = 0.8
5
O z correspondente a distribuição normal é :
z = 0.84
X = zσx + µx
X = 0.8 ∗ 212.230 + 744.2428 = 914.027mm/ano
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
1
F =1− = 0.9
10
O z correspondente a distribuição normal é :
z = 1.28
X = zσx + µx
X = 1.28 ∗ 212.230 + 744.2428 = 1015.897mm/ano
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
27
1
F =1− = 0.96
25
O z correspondente a distribuição normal é :
z = 1.75
X = zσx + µx
X = 1.75 ∗ 212.230 + 744.2428 = 1115.64mm/ano
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
1
F =1− = 0.98
50
O z correspondente a distribuição normal é :
z = 2.05
X = zσx + µx
X = 2.05 ∗ 212.230 + 744.2428 = 1179.31mm/ano
Dados:
µx = 744.2428
σx = 212.230
Cálculo:
1
F =1− = 0.99
100
O z correspondente a distribuição normal é :
z = 2.32
X = zσx + µx
X = 2.32 ∗ 212.230 + 744.2428 = 1236.616mm/ano
Dados:
µx = 744.2428
σx = 212.230
28
Cálculo:
1
F =1− = 0.999
1000
O z correspondente a distribuição normal é :
z = 3.08
X = zσx + µx
X = 3.08 ∗ 212.230 + 744.2428 = 1397.91mm/ano
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F =1− = 0.5
25
O z correspondente a distribuição normal é :
z=0
Y = zσy + µy
X = eY
Y = 0 ∗ 0.279 + 6.573 = 6.573
X = e6.573
X = 715.51mm/ano
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F = 1 − = 0.8
5
O z correspondente a distribuição normal é :
z = 0.84
Y = zσy + µy
X = ey
29
Y = 0.84 ∗ 0.279 + 6.573 = 6.81
X =e6.81
X = 906.87mm/ano
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F =1− = 0.9
10
O z correspondente a distribuição normal é :
z = 1.28
Y = zσy + µy
X = ey
Y = 1.28 ∗ 0.279 + 6.573 = 6.93
X =e6.93
X = 1022.49mm/ano
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F =1− = 0.96
25
O z correspondente a distribuição normal é :
z = 1.75
Y = zσy + µy
X = ey
Y = 1.75 ∗ 0.279 + 6.573 = 7.06
X =e7.06
X = 1164.45mm/ano
30
16.2.5 Periodo de Retorno de 50 anos
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F =1− = 0.98
25
O z correspondente a distribuição normal é :
z = 2.05
Y = zσy + µy
X = ey
Y = 2.05 ∗ 0.279 + 6.573 = 7.15
X =e7.15
X = 1274.11mm/ano
Dados:
µy = 6.573
σy = 0.279
Cálculo:
1
F =1− = 0.99
25
O z correspondente a distribuição normal é :
z = 2.32
Y = zσy + µy
X = ey
Y = 2.32 ∗ 0.279 + 6.573 = 7.22
X =e7.22
X = 1366.49mm/ano
Dados:
µy = 6.573
σy = 0.279
31
Cálculo:
1
F =1− = 0.999
25
O z correspondente a distribuição normal é :
z = 3.08
Y = zσy + µy
X = ey
Y = 3.08 ∗ 0.279 + 6.573 = 7.43
X =e7.43
X = 1685.81mm/ano
17 Periodo de retorno para a precipitação igual a duas vezes a máxima precipitação anual
Dados:
X = 2*1064.1 = 2128.2 mm/ano
µy = 6.573
σy = 0.279
Cálculo:
ln(2128.2) − 6.573
z=
0.279
z = 3.91
A probabilidade correspondente ao valor calculado de z:
F = 1.00
R:// O perı́odo de retorno para uma probabilidade de 1 é indefinido. Em termos de análise de
riscos, o perı́odo de retorno geralmente se refere ao tempo médio entre eventos raros de um
determinado tipo. Em outras palavras, o perı́odo de retorno é o tempo médio esperado até que um
evento com uma determinada probabilidade de ocorrência aconteça.
18 O risco hidrológico duma precipitação anual igual a duas vezes a máxima precipitação
registada acontecer nos próximos 100 anos
Dados:
F(z) = 1.00
N = 100
Cálculo:
R = 1 − 1100 = 0%
32
19 Conclusões
Neste estudo, realizamos uma análise estatı́stica abrangente das precipitações máximas e precipitações
máximas anuais em uma determinada região. O objetivo era entender melhor a distribuição das
chuvas máximas, identificar tendências ao longo do tempo e avaliar o risco associado a eventos
extremos de precipitação. As principais conclusões deste estudo incluem:
Distribuição das Precipitações Máximas: Utilizando várias técnicas estatı́sticas, pudemos mod-
elar a distribuição das precipitações máximas na região. Os resultados indicam que a distribuição
das chuvas máximas segue um padrão especı́fico, o que é crucial para avaliar riscos e tomar decisões
informadas.
Tendências Temporais: A análise de séries temporais revelou a presença de tendências nas
precipitações máximas anuais. Identificamos um aumento significativo nas precipitações máximas
ao longo das últimas décadas, o que sugere uma tendência preocupante de aumento da frequência
de eventos de chuva extrema na região.
Perı́odo de Retorno: Calculamos o perı́odo de retorno para diferentes nı́veis de precipitação
máxima, o que é essencial para o planejamento de infraestrutura e gerenciamento de riscos. O
conhecimento do perı́odo de retorno ajuda a determinar a frequência esperada de eventos extremos.
33
20 Referência Bibliográfica
34