1 - Métodos Estatísticos para Hidrometeorologia - 2019

Universidade Federal de Campina Grande - UFCG
Disciplina: Hidrometeorologia
PROGRAMA DE POS-GRADUAÇÃO EM RECURSOSO

NATURAIS
PROF. FRANCISCO DE ASSIS SALVIANO DE SOUSA

e-mail: fassis@dca.ufcg.edu.br
Disciplina: Métodos Estatísticos em Climatologia
Considerações Gerais:
• Apresentação
• Clima e o aquecimento global?
• Previsão climática. O que importa? Cálculo ou conclusão? FDP é um modelo
de previsão climática !!!!! Ciência sobrevive de evidências !!!
• Internet é confiável? Sites oficiais e o resto !!!
• O que vamos fazer neste curso?
• Quase tudo que vocês já sabem, mas esqueceram!
• Climatologia é estudar o clima do passado para tentar entender o clima do
“futuro” !!!!!
• Muitas vezes usa-se a estatística como um bêbado usa um poste de luz: Mais
para suporte do que para iluminação.
Avaliação:
• 1ª lista de exercícios para entregar na dia do primeiro estágio do

Curso
Primeira parte: • Entrega dos papers para apresentar seminários
• Exame em sala sem consulta
Segunda parte: • 2ª lista de exercícios para entregar no dia do 2º estágio

• Apresentação individual dos seminários (em Power Point)
• Exame em sala sem consulta
Periódicos da Capes: http://www.sciencedirect.com/

Considerações Gerais: Definições
A Estatística é uma coleção de métodos para planejar experimentos, obter dados,

organizá-los, resumi-los, analisá-los, interpretá-los e deles extrair conclusões.
Estatística é o desenvolvimento de princípios e métodos que poderão ajudar-nos a tomar

decisões em face de incertezas.
Análise estatística é um processo sistemático que inicia com os dados brutos. Esses
dados podem ser do tipo numérico ou categórico. O produto final pode ser informação
útil ou conclusões numéricas.
Subdivisão da estatística: Estatística descritiva e Estatística inferencial

Considerações Gerais: Definições
Estatística descritiva - descritiva relaciona-se com a organização e resumo dos dados.
Estatística inferencial: consiste de métodos e procedimentos usados para extrair

conclusões acerca do processo gerador intrínseco dos dados. Nossa compreensão física
do fenômeno atmosférico vem em parte da manipulação e análise estatística dos dados.
Neste contexto a ciência atmosférica é provavelmente sensível à interpretação da
estatística inferencial.
Em ciências atmosféricas a estatística tem um papel muito importante, visto que é a

incerteza do comportamento da atmosfera que a torna interessante. A previsão de tempo é
interessante precisamente por causa da incerteza que é intrínseca ao problema.
A aleatoriedade não é um estado de “imprevisibilidade” ou de “falta de

informação” como algumas vezes é imaginada.
Considerações Gerais: Variável
As variáveis são características que podem ser observadas ou medidas em cada

elemento pesquisado (seja por amostragem, levantamento ou experimento), sob as
mesmas condições. Para cada variável, para cada elemento pesquisado, em um dado
momento, há um e apenas um resultado possível.
Por exemplo: P [ X  x]  0,302

X – é a variável que representa o elemento pesquisado
x – é o valor assumido pela variável
Exemplo numérico. Se X representar a precipitação pluvial pode-se escrever:

P[ X  30 mm]  0,302
Considerações Gerais: Classificação das variáveis
Considerações Gerais: População
A coleção de todas as medidas oriundas de uma variável é chamada de POPULAÇÃO.

As medidas utilizadas para descrever ou caracterizar estatisticamente uma população são
chamadas de PARÂMETROS, representados por letras gregas (μ, σ).
Amostra - Como em geral as populações são muito grandes, se faz necessário o

uso de amostras para representá-las. Essas são formadas por uma fração da
população em estudo.
As estimativas dos parâmetros calculados a partir das amostras são chamadas

genericamente de ESTATÍSTICAS e são representadas por letras latinas (x, s ...)
O conjunto de dados que descreve o comportamento de uma variável pode ser

estudado e representado na forma de distribuição de freqüências.
Agrupamento de dados
DADOS BRUTOS Intervalo Freqüência
[15 17) 7
17,9 23,0 16,1 18,1 18,0
[17 19) 19
17,9 19,4 16,2 19,8 20,5 [19 21) 11
20,0 23,4 16,8 26,3 18,5 [21 23) 5
18,0 22,6 16,7 18,4 19,2 [23 25) 6
17,9 20,2 16,2 21,0 18,5 [25 27) 1
[27 29] 1
18,9 22,1 17,2 20,1 20,9
17,6 25,0 15,7 18,2 23,5
18,5 22,0 15,7 17,5 19,2 Com base em uma amostra de
18,8 24,0 24,7 18,6 25,0 observações pode-se tirar conclusões
17,7 20,2 28,0 17,1 21,1 acerca da população.
Considerações Gerais: Análises Estatísticas
Estatística
População descritiva
Amostra
Inferência estatística da pop. Erro Probabilidade
Estatística descritiva: parte da estatística que descreve os aspectos importantes de um

conjunto de características observadas.
Probabilidade: número que indica a chance de uma determinada situação ocorrer.
Inferência estatística:parte da estatística que usa uma amostra para fazer generalizações
a respeito de aspectos importantes de uma população.
Considerações Gerais: Definições básicas
População: Coleção completa de todos os elementos a serem estudados (Ex.: todos os

dados climáticos de uma estação meteorológica)
Censo: Coleção de dados relativos a todos os elementos de uma população (Ex.: valores
assumidos pelos dados climáticos)
Amostra: Coleção de dados extraídos de uma parcela da população (Ex.: evaporação
diária, precipitação mensal, temperatura média, insolação média de 5 dias)
Parâmetro: Medida numérica que descreve uma característica de uma população (Ex.:
Precipitação média anual é um parâmetro)
Estatística: Medida numérica que descreve uma característica de uma amostra (Ex.:
precipitação média das máximas é uma estatística)
Estimativa: Valor resultante do cálculo de uma estatística, quando usado para se ter idéia
do parâmetro de interesse
Abusos da Estatística
Pequenas amostras: Pesquisou-se 10 dentistas. “7 entre 10 dentistas recomendam o creme

dental da marca X.”
Estimativas por suposição: “O sindicato estimou em 2 milhões os presentes na
manifestação de greve em São Paulo.” Fotos aéreas e cálculos baseados em grades, feitas
pela PM, estimaram em 80.000 pessoas.
Porcentagens distorcidas: “Tirei 1,0 na primeira prova. Na segunda, minha nota foi 2,0.
Melhorei 100%!”
Perguntas tendenciosas: “Você é a favor da suspensão do pagamento da dívida externa,
sobrando assim mais dinheiro para ajudar as criancinhas famintas?”
“Você é a favor da proibição da fabricação e venda de armas mortíferas de fogo no
Brasil?”
Pressão do pesquisador ou ambiente: “Você já traiu seu (a) companheiro (a)? ”Pergunta
feita com o (a) companheiro (a) ao lado.
Más amostras: Pesquisas feitas em sites da internet (pesquisa auto-selecionada).
Não se pode concluir nada sobre a população em geral.
Função geratriz de momentos:
O comportamento estatístico de uma variável aleatória é completamente especificado por
sua função massa (ou densidade) de probabilidades, a qual, por sua vez, pode ser
determinada por certo número de momentos, suficientes para particularizar sua forma. A
função geratriz de momentos de uma distribuição de probabilidades é uma função φ(t), do
argumento t definido no intervalo (-ε, +ε) em torno de t = 0, que permite o cálculo
alternativo de seus momentos em relação à origem, de ordem genérica k≥1. Para uma
variável aleatória X, a função φ(t) é definida por:
  etx . p ( x), para x discreta
 todo x
 (t )  E (etx )   
  etx . f ( x)dx, para x contínua
 
A função φ(t) é chamada geratriz de momentos porque sua k-ésima derivada em relação a
t, calculada no ponto t = 0, fornece o momento da distribuição massa (ou densidade) de
probabilidades em questão. Por exemplo, supondo que k = 1, tem-se:
Função geratriz de momentos:
d  detx 
  E[ xe ]   (t  0)  E[ x]  1
tx tx
 (t )  E[ e ]  E 
' '
dt  dt 
Do mesmo pode-se concluir que:  '' (0)  E[ x 2 ]  2'' ,  ''' (0)  E[ x3 ]  3'''
No primeiro caso: 1' é a média, 2' é a variância e 3' é o momento de ordem 3,

populacionais centrados na origem.
Momentos de ordem r amostrais para dados agrupados centrados na média:
1 n
mr   fi .( xi  x ) r
se r =1, m1= 0 soma dos desvios
se r = 2, m2 = S2
n i 1
Medidas de tendência central
Determina valores típicos ou representativos de um conjunto de dados
Média: média aritmética ou média é o centro do conjunto de dados – ponto de equilíbrio.

É a mais importante medida de tendência central.
n
Para dados não agrupados: X   xi
i
n1
Para dados agrupados: X   xi . f i
i 1
Em que xi , fi são o ponto médio e a freqüência, respectivamente.
Obs.  média populacional e x  média amostral
Mediana (X ): Valor do meio do conjunto de dados, quando os valores estão dispostos em

ordem crescente; divide um conjunto em duas partes iguais. Para calcular disponha os
valores em ordem crescente. Se o número de valores é ímpar, a mediana é o número
localizado no meio da lista Se o número é par, a mediana é a média dos dois valores do
meio.
Moda (M): É o valor que ocorre com maior freqüência. Quando dois valores ocorrem
com mesmas freqüências, cada um deles é chamado de moda, e o conjunto é BIMODAL
Se mais de dois valores ocorrem com mesmas freqüências, cada um deles é uma moda e o
conjunto é MULTIMODAL. Quando nenhum valor é repetido o conjunto não tem moda.
Ponto médio: Valor que está a meio caminho entre o maior e o menor valor
valor maior  valor menor
Ponto médio
2
Seja o seguinte conjunto de valores:
5 7 8 10 12 15 20
5 7 8 10 12 15 200
média = 11, mediana = 10 e ponto médio = 12,5
Se alterarmos significativamente o último valor:
média = 36,7, mediana = 10 e ponto médio = 102,5
Conclusão!
Deve-se tomar cuidados ao escolher uma medida de posição para representar um

conjunto de dados, pois:
“Média” e “Ponto Médio” são muito afetadas por valores extremo
Em geral, a melhor política é utilizar os dois parâmetros: “média” e “mediana”

Valores de “Média” e “Mediana” muito próximos indica que o conjunto de valores é
razoavelmente simétrico em relação à posição central.
Razão média/mediana ~ =1 (caso da f.d.p. Normal)

Separatrizes
• Percentis
• Decis dados ordenados
• Quartis
• Escore padronizado ou escore z
Os percentis dividem o conjunto de dados em 100 partes iguais. O percentil indica o

percentual de dados inferiores a ele.
Exemplo: o P92 (92o percentil) indica que há 92% de dados inferiores.

Exemplo:
Dado o conjunto de valores, calcule o 25º percentil (os valores devem estar ordenados)
72, 74, 75, 77, 78, 79, 82, 85, 86, 90, 93, 94
Calcule: L= (k/100).n
• L: posição do percentil desejado no conjunto de dados ordenado
• k: percentil desejado = 25 %
• n: número de valores = 12
L=(25/100).12=3
Exemplo
L é um número inteiro?
SIM - o k-ézimo percentil está a meio NÃO - Modificar L, arredondando seu valor
caminho do L-ézimo valor e o próximo para o inteiro maior mais próximo. Ex.: se
valor do conjunto de dados. n=11 => L=2,75. Logo a posição do k-ézimo
Assim, L=3 para n=12 percentil será 3.
Assim, L=3 para n=11, exemplo retira 77
P25 = (L3+ L4)/2 = (75+77)/2 = 76
P25 = (L3+ L4)/2 = (75+78)/2 = 76,5
Resumo: Para dados com decimais a posição do percentil é visível

Para calcular a qual percentil pertence um dado valor:
número de valores inf eriores a x
P ercentil do valor x  .100
número total de valores
Processo alternativo
Seja o seguinte conjunto de n=8 valores ordenados: 5, 7, 8, 10, 12, 15, 20, 25, calcule o
25º e 75º percentis
Aplica-se: LP= (n-1). (p/100) + 1
L25= (8-1). 0,25 + 1 = 2,75 ***** L75= (8-1). 0,75 + 1 = 6,25
Obs. Uma série com valores decimais, as posições dos percentis seriam mais visíveis
Decis e Quartis
Dividem o conjunto de dados em 10 partes iguais de 10%. Portanto, há nove decis numa
nesse conjunto dividido em 10 grupos de 10% de dados.
Os decis são os percentis: P10, P20, P30, P40, P50, P60, P70, P80, P90
Assim, o primeiro decil corresponde a 10% dos dados D1= P10 ...................,D9= P90
Os quartis dividem o conjunto de dados em quatro partes iguais de 25%.
Temos assim três quartis nesse conjunto,
O 1º quartil ou Q1, separa os 25% de dados inferiores

O 2º quartil ou Q2, separa os 50% de dados inferiores
O 3º quartil ou Q3, separa os 75% de dados inferiores.
Q1=P25, Q2=P50 e Q3=P75 ***** Note que Q2=Q50=Mediana

Outras medidas descritivas
Baseado nos conceitos de Percentis, Decis e Quartis, pode-se definir outras descrições
estatísticas:
Intervalo interquartil Q3 – Q4
Intervalo semi-interquartil (Q3 – Q1)/2
Quartil médio (Q3+ Q1)/2
Amplitude de percentis P90-P10
Estatística descritiva
As três principais características de um conjunto de dados são:
• Um valor representativo do conjunto de dados: média (Medidas de Tendência Central)
• Uma medida de dispersão ou variação: desvio-padrão
• A natureza ou forma da distribuição dos dados: Normal, Log-normal, uniforme.
(Tabelas de freqüências e histogramas)
Medidas de Variação: Determina a característica de variação de um conjunto de dados
• Amplitude = Diferença entre o maior e o menor valor do rol de dados
• Coeficiente de variação CV ( S / X ).100 (%) n
 xi  x
• Desvio médio ou desvio absoluto i 1
D
 
1 n 2 n
• Variância 2
S   xi  x
n  1 i 1
• Desvio-padrão S S2
• Desvio D  xi  x
Fórmula alternativa para o cálculo do desvio-padrão
n 2 n 2
n.(  x  (  x )
S i 1 i 1
n( n  1)
Vantagens e desvantagens:
• Mais conveniente para uso com números extensos e com grande amostra de valores
• Maior facilidade de uso com calculadoras e computadores (apenas três registros: n, Σx e
Σx2)
• Elimina erros de arredondamento
• Não evidencia o conceito de desvio-médio da fórmula tradicional
OBS. X  média amostral,   média populacional

S  desvio  padrão amostral ,   desvio  padrão populacional
Utilidade do desvio-padrão
• Indica a dispersão dos dados; quanto mais dispersos maior o desvio-padrão

• Regra prática: Desvio padrão ≅ amplitude/4 (só usar em casos muito extremos)
• valor mínimo ≅ média –2.S
• Valor máximo ≅ média + 2.S
Teorema de Tchebichev
A proporção de qualquer conjunto de dados a menos de k desvios-padrão, a contar da
média é sempre ao menos 1-1/k2, onde k é um número positivo maior do que 1.
Exemplo: Para k=2 e k=3 tem-se:
• Ao menos 3/4 ou 75% de todos os valores estão no intervalo de [ X  2.S ; X  2.S ]
•Ao menos 8/9 ou 89% de todos os valores estão no intervalo de [ X  3.S ; X  3.S ]
Uso do Teorema de Tchebichev
Exemplo: Barbeadores elétricos sem fio da marca Z têm vida útil média de 8,0 anos, com
desvio padrão de 3,0 anos. Faça uma estimativa da vida mais breve e da mais longa.
Tchebichev também é útil para identificar valores “estranhos” em um conjunto de dados:

aqueles que ficam de fora do intervalo!
Identificando “outliers” (anomalias)
• “Outliers” são valores estranhos que se localizam muito distantes da média;
• Por isso, as estatísticas descritivas são, usualmente, muito influenciadas
(contaminadas) por eles;
• Podem ser originados em erros de coleta ou em desvios de processo;
• Esses outliers devem ser muito bem analisados antes de um possível descarte!
• Tchebichev pode nos ajudar na identificação de outliers;
• Valores fora do intervalo [ X  2.S ; X  2.S ] devem ser analisados para um possível
descarte (valores estranhos).
Uso do desvio-padrão
Indica a dispersão dos dados: quanto mais dispersos maior o desvio padrão
• Regra prática desvio-padrão ≅ amplitude/4 (só usar em casos muito extremos)
• valor mínimo ≅ [ X  2S ]
• valor máximo ≅ [ X  2S ]
Teorema de Tchebichev
A proporção de qualquer conjunto de dados a menos de k desvios-padrão a contar da
média é sempre ao menos 1-1/k2, onde k é um número positivo maior do que 1. Para k=2
e k=3, temos:
• Ao menos 3/4 ou 75% de todos os valores estão no intervalo [ X  2S ; X  2S ] de ±2
desvios-padrão em torno da média;
• Ao menos 8/9 ou 89% de todos os valores estão no intervalo [ X  3S ; X  3S ] de ±3
desvios-padrão em torno da média,
Exercício
Barbeadores elétricos sem fio da marca Z têm vida média de 8,0 anos, com desvio-padrão
de 3,0 anos. Faça uma estimativa:
• da vida mais breve => 2 anos

• da vida mais longa => 14 anos
Tchebichev também é útil para identificar valores “estranhos”em um conjunto de dados:

aqueles que ficam de fora do intervalo !
Considerações Gerais: Mais medidas de dispersão
O Coeficiente de Variação indica a magnitude relativa do desvio-padrão quando

comparado com a média do conjunto de valores
CV  S amostral CV  S populacional
X X
É útil para comparar a variabilidade (dispersão) de dois conjuntos de dados com ordens
de grandezas diferentes.
Seja o seguinte conjunto de preços de geladeiras em 7 lojas distintas
750,00; 800,00; 790,00; 810,00; 820,00; 760,00; 780,00

Seja o seguinte conjunto de preços de liquidificadores nas mesmas
50,00; 45,00; 55,00; 43,00; 52,00; 45,00; 54,00
Qual dos produtos têm uma maior variabilidade de preços?

Mais medidas de dispersão
• Uma vez que uma geladeira custa bem mais que um liquidificador, a tendência é que o
desvio-padrão da geladeira seja também maior!
• O coeficiente de variação é uma medida adimensional que normaliza o desvio padrão
em relação à média;
CV  25,63 .100 3,3% CV  4,81 .100  9,8%

gel 787,17 liq 49,14
• Com os valores dos CVs pode-se concluir que os preços da geladeira têm menor
variabilidade que os do liquidificador.
Mais medidas de dispersão
• Uma medida de dispersão alternativa que pode ser empregada é o intervalo interquartil
ou amplitude interquartílica. É dado pela diferença entre o terceiro e o primeiro quartis;
Dj= Q3-Q1= P75-P25
• Só aproveita 50% dos dados;

• Pouco influenciada pelos valores extremos
Escore padronizado - Número de desvios-padrão pelo qual um valor dista da média (para
mais ou para menos)
x X
Zi  i
S é uma relação linear entre Zi e Xi
Pode ser utilizado para comparar valores de variáveis com unidades diversas (mm, m3/s)
Exercício
As alturas da população de homens adultos dos EUA têm média μ=1,752 m, desvio-
padrão σ=0,071 m e distribuição Normal). O jogador de basquete Michael Jordan, que
mede 1,98m, pode ser considerado excepcionalmente alto? Determine o escore padrão
para ele.
Calcula-se o escore z conforme segue:
x   1,981,572
Zi  i   3,211
 0,071
Este resultado indica que a altura de Michael Jordan está a 3,21 desvios-padrão acima da
média da população. Considerando que valores acima ou abaixo de 2 desvios da média
são incomuns, conclui-se que Michael Jordan é de fato excepcionalmente alto comparado
com a população geral.
Distribuição de Freqüência
A representação do conjunto de dados é dada por: Freqüência relativa

Freqüência acumulada
Representação gráfica (Histograma)
Os dados agrupados podem ser resumidos em tabelas ou gráficos e, a partir desses, pode-
se obter estatísticas descritivas já definidas: média, mediana, desvio, etc.
Dados organizados em grupos ou categorias/classes são usualmente designados como
“distribuição de freqüência”
Construindo uma distribuição de freqüência
Determine a número de classes (k)
• Regra de Sturges k = 1 + 3,3log (n)

• Regra da Potência de 2 k = menor valor inteiro tal que 2k≥n
• Regra de Brooks e Carrutheres k=5.log (n)+1
• Regra da Raiz Quadrada k=raiz (n)
• Bom senso (decida a quantidade de classes que GARANTA observar como os valores
se distribuem) “Acochambration method”
Há necessidade de regras para agrupar dados?

Regras para agrupar dados
1. calcula-se a amplitude total do rol (diferença entre o maior e o menor número);

2. calcula-se o número de classes k=5.log (n)+1, em que n é o tamanho da amostra;
3. determina-se o intervalo de classe IC= amplitude total/NC;
4. calcula-se o ponto médio de cada classe;
5. determina-se o número de observações que caem dentro de cada intervalo de classe
(contagem das freqüências de classes);
6. freqüência relativa (freqüência da classe dividida pela freqüência total), expressa em
percentagem;
7. constrói-se o histograma de freqüência;
8. constrói-se o polígono de freqüência (ligação dos pontos médios de cada classe);
9. freqüência acumulada e representação gráfica (ogiva);
• Uma distribuição de freqüência representada por um gráfico de barras é denominada

histograma;
• Outro gráfico de interesse é o polígono de freqüência
• O polígono de freqüência é obtido unindo-se os pontos médios da parte superior de cada
retângulo do histograma com segmentos de reta;
• É importante notar que tanto o histograma quanto o polígono de freqüência indicam a
freqüência observada de cada classe;
• Em um histograma, as classes devem SEMPRE ter a mesma largura?
• Não necessariamente!
• Existem casos em que é mais adequado agrupar os dados em classes com
larguras desiguais.
• A representação gráfica dos dados em um histograma com classes de larguras desiguais

requer a transformação dos valores de freqüência absoluta em densidade de freqüência.
• Isso é fundamental pois deve-se manter a área dos retângulos proporcionais à
freqüência da classe
freqüência da classe
• A densidade de freqüência é dada por: D f 
l arg uradaclasse
Estatísticas para dados agrupados
• Quando os dados estão resumidos em uma tabela de freqüências, pode-se calcular

a média aritmética ponderada considerando os pontos médios de cada intervalo de classe
e suas freqüências:
1 n
X  fi .xi
n i 1
xi = ponto médio da classe

fi = freqüência
n
n   fi
i1
Moda e mediana para dados agrupados
Método de Pearson para a moda: M o  3.M d  2.X
Em que Md é a Mediana e X é a Média
Cálculo da moda para dados agrupados: Método de Czuber

f M  fant
M o  L im  o .h
inf f  ( f  f )
Mo ant post
Em que
Liminf: limite inferior da classe modal
fMo: freqüência da classe modal
fant: freqüência da classe anterior à modal
fpost: freqüência da classe posterior à modal
h: amplitude da classe modal
Moda e mediana para dados agrupados
Mediana é o valor localizado por Lx = n/2. Em seguida determina-se a mediana por:

h.( LX  Fant )
X  L im 
inf fi
Em que Lx é o localizador (posição) da Mediana

Fant é a freqüência acumulada até a classe anterior à classe da mediana
Fi é a freqüência relativa da classe da mediana
h é a amplitude de classe
Liminf é o limite inferior da classe da mediana
O Intervalo interquartil (amplitude interquartílica) é uma medida de dispersão alternativa. É dada

pela diferença entre o terceiro e o primeiro quartis.
Dj= Q3- Q1= P75 - P25
• Só aproveita 50% dos dados
• Pouco influenciada pelos valores extremos
Cálculo dos Percentis para dados agrupados
O percentil é o valor localizado por LPX=(k/100).n; k é o percentil desejado (ex.: P45

k=45). Após cálculo de LPX, determina-se o valor do percentil por:
h.( LPX  Fant )
P  L im 
X inf fi
Em que
LPX – localizador (posição) do Percentil

Fant - freqüência acumulada até a classe anterior à classe do percentil
Fi - freqüência relativa da classe do percentil
h - amplitude de classe
Liminf - limite inferior da classe do percentil
Desvio-padrão alternativo para dados agrupados
n 2 n 2
n.[  ( fi xi )][  ( fi xi )]
S i 1 i 1
n(n 1)
Xi = ponto médio da classe

f i= freqüência da classe
n = tamanho da amostra (n= Σfi)
Assimetria
Comparando a média, a moda e a mediana, pode-se analisar a assimetria da distribuição:

A distribuição pode ser: - assimetricamente negativa (assimetria para a esquerda)
- assimetricamente positiva (assimetria para a direita)
- simétrica
Coeficiente de assimetria
As comparações anteriores, por ser absoluta, apresenta a mesma deficiência do desvio-

padrão, isto é, não permite a possibilidade de comparação entre as medidas de dois
conjuntos de dados. Por esse motivo, daremos preferência ao coeficiente de assimetria
de Pearson:
As = 3.( Média - Mediana ) / Desvio Padrão (média=mediana As=0 simetria)
Escalas de assimetria:
| As | < 0,15 => assimetria pequena
0,15 < | As | < 1 => assimetria moderada
| As | > 1 => assimetria elevada
Obs: Se As = - 0,49 => a assimetria é considerada moderada e negativa

Se As = 0,75 => a assimetria é considerada moderada e positiva
Interpretando histogramas
• Histograma é uma ferramenta estatística que permite resumir informações de um

conjunto de dados, Nele visualiza-se a forma da distribuição, a localização do valor
central e a dispersão dos dados em torno do valor central;
• Freqüentemente se obtém informações úteis sobre a população/amostra de dados pela

análise da forma do histograma
• O valor médio está localizado no centro do
histograma;
• A freqüência é mais alta no meio e diminui
gradualmente na direção dos extremos
• É possível os valores dessa variável se ajuste
a uma f.d.p Normal (média=moda=mediana)
Simétrico
• O valor médio está localizado fora

do centro do histograma
• A freqüência diminui gradativamente
em um dos lados e de modo um tanto
abrupto do outro lado.
• Poderá se ajustar à uma f.d.p de
Gumbel, Log-normal ou Gamma
Assimetria positiva
• O valor médio está localizado fora

do centro do histograma
• A freqüência diminui abruptamente
no lado direito
• Poderá se ajustar à uma f.d.p de
Gumbel, Log-normal, Gamma ou
Exponencial
Assimetria positiva
• Parte do gráfico é relativamente

simétrico com o acréscimo de algumas
classes mais afastadas de menores
freqüências
• Ocorre quando dados de outra
distribuição, diferente da distribuição da
maior parte dos dados observados, são
Picos isolados incluídos
• Evento com anormalidades, ou erro de
medição e/ou registro de dados
• A freqüência é mais baixa no

centro do histograma e existe um
“pico”em cada lado
• Ocorre quando dados de duas
distribuições, com médias muito
diferentes, são misturados.
Bimodal
• Todas as classes possuem mais ou menos

a mesma freqüência, exceto |àquelas das
extremidades;
• Ocorre quando dados de duas
distribuições, com médias não muito
diferentes, são misturados.
Achatado ou platô
Coeficiente de Curtose
Denomina-se curtose o grau de achatamento de uma distribuição em relação a uma
distribuição padrão (curva normal). A curva normal, que é a nossa base referencial,
recebe o nome de mesocúrtica.
C1 = (Q3 - Q1) / 2(P90 - P10) Este coeficiente é conhecido como
percentílico de curtose. Em relação a
 n 4 curva normal (simétrica), temos:
  fi. ( xi  x ) 

C 2  i 1
 / S4
 n 
  C1 = 0,263 => curva mesocúrtica
  C1 < 0,263 => curva leptocúrtica
C1 > 0,263 => curva platicúrtica
Em que S é desvio padrão
C2 = 3 => curva mesocúrtica Obs: fórmula está dentro da planilha Excel
C2 > 3 => curva leptocúrtica
C2 < 3 => curva platicúrtica
O coeficiente C2 acima será utilizado em nossas análises:

Coeficiente de Curtose
Estima o grau de achatamento de uma distribuição em relação à distribuição Normal.
C2 = 3 = C2 > 3 C2 < 3
Probabilidade
• Conceito clássico de probabilidade: Se há “n” possibilidades igualmente prováveis, das

quais uma deve ocorrer e, dessas, “s” são consideradas como sucesso, então a
probabilidade do resultado ser um sucesso é de s/n.
• Medida das incertezas relacionadas a um evento;
• Chances de ocorrência de um evento;
• Exemplo:
Qual a probabilidade de se extrair um ás de baralho bem misturado de 52 cartas?
Bem misturado significa “qualquer carta tem a mesma chance de ser extraída”.
Como temos 4 ases em 52 cartas, vem: S/n = 4/52 = 1/13
S = sucesso. Total de eventos de interesse: 4 ases
N = Total de possíveis retiradas: 52 cartas
Observação: Problema clássico de probabilidade, uma vez que todas as cartas tem a
mesma chance de ocorrer (equiprováveis)
Probabilidade
Exemplo:
Qual a probabilidade de se obter um 3 ou um 4 em uma jogada de um dado equilibrado?

• Probabilidade = S/n =2/6 = 1/3
Observações:
• problema clássico de probabilidade, uma vez que o dado está “equilibrado”.
• S = resultados de interesse = 2 (3 ou 4)
• n = resultados possíveis = 6 (1,2,3,4,5,6)
Diagrama de Veen
Probabilidade
Limitação do conceito clássico (a aplicação é limitada)
Exemplo: Probabilidade de chover amanhã.

Eventos possíveis: n = 2 (chuva, não chuva)
Eventos de interesse: s = 1 (chuva)
Probabilidade = s/n = 1/2 ????? NÃO SE PODE AFIRMAR
Observação:
Os eventos não possuem a mesma chance de ocorrer, os eventos não podem ser
considerados como igualmente prováveis.
Definição freqüencial de probabilidade - A freqüência relativa de ocorrência do evento A

em grandes amostras determina a probabilidade de ocorrência futura deste mesmo evento.
f número de ocorrências do evento A
P( A)  i 
N total de eventos
Probabilidade
Exemplo:
Se o serviço meteorológico afirma que há 40% de chance de chover, é porque, sob as

condições de tempo previstas para o referido dia, há freqüência de chuva em 40% das
vezes.
OBS. Não se pode garantir matematicamente as ocorrências; contudo, pode-se inferir

com base nos dados observados no passados.
Lei dos grandes números - Quando maior for a repetição do experimento, maior a
aproximação da probabilidade efetiva de acontecimento de um determinado evento
através da freqüência relativa.
Amostras aleatórias - Para calcular probabilidades, os eventos devem ser escolhidos de

uma amostra de “n” elementos da população que tenham as mesmas chances de serem
escolhidos. A amostra deve ser de dados representativos, imparciais e não-tendenciosos.
Contagem de probabilidades
Exemplo:
Uma pessoa pode ir de um ponto A até o ponto B por dois caminhos: do ponto B ela pode
ir ao ponto C por 3 caminhos. Quantas alternativas tem essa pessoa de sair do ponto A ir
ao B e então seguir para o ponto C?
Variáveis Aleatórias
• Variável aleatória DISCRETA

Numa amplitude determinada, admite um número finito de valores, ou tem
inúmeros valores;
• Variável aleatória CONTÍNUA

Pode tomar um número infinito de valores ou ser associada a uma mensuração em uma
escala contínua.
Distribuição de Probabilidade
Quando se conhece todos os possíveis valores de uma variável aleatória com suas
respectivas probabilidades de ocorrência, tem-se uma DISTRIBUIÇÃO DE
PROBABILIDADE. Assim, uma distribuição de probabilidade fornece a probabilidade
de ocorrência de cada um dos valores que uma variável aleatória pode assumir.
• Observe que a distribuição de probabilidade é uma correspondência que associa

probabilidades aos valores de uma variável aleatória;
• Ou seja, é uma FUNÇÃO dada por P( X  x )  f ( X ) que relaciona a probabilidade de
i
ocorrência de um valor da variável aleatória.
• Uma variável aleatória associa um valor numérico a cada resultado de um observação
aleatória;
• Uma distribuição de probabilidades associa uma probabilidade a cada valor de uma
variável aleatória.
Considerações Gerais: Definição
Uma Função Distribuição de Probabilidade (f.d.p) é um modelo teórico ao qual uma

amostra observada pode ser ajustada a fim de estimar as probabilidades de ocorrências
dos valores da variável aleatória.
Distribuição Normal: Entre as distribuições teóricas de variável aleatória contínua, uma

das mais empregadas é a distribuição Normal. A natureza específica de uma distribuição
teórica é determinada pelos valores dos seus parâmetros. A f.d.p da distribuição normal é
definida por:
1
 ( Xi  )2 / 2
f (X )  1 e 2
 2
  média populacional;   desvio  padrão populacional
(x  ) Substituindo Zi em f(X) e
Z  i integrando de  a zi obtém-se
i  , var iável reduzida
a probabilidade sob a curva
Considerações Gerais: Propriedades da distribuição normal
1ª - A variável aleatória X pode assumir todo e qualquer valor real.
2ª - A representação gráfica da distribuição normal é uma curva em forma de sino,

simétrica em torno da média, que recebe o nome de curva normal ou de Gauss;
3ª - A área total limitada pela curva e pelo eixo das abscissas é igual a 1, já que essa área
corresponde à probabilidade de a variável aleatória X assumir qualquer valor real;
4ª - A curva normal é assintótica em relação ao eixo das abscissas, isto é, aproxima-se

indefinidamente do eixo das abscissas sem, contudo, alcançá-lo;
5ª - Como a curva é simétrica em torno da média, a probabilidade de ocorrer valor maior

que a média é igual à probabilidade de ocorrer valor menor do que a média, isto é, ambas
as probabilidades são iguais a 0,5 ou 50%. Cada metade da curva representa 50% de
probabilidade.
Considerações Gerais: Distribuição normal
Média = Moda = Mediana

Considerações Gerais: Efeito das variações dos parâmetros (média idêntica, variação dos
desvios-padrão)
=1
=5
= 10
X
 = 50
Considerações Gerais: Efeito da variação dos parâmetros (desvios-padrão idêntico e
variação das médias)
=5 =5 =5
X
 = 15  =25  = 40
Considerações Gerais: Efeito da variação dos parâmetros (Variação das médias e dos
desvios-padrão)
=1
= 3
 = 10
 = 15  =25  = 40
Considerações Gerais: Áreas sob a curva Normal
16% 16%
68.26%
X
1 1
2.25% 2.25%
95.45%
X
2 2
0.135% 99.73% 0.135%

X
3 3
Considerações Gerais: Normal N(0, 1)
 z = 1
x z
 z =0
(x  )
Z  i
i  , var iável reduzida
Considerações Gerais: Exemplo P(3.8  x  5)
=10 x  3,8  5
z    ,12
 10
3.8 = 5 X
0,0478
0 Z
-0,12
Curvas da Normal: f.d.p e acumulada
Distribuição Normal (densidade de probabilidade) Distribuição Normal (função acumulada de probabilidade)

Computação da função distribuição e de seus quantils
(a escala horizontal é determinada por valores paramétricos)
(a escla horizontal é determinada pelos valores
paramétricos)
0,45
0,4
0,35
1,2
0,3
1
0,25
0,2 0,8
0,15 0,6
0,1 0,4
0,05
0,2
0
-4 -3 -2 -1 0 1 2 3 4 0
-0,05 -4 -3 -2 -1 0 1 2 3 4
Prob. density Mean value Selected probability Distr. function Computation of quantiles Computati
Função Densidade f(x) Probabilidade Acumulada F(x)

Normal (0,1)
Probabilidade de não excedência
Fazendo variar a variável reduzida z com valores incrementais 0,0002 obtém as

probabilidades acumuladas
Distribuição de probabilidade Normal bivariada
Esta distribuição descreve o comportamento conjunto de duas variáveis gaussiana X e Y.
Suponha duas variáveis aleatórias normalmente distribuídas, X e Y. Os valores esperados
são  X , Y e os desvios-padrão  X ,  Y . Os valores esperados condicionais de Y e X
são linearmente relacionados por:
E[Y|X]=Y + ( X / Y ).(X- X )
Em que ρ é a correlação entre Y e X. Se o valor de X for conhecido, o valor esperado de Y é dado
pelo lado direito da expressão. Essa expectância de Y é chamada de valor esperado condicional de Y,
dado X. Se X e Y for linearmente relacionadas, então a correlação entre X e Y pode ser usada para se
fazer previsão de Y, dado X=x. Assim, a distribuição conjunta de Y e X é Normal bivariada. A
variância condicional de Y é relacionada a sua variância incondicional pela formula:
SY | X  Y2 1  2  e a função densidade de probabilidade Normal bivariada é:
  2
 x   x   y   y  
1  x   x   y   y 
2
1  
f ( x, y ,  )  exp       2    
   
2  x y (1   2 )  2 (1   )   x    y    x    y  
2
Com cinco parâmetros:  x , y , x ,  y e , a função de probabilidade Normal bivariada

acumulada é:
x2 y2
P ( y1  Y  y2 ) ( x1  X  x2 )    f ( x, y,  )dy dx
x1 y1
Visto que X e Y são individual e normalmente distribuídas, cada uma delas pode ser
transformada em uma variável aleatória =1 normal padronizada, que chamaremos de Z1 e Z2,
usando:
x  x x  y
Z1  i , e Z2  i , assim, a função densidade de probabilidade Normal
x y
bivariada padronizada é:
1  1  Z12  2  Z1 Z 2  Z 22  
f ( Z1 , Z 2 ,  )  exp    
2  1  2
 2 1   2

 x   y  0 e  zx   z y
Função densidade de probabilidade

Normal bivariada padronizada
A computação da probabilidade normal bivariada não é trivial, mas uma aproximação

analítica desenvolvida por Drezner (1978) pode ser usada e fornece resultados muito
bons. A planilha Excel, probcalc.xls, calcula as probabilidades Normal univariada e
bivariada. Com base nas variáveis reduzidas Z1 e Z2 e no coeficiente de correlação linear
(ρ) — N2 ~ (Z1, Z2; r) = P[X |Y] — pode-se obter as probabilidades Normal bivariada
entre X e Y.
Distribuição Log-normal
Admita que a variável X tenha distribuição log-normal, ou seja que Y=ln (X) tenha
distribuição normal com média  e variância  2.
Assim, X  ln( ,  2 )  0  X     parâmetro de escala (  0)

  parâmetro de forma(  0)
a função densidade de probabilidade (assimétrica e positiva) de X é expressa por:
1  (ln x  )2 
f ( x)  exp    , com
 x 2  2 2 

1
média    exp(   2 )
2
2 2  2
 2
var iância    e .e .[e 1]
Distribuição Log-normal
Se X tem distribuição log-normal com parâmetros  ,  2, então ln (x) tem distribuição

normal com parâmetros  ,  2, ou seja:
X  ln( ,  2 )  0  X   S.S.S ln( x)  N (, 2 )

Transformação: Yi = ln (Xi) e
(Y  )
Z  i , var iável reduzida ou, logaritmizando os dados observados tem-se;
i 
ln( xi )   y
Zi 
y
Xi – limite superior de cada classe

Distribuição Exponencial - A função densidade de probabilidade exponencial (assimetria
positiva) é expressa por (1) e a função acumulada por (2).
 x
(1)  f ( x )   e
para x  0,   0
 x
(2)  F ( x )  1  e
A (2) ainda pode ser escrita como: P ( X  x )  1  e  x probabilidade de não
excedência, após integrar (1).
Parâmetros:
E[ X ]  1 
2
V[X ]  1 
Obs. Para dados agrupados a variável x das funções é o limite superior de cada classe
Distribuição Exponencial
Sejam os limites de chuva [25 a 48] mm e a média igual a 72,5 mm. Estime a
probabilidade de ocorrer chuva igual ou inferior a 48 mm, com limite inferior igual a 25
mm, então:
λ=1/E[x]=1/72,5=0,0138
P[25≤X≤48] =Area = 1 – exp[-0,0138*48]

= 1 – 0,5157 P[X>x]
= 0,4843
= 48,43 %
P[X≤x]= probabilidade de não excedência

P[X>x]= probabilidade de excedência
Distribuição Gumbel – os eventos extremos geralmente se ajustam à essa distribuição de
probabilidade, assimetricamente positiva. Gumbel é mais usada na analise de freqüência
de variáveis hidrológicas: relações intensidade-duração-freqüência de chuvas intensas e
estudos de vazões de cheias. A função de densidade de probabilidade é dada por:
(1)
1    x       x      em que α e β são os parâmetros de locação e de
f ( x)  exp  exp   
        
escala, respectivamente. A função distribuição de probabilidade acumulada é dada pela

integral de (1):
   x      (2)
F ( x)  exp  exp   
    
6 ˆ
Estimativa dos parâmetros ˆ  S. e   x   .ˆ em que γ=0,57721 é a constante de

Euler. Para aplicação à dados agrupados utiliza-se a variável reduzida: y  ( xi   )  (3)
Substituindo (3) em (2) tem-se:
F ( y)  exp[ exp( y)]  P[Y  y]  probabilidade de nãoexcedência
Distribuição de Weibull – É aplicada a valores de extremos mínimos e tem assimetria
positiva. A constatação de que, em um cenário extremo, as vazões que escoam por uma
seção fluvial são limitadas inferiormente pelo valor zero, faz com que a distribuição de
Weibull seja uma candidata natural a modelação de eventos hidrológicos mínimos.
  x     1
    x     
f ( x)   .exp    
        
Para x ≥ μ; α, β > 0
μ – parâmetro de locação;
α - parâmetro de forma;
β - parâmetro de escala.
Quando μ=0 e β=1 obtém-se a distribuição de padrão de Weibull. Quando μ=0 e β≠1 a
distribuição é dita bi-paramétrica e é dada por:
    x   1
    x   (*)
f ( x)    .   .exp     

         , com x, α e β > 0
 
Distribuição de Weibull:
Um aspecto conveniente da Weibull é que a f.d.p (*) é analiticamente integrável, sua
função distribuição de probabilidade é:
  x  
F ( x)  P  X  x   1  exp      (1) (probabilidade de não excedência)
   
 
Parâmetros 
    11/  
 2   2 1 2 /   11/  
2
 
F(x) = i/n+1 freqüência de Kimbal. Substituindo em (1) tem-se:
1   x  
1  exp     
n 1     (2), linearizando-se tem-se:
 
Distribuição de Weibull:
Aplica-se o Ln em ambos os membros:


 1  x
Ln 1      multiplica  se por (1) e aplica  se Ln
 n 1   
assim, pode-se escrever: Y=a.X+b
Y a X b;
Distribuição Beta: Algumas variáveis de interesse são restritas à seguimentos com limites
inferior e superior. Na meteorologia a umidade relativa do ar ocorre limita-se entre 0 e
100% ou 0 e 1. Uma f.d.p para representar esse tipo de variável é a Beta, dada por:
(  1)
x x .1 x 
( 1 k )
F ( x)   dx , 0  x 1 e  ,   0 (1)
0 B ,  
x   1   1

 
Em que B(α, β) é a função Beta, dada por: B  ,    x  .1 x   (2)
   
 dx
0
ˆ 

Y 1 Y
2

 Y  (3);
2 ˆ

ˆ 1 Y
 (4)
 
2
SY Y
ˆ e ˆ são parâmetros de forma Y é o parâmetro de locação. As equações (1) e (2) podem
ser integradas numericamente. O valor da constante k pode ser obtido por tentativa e erro.
Distribuição Beta: Se a variável X estiver restrita a um intervalo (a, b) ela poderá ser
representada por uma distribuição Beta após passar pela transformação:

Y  xi  a  b  a   0,0001  curva empírica
a – limite inferior da amostra
b - limite superior da amostra
A equação (1) é a função distribuição
de probabilidade acumulada ou
seja, é a P[X≤x] ou probabilidade de
não excedência.
Assimetria negativa
Distribuição Gama: Se X for uma variável aleatória contínua, tal que ( 0 < x < ), com
distribuição gama de parâmetros  ,  e X  0 , então a sua função densidade de
probabilidade é definida como:
f (X )  1
 X  1e X /  (1), em que ( ) é a função gama de gama (γ)
( )
( X )   X  1e X dx ,
x para todo X>0; ( X ) pode ser obtido por:
0
2 X  Ln( X ) f ( X )  (2) em que f ( X ) 1 1  1  1 (3)

( X )  e  
12 X 2 360 X 4 1260 X 6
X
Parâmetros da Gamma
X   .  média (4)
S 2   . 2  var iância (5)
A  2  coeficiente de assimetria (6)

Note que  e  podem ser obtidos pelas equações (4) e (5)
Distribuição Gamma:
 
Pode-se também estimar por: ˆ  1 1 1 4 A  (7) e ˆ  X / ˆ (8)
4 A  3 

N N
Em que A  LnX  X g ; X  1  fi .xi e X g  1  Ln( xi ). fi que é a média geométrica.
N i1 N i1
Ou ainda, ˆ  0,5000876  0,1648852Z  0,054427Z 2 (9)

Z
8,898919  9,05995Z  0,9775373Z 2

Em que Z  LnX  X g, para 0 ≤ Z ≤ 0,5772 e, ˆ  Z (17,79728) 11,968477 Z  Z
2
Para 0,5772 ≤ Z ≤ 17,0

Em seguida a estimativa de ˆ poderá ser levada na equação (8) e se estimar ̂ .
A função distribuição de probabilidade acumulada Gama é dada por:
1 x  1  X / 
F(X )  X
( )  0
e dx (10)
Solução numérica da equação (10)

mudança de variável: fazendo t = x/β; tem-se x = β.t e dx = β.dt, assim;
F (t )  t  1
1 t  t2  t3  ..........


 .( ).e 
t    1  
  1   2   
  1   2  
  3 

(11)
Desse modo, a P[X≤t]=F(t), ou seja a probabilidade de ocorrer um valor X ≤ t

(probabilidade de não excedência) é dada pela equação (11).
Roteiro para o ajuste de uma amostra a Função Gamma
1. estime a média e o desvio-padrão;

2. estime a media geométrica para dados agrupados;
3. estime o valor de A  LnX  X g
4. use a equação (7) para estimar gama;
5. use a equação (8) para estimar beta;

6. substitua X por  na equação (3) e estime f ( ) ;
7. substitua X por  na equação (2) e estime ( ) ;
8. obtenha o valor da probabilidade de um dado valor X usando a equação (1);
9. a probabilidade acumulada de um dado valor Xi é obtida pela equação (11) após
transformar a variável Xi em t, ou seja, t  X i ˆ
• OBS. para obter a probabilidade acumulada, utilizando a equação (11) é necessário

faze-la convergir;
utilize os mesmos dados do ajuste da Log-normal, considerando os limites superiores
das classes como Xi e estime as probabilidades acumuladas.
Distribuição de Poisson: muitos eventos ocorrem como pontos aleatórios no tempo,
espaço ou volume. Em meteorologia esse modelo ajusta-se bem a calamidades do tipo
seca, furações etc. Dado o número médio de ocorrências (λ), a função de probabilidade de
Poisson é dada por:
 x r
p( x) 
e . e a função acumulada P ( x) 
 p ( x)
x 0
x!
Parâmetros:
E(x)=λ=média
V(x)= λ=S2=variância
OBS. Pode-se utilizar a Distribuição de Poisson como uma aproximação da Distribuição Binomial
quando “n” for grande e “p”, muito pequeno (n ≥100 e n.p ≤10). Ao utilizar Poisson como
aproximação da Binomial, pode-se estimar o valor de λ por λ= n.p
Distribuição Binomial: Uma variável Bernoulli é aquela que pode assumir apenas dois
valores excludentes: “p” probabilidade de sucesso e “q=1-p” insucesso. Exemplos, sejam
os eventos dicotômicos:
• respostas a um questionário (sim ou não);
• dia com chuva ou dia sem chuva;
• arremesso de uma moeda etc.
O modelo Bernoulli tem valor esperado E[X] = np e Var[X] = np (1-p). Uma distribuição
Binomial é considerada como a soma de “n” variáveis independentes Bernoulli e sua
função de probabilidade é:
. p x q n x
n!
P( x) 
x!(n  x)!
A Binomial é utilizada em climatologia em casos especiais, haja vista que nos eventos
naturais climatológicos há persistência (eventos correlacionados e dependentes)
Distribuição Binomial:
Quando p > q a distribuição é assimétrica positiva
Quando p = q a distribuição é simétrica
Quando p < q a distribuição é assimétrica negativa

Testes de aderência: pretendem verificar se uma f.d.p. (teórica) postulada é adequada para
representar as freqüências (empíricas) de valores amostrais observados. Aqui dois testes
serão discutidos: o Qui-quadrado (χ2) e Kolmogorov-Smirnov (K.S).
Qui-quadrado (χ2) - considere a seguinte estatística:
   
2 2
2 k Oi  npi k Oi  Ei
    
i 1 Oi i 1 Oi
Em que,
Oi – freqüência observada (empírica)
Ei – freqüência esperada (teórica)
pi – probabilidade da f.d.p. postulada
n – tamanho da amostra
k – número de classes ou valores observados Xi
Qui-quadrado (χ2)
Se χ2 < χ2Tabelado não há razão para 40
rejeitar a hipótese básica de ajuste 35 Oi
ao nível de significância α e υ = r-1- 30 Ei = pi*n
Frqüências
m graus de liberdade. 25
20
r – número de classes 15
m – número de parâmetros 10
5
Assim, se χ2 < χ2 1-α aceita-se o 0

1 2 3 4 5 6 7 8 9 10 11
ajuste dos dados à f.d.p. postulada.
Classes
Kolmogorov-Smirnov (K.S) - O teste de aderêcia de Kolmogorov-Smirnov (KS) é um
teste não paramétrico, cuja estatística de teste tem como base a diferença máxima entre as
funções de probabilidades acumuladas, empírica e teórica, de variáveis aleatórias
contínuas. Considere a seguinte estatística:
'
Dmáx  máx F ( x)  F ( x)
Em que
'
F ( x )  probabilidade teórica acumulada
F ( x )  probabilidade empírica  f a N
Se, ao nível de significância α, o valor calculado Dmáx for maior ou igual ao valor crítico
Dmáx Tabelado , a hipótese de que os dados amostrais provém de uma população com
distribuição teórica F ' ( x) é rejeitada.
Kolmogorov-Smirnov (K.S)
1
0,9
Freqüências acumuladas
0,8
0,7
Se Dmáx < Dmáx Tabelado aceita-
0,6
se o ajuste ao nível de 0,5 F(x) - empírica
significância α. 0,4
F'(x) - teórica
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11
Limites superiores das classes
Ogivas (empíricas e teóricas)

Considerações sobre os teste de aderência
Erro Tipo I: Rejeitar a Hipótese Nula, H0, quando ela é efetivamente verdadeira. A
probabilidade do erro tipo I é igual ao nível de significância, α
Erro Tipo II: Aceitar a Hipótese Nula, H0, quando é efetivamente falsa. A probabilidade
do erro tipo II é igual a (beta)
Região de rejeição
Região de
Se α=0,05 1- α=0,95 aceitação

1 - Métodos Estatísticos para Hidrometeorologia - 2019

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

1 - Métodos Estatísticos para Hidrometeorologia - 2019

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal de Campina Grande - UFCG

PROGRAMA DE POS-GRADUAÇÃO EM RECURSOSO

PROF. FRANCISCO DE ASSIS SALVIANO DE SOUSA

• 1ª lista de exercícios para entregar na dia do primeiro estágio do

Segunda parte: • 2ª lista de exercícios para entregar no dia do 2º estágio

Periódicos da Capes: http://www.sciencedirect.com/

A Estatística é uma coleção de métodos para planejar experimentos, obter dados,

Estatística é o desenvolvimento de princípios e métodos que poderão ajudar-nos a tomar

Subdivisão da estatística: Estatística descritiva e Estatística inferencial

Estatística descritiva - descritiva relaciona-se com a organização e resumo dos dados.

Estatística inferencial: consiste de métodos e procedimentos usados para extrair

Em ciências atmosféricas a estatística tem um papel muito importante, visto que é a

A aleatoriedade não é um estado de “imprevisibilidade” ou de “falta de

As variáveis são características que podem ser observadas ou medidas em cada

Por exemplo: P [ X  x]  0,302

Exemplo numérico. Se X representar a precipitação pluvial pode-se escrever:

A coleção de todas as medidas oriundas de uma variável é chamada de POPULAÇÃO.

Amostra - Como em geral as populações são muito grandes, se faz necessário o

As estimativas dos parâmetros calculados a partir das amostras são chamadas

O conjunto de dados que descreve o comportamento de uma variável pode ser

DADOS BRUTOS Intervalo Freqüência

Inferência estatística da pop. Erro Probabilidade

Estatística descritiva: parte da estatística que descreve os aspectos importantes de um

Probabilidade: número que indica a chance de uma determinada situação ocorrer.

População: Coleção completa de todos os elementos a serem estudados (Ex.: todos os

Pequenas amostras: Pesquisou-se 10 dentistas. “7 entre 10 dentistas recomendam o creme

No primeiro caso: 1' é a média, 2' é a variância e 3' é o momento de ordem 3,

Momentos de ordem r amostrais para dados agrupados centrados na média:

Média: média aritmética ou média é o centro do conjunto de dados – ponto de equilíbrio.

Obs.  média populacional e x  média amostral

Mediana (X ): Valor do meio do conjunto de dados, quando os valores estão dispostos em

Deve-se tomar cuidados ao escolher uma medida de posição para representar um

“Média” e “Ponto Médio” são muito afetadas por valores extremo

Em geral, a melhor política é utilizar os dois parâmetros: “média” e “mediana”

Razão média/mediana ~ =1 (caso da f.d.p. Normal)

• Escore padronizado ou escore z

Os percentis dividem o conjunto de dados em 100 partes iguais. O percentil indica o

Exemplo: o P92 (92o percentil) indica que há 92% de dados inferiores.

Resumo: Para dados com decimais a posição do percentil é visível

Aplica-se: LP= (n-1). (p/100) + 1

L25= (8-1). 0,25 + 1 = 2,75 ***** L75= (8-1). 0,75 + 1 = 6,25

Os quartis dividem o conjunto de dados em quatro partes iguais de 25%.

Temos assim três quartis nesse conjunto,

O 1º quartil ou Q1, separa os 25% de dados inferiores

Q1=P25, Q2=P50 e Q3=P75 ***** Note que Q2=Q50=Mediana

OBS. X  média amostral,   média populacional

• Indica a dispersão dos dados; quanto mais dispersos maior o desvio-padrão

Tchebichev também é útil para identificar valores “estranhos” em um conjunto de dados:

• da vida mais breve => 2 anos

Tchebichev também é útil para identificar valores “estranhos”em um conjunto de dados:

O Coeficiente de Variação indica a magnitude relativa do desvio-padrão quando

750,00; 800,00; 790,00; 810,00; 820,00; 760,00; 780,00

50,00; 45,00; 55,00; 43,00; 52,00; 45,00; 54,00

Qual dos produtos têm uma maior variabilidade de preços?

CV  25,63 .100 3,3% CV  4,81 .100  9,8%

Dj= Q3-Q1= P75-P25

• Só aproveita 50% dos dados;

Calcula-se o escore z conforme segue:

A representação do conjunto de dados é dada por: Freqüência relativa

Determine a número de classes (k)

• Regra de Sturges k = 1 + 3,3log (n)

Há necessidade de regras para agrupar dados?

1. calcula-se a amplitude total do rol (diferença entre o maior e o menor número);