Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
mx
P(x ) = (1)
N
Observe que todos os números que constituem o espaço amostral S possuem a
mesma possibilidade de ser sorteados numa situação não viciada.
É importante, no entanto, diferenciarmos probabilidade de freqüência. Esta última
está associada ao número de vezes que um determinado evento ocorreu, enquanto que
probabilidade refere-se às possíveis situações de ocorrência, que no caso da equação 1, é
considerada como de igual de probabilidade. Assim, se um sorteio de cara e coroa é
realizado 10 vezes e “cara” for sorteado 7 vezes, sua freqüência será 0,7. Por lado, como
2
temos apenas duas possibilidades e estas são iguais (numa situação não viciada), o número
de vezes esperado para o sorteio de “cara” é 5 vezes, portanto, a probabilidade seria 0,5.
No entanto, na hidrologia, em grande parte das vezes, nos interessa, em termos
práticos, avaliar qual a possibilidade de um determinado evento ser maior ou igual (ou
menor ou igual) a um dado valor xi e isto remete ao conceito de uma variável contínua, como
por exemplo, vazões de um rio.
Existem diferenças importantes nos modelos probabilísticos para ambas as
situações. No caso de variáveis discretas busca-se estimar qual a P(x) ser igual a um valor;
no caso de variáveis contínuas, qual a P(x > xi) ou P(X<xi). Para variáveis discretas, o
modelo probabilístico pode ser ajustado com apenas um parâmetro, normalmente vinculado
à média, como no caso da Distribuição de Poisson. Em se tratando de variáveis contínuas, o
modelo probabilístico necessita de 2 ou 3 parâmetros para seu ajuste, e estes estão
vinculados às medidas estatísticas de média, variância e assimetria, ou seja, aos momentos
estatísticos de 1ª, 2ª e 3ª ordens.
P(A ∩ B )
P(A | B ) = (2)
P(B )
Nesta equação, P(A | B ) significa a probabilidade do evento A, associada (ou
A P(A ∩ B )
fobs =
i Weibull Aplicação ao estudo de probabilidades não
N +1
enviesadas (sem tendência) para qualquer modelo de
Distribuição.
fobs =
i − 0,44 Gringorten Aplicada para estudos associados às Distribuições
N + 0,12
Gumbel e GEV.
fobs =
i − 0,375 Blom Aplicada para estudos associados às Distribuições
N + 0,25
Normal e Log-normal.
fobs =
i − 0,50 Hazen Aplicada para estudos associados à Distribuição
N
Gama 3 parâmetros.
fobs =
i − 0,40 Cunnane Aplicação ao estudo de probabilidades não
N + 0,20
enviesadas (sem tendência) para qualquer modelo de
Distribuição.
k = 1− p (8)
8
Considera-se que a probabilidade do evento não ocorrer em qualquer dos anos, num
intervalo de N anos, é dada por:
K = kN (9)
R = 1− K (10)
R = 1− kN (11)
R = 1 − (1 − p)N (12)
N
1
R = 1− 1− (13)
TR
Na realidade, esta seqüência de equações nada mais é do que a aplicação da
Distribuição Binomial, considerando a probabilidade de não ocorrência, ou seja, P(x=0). A
Distribuição Binomial apresenta a seguinte estrutura:
N
P(X = x ) = ⋅ p x ⋅ (1 − p )
N− x
(14)
x
Assim, para a situação de não ocorrência, ou seja, P (X=0), teremos:
N
P(X = 0 ) = ⋅ p 0 ⋅ (1 − p ) = (1 − p )
N N
(15)
0
Para a situação de ocorrência:
P( X = x ) = 1 − (1 − p)N (16)
Sendo P(X=x) o risco hidrológico R definido anteriormente. O desdobramento, em
função de TR, é idêntico ao apresentado anteriormente.
9
a) Precipitação total anual: constituída pela soma das precipitações diárias ocorridas ao
longo de 1 ano, obtendo-se, desta forma, 1 valor para a série. É estruturada,
portanto, com valores totais de cada ano. Neste caso, normalmente objetiva-se ao
estudo comportamental do ciclo hidrológico, sendo importante para estudos
vinculados ao balanço hídrico climatológico bem como balanço hídrico anual em
bacias hidrográficas.
c) Precipitação máxima diária anual: neste caso, toma-se, em determinado ano, a maior
precipitação diária registrada, sendo este valor 1 componente da série histórica. É
feito desta forma para vários anos, constituindo-se a série histórica. Seu estudo é
importante quando se deseja obter valores extremos máximos diários, visando ao
estudo da freqüência de ocorrência de precipitações intensas, inclusive para geração
das equações de chuvas intensas. Quando a disponibilidade de dados históricos é
pequena, pode-se trabalhar com os 2 maiores valores anuais, a fim de melhorar a
representatividade da série.
e) Vazões Máximas Diárias Anuais: são séries históricas aplicadas ao estudo de vazões
de cheia e de projeto em cursos d´água. São séries com característica assintótica,
assim como as de precipitações máximas, ou seja, com acúmulo de dados à
esquerda na distribuição de freqüências, gerando-se um caudal à direita.
f) Vazões Mínimas Diárias Anuais: são séries históricas muito aplicadas à hidrologia,
fundamentais em estudos ligados à disponibilidade de água em cursos d’água para
projetos e gestão de recursos hídricos. De forma semelhante às vazões máximas,
são assintóticas, com acúmulo de dados à direita na distribuição de freqüência,
gerando-se um caudal à esquerda.
4.6.2 Moda
É definida como sendo o valor que aparece com mais freqüência num conjunto de
dados. Quando se tem um intervalo de classe, a moda será o ponto médio da classe que
contiver o maior número de ocorrências.
4.6.3 Mediana
Corresponde ao valor que representa exatamente 50% das ocorrências. Para obtê-lo
basta avaliar as freqüências de ocorrência, independentemente de ser de excedência ou
não-excedência. Para obter o valor exato de 50%, pode-se utilizar o procedimento de
interpolação dos dados vizinhos a este valor, quando não for possível obtê-lo diretamente.
s = s2 (19)
Ao se avaliar tanto o desvio padrão quanto a variância, observa-se que quanto maior
ambos, maior a variação dos dados em torno da média.
4.6.6 Assimetria
A assimetria é um parâmetro importante na medida em que avalia a forma como os
dados estão distribuídos em relação à média. Para que os dados apresentem distribuição
normal, a assimetria deve ser próxima ou igual a zero. Nesta situação, a média, a moda e a
mediana são iguais. Contudo, quando este valor for distante de zero, apresentará um
padrão de distribuição com a maior quantidade de dados à esquerda (assimetria positiva) ou
à direita (assimetria negativa). Em termos de dados hidrológicos, por apresentarem um
padrão com limitação inferior (normalmente, valor mínimo é zero) e sem limitação superior
13
(os eventos hidrológicos podem ser superados), a assimetria é positiva. A assimetria pode
ser calculada da seguinte forma:
3
n −
xi − x
i=1
A= (20)
n
Na prática é mais comum a utilização do coeficiente de assimetria, que representa a
relação entre a assimetria e o desvio padrão ao cubo. Este coeficiente pode ser do tipo
corrigido ou comum. O último pode ser calculado por:
A
Ca = (21)
s3
O coeficiente corrigido é determinado da seguinte forma:
3
n −
xi − x
n i=1
Ca = ⋅ (22)
(n − 1) ⋅ (n − 2) s3
4.6.7 Curtose
Quantifica o grau de “achatamento” da distribuição de freqüência de uma
determinada amostra. A referência para curtose é a curva normal e pode ser calculada pela
seguinte equação:
4
n −
xi − x
i=1 1
Cu = ⋅ −3 (23)
n s4
A co-variância pode ser negativa ou positiva. No primeiro caso, significa que valores
mais baixos de uma variável explicam valores mais altos de outra variável. No segundo, as
variáveis possuem o mesmo comportamento em termos de crescimento. Em ambos os
casos, quanto maior o valor, em módulo, maior a explicação da variável dependente.
cov xy
r= (25)
(s x ⋅ s y )
Em que sx e sy são respectivamente, o desvio padrão das variáveis x e y.
1
Haan (2002).
16
−0,5⋅
(x − µ ) 2
1
FDP = f (x ) = ⋅e σ
(27)
σ 2⋅π
−0,5⋅
(x − µ ) 2
x 1
FCP = F(x ) = Pr ob(x ≤ x i ) = ⋅e σ
dx (29)
−∞ σ ⋅ 2 ⋅ π
−
x−x
z= (30)
s
Observa-se que z faz o papel de KTR conforme equação geral proposta por Ven Te
Chow (equação 26). Verifica-se, portanto, que a variável KTR é equivalente a z, no caso da
DN. A distribuição normal passa a ser DN (0,1) que é a distribuição normal padrão e sua
FCP calculada por:
1 z 2
F(z ) = Pr ob (Z ≤ z ) = ⋅ e −0,5⋅z dz (31)
2 ⋅ π −∞
(
Pr ob(Z ≤ z ) = 1 − f (z ) ⋅ a 1 ⋅ q + a 2 ⋅ q 2 + a 3 ⋅ q 3 ) (32)
Em que:
1 2
f (z ) = ⋅ e −0,5⋅z (33)
2⋅π
q = (1 + a 0 ⋅ z )−1 (34)
Os valores para as constantes são:
a0 = 0,33267; a1 = 0,43618; a2 = -0,12017; a3 = 0,9373
Devido à simetria da curva normal, a série pode ser dividida em valores “menores
que” e “maiores que” a média. Deve-se ressaltar que variáveis afastadas da média do
19
mesmo valor (com os mesmos desvios) têm o mesmo tempo de recorrência, independente
de ser menor ou maior que a média. Assim, se 2 valores da variável X (X1 e X2) distam da
média, o mesmo desvio, tem-se o mesmo tempo de retorno para ambas. Numa situação,
busca-se a possibilidade de um valor menor que a média voltar a se repetir e noutra, um
valor maior que a média. Nesta situação, o cálculo de TR é conduzido considerando-se as
seguintes situações:
- Para valores menores que a média, objetiva-se conhecer o valor de não-
excedência;
- Para valores maiores que a média, objetiva a probabilidade de excedência;
Pelas equações abaixo, tem-se, respectivamente, a forma de cálculo de TR para
cada situação:
1
TR = ; se o valor da variável for menor que a média;
P(x ≤ x i )
1
TR = ; se o valor da variável for maior que a média;
P(x ≥ x i )
0,84134 = 0,15865.
Para o segundo caso, tem-se:
1
TR = = 6,3 anos ;
0,15865
[P(z > 1)] será 0,15865. Como os valores são simétricos, P(z ≤ −1) = P(z ≥ 1) e portanto,
0,15865.
20
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 0.5 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.10 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.20 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.30 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.40 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.50 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.60 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.70 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.80 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.90 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.00 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.10 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.20 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.30 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.40 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.50 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.60 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.70 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.80 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.90 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.00 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.10 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.20 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.30 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.40 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.50 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.60 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.70 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.80 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.90 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.00 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.10 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.20 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.30 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.40 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
Tabela 4.3 Alturas pluviométricas anuais para Lavras, MG, e respectiva distribuição de
freqüência.
Ordem P Fnão-exc. Ordem P Fnão-exc. Ordem P Fnão-exc.
1 747,1 0,01316 29 1353,7 0,38158 57 1696,0 0,75
2 832,4 0,02632 30 1354,7 0,39474 58 1673,2 0,76316
3 999,2 0,03947 31 1355,7 0,40789 59 1683,5 0,77632
4 1001,3 0,05263 32 1374,4 0,42105 60 1686,6 0,78947
5 1068,1 0,06579 33 1377,9 0,43421 61 1689,4 0,80263
6 1093,5 0,07895 34 1380,4 0,44737 62 1705,5 0,81579
7 1109,9 0,09211 35 1393,6 0,46053 63 1719,1 0,82895
8 1170,6 0,10526 36 1398,7 0,47368 64 1726,6 0,84211
9 1171,3 0,11842 37 1413,1 0,48684 65 1728,5 0,85526
10 1183,2 0,13158 38 1427,3 0,50 66 1794,0 0,86842
11 1184,9 0,14474 39 1428,1 0,51316 67 1816,6 0,88158
12 1187,7 0,15789 40 1430,0 0,52632 68 1820,3 0,89474
13 1196,6 0,17105 41 1443,4 0,53947 69 1832,7 0,90789
14 1204,7 0,18421 42 1445,8 0,55263 70 1933,2 0,92105
15 1216,1 0,19737 43 1448,8 0,56579 71 1938,0 0,93421
16 1216,2 0,21053 44 1450,3 0,57895 72 1951,8 0,94737
17 1217,8 0,22368 45 1453,4 0,59211 73 2042,2 0,96053
18 1246,0 0,23684 46 1479,5 0,60526 74 2130,7 0,97368
19 1263,5 0,25 47 1496,3 0,61842 75 2485,6 0,98684
20 1266,7 0,26316 48 1555,8 0,63158
21 1268,6 0,27632 49 1567,4 0,64474
22 1282,5 0,28947 50 1584,3 0,65789
23 1288,8 0,30263 51 1585,1 0,67105
24 1301,2 0,31579 52 1589,1 0,68421
25 1313,0 0,32895 53 1590,0 0,69737
26 1319,8 0,34211 54 1634,1 0,71053
27 1326,6 0,35526 55 1634,1 0,72368
28 1352,8 0,36842 56 1665,3 0,73684
22
Moda: ponto da classe com maior número de observações. Portanto, 1243,9 mm.
Mediana: valor que corresponde a exatamente 50% dos dados. Na Tabela 4.1, 1427,3 mm.
Ca = 0,72 Observa-se que a assimetria dos dados é pequena, sugerindo-se que é possível
ajustar a distribuição normal aos dados.
−
x−x
1068,1 − 1466
z= = = −1,25 → Pr ob(Z ≤ −1,25 ) = 0,10628
s 319,2
−
x−x
2042,2 − 1466
z= = = 1,81 → Pr ob(Z ≤ 1,81) = 0,96447
s 319,2
−
x−x
2000 − 1466
z= = = 1,67 → P(Z ≤ 1,67 ) = 0,9525
s 319,2
P(X ≥ 2000 mm ) = 1 − 0,9525 = 0,0475
−
x−x
1600 − 1466
z= = = 0,42 → P(Z ≤ 0,42) = 0,6628
s 319,2
P(X ≥ 1600 ) = 1 − 0,6628 = 0,3372
P2 é maior que P1, assim como P1`é menor que P2`.: TR2 > TR1.
25
b) Pode-se observar também que, para probabilidades menores que 0,01316 e maiores
que 0,98684 não é possível obter o valor com base na freqüência observada, porque as
freqüências extremas correspondem a estes valores, ou seja, o tamanho da amostra
(série histórica) não foi suficiente para que se pudesse detectar e comparar os
estimados pela distribuição de probabilidades em relação às respectivas freqüências
observadas.
c) Pode-se verificar que os erros na estimativa dos eventos são pequenos, indicando que a
distribuição normal pode representar bem o fenômeno das precipitações totais anuais.
No entanto, deve-se aplicar um teste estatístico de aderência para se concluir de forma
mais efetiva, o qual será tratado em tópico específico deste capítulo.
− α (x −µ )−e − α (x − µ )
FDP = α ⋅ e (35)
− α(x − µ )
P(x ≤ xi ) = e− e (36)
^ 1,2826
α= (37)
s
^ −
µ = x − 0,45 ⋅ s (38)
−
Em que x e s correspondem, respectivamente, à média e o desvio padrão da série
histórica.
26
1
− LN − LN 1 −
TR
x TR = +µ (39)
α
A distribuição GEV (do inglês “Generalized Extreme Value”) foi introduzida por
Jenkinson (1955), incorporando as 3 formas assintóticas: Gumbel (Tipo I), Fréchet (Tipo II) e
Weibull (Tipo III). Sua FDP é dada por:
1+ ξ 1
− −
1 x−µ ξ x−µ ξ
FDP = f (x ) = ⋅ 1 + ξ ⋅ ⋅ exp − 1 + ξ ⋅ (40)
σ σ σ
σ
E[x ] = x = µ + ⋅ [Γ(1 − ξ ) − 1] (42)
ξ
[ ]
2
σ
Var (x ) = ⋅ Γ(1 − 2 ⋅ ξ) − Γ 2 (1 − ξ) (43)
ξ
−ξ
σ 1
x TR = µ + ⋅ 1 − − LN 1 − (45)
ξ TR
θ+1 θ
θ λ λ
FDP = f (x ) = ⋅ ⋅ exp − (46)
λ x x
θ
λ
FCP = P(X ≥ xi) = 1 − exp − para x > 0; θ, λ > 0 (47)
x
1
E(x ) = µ = λ ⋅ Γ 1 − para θ > 1 (48)
θ
2 1
Var (x ) = σ 2x = λ2 ⋅ Γ 1 − − Γ2 1− para θ > 2 (49)
θ θ
2
Γ 1−
θ
CV = − 1 para θ > 2 (50)
1
Γ2 1−
θ
28
1
−
TR θ
x TR = λ ⋅ LN (51)
TR − 1
^ 1,2826
α= (52)
s
^ −
µ = x + 0,45 ⋅ s (53)
α⋅(x −µ )− eα (x − µ )
FDP = α ⋅ e (54)
α (x − µ )
P(x ≤ x i ) = 1 − e −e (55)
1
LN − LN 1 −
TR
x TR = +µ (56)
α
29
Tabela 4.5 Precipitações máximas diárias anuais para Lavras, MG no período de 1915 a
1930 e respectivas freqüências observadas de não excedência.
Distribuição Gumbel
Distribuição GEV
Distribuição Fréchet
Distribuição de Gumbel
Distribuição GEV
Distribuição Fréchet
Ln(x )−µn
2
−0,5⋅
1 σn
FDP = ⋅e (57)
x ⋅ σn ⋅ 2 ⋅ π
Os valores dos parâmetros desta distribuição podem ser estimados com base na
média e desvio padrão dos dados sem transformação logarítmica. As equações são:
−4
1 x
µn = ⋅ Ln (59)
2 −2
x + s2
−2
x + s2
σ n = Ln (60)
−2
x
x TR = e µn + k TR ⋅ σn (61)
Ln(x −β )−µn
2
−0,5⋅
1
FDP : f (x ) =
σn
⋅e , com x ≥ β . (62)
(x − β) ⋅ σ n ⋅ 2⋅π
ηy =
(1 − φ )
23
(64)
φ1 3
(
− γ + γ2 + 4 )
0,5
φ= (65)
2
33
estima-se φ (equação 65), ηy (equação 64) e com base neste último valor e na média e
µ n = Ln
s
ηy
( )
− 0,5 ⋅ Ln η y 2 + 1 (66)
(
σ n = Ln η y 2 + 1 ) (67)
x TR = e µn +k TR ⋅σn + β (68)
Tabela 4.6 Série histórica de precipitação associada ao 1º decêndio de janeiro para Lavras,
MG, no período de 1960 a 1981, e respectivas freqüências observadas.
Ordem Precipitação Fexcedência Ordem Precipitação Fexcedência
(mm) (mm)
1 290 0,04545 12 84,8 0,54545
2 253,2 0,09091 13 78,5 0,59091
3 189,9 0,13636 14 69,9 0,63636
4 162,8 0,18182 15 53,5 0,68182
5 144,8 0,22727 16 52,4 0,72727
6 141,2 0,27273 17 42,2 0,77273
7 140,3 0,31818 18 29,2 0,81818
8 135,3 0,36364 19 25,5 0,86364
9 111,7 0,40909 20 17,6 0,90909
10 97,8 0,45455 21 8,4 0,95455
11 95,9 0,50000
(
− γ + γ2 + 4 )
0,5
(
− 0,9845 + 0,9845 2 + 4 )
0,5
φ= = = 0,6223
2 2
2
1 − 0,6223 3
ηy =
(1 − φ ) =
23
= 0,3175
φ1 3 1
0,6223 3
− s 75,07
β = x− = 105,95 − = −130,47
ηy 0,3175
µ n = Ln
s
ηy
2
(
− 0,5 ⋅ Ln η y + 1 = Ln )
75,07
0,3175
(
− 0,5 ⋅ Ln 0,3175 2 + 1 = 5,418 )
36
( ) ( )
σ n = Ln η y 2 + 1 = Ln 0,3175 2 + 1 = 0,3099
kTR = 2,37.: P(x<xi) = 0,9911 e P(x>xi) = 0,0089 e TR = 112,4 anos. Nota-se uma grande
diferença entre os cálculos dos dois modelos para a estimativa deste TR.
Obs.: A análise da distribuição de probabilidades que é mais precisa pode ser obtida
mediante testes estatísticos apropriados, os quais permitirão verificar a adequação da
distribuição bem como inferir sobre sua precisão propriamente dito.
−x
1
FDP : f (x ) = ⋅x υ−1
⋅e β
(69)
β υ × Γ(υ)
s2
β= (70)
X
υ=
(X) 2
(71)
s2
A função Gama de um número qualquer pode ser aproximada por2:
2π 5 p
Γ(n) = ⋅ po + i
⋅ (n + 5.5 )n+0.5 ⋅ e − (n+5.5 ) (72)
n i=1 n + i
2
Trabalho desenvolvido por Press et al. (1992) com erro absoluto menor que 2x10-10 e citado por Ferreira (2005).
38
xi+1
f (x ) ⋅ dx = (x i+1 − x i ) ⋅
[f (x i ) + f (x i+1 )] (73)
xi 2
x
P(X ≤ x ) = f (x ) ⋅ dx (74)
0
− (x − µ )
1
FDP : f (x ) = ⋅ (x − µ ) υ −1
⋅e β
(75)
β υ × Γ(υ)
A estimativa dos parâmetros desta equação, com base no método dos momentos, é:
4
υ= (76)
as 2
as ⋅ s
β= (77)
2
2⋅s
µ = X− (78)
as
β
FDP : f (x ) = λ ⋅ β ⋅ x β −1 ⋅ e −λ⋅x (79)
β
FCP : P(X ≤ x ) = 1 − e −λ⋅x (80)
O valor da variável x associada ao tempo de retorno (TR) pode ser calculado por:
1
1 β
Ln 1 −
TR
x= (83)
-λ
Tabela 4.7 Série histórica de vazões mínimas com 7 dias consecutivos do Rio Grande com
seção de controle em Madre de Deus e respectivas freqüências observadas.
Ordem Vazão Fnão-excedência Ordem Vazão Fnão-excedência
1 8,97 0.01449 35 19.49 0.50725
2 10,41 0.02899 36 19.53 0.52174
3 11,32 0.04348 37 19.67 0.53623
4 11,50 0.05797 38 19.87 0.55072
5 13,10 0.07246 39 19.89 0.56522
6 13,15 0.08696 40 19.98 0.57971
7 13,57 0.10145 41 20.11 0.59420
8 14,46 0.11594 42 20.21 0.60870
9 14,95 0.13043 43 20.39 0.62319
10 14,95 0.14493 44 20.83 0.63768
11 15,66 0.15942 45 21.08 0.65217
12 16,04 0.17391 46 21.61 0.66667
13 16,06 0.18841 47 22.11 0.68116
14 16,18 0.20290 48 22.16 0.69565
15 16,20 0.21739 49 22.40 0.71014
16 16,32 0.23188 50 22.41 0.72464
17 16,39 0.24638 51 22.72 0.73913
18 17,00 0.26087 52 22.84 0.75362
19 17,02 0.27536 53 23.19 0.76812
20 17,04 0.28986 54 23.79 0.78261
21 17,04 0.30435 55 24.76 0.79710
22 17,48 0.31884 56 24.78 0.81159
23 17,57 0.33333 57 25.16 0.82609
24 17,66 0.34783 58 25.24 0.84058
25 17,72 0.36232 59 25.41 0.85507
26 17,88 0.37681 60 25.72 0.86957
27 18,09 0.39130 61 26.60 0.88406
28 18,77 0.40580 62 26.62 0.89855
29 18,79 0.42029 63 26.96 0.91304
30 18,79 0.43478 64 27.90 0.92754
31 18,80 0.44928 65 29.24 0.94203
32 19,04 0.46377 66 30.30 0.95652
33 19,41 0.47826 67 32.50 0.97101
34 19,48 0.49275 68 38.25 0.98551
Trabalhando com os dados da Tabela 4.7, calcula-se a média e desvio padrão dos
dados da mesma. Assim, tem-se:
−
x = 20,01 m3 s-1
s = 5,276 m3 s-1
2
2 µ 2 1
σ = ⋅ Γ 1+ − Γ 1+ (84)
1 β β
Γ 1+
β
Com isto, é possível estimar o parâmetro β e a partir daí, com a média dos dados, o
parâmetro λ na equação 81. Respectivamente, tem-se:
β = 4,283378; λ = 1,78219 x 10-6
Para TR = 10 anos
1 1
LN − LN 1 − LN − LN 1 −
TR 10
x TR = +µ = + 22,38 = 13,12 m3/s
α 0,2431
Valendo-se do mesmo procedimento, tem-se para os demais tempos de retorno:
Determinação de TR:
1 1
TR = =
P(X ≤ xi) 1 − exp(− exp(α ⋅ (x − µ )))
1
TR = = 54,12 anos
1 − exp(− exp(0,2431 ⋅ (6 − 22,38 )))
Observações
A comparação das distribuições mostra que para valores mais altos de vazão, a
estimativa da freqüência tende a ser próxima, especialmente Weibull e GEV. Para valores
menores, observa-se discrepância nas estimativas, com a GEV mais próxima da
Distribuição Gumbel.
4.8.1 Definições
O Método da Máxima Verossimilhança consiste de uma metodologia desenvolvida
por Fisher em 1922, no qual se busca a maximização da probabilidade (plausibilidade) de
um parâmetro representar uma população, maximizando a densidade conjunta dos
elementos amostrais. A função de verossimilhança é matematicamente definida pelo
produtório das densidades de cada valor amostral, sendo este dado por x1, x2, x3, etc, ou
seja:
n
L = f (x1) ⋅ f (x 2) ⋅ f (x3 )...f (xn) = ∏ f (xi) (86)
i=1
43
e −λ x
P(x ) = ⋅λ (87)
x!
Em que λ é o parâmetro e x uma variável aleatória discreta. Uma pergunta pode ser
feita: “Qual o melhor parâmetro λ que maximizará a probabilidade de x ser igual a 10?”
Assim, a idéia geral dos estimadores de Máxima Verossimilhança é a seguinte:
Pelo esquema acima, percebe-se que existem vários valores do parâmetro que
podem ser utilizados para calcular a probabilidade de x ser igual a 10. Matematicamente, o
que maximizará esta probabilidade é o valor de λ que satisfará a equação abaixo:
dP
=0 (88)
dλ
n
log(L ) = log f (x1) + log f (x 2) + log f (x3 ) + ... + log f (xi) = log f (xi) (89)
i=1
(
FDP. : f x; µ, σ 2 = ) 1
⋅ exp−
(x − µ )2 (90)
2π ⋅ σ 2 2 ⋅ σ2
n
L = ∏ f (xi) = ∏
n 1
⋅ exp−
(x − µ )2 =
1
exp−
1 n
(xi − µ )2 (91)
i=1 i=1 2π ⋅ σ 2 2⋅σ 2
(2π ⋅ σ )2
n
2 2σ 2
i=1
n
2
n
ln(L ) = − ln(2π ) − ln σ 2 −
2
1
2σ 2
( ) n
i=1
(xi − µ )2 (92)
∂ ln L n 1 n
=− + ⋅ (xi − µ )2 (93)
∂σ 2
2⋅σ 2
2σ( )2 2 i=1
∂ ln L 1 n
= 2 ⋅ (xi − µ ) (94)
∂µ σ i=1
σ2 =
(n − 1) ⋅ S 2 (96)
n
Observa-se que estas equações são utilizadas na maioria das vezes em que a
Distribuição Normal é aplicada.
1 n n
ln L = ⋅ ln(α ) + − α ⋅ (xi − µ ) + e − α⋅(xi−µ ) (99)
n i=1 i=1
n
x i ⋅ exp(− α ⋅ x i )
1 i=1
= X− (100)
α n
exp(− α ⋅ x i )
i =1
46
n
exp(− α ⋅ x i )
exp(− α ⋅ µ ) = i =1
(101)
n
Figura 4.4 Ajustes da distribuição Gumbel, por Máxima Verossimilhança (MV) e Método dos
Momentos (MM), para série histórica de precipitação máxima diária anual para a cidade de
Barbacena, MG.
47
Tabela 4.8 Série histórica de precipitação máxima diária para o município de Barbacena,
MG.
Ordem hdia Ordem hdia Ordem hdia
1 43.20 25 73.20 49 97.20
2 43.80 26 74.00 50 97.60
3 47.60 27 74.20 51 100.00
4 47.60 28 75.40 52 100
5 49.00 29 77.00 53 100.20
6 49.40 30 78.20 54 101.00
7 49.80 31 79.00 55 105.50
8 50.00 32 81.00 56 111.50
9 50.20 33 82.00 57 116.40
10 53.20 34 82.60 58 121.00
11 57.00 35 83.00
12 58.00 36 86.40
13 58.40 37 88.20
14 60 38 88.20
15 63.20 39 89.00
16 65.00 40 90.00
17 65.00 41 90.40
18 65.60 42 92.60
19 66.00 43 93.00
20 66.00 44 93.20
21 68.00 45 95.00
22 70.00 46 95.00
23 72.60 47 96.20
24 72.60 48 96.60
3
Conforme Walpole & Mayers (1978).
48
X
ln(υ) − ψ(υ) = ln (104)
XG
1 1 1 1 1
ψ (υ) ≅ ln(υ) − − + − + ... (105)
2 ⋅ υ 12 ⋅ υ 2 120 ⋅ υ 4 252 ⋅ υ 6 240 ⋅ υ 8
−1
⋅(log(x −a )−µ )2
1
f (x; a, σ, µ ) = ⋅e 2⋅σ 2 (107)
(x − a ) ⋅ σ ⋅ 2π
49
i=1
(log x ) i
*
µ= (108)
n
i=1
(
log x i * − µ )
2
σ= (109)
n
ln L(x; µ, σ, a ) = −n ⋅ log(σ ) −
n ⋅ log(2π ) n
2
( )
− log x i * −
i=1
1
2
n
(
⋅ log x i * − µ
2 ⋅ σ i=1
)
2
(110)
Tabela 4.9 Série histórica de vazões mínimas diárias anuais do Rio Aiuruoca, região Alto
Rio Grande.
Ordem Vazão Ordem Vazão
1 4,71 15 7,48
2 5,34 16 7,53
3 5,72 17 7,57
4 6,00 18 7,62
5 6,18 19 7,70
6 6,43 20 7,92
7 6,45 21 8,01
8 6,72 22 8,09
9 6,81 23 8,22
10 6,87 24 8,77
11 6,95 25 8,94
12 7,05 26 9,75
13 7,13 27 10,25
14 7,40 28 10,69
29 17,50
Figura 4.5 Ajustes das distribuições Gama e log-normal 3 parâmetros, ajustadas pela
Máxima Verossimilhança, para série histórica de vazões mínimas diárias anuais do Rio
Aiuruoca, Alto Rio Grande, MG.
51
Com base nos gráficos da Figura 4.6, verifica-se que a distribuição Gumbel
apresentou um melhor ajustamento das freqüências teóricas às observadas, seguida da
distribuição log-normal 3 parâmetros. Isto pode ser comprovado pelos valores de Qui-
quadrado das distribuições, sendo igual a 3,423 para distribuição Gumbel; 4,048 para log-
normal 3 parâmetros e 4,315 para a distribuição Gama.
Tabela 4.10 Série histórica de vazões máximas diárias anuais do Rio Aiuruoca, região Alto
Rio Grande.
Ordem Vazão Ordem Vazão
1 53,8 15 95,5
2 54,3 16 98,4
3 57,8 17 105
4 66,3 18 106
5 74,9 19 120
6 75,2 20 120
7 77,3 21 136
8 77,8 22 147
9 79,4 23 155
10 85,7 24 159
11 86,8 25 162
12 88,4 26 163
13 89,2 27 174
14 93,8 28 179
29 179
52
Figura 4.6. Distribuições Gumbel, log-normal 3 parâmetros e Gama, ajustadas por Máxima
Verossimilhança, para série histórica de vazões máximas diárias anuais do Rio Aiuruoca,
Alto Rio Grande, MG.
4.8.6 Weibull
A distribuição de Weibull possui sua FDP caracterizada por:
− λ⋅ xβ
f (x; α, β ) = λ ⋅ x β −1 ⋅ β ⋅ e (111)
n
λ= n
(112)
x iβ
i=1
n
β= (113)
λ⋅
n
i=1
(x i
β
)
⋅ ln(xi) −
n
i=1
ln(x i )
53
4.8.7 GEV
A distribuição GEV possui sua FDP dada por:
1+ ξ 1
− −
1 x−µ ξ x−µ ξ
f (x ) = ⋅ 1 + ξ ⋅ ⋅ exp − 1 + ξ ⋅ (114)
σ σ σ
1+ ξ 1
− −
n 1 n x −µ ξ n x −µ ξ
L(µ, σ, ξ ) = ∏ f (x i ) = n ⋅ ∏ 1 + ξ ⋅ i exp − 1+ ξ ⋅ i (115)
i=1 σ i=1 σ i=1 σ
1
−
1 n 1+ ξ − y i ξ
⋅ =0
σ i=1 σ
1
(x i − µ ) ⋅ (1 + ξ ) − y i − ξ
n 1 n
− + ⋅ =0 (117)
σ σ 2 i=1 yi
n
1− yi
−
1
ξ ⋅
1 (x − µ ) − (x i − µ ) = 0
⋅ ln(y i ) − i
i=1 ξ 2
ξ ⋅ σ ⋅ yi σ ⋅ yi
xi − µ
yi = 1+ ξ ⋅ (118)
σ
Para solução do sistema de equações, sugere-se iniciá-lo com base nos parâmetros
µ, σ e ξ oriundos do método dos momentos (equações 42, 43 e 44).
Figura 4.7 Ajuste da Distribuição Weibull à série histórica de vazões mínimas de 7 dias
consecutivos do Rio Grande, seção de Madre de Deus, MG.
Parâmetro MV MM
σ 54,08 60,59
µ 70,74 72,58
ξ 0,088 0,0274
N−i
=
(N − i)! (120)
s (N − i − s)!⋅s!
Os momentos que podem ser estimados pela equação 119 podem ser linearizados
de acordo com Hosking (1990), uma vez que, nesta forma, os momentos são de difícil
aplicação para modelagem (caracterização da forma e escala) de uma distribuição de
probabilidades. Assim, os momentos podem então ser estimados pelas equações, sendo
conhecidos como Momentos - L:
λ1 = α 0
λ 2 = α 0 − 2 ⋅ α1
(121)
λ 3 = α 0 − 6 ⋅ α1 + 6 ⋅ α 2
λ 4 = α 0 − 12 ⋅ α 1 + 30 ⋅ α 2 − 20 ⋅ α 3
λ2
τ= (122)
λ1
λ3
τ3 = (123)
λ2
λ4
τ4 = (124)
λ2
a) Distribuição Normal
^
µ = λ1 = α 0 (125)
^
σ = π ⋅ λ 2 = π ⋅ (α 0 − 2 ⋅ α 1 ) (126)
^ ln(2)
α= (127)
λ2
^ 0,5772
µ = λ1 − ^
(128)
α
^ ln(2)
α=
λ2
^ 0,5772
µ = λ1 + ^
(129)
α
d) Distribuição Gama
λ2 Γ(υ + 0,5 )
= (130)
λ1 π ⋅ Γ(υ + 1)
λ1
β= (131)
υ
58
e) GEV
( )
^
ξ = (− 1) ⋅ 7,859 ⋅ C + 2,9554 ⋅ C 2 (132)
2 ln(2)
C= − (133)
3 + τ 3 ln(3 )
τ 3 = −3 +
(
2 ⋅ 1 − 3 −ξ )
(1 − 2 )−ξ
(134)
^ λ2 ⋅ ξ
σ=
(
Γ(1 + ξ ) ⋅ 1 − 2 −ξ ) (135)
^ α
µ = λ1 − ⋅ [1 − Γ(1 + ξ )] (136)
ξ
f) Log-normal
^ z
σN = 2 ⋅ (137)
2
τ +1
Sendo z a variável Normal padrão correspondente à probabilidade .
2
^
µ N = ln(λ 1 ) −
(σN )2 (138)
2
Parâmetro MV MM MML
σ 54,08 60,59 60,93
µ 70,74 72,58 70,77
ξ 0,088 0,0274 0,00000104
59
Parâmetros MM ML
0,09683 0,08930
60,7957 60,2926
Erro (%) 16,81 13,64
Graficamente:
TR MM ML
5 76,29 77,09
10 84,04 85,49
50 101,09 104,00
100 108,30 111,81
Com base nos dados de erro absoluto acima, há indicativo de que o Método dos
Momentos-L gerou maior precisão do que o Método dos Momentos. No entanto, é
importante que esta análise possa ser conduzida com base em algum teste estatístico,
permitindo uma conclusão mais apropriada.
61
Graficamente, tem-se:
de significância (α ) a ser adotado (5% na maioria das vezes). A hipótese de nulidade a ser
testada é a Hipótese Ho de que a freqüência observada poderá ser estimada pela
distribuição de pobabilidades, ou seja, como o valor tabelado é estatisticamente nulo, pode-
se concluir que valores menores ou iguais a este serão também estatisticamente nulos.
Desta forma, tem-se:
Este teste é mais rigoroso que o anterior por agrupar os dados da série histórica em
classes de freqüência e acumular os erros entre as freqüências observada e teórica, com
participação de todas as classes e não apenas a máxima diferença. A soma destes erros
(obtida pela soma dos erros de todas as classes) gera o valor de λ2calculado. A estatística do
teste é obtida por meio da tabela de λ2 (Tabela 4.12), adotando-se o valor tabelado com
base em graus de liberdade da distribuição e nível de significância. Para que a distribuição
de probabilidades tenha aderência aos dados, o valor de λ2calculado deve ser menor que o de
tabela. Assim, tem-se:
65
χ 2 calculado =
n (fobsi − f teoricoi )2 (140)
i=1 f teoricoi
Tabela 4.12 Quantis superiores da distribuição Qui-quadrado associados aos graus de liberdade (v) e diferentes níveis de significância
(adaptado de Ferreira 2005).
Sendo Fy-1 a função inversa da distribuição F(y). Isto significa obter o valor da
variável hidrológica associada à freqüência observada q. Para a distribuição Normal, o
software Excel possui uma função conhecida como INV.NORM. Para as demais,
procede-se aplicando a estrutura da própria distribuição. A freqüência observada qi é
obtida pela seguinte equação:
i−a
qi = (142)
N + 1− 2 ⋅ a
i=1
(y i )(
− y ⋅ wi − w )
rcalc = (143)
N
i=1
(y i −y )
2
⋅
N
i=1
(w i −w )
2
Tabela 4.14 Valores de rcritic para as Distribuições Gumbel para máximos e Weibull.
Valores do Parâmetro σ
Significância N σ = -0,30 σ = -0,20 σ = -0,10 σ=0 σ = 0,10 σ = 0,20
(α)
5 0,777 0,791 0,805 0,817 0,823 0,825
10 0,836 0,845 0,856 0,866 0,876 0,882
0,01 20 0,839 0,855 0,878 0,903 0,923 0,932
30 0,834 0,858 0,890 0,920 0,942 0,953
50 0,825 0,859 0,902 0,939 0,961 0,970
100 0,815 0,866 0,920 0,959 0,978 0,985
5 0,853 0,863 0,869 0,874 0,877 0,880
10 0,881 0,890 0,900 0,909 0,916 0,920
0,05 20 0,898 0,912 0,926 0,938 0,948 0,953
30 0,903 0,920 0,937 0,952 0,961 0,967
50 0,908 0,929 0,950 0,965 0,974 0,979
100 0,914 0,940 0,963 0,978 0,985 0,989
5 0,888 0,892 0,896 0,899 0,901 0,903
10 0,904 0,912 0,920 0,927 0,932 0,936
0,10 20 0,920 0,932 0,943 0,952 0,958 0,962
30 0,928 0,941 0,953 0,962 0,969 0,973
50 0,935 0,950 0,963 0,973 0,979 0,982
100 0,944 0,961 0,974 0,983 0,988 0,991
N
1
AD 2 = −N − ⋅ [(2 ⋅ i − 1)(ln(Pi ) + ln(1 − Pi ))] (144)
N i=1
135
Tabela 4.16 Valores críticos de p (α) para as distribuições log-normal (ou normal) e
Weibull e Gumbel.
Dsitribuição α p (α) Correção de A2
0,10 0,631
Normal ou log-normal 0,05 0,752 0,75 2,25
1+ + 2
0,025 0,873 N N
0,01 1,035
0,10 0,637
Weibull ou Gumbel para 0,05 0,757 0,2
1+
máximos 0,025 0,877 N
0,01 1,038
Adaptado de D”Agostino & Stephens (1986) e Naghettini & Pinto (2007).
Conclusão: Como o valor calculado máximo é menor que o tabelado, conclui-se que a
Distribuição Normal foi adequada a esta série histórica de precipitação total anual.
(7 − 10,11) 2
λ2 = = 0,959
10,11
Após o cálculo dos valores de λ2 para as demais classes, estes devem ser
somados e comparados ao valor do λ2 tabelado. A distribuição será adequada se
λ2calculado ≤ λ2tabelado. Os graus de liberdade deste exemplo estarão entre 4 (5 classes –
1) e 2 (5 classes – 2 parâmetros – 1), adotando-se 3.
138
c) Teste de Filliben
O valor de qi, considerando-se N = 75 e a = 0,375, para i =1 produz valor de
0,008197, substituindo i =1 na equação 142. A inversa da Distribuição Normal, obtida
pela função INV.NORM do Excel, retorna um valor de 738,14 mm para esta
freqüência. Procede-se desta forma para os demais valores de precipitação ordenados
em ordem crescente.
O cálculo do coeficiente de correlação (equação 143) produz um valor de r
igual a 0,975. Consultando a Tabela de valores para rcrítico da DN, para nível de
significância de 0,05 e N = 75, obtém-se valor de 0,984. Como rcalc. < rcrítico, a amostra
não poderá ser representada pela Distribuição Normal.
d) Teste de Anderson-Darling
A estatística deste teste produziu AD2 igual a 0,874, o qual foi corrigido para
0,883 (os dados de posição e freqüência teórica estão apresentados na tabela do teste
de Kolmogorov-Smirnov). Adotando-se p (0,05), na Tabela 4.16, encontra-se valor de
0,752. Portanto, como AD2 é maior que p (0,05), rejeita-se a hipótese Ho de que a
série histórica pode ser representada pela Distribuição Normal.
Reagrupando, tem-se:
ktr Ytr 2
Classe Fobs P(x≤xi) Fteór λ
LI LS LI LS
39,13 53,27 3 -2,09 -1,02 -2,10 -0,73 0,0003 0,1259 2,01 0,488
53,27 67,40 7 -1,02 0,05 -0,73 0,64 0,1259 0,5900 7,43 0,024
67,40 95,67 6 0,05 2,18 0,64 3,38 0,5900 0,9664 6,02 0,000
16 0,513
140
Conclusão: Como o valor calculado é menor que o tabelado, conclui-se, com ressalva
devido ao baixo valor dos graus de liberdade, que a distribuição de Gumbel foi
adequada à série histórica de precipitação máxima diária anual apresenta.
c) Anderson-Darling
De acordo com os dados da tabela aplicada ao teste de Kolmogorov-Smirnov,
foi calculado um valor de AD2 igual a 0,500 que corrigido pela respectiva equação
(Tabela 4.16), é igual a 0,525. Considerando p (0,05), o valor crítico da estatística é
0,757. Como AD2 é menor que p (0,05), aceita-se a hipótese Ho de que a série
histórica possa ser representada pela distribuição Gumbel.
Distribuição Normal
a) Kolmogorov-Smirnov (Ao nível de significância de 5% de probabilidade)
Precipitação (mm) z fteórico fcalculado ∆f
8,4 -1,30 0,0968 0,045455 0,051345
17,6 -1,18 0,119 0,090909 0,028091
25,5 -1,07 0,1423 0,136364 0,005936
29,2 -1,02 0,15386 0,181818 0,027958
42,2 -0,85 0,19766 0,227273 0,029613
52,4 -0,71 0,23885 0,272727 0,033877
53,5 -0,70 0,24196 0,318182 0,076222
69,9 -0,48 0,31561 0,363636 0,048026
78,5 -0,37 0,35569 0,409091 0,053401
84,8 -0,28 0,38973 0,454545 0,064815
95,9 -0,13 0,44828 0,5 0,05172
97,8 -0,11 0,4562 0,545455 0,089255
111,7 0,08 0,53188 0,590909 0,059029
135,3 0,39 0,65173 0,636364 0,015366
140,3 0,46 0,67724 0,681818 0,004578
141,2 0,47 0,68082 0,727273 0,046453
144,8 0,52 0,69846 0,772727 0,074267
162,8 0,76 0,77637 0,818182 0,041812
189,9 1,12 0,86864 0,863636 0,005004
253,2 1,96 0,975 0,909091 0,065909
290 2,45 0,99285 0,954545 0,038305
Distribuição Gumbel
a) Kolmogorov-Smirnov (Ao nível de significância de 5% de probabilidade)
Precipitação (mm) fteórico fcalculado ∆f
8,4 0,05123 0,045455 0,005775
17,6 0,078914 0,090909 0,011995
25,5 0,108729 0,136364 0,027635
29,2 0,124553 0,181818 0,057265
42,2 0,188568 0,227273 0,038705
52,4 0,246205 0,272727 0,026522
53,5 0,252712 0,318182 0,06547
69,9 0,353631 0,363636 0,010005
78,5 0,407583 0,409091 0,001508
84,8 0,446659 0,454545 0,007886
95,9 0,513357 0,5 0,013357
97,8 0,524403 0,545455 0,021052
111,7 0,60104 0,590909 0,010131
135,3 0,711614 0,636364 0,07525
140,3 0,731708 0,681818 0,04989
141,2 0,735203 0,727273 0,00793
144,8 0,748813 0,772727 0,023914
162,8 0,808388 0,818182 0,009794
189,9 0,874674 0,863636 0,011038
253,2 0,95559 0,909091 0,046499
290 0,976061 0,954545 0,021516
Distribuição Gama
a) Kolmogorov-Smirnov (Ao nível de significância de 5% de probabilidade)
Precipitação (mm) fteórico fcalculado ∆f
8,4 0,00258 0,045455 0,042875
17,6 0,035235 0,090909 0,055674
25,5 0,075316 0,136364 0,061047
29,2 0,096836 0,181818 0,084982
42,2 0,179912 0,227273 0,047361
52,4 0,249833 0,272727 0,022894
53,5 0,25746 0,318182 0,060722
69,9 0,368768 0,363636 0,005131
78,5 0,424579 0,409091 0,015488
84,8 0,463693 0,454545 0,009147
95,9 0,528364 0,5 0,028364
97,8 0,538869 0,545455 0,006585
111,7 0,610467 0,590909 0,019558
135,3 0,711435 0,636364 0,075071
140,3 0,729602 0,681818 0,047784
141,2 0,73276 0,727273 0,005487
144,8 0,745065 0,772727 0,027663
162,8 0,799275 0,818182 0,018907
189,9 0,860971 0,863636 0,002666
253,2 0,944314 0,909091 0,035223
290 0,966266 0,954545 0,011721
Distribuição Weibull
a) Kolmogorov-Smirnov (Ao nível de significância de 5% de probabilidade)
Ordem Vazão Fobs. Festim. Delta F Ordem Vazão Fobs. Festim. Delta F
1 8.97 0.01449 0.021255 0.006763 35 19.49 0.50725 0.449543 0.057703
2 10.41 0.02899 0.03986 0.010874 36 19.53 0.52174 0.452106 0.069633
3 11.32 0.04348 0.056575 0.013097 37 19.67 0.53623 0.462479 0.073753
4 11.50 0.05797 0.060377 0.002406 38 19.87 0.55072 0.476845 0.073879
5 13.10 0.07246 0.103095 0.030631 39 19.89 0.56522 0.478307 0.08691
6 13.15 0.08696 0.104699 0.017742 40 19.98 0.57971 0.484789 0.094921
7 13.57 0.10145 0.11891 0.017461 41 20.11 0.59420 0.494641 0.099562
8 14.46 0.11594 0.153046 0.037104 42 20.21 0.60870 0.501782 0.106913
9 14.95 0.13043 0.17423 0.043796 43 20.39 0.62319 0.515041 0.108147
10 14.95 0.14493 0.17436 0.029432 44 20.83 0.63768 0.547724 0.089957
11 15.66 0.15942 0.208418 0.048998 45 21.08 0.65217 0.566047 0.086126
12 16.04 0.17391 0.228177 0.054264 46 21.61 0.66667 0.604493 0.062173
13 16.06 0.18841 0.229246 0.040841 47 22.11 0.68116 0.64057 0.040589
14 16.18 0.20290 0.235722 0.032823 48 22.16 0.69565 0.64423 0.051422
15 16.20 0.21739 0.236811 0.01942 49 22.40 0.71014 0.661379 0.048766
16 16.32 0.23188 0.243288 0.011404 50 22.41 0.72464 0.66238 0.062258
17 16.39 0.24638 0.247301 0.000924 51 22.72 0.73913 0.683783 0.055348
18 17.00 0.26087 0.282503 0.021633 52 22.84 0.75362 0.691787 0.061836
19 17.02 0.27536 0.283876 0.008514 53 23.19 0.76812 0.714979 0.053137
20 17.04 0.28986 0.285254 0.004601 54 23.79 0.78261 0.753934 0.028675
21 17.04 0.30435 0.285254 0.019094 55 24.76 0.79710 0.810447 0.013346
22 17.48 0.31884 0.312235 0.006606 56 24.78 0.81159 0.811692 9.75E-05
23 17.57 0.33333 0.317937 0.015396 57 25.16 0.82609 0.831429 0.005342
24 17.66 0.34783 0.323687 0.024139 58 25.24 0.84058 0.835776 0.004804
25 17.72 0.36232 0.327547 0.034772 59 25.41 0.85507 0.844275 0.010797
26 17.88 0.37681 0.338127 0.038684 60 25.72 0.86957 0.858774 0.010791
27 18.09 0.39130 0.351907 0.039397 61 26.60 0.88406 0.895732 0.011674
28 18.77 0.40580 0.398175 0.007622 62 26.62 0.89855 0.896598 0.001953
29 18.79 0.42029 0.399272 0.021018 63 26.96 0.91304 0.90871 0.004334
30 18.79 0.43478 0.399771 0.035012 64 27.90 0.92754 0.937555 0.010019
31 18.80 0.44928 0.400269 0.049006 65 29.24 0.94203 0.966363 0.024334
32 19.04 0.46377 0.417267 0.046501 66 30.30 0.95652 0.980734 0.024212
33 19.41 0.47826 0.443878 0.034383 67 32.50 0.97101 0.995158 0.024143
34 19.48 0.49275 0.448615 0.044139 68 38.25 0.98551 0.999978 0.014471
2
Classes Fobs. Prob (X<xi) Fteo. λ
c) Teste de Filliben
xi - x wi - w (xi - x ) (wi - w )
2 2
Ordem qi Vazão wi Produto
1 0.014493 8.97 8.20 -11.0378 -11.82 130.4682 121.832899 139.7155
2 0.028986 10.41 9.65 -9.59779 -10.36 99.46987 92.1176519 107.4089
3 0.043478 11.32 10.63 -8.68779 -9.39 81.55183 75.4777666 88.1147
4 0.057971 11.5 11.39 -8.50779 -8.63 73.40884 72.3825607 74.4497
5 0.072464 13.1 12.02 -6.90779 -8.00 55.24821 47.7176196 63.9672
6 0.086957 13.15 12.56 -6.85779 -7.45 51.10832 47.0293402 55.5411
7 0.101449 13.57 13.05 -6.43779 -6.97 44.86023 41.4451931 48.5567
8 0.115942 14.46 13.49 -5.54779 -6.53 36.22712 30.7780196 42.6410
9 0.130435 14.95 13.89 -5.05779 -6.13 30.99329 25.5812813 37.5503
10 0.144928 14.95 14.26 -5.05779 -5.75 29.10611 25.5812813 33.1166
11 0.15942 15.66 14.61 -4.34779 -5.41 23.50193 18.9033137 29.2192
12 0.173913 16.04 14.94 -3.96779 -5.08 20.14158 15.7433902 25.7685
13 0.188406 16.06 15.25 -3.94779 -4.76 18.80739 15.5850784 22.6959
14 0.202899 16.18 15.55 -3.82779 -4.47 17.09629 14.6520078 19.9483
15 0.217391 16.2 15.84 -3.80779 -4.18 15.92156 14.499296 17.4833
16 0.231884 16.32 16.11 -3.68779 -3.91 14.40927 13.5998255 15.2669
17 0.246377 16.39 16.37 -3.61779 -3.64 13.17946 13.0884343 13.2711
18 0.26087 17 16.63 -3.00779 -3.39 10.18794 9.04682545 11.4730
19 0.275362 17.02 16.88 -2.98779 -3.14 9.378685 8.92691369 9.8533
20 0.289855 17.04 17.12 -2.96779 -2.90 8.599425 8.80780192 8.3960
21 0.304348 17.04 17.35 -2.96779 -2.66 7.900855 8.80780192 7.0873
22 0.318841 17.48 17.58 -2.52779 -2.43 6.148125 6.3897431 5.9156
23 0.333333 17.57 17.81 -2.43779 -2.21 5.380331 5.94284016 4.8711
24 0.347826 17.66 18.03 -2.34779 -1.99 4.663208 5.51213722 3.9450
25 0.362319 17.72 18.25 -2.28779 -1.77 4.047631 5.23400192 3.1302
26 0.376812 17.88 18.46 -2.12779 -1.56 3.310196 4.52750781 2.4202
27 0.391304 18.09 18.67 -1.91779 -1.35 2.579858 3.67793428 1.8096
28 0.405797 18.77 18.88 -1.23779 -1.14 1.407941 1.53213428 1.2938
29 0.42029 18.79 19.08 -1.21779 -0.93 1.135082 1.48302251 0.8688
149
Distribuição Gumbel
a) Kolmogorov-Smirnov (Ao nível de significância de 5% de probabilidade)
Ordem Vazão Fobs. Festim. Delta F Ordem Vazão Fobs. Festim. Delta F
1 8.97 0.014493 0.03765 0.023157 35 19.49 0.507246 0.390671 0.116575
2 10.41 0.028986 0.053008 0.024022 36 19.53 0.521739 0.393281 0.128459
3 11.32 0.043478 0.065693 0.022215 37 19.67 0.536232 0.403919 0.132313
4 11.50 0.057971 0.068506 0.010535 38 19.87 0.550725 0.418869 0.131856
5 13.10 0.072464 0.099412 0.026948 39 19.89 0.565217 0.420404 0.144813
6 13.15 0.086957 0.100565 0.013608 40 19.98 0.57971 0.427244 0.152466
7 13.57 0.101449 0.110791 0.009342 41 20.11 0.594203 0.43774 0.156463
8 14.46 0.115942 0.135615 0.019673 42 20.21 0.608696 0.445423 0.163272
9 14.95 0.130435 0.15131 0.020875 43 20.39 0.623188 0.459857 0.163331
10 14.95 0.144928 0.151406 0.006479 44 20.83 0.637681 0.496382 0.141299
11 15.66 0.15942 0.177252 0.017832 45 21.08 0.652174 0.517448 0.134726
12 16.04 0.173913 0.192643 0.01873 46 21.61 0.666667 0.563019 0.103648
13 16.06 0.188406 0.193484 0.005079 47 22.11 0.681159 0.607427 0.073733
14 16.18 0.202899 0.198602 0.004296 48 22.16 0.695652 0.612018 0.083634
15 16.20 0.217391 0.199466 0.017925 49 22.40 0.710145 0.633728 0.076417
16 16.32 0.231884 0.204627 0.027257 50 22.41 0.724638 0.635006 0.089632
17 16.39 0.246377 0.207842 0.038535 51 22.72 0.73913 0.662568 0.076562
18 17.00 0.26087 0.236661 0.024208 52 22.84 0.753623 0.672994 0.08063
19 17.02 0.275362 0.237809 0.037553 53 23.19 0.768116 0.703522 0.064594
20 17.04 0.289855 0.238961 0.050894 54 23.79 0.782609 0.755651 0.026958
21 17.04 0.304348 0.238961 0.065386 55 24.76 0.797101 0.831813 0.034712
22 17.48 0.318841 0.261911 0.05693 56 24.78 0.811594 0.833476 0.021881
23 17.57 0.333333 0.266852 0.066481 57 25.16 0.826087 0.859617 0.03353
24 17.66 0.347826 0.271869 0.075957 58 25.24 0.84058 0.865303 0.024723
25 17.72 0.362319 0.275256 0.087063 59 25.41 0.855072 0.876318 0.021245
26 17.88 0.376812 0.284618 0.092193 60 25.72 0.869565 0.894737 0.025172
27 18.09 0.391304 0.296988 0.094317 61 26.60 0.884058 0.938477 0.054419
28 18.77 0.405797 0.340029 0.065768 62 26.62 0.898551 0.939425 0.040875
29 18.79 0.42029 0.341078 0.079212 63 26.96 0.913043 0.952225 0.039182
30 18.79 0.434783 0.341555 0.093227 64 27.90 0.927536 0.978176 0.05064
31 18.80 0.449275 0.342033 0.107242 65 29.24 0.942029 0.995015 0.052986
32 19.04 0.463768 0.358491 0.105277 66 30.30 0.956522 0.998946 0.042424
33 19.41 0.478261 0.384933 0.093328 67 32.50 0.971014 0.999992 0.028977
34 19.48 0.492754 0.389729 0.103025 68 38.25 0.985507 1 0.014493
2
Classes Fobs. Prob (X<xi) Fteo. λ
c) Teste de Filliben
Da mesma forma anterior, porém trabalhando com as equações de Gumbel
para mínimos para estimativa dos valores de wi, encontra-se rcalc igual a 0,930 contra
rcrítico de 0,983, a um nível de significância de 5% e considerando uma média de
valores de rcrítico presentes nas Tabelas para distribuição Normal e distribuição de
Gumbel/Weibull. Sendo assim, pelo teste de Filliben, a hipótese H0 pode ser rejeitada,
ou seja, a amostra não pode ser representada pela distribuição de Gumbel, resultado
prático semelhante ao teste de Qui-quadrado. Na Figura 4.9 é possível observar o
ajuste (rcalc x rcritic), o qual é visualmente inferior ao obtido pela distribuição Weibull.
Distribuição GEV
a) Teste de Kolmogorov-Smirnov
Ordem Vazão Fobs. Festim. Delta F Ordem Vazão Fobs. Festim. Delta F
1 8.97 0.0145 0.0338 0.0193 35 19.49 0.5072 0.4134 0.0939
2 10.41 0.0290 0.0520 0.0230 36 19.53 0.5217 0.4161 0.1056
3 11.32 0.0435 0.0674 0.0239 37 19.67 0.5362 0.4257 0.1105
4 11.5 0.0580 0.0708 0.0128 38 19.87 0.5507 0.4397 0.1111
5 13.1 0.0725 0.1081 0.0357 39 19.89 0.5652 0.4411 0.1241
6 13.15 0.0870 0.1095 0.0225 40 19.98 0.5797 0.4474 0.1323
7 13.57 0.1014 0.1216 0.0202 41 20.11 0.5942 0.4566 0.1376
8 14.46 0.1159 0.1508 0.0349 42 20.21 0.6087 0.4638 0.1449
9 14.95 0.1304 0.1690 0.0385 43 20.39 0.6232 0.4768 0.1464
10 14.95 0.1449 0.1690 0.0240 44 20.83 0.6377 0.5090 0.1287
11 15.66 0.1594 0.1981 0.0386 45 21.08 0.6522 0.5276 0.1245
12 16.04 0.1739 0.2150 0.0411 46 21.61 0.6667 0.5677 0.0990
13 16.06 0.1884 0.2159 0.0275 47 22.11 0.6812 0.6059 0.0753
14 16.18 0.2029 0.2215 0.0186 48 22.16 0.6957 0.6097 0.0859
15 16.2 0.2174 0.2225 0.0051 49 22.4 0.7101 0.6281 0.0820
16 16.32 0.2319 0.2282 0.0037 50 22.41 0.7246 0.6289 0.0957
17 16.39 0.2464 0.2315 0.0149 51 22.72 0.7391 0.6527 0.0864
18 17 0.2609 0.2623 0.0014 52 22.84 0.7536 0.6619 0.0917
19 17.02 0.2754 0.2633 0.0120 53 23.19 0.7681 0.6886 0.0795
20 17.04 0.2899 0.2644 0.0255 54 23.79 0.7826 0.7337 0.0489
21 17.04 0.3043 0.2644 0.0400 55 24.76 0.7971 0.8034 0.0063
22 17.48 0.3188 0.2883 0.0306 56 24.78 0.8116 0.8048 0.0068
23 17.57 0.3333 0.2933 0.0400 57 25.16 0.8261 0.8305 0.0044
24 17.66 0.3478 0.2984 0.0494 58 25.24 0.8406 0.8358 0.0048
25 17.72 0.3623 0.3019 0.0604 59 25.41 0.8551 0.8468 0.0083
26 17.88 0.3768 0.3111 0.0657 60 25.72 0.8696 0.8662 0.0034
27 18.09 0.3913 0.3236 0.0677 61 26.6 0.8841 0.9159 0.0319
28 18.77 0.4058 0.3657 0.0401 62 26.62 0.8986 0.9170 0.0184
29 18.79 0.4203 0.3670 0.0533 63 26.96 0.9130 0.9336 0.0206
30 18.79 0.4348 0.3670 0.0678 64 27.9 0.9275 0.9712 0.0436
31 18.8 0.4493 0.3677 0.0816 65 29.24 0.9420 0.9988 0.0568
32 19.04 0.4638 0.3833 0.0805 66 30.3 0.9565 0.9998 0.0433
33 19.41 0.4783 0.4079 0.0703 67 32.5 0.9710 0.9999 0.0289
34 19.48 0.4928 0.4127 0.0800 68 38.25 0.9855 0.9999 0.0144
Sendo assim:
∆fmax.= 0,146; ∆f( 68,5%) ≈ 0,160
2
Classes Fobs. Prob (X<xi) Fteo. λ
c) Teste de Filliben
inversa retorna um valor de 4,95 mm. O valor de rcalc. é igual a 0,941 e o rcrítico para
hipótese H0 de que esta série histórica possa ser representada pela Distribuição GEV,
única distribuição aceita por todos os testes foi a de Weibull, sendo a mesma
ajuste da distribuição GEV pelo teste de Filliben, o qual se assemelha com o ajuste
XI = X − TN,α ⋅ S (145)
O valor crítico de TN,α, pode ser inferido com base na Tabela 4.17, adaptada do
trabalho original de Grubbs & Beck (1972). Sendo assim, valores abaixo de XI,
teoricamente, podem ser considerados “outliers”. Sua remoção ou não dependerá de
uma análise mais aprofundada da série histórica em questão.
Tabela 4.17 Valores críticos de TN,α do Teste de Grubbs & Beck (1972), para valores
extremos inferiores, sendo N o tamanho da amostra e α, o nível de significância.
Tamanho da amostra α = 1% α = 5% α = 10%
(N)
3 1,155 1,153 1,148
5 1,749 1,672 1,602
7 2,097 1,938 1,828
10 2,410 2,176 2,036
12 2,550 2,285 2,134
15 2,705 2,409 2,247
20 2,884 2,557 2,385
22 2,939 2,603 2,429
25 3,009 2,663 2,486
30 3,103 2,745 2,563
35 3,178 2,811 2,628
40 3,240 2,866 2,682
45 3,292 2,914 2,727
50 3,336 2,956 2,768
55 3,376 2,992 2,804
60 3,411 3,025 2,837
65 3,442 3,055 2,866
68 3,460 3,071 2,883
70 3,471 3,082 2,893
75 3,496 3,107 2,917
78 3,511 3,121 2,931
80 3,521 3,130 2,940
85 3,543 3,151 2,961
90 3,563 3,171 2,981
100 3,600 3,207 3,017
110 3,632 3,239 3,049
120 3,662 3,267 3,078
130 3,688 3,294 3,104
140 3,712 3,318 3,129
147 3,727 3,334 3,144
Para verificar se o último valor da série pode ser considerado “outlier”, aplica-se
a seguinte seqüência de equações:
S12
TN,α = (146)
S2
157
O valor de TN,α (equação 146) for maior que o valor crítico (Tabela 4.18), o
valor não pode ser considerado “outlier”, uma vez que o valor de T calculado não será
significativo.
Tabela 4.18 Valores críticos de TN,α do Teste de Grubbs & Beck (1972), para valores
extremos superiores, sendo N o tamanho da amostra e α, o nível de significância.
Tamanho da amostra α = 1% α = 5% α = 10%
(N)
4 0,000 0,0008 0,0031
5 0,0035 0,0183 0,0376
7 0,0440 0,1020 0,1479
10 0,1414 0,2305 0,2863
12 0,2043 0,2996 0,3552
15 0,2859 0,3818 0,4345
20 0,3909 0,4804 0,5270
22 0,4245 0,5107 0,5550
25 0,4680 0,5495 0,5906
30 0,5268 0,6008 0,6375
35 0,5730 0,6405 0,6737
40 0,6104 0,6724 0,7025
45 0,6412 0,6985 0,7261
50 0,6672 0,7203 0,7459
55 0,6894 0,7390 0,7627
60 0,7086 0,7550 0,7772
65 0,7253 0,7690 0,7898
68 0,7344 0,7766 0,7966
70 0,7401 0,7813 0,8009
78 0,7605 0,7983 0,8162
80 0,7650 0,8021 0,8197
90 0,7853 0,8190 0,8349
100 0,8020 0,8329 0,8475
110 0,8162 0,8447 0,8581
120 0,8284 0,8548 0,8672
130 0,8389 0,8636 0,8752
140 0,8481 0,8712 0,8821
147 0,8539 0,8761 0,8865
158
Ni − E(Ni)
T= (148)
var (Ni)
2 × (N − 2)
E(Ni) = (149)
3
16 × N − 29
var (Ni) = (150)
90
significância de z (Tabela 4.2). É importante mencionar que quando N for maior que
30, Ni segue uma distribuição aproximadamente Normal, recomendando-se a
aplicação do teste para séries com esta característica.
cs
T= (151)
var (cs )
Esta hipótese considera que uma dada observação não influencia a ocorrência
nem a não ocorrência de outra observação ao longo do tempo. Isto é importante no
contexto de vazões haja vista que o escoamento subterrâneo (pequenas vazões) é
influenciado pelo armazenamento de água na bacia oriundo do período de chuvas e
liberado lentamente no período seco. Vazões diárias apresentam tendência de maior
dependência que vazões mensais, anuais ou extremas (máximos ou mínimos em um
dado ano). A hipótese H0 deste teste é de que as observações são independentes.
r − E(r )
T= (154)
var (r )
Nesta equação, Y’1, Y’i+1, etc, consiste da subtração dos Y valores da série
histórica pela média dos dados, ou seja:
−
Y'= Y − Y (156)
s2
E(r ) = − (157)
N −1
s 22 − s 4 s 22 − 2 ⋅ s 4 s 22
var (r ) = + − (158)
N−1 (N − 1) ⋅ (N − 2) (N − 1)2
Em que s2 e s4 são os momentos amostrais de 2a e 4a ordem, obtidos por:
(Y )
N 2
'
s2 = i (159)
i=1
(Y )
N 4
'
s4 = i (160)
i=1
Esta hipótese sugere que uma dada série histórica de vazões máximas esteja
associada a chuvas cuja freqüência de ocorrência seja normal (esperada). Vazões de
pico oriundas de eventos de chuvas históricas, ocorridas de forma atípica, causam
heterogeneidade à série histórica e a observação muito provavelmente se constituirá
num “outlier”.
A hipótese H0 deste teste considera que a série histórica é homogênea. Para
sua aplicação é recomendável que a série histórica seja dividida em duas partes
aproximadamente com o mesmo número de dados, constituindo-se duas sub-
amostras. A estatística deste teste é dada por:
V − E(V )
T= (161)
var (V )
N1 ⋅ (N1 + 1)
V1 = N1 ⋅ N2 + − H1 (162)
2
V2 = N1 ⋅ N 2 − V1 (163)
N1 ⋅ N 2
E(V ) = (164)
2
N1 ⋅ N2 ⋅ (N1 + N2 + 1)
var (V ) = (165)
12
( )
n −1 n
S= sin al x j − x i (166)
i =1 i = j + 1
1 se x j > x i
( )
sin al x j − x i = 0 se x j = x i (167)
− 1 se x j < x i
n
n ⋅ (n − 1) ⋅ (2 ⋅ n + 5 ) − tp ⋅ p ⋅ (p − 1) ⋅ (2 ⋅ p + 5 )
p =1
V (S ) = (168)
18
Sendo tp corresponde ao número de agrupamentos com p dados. A estatística Z
padronizada do teste é dada por:
S −1
Z= para S > 0
V (S )
Z = 0 para S = 0 (169)
S +1
Z= para S < 0
V (S )
167
O valor de S calculado pela equação 167 foi igual a 122 e o valor de V(S) igual
a 35675,33. O valor de Z da estatística do teste foi igual a 0,641. Como este número é
menor que os valores de Z /2, conclui-se que a série não apresenta tendência
temporal.
169
Referências Bibliográficas
CASELLA, G.; BERGER, R.L. Statistical Inference. Belmont, CA: Duxbury Press.
1990. 650p.
GRUBBS, F.E.; BECK, G. Extension of sample sizes and percentage points for
significance tests of outlying observations. Technometrics, v. 14, n.4, p.847-854.
HAAN, C.T. Statistical Methods in Hydrology. Ames: The Iowa State University
Press. 2a Edição, 2002, 377p.
SHARDA, V.N.; DAS, P.K.; OJASVI, P.R. Probability distribution of extrem rainfall
series for conservation planning in a sub-humid climate. Applied Engineering in
Agriculture, v. 24, n.4, p.447-453, 2008.
SPIEGEL, M.R. Advanced Mathematics for Engineers and Scientists. New York:
Schaum´s Outline Series, McGraw-Hill Book Company, 1971. 407p.
170
WALPOLE, R.E.; MYERS, R.H. Probability and Statistics for Engineers and
Scientists. New York: Macmililan Publishing Co, 2. Edition, 1978. 580p.