ESTIMATIVAS DOS PARÂMETROS DA DISTRIBUIÇÃO GAMA DE

DADOS PLUVIOMÉTRICOS DO MUNICÍPIO DE LAVRAS, ESTADO

DE MINAS GERAIS 1

VALÉRIA ANDRADE VILLELA AMARANTE BOTELHO 2

AUGUSTO RAMALHO DE MORAIS 3

RESUMO - Este trabalho apresenta as estimativas dos julho, agosto) e maiores nos meses mais chuvosos (no-
parâmetros da distribuição de probabilidade gama vembro, dezembro, janeiro) e aumentam de valor à me-
ajustada aos dados de precipitação pluvial de Lavras- dida que o tamanho do período aumenta. As estimati-
MG, coletados de janeiro de 1966 a dezembro de 1996 vas do parâmetro de escala (β) foram menores nos pe-
e agrupados em onze períodos: dados diários, 1-3, 1-6, ríodos de 1-3 e 1-6 nos meses mais secos (junho, julho,
1-9, 1-12, 1-15, 1-18, 1-21, 1-24, 1-27 e totais mensais. agosto); nos outros meses, não houve uma tendência
As estimativas do parâmetro de forma (α), de modo ge- definida quanto ao aumento dos períodos; os maiores
ral, são menores nos meses menos chuvosos (junho, valores ocorreram nos meses mais chuvosos.
TERMOS PARA INDEXAÇÃO: Distribuição gama, estimativas de parâmetros, precipitação pluviométrica, chuva.

ESTIMATES OF THE GAMMA DISTRIBUTION PARAMETERS FOR

RAINFALL DATA MEASURED IN LAVRAS, MINAS GERAIS
ABSTRACT - This work presents an estimate
of parameters of the gamma distribution ajusted for
daily rainfall precipitation data for Lavras - MG,
collected from January 1966 to December 1996 and
clustered for eleven periods: daily data, 1-3, 1-6, 1-9, 1-
12, 1-15, 1-18, 1-21, 1-24, 1-27 and also for the
monthly total. The estimates for the parameters of
appearance (α) were smaller in drier months (June,
INDEX TERMS: Gamma distribution, rainfall.
July and August) and greater in rainy months
(November, December and January) increasing in value
as the size of the period increased. The estimates for the
parameters of the (β) scale were smaller in the periods 1-3
and 1-6 in the driest months (June, July and August), and
in the others months, there wasn’t a fixed tendency with an
increase of the lenght of the period; the greatest value
occurred in the wettest rainy months.

INTRODUÇÃO pluvial é o elemento regulador na agricultura, sendo

A sobrevivência dos seres vivos está ligada, entre
outros fatores, à sua alimentação e, conseqüentemente,
à produção agrícola. A chuva, como principal fonte de
água para a agricultura, tem, às vezes, comprometido o
desenvolvimento, a colheita, a industrialização, o ar-
mazenamento e a distribuição da produção agrícola,
pois apresenta uma variação não uniforme, ora com
grandes períodos de estiagem, ora com consideráveis
aguaceiros de curta duração, que superam a capacidade
de retenção de água pelo solo, provocando enchentes e
inundações.
As produções agrícolas são funções de elementos
probabilísticos no sentido de que elas dependem entre
outros fatores das variáveis climáticas, tais como quan-
tidade total de chuva, distribuição pluviomética, tempe-
ratura e umidade relativa do ar. Dessas, a precipitação
que a quantidade de chuva, assim como a sua distribui-
ção em certa localidade, pode determinar o tipo de ati-
vidade agrícola a ser desenvolvida.
O conhecimento do comportamento das precipi-
tações pode fornecer subsídio para determinar períodos
críticos predominantes na região, tendo-se condições de
fornecer informações que visem a reduzir as conse-
qüências causadas pelas flutuações de chuva, secas,
quer pelo emprego de irrigação ou implantação de cul-
turas mais adaptadas ao regime pluviométrico.
Na literatura encontram-se algumas distribui-
ções de freqüências que podem ser úteis no estudo de
dados climatológicos, principalmente no estudo das
precipitações pluviais. Dessas distribuições, uma que
tem sido usada com sucesso é a distribuição gama com
dois parâmetros.

1. Extrato da Dissertação de Mestrado do primeiro autor

2. MS Agronomia - Área de Concentração: Estatística e Experimentação Agropecuária;
3. Professor Dr. Departamento de Ciências Exatas / UNIVERSIDADE FEDERAL DE LAVRAS (UFLA), Caixa Postal
37, 37 200-000 - Lavras, MG.
698
Estudando os dados pluviométricos do municí-
pio de Itaguaí-RJ, Vivaldi (1973) deu ênfase aos as-
pectos teóricos dos métodos dos momentos e da máxi-
ma verossimilhança usados na obtenção dos estimado-
res dos parâmetros; foram desenvolvidas fórmulas para
determinação da variância dos estimadores e evidenci-
ou-se a necessidade da aplicação do método de máxima
verossimilhança, sendo que o mesmo já havia sido su-
gerido por Thom (1958).
Utilizando-se dados de 30 anos (1949-1978),
Frizzone (1979) estimou as precipitações dependentes
para a região de Viçosa-MG, em períodos de 5, 10, 15 e
30 dias, utilizando cinco modelos para cálculo da dis-
tribuição de freqüência. Os resultados mostraram que a
distribuição gama incompleta pode ser usada para se
estudar a distribuição das precipitações em períodos de
5 a 30 dias na referida região.
Friedman e Janes (1957) estudaram o problema
da determinação de estimativas de probabilidade de
precipitação pluvial e evidenciaram o fato de que são
necessários dados de, no mínimo, 30 anos para que o
tamanho da amostra seja representativo.
Castro Neto, Sediyama e Villela (1980b) ajusta-
ram uma função potencial aos dados diários de chuva
para a região de Lavras-MG, para identificarem os me-
ses que apresentam maiores probabilidades de ocorrên-
cia de períodos secos. De maneira semelhante, Castro
Neto, Sediyama e Villela (1980a) verificaram que as
maiores probabilidades de períodos chuvosos prolonga-
dos em Lavras-MG ocorreram nos meses de novembro
a março. Castro Neto e Silveira (1981a) estudaram a
precipitação para Lavras-MG em períodos mensais, ba-
seada na função de distribuição de probabilidade gama,
concluindo que as menores precipitações prováveis fo-
ram encontradas nos meses de junho, julho e agosto e
as maiores nos meses de outubro a março; afirmaram,
também, que a precipitação mensal não é indicada
como base para o dimensionamento de sistemas de irri-
gação complementar. Do mesmo modo, Castro Neto e
Silveira (1981b), Castro Neto e Silveira (1983) estuda-
ram a precipitação provável em períodos de quinze e
dez dias respectivamente, através da distribuição gama,
concluindo que é possível a utilização de irrigação su-
plementar na região contando-se com a precipitação
provável, o que diminuirá o custo de instalação e opera-
ção de sistemas de irrigação.
Galate (1987) estudou o ajuste da distribuição
gama incompleta aos dados de precipitação pluvial do
município de Belém-PA, utilizando dados de 1953 a
1986 e os dados agrupados em dez períodos; verificou
que a distribuição gama ajustou-se bem aos dados, em
razão da hipótese nula não ser rejeitada em 97,5% dos
períodos estudados, o que comprova a eficiência da
distribuição gama para a obtenção de estimativas de
Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999
quantidades de chuva. O teste aplicado foi o qui-
quadrado. Constatou, ainda, que no período de 1-3 dos
meses de baixa precipitação, como agosto, outubro e
novembro, as freqüências esperadas não estavam de
acordo com as observadas, essa discrepância possivel-
mente foi causada pela redução do tamanho da amostra;
portanto, nesse período, a distribuição gama não apre-
sentou bons resultados.
Assis (1991) elaborou modelos teóricos para
descrever a quantidade de chuva diária em Pelotas-RS,
com base na distribuição binomial negativa truncada e
na distribuição de probabilidade gama. Ao analisar os
totais semanais de chuva de Pelotas-RS, corresponden-
tes ao período de 1893 a 1991, concluiu-se que a quan-
tidade de chuva nas semanas com chuva pode ser ade-
quadamente representada pela função de distribuição de
probabilidade gama.
O estudo das precipitações diárias e agrupadas
em vários períodos através da distribuição gama pode
fornecer informações probabilísticas que possibilitem
um planejamento racional do aproveitamento da água.
Assim, constituiu objetivo deste trabalho a obtenção de
estimativas dos parâmetros (α e β) da distribuição
gama ajustada aos dados de precipitações pluviais diá-
rias e agrupadas em vários períodos para a região de
Lavras - MG.
MATERIAL E MÉTODOS
Os dados utilizados no presente estudo foram
fornecidos pela Área de Agrometeorologia do Departa-
mento de Engenharia e oriundos da Estação Climatoló-
gica Principal de Lavras-MG, situada no campus da
Universidade Federal de Lavras, em Lavras, Estado de
Minas Gerais, em convênio com o Instituto Nacional de
Meteorologia (INMET). A Estação Climatológica de
Lavras está situada à latitude de 21014’S, longitude de
45000’W e altitude de 918,84 metros (Brasil, 1992) e
altitude da cuba do barômetro de mercúrio de 920 me-
tros. Segundo a classificação de Köppen, que pode ser
encontrada em Vianello e Alves (1991), entre outros, o
clima da região é do tipo Cwa, temperado úmido (com
verão quente e inverno seco), caracterizado por um total
de chuvas no mês mais seco de 23,4 mm e do mês mais
chuvoso de 295,8 mm, por uma temperatura média do
mês mais quente de 22,1o C e a do mês mais frio de
15,8o C, sendo a temperatura média anual de 19,4o C, a
precipitação total anual de 1529,7 mm, a evaporação
total no ano de 1034,3 mm e a umidade relativa média
anual de 76,2%; a nebulosidade é máxima no verão e
mínima no inverno, com média anual de 4,8 de céu co-
berto (de 0-10), de acordo com Brasil (1992). As obser-
vações referem-se às precipitações pluviais diárias ex-
pressas em altura de lâmina d’água (mm), abrangendo
 699

n
um período de janeiro de 1966 a dezembro de 1996,
num total de 31 anos. Os dados foram agrupados em L( x1 , x2 ,..., x n ; α , β) = ∏
1
β Γ (α)
α ( x i ) e( − x / β )
α −1

i =1
onze períodos dentro de cada mês, com exceção do mês α −1
n
= β [Γ ( α ) ] − n ∏ ( x i ) e (
de fevereiro, quando foram usados dez períodos. Os pe- − nα − ∑ xi /β
)
ríodos foram constituídos por agrupamentos de dados (5)
i =1
da seguinte maneira: dados diários, 1-3, 1-6, 1-9, 1-12,
aplicando logaritmo natural obtém-se:
1-15, 1-18, 1-21, 1-24, 1-27, 1-31. (em que, por exem-
plo, 1-3 significa tomar períodos contendo totais de da- ln L ( x1 , x,..., x n ; α , β ) = − nα ln (β ) − n ln[Γ (α )] + (α − 1) ln (∑ ln xi ) −
∑ x (6)
i

β
dos de 3 em 3 dias).
Uma variável aleatória contínua x com ( 0 ≤ x <
derivando-se parcialmente em relação aos parâmetros α
∞) se distribui segundo uma distribuição gama de pa-
e β e igualando-se a zero, fica:
râmetros α > 0 e β > 0 se sua função de densidade de
probabilidade é:
 ∂ln L( x1 , x 2 ,..., x n ; α , β ) Γ ' ( α∃ )
 1
n

 x α −1e − x / β , 0 < x < ∞  = −n − n ln β∃ + ∑ ln xi = 0

f ( x) = β α Γ ( α ) (1)  ∂α Γ (α∃ ) i =1 (7)

n

∂ln L( x1 , x 2 ,..., x n ; α , β ) − nα∃ ∑
0 , c.c.  xi
 = ∃ + i =∃1 2 = 0
 ∂β β β
Se X é uma variável aleatória com distribuição gama de
parâmetros α e β, então o estimador da média (primeiro
simplificando, obtém-se:
momento em relação à origem) é:
m1 = αβ (2)
 Γ ' (α∃ ) n

− n Γ (α∃ ) − n ln β + ∑ ln x i = 0
∃
e o estimador da variância (segundo momento em rela-  i =1 (8)

ção à média) é: ∃ X
µ2 = V(X)= αβ
2
(3) β = α∃

A proporção de valores nulos (Q) em cada perí- Em (8), na primeira equação, dividindo-se am-
∃
odo foi estimada usando-se o estimador: bos os membros por n e substituindo β por X , obtém-se:
m α∃
∃ =
Q (4) Γ ' ( α∃ ) 1 n
n ln α∃ − = ln X − ∑ ln x (9)
Γ (α∃ ) n i =1
em que: m = número de zeros em uma série climatoló-
gica; n = tamanho da amostra. A expressão Γ' (α ∃ ) / Γ (α
∃ ) é chamada função
Um grande problema encontrado em trabalhos
que envolvem a distribuição gama é a estimação dos digama de α
∃ , representada por ψ( α ∃ ) e suas derivadas
parâmetros α e β, devido à complexidade e extensão ψ’( α
∃ ) e ψ’’( α
∃ ) são chamadas funções trigama e te-
dos cálculos envolvidos. Vários métodos podem ser tragama, respectivamente.
usados, como o método dos quadrados mínimos, o mé-
todo dos momentos e o da máxima verossimilhança. A equação (9) pode ser representada por:
Porém, todos possuem limitações, seja por problemas 1 n
matemáticos ou por produzirem estimativas ineficien- ln α∃ − ψ (α∃ ) = ln x − ∑ ln x i (10)
n i =1
tes. O método dos quadrados mínimos apresenta uma
série de dificuldades quando aplicado à distribuição Fazendo-se
gama, e não é recomendado. Os métodos da máxima 1 n
verossimilhança e o dos momentos são os mais comu- A = ln x − ∑ ln x j
n j=1
(11)

mente utilizados, mas, segundo Thom (1958), deve-se
preferir o da máxima verossimilhança devido às suas
melhores propriedades.
Para a distribuição gama a função de verossi-
milhança é:
em que n = número de anos com dados de precipitação;
xj = altura de chuva no período; x = altura média de
chuva no período.
Então (10) fica:

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999

700

ln α∃ − ψ(α∃ ) = A (12)
Sendo F(x) a probabilidade de ocorrência de
uma precipitação menor ou igual a x, então ela pode ser
A dificuldade do método reside na resolução
obtida através de sua função de distribuição de probabi-
da equação (12), de onde obtém-se o estimador de
lidade acumulada:
α∃ , pois (12) é uma equação implícita em α∃ . Mas x
1
∫ u(α −1)e − u / βdu
pode ser resolvida com alguma álgebra e uso de re-
cursos computacionais. A função digama ψ (α ∃) β Γ( α ) 0
P(X≤x) = F(x) = α (19)

aparece tabulada em algumas publicações, como em sendo: F(x) = probabilidade de ocorrer um valor X ≤ x,
Abramowits e Stegun (1970), mas para poucos valo- ou probabilidade de ocorrer uma quantidade de preci-
res. Porém, pode ser obtida através do desenvolvi- pitação igual ou inferior a x; X = variável aleatória
mento em série de: contínua que representa os valores das precipitações;
Γ(α) = função gama incompleta; α = parâmetro de
m
1 B2 K forma da variável aleatória X; β = parâmetro de escala
ψ ( α ) = ln(α ) − −∑ (13)
2α K =1 ( 2 Kα 2 K ) da variável aleatória X (mm); e = base do logaritmo
neperiano (2,718...); x = quantidade de chuva, em mm.
em que BK são os números de Bernoulli ( B2 = 1/6,
B4 = - 1/30, ...). Através do desenvolvimento de (19), fazendo-se
uso da série de Taylor, obtém-se:
Desenvolvendo-se a expressão (13), obtém-se:
tα
∃
 t t2 t3  (20)
F( t ) = 1 + + + +Κ 
α∃Γ(α∃ )e t  α∃ + 1 (α∃ + 1)(α∃ + 2) (α∃ + 1)(α∃ + 2)(α∃ + 3) 
ψ ( α) ≅ ln( α ) −
1
−
1
+
1
−
1
+
1
−
1
+Κ
(14)
2α 12 α 2 120α 4 252α 6 240α 8 132α10
que é uma expressão que permite o cálculo aproximado
Calculando-se a derivada de (14), tem-se a fun- da probabilidade de ocorrência de um valor menor ou
ção trigama, ou seja: ∃
igual a t, de onde obtém-se x = t β .
1 1 1 1 1 1 5 (15)
ψ ' ( α) ≅ + + − + − + +Κ
α 2α 2 6α 3 30α 5 42 α 7 30α 9 66α 11 Os estimadores obtidos pelo método da máxima
verossimilhança têm variâncias e covariâncias, dadas por:
que será usada no cálculo das variâncias.
β 2 ψ ' (α∃ )
∃ (α
∃) =
α∃
, V∃ (β∃) = e
Das equações (10), (11), (12) e (14), tem-se
que uma aproximação para a função digama é
V
[
∃ ' (α
n αψ ∃) − 1 ] [∃ ' (α
n αψ ∃) − 1 ]
1 1
ψ (α∃ ) ≅ ln(α∃) − − (16)
−β ∃
2α∃ 12α∃ 2 ∃ α
Cov ∃ =
∃, β ( ) n[αψ ∃ ) − 1]
(21)
Substituindo a expressão de ψ (α ∃ ) de (16) ∃ ' (α

em (12), um estimador aproximado do parâmetro α

pode ser obtido através da resolução da seguinte Para amostras grandes, um intervalo de confian-
equação: ça aproximado pode ser construído, para os parâmetros
α∃ e β∃ . Como se observa, a variância das estimativas é
12Aα∃ 2 − 6α∃ − 1 = 0 (17) inversamente proporcional ao tamanho da amostra, in-
dicando que quanto maior n, menor será o intervalo de
Como xi > ln xi, tem-se A > 0, o discriminante confiança.
da equação (17) será maior que 36. Então, para satisfa- Na descrição dos resultados, as estimativas dos
zer a condição α > 0 (por definição), a solução que inte- valores de α, entre os períodos, não foram comparadas
ressa será: estatisticamente, pois os dados de um período estão re-
lacionados (dependentes) com os de outros períodos.
Por exemplo, período de 1-12 inclui os dados dos perí-
1 + 1 + 4A / 3 ∃ x
α∃ = e β= (18) odos 1-3, 1-6, 1-9. E, entre meses, as estimativas tam-
4A α∃ bém não foram estatisticamente comparadas.

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999


RESULTADOS E DISCUSSÃO
Observa-se uma variabilidade muito grande dos
dados de precipitações totais mensais e anuais (Tabela
1) para a região de Lavras-MG; por exemplo: no mês
de janeiro, considerado um mês de muita chuva, ocorre-
ram precipitações mensais que variaram de 76 mm
(1976) até 718 mm (1992), e em julho, as precipitações
variaram de 0 a 94 mm; a maior precipitação média
mensal ocorreu em dezembro, com 284,6 mm, e a me-
nor, no mês de julho, com 20,2 mm. A precipitação to-
tal anual média foi de 1534 mm, sendo que no ano de
1990 ocorreu a menor precipitação anual (1034 mm),
com menores precipitações em outubro e dezembro e a
maior precipitação ocorreu no ano de 1983, com 2568
mm; nesse ano, houve uma maior regularidade de pre-
cipitações mensais durante o ano, com chuvas de até
127 mm no mês de junho, considerado como um mês
de pouca precipitação (seco).
Para os dados diários, verificou-se que, nos me-
ses de maiores precipitações como janeiro e dezembro,
as estimativas de α (parâmetro de forma) foram meno-
res do que nos meses de poucas precipitações, como em
junho, julho e agosto (Tabelas 2, 3, 4, 5 e 6). Essas es-
timativas variaram de 0,5158 (novembro) a 6,2619
(julho), sugerindo que os dados diários possuem uma
certa assimetria principalmente nos meses mais chuvo-
sos. Já para o parâmetro de escala β, os maiores valores
numéricos ocorreram nos meses de maiores incidência
de chuvas, com estimativas de 0,1042 (julho) até
17,0345 (janeiro), sugerindo uma maior amplitude dos
dados nos meses mais chuvosos.
De modo geral, ao aumentar o tamanho do perí-
odo, as estimativas dos valores de α ∃ aumentaram em
conseqüência da diminuição da assimetria. As estimati-
vas de α ∃ para os dados agrupados variaram de 0,4545
(em 1-12 de junho) até 6,8419 (em 1-31 de dezembro),
valores esses que estão próximos aos encontrados por
Vivaldi (1973), que havia encontrado estimativas que
variaram de 0,631 a 10,746, sendo que desses valores
apenas três foram maiores que 6,8419, que foi a esti-
mativa encontrada neste trabalho.
Para os dados agrupados nos períodos, observou-
se que, de um modo geral, nos meses mais chuvosos
(outubro, novembro, dezembro e janeiro), as estimativas
do parâmetro α apresentaram valores, em geral, maio-
res que os obtidos nos meses menos chuvosos, como ju-
nho, julho e agosto. Isso pode ser explicado pela pro-
nunciada assimetria nos períodos dos meses mais secos,
visto que a assimetria é inversamente proporcional a α.
Nos meses de menor ocorrência de chuva, as estimati-
vas de α não apresentaram uma tendência definida com
o aumento do tamanho do período (Tabelas 4 e 5).
Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999
701
As estimativas de β foram menores para os da-
dos diários, quando comparadas com as obtidas para os
dados agrupados; mas entre aquelas dos dados agrupa-
dos, houve uma tendência de serem menores nos perío-
dos de 1-3 e 1-6 nos meses menos chuvosos, como ju-
nho, julho e agosto, e nos outros meses não houve uma
tendência definida à medida que o tamanho dos perío-
dos foram aumentando. Para os dados agrupados, as
estimativas variaram de 3,0616 (1-3 de julho) até
78,2397 (1-18 de fevereiro). Para Vivaldi (1973), as es-
timativas de β não apresentaram nenhuma tendência
em relação ao tamanho dos períodos dentro de cada
mês, com valores que variaram de 0,844 (em julho) até
9,128 (em janeiro). Considerou-se, ainda, que houve
predominância de valores maiores nos meses mais chu-
vosos, resultado semelhante aos encontrados neste tra-
balho. Já Galate (1987), havia observado que, em geral,
nos meses menos chuvosos os valores de β∃ foram mai-
ores. Estimativas da variância aumentaram rapida-
mente com o crescimento dos valores de β∃ , sendo este
um indicador da variabilidade dos dados, visto que va-
∃
riância é diretamente proporcional ao quadrado de β .
Nas Tabelas 2 a 5 também estão contidos os va-
lores estimados das médias e variâncias dos dados nos
diferentes períodos de dois meses mais chuvosos (janei-
ro e fevereiro) e dois meses menos chuvosos (junho e
julho), verificando-se que à medida que a precipitação
média aumenta, em função do aumento do tamanho dos
períodos, a variância também aumenta, indicando que
em períodos maiores os dados são mais inconsistentes,
isto é, as precipitações mensais são mais irregulares do
que as precipitações diárias ou do período de 1-3 dias
por exemplo. Observa-se também que as variâncias são
menores nos meses menos chuvosos em conseqüência
∃
dos menores valores de β e de α ∃ . Os erros padrões
das estimativas dos parâmetros α e β (Tabelas 2 a 5)
apresentaram uma tendência em aumentar seus valores
à medida que houve um aumento no tamanho do perío-
do; conseqüência da maior variabilidade dos dados
quando estes são agrupados em períodos maiores, mos-
trando que em períodos menores as estimativas possu-
em uma precisão melhor do que nos períodos maiores.
Um resultado bastante interessante foi a proporção de
valores nulos da amostra. Em geral, observou-se que ao
aumentar o tamanho do período, as estimativas da pro-
∃ ) diminuíram, o que já era
porção de valores nulos ( Q
esperado. Já nos meses mais secos, como junho e
julho (Tabelas 4 e 5), em todos os períodos houve
702

TABELA 1 - Totais mensais e anuais das precipitações pluviométricas de janeiro de 1966 a dezembro de 1996 em
Lavras - MG.

Ano jan. fev. mar. abr. mai. jun. jul. ago. set. out. nov. dez. Total
1966 515 237 224 24 12 0 5 9 32 168 265 303 1794
1967 393 284 115 26 1 28 0 0 5 123 258 210 1443
1968 196 192 76 29 2 2 3 43 67 108 81 372 1170
1969 254 175 148 50 33 43 5 25 20 115 292 269 1428
1970 345 256 106 72 17 24 26 55 57 144 223 102 1427
1971 259 56 150 87 3 109 1 0 49 131 295 446 1585
1972 197 259 204 45 33 0 94 18 73 188 417 199 1727
1973 202 117 112 172 60 35 8 27 42 149 134 257 1316
1974 212 64 426 62 35 72 0 5 15 111 72 325 1399
1975 173 269 47 50 18 5 25 0 50 107 332 225 1301
1976 76 228 127 84 123 22 69 107 196 105 166 337 1641
1977 250 24 279 88 5 7 0 42 128 51 273 107 1256
1978 410 129 90 31 100 23 46 0 43 156 219 201 1448
1979 205 380 204 80 86 0 82 71 73 166 236 350 1933
1980 489 202 61 148 9 83 0 13 45 61 229 251 1589
1981 282 77 117 41 25 51 0 22 54 220 253 231 1373
1982 352 188 343 23 16 9 22 2 44 179 136 507 1820
1983 238 377 246 216 141 127 57 6 369 184 194 414 2568
1984 172 69 101 110 47 0 0 33 113 67 233 268 1212
1985 448 161 225 8 21 3 0 2 61 76 263 392 1659
1986 126 259 148 28 90 1 80 81 18 38 140 509 1518
1987 205 136 179 109 57 21 4 0 92 57 169 402 1431
1988 138 256 112 32 34 23 10 0 53 181 154 190 1181
1989 270 361 273 45 0 41 31 6 72 59 123 271 1554
1990 114 120 115 68 93 1 40 43 71 91 181 97 1034
1991 543 203 119 101 2 0 7 0 47 190 102 215 1529
1992 718 144 238 111 94 4 14 25 158 144 230 132 2011
1993 194 275 139 63 28 54 0 22 55 48 102 229 1209
1994 421 212 274 24 198 10 4 0 0 146 227 317 1833
1995 200 340 125 65 66 1 1 0 39 116 192 442 1585
1996 147 310 129 54 85 17 0 18 149 91 336 253 1589

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999

 703

TABELA 2 - Estimativas dos parâmetros (α e β), proporção de valores nulos (Q), média ( m ∃ ) e variância (S2) das
∃ e de ∃ , obtidos para as precipitações diárias e agrupadas em dez
precipitações observadas e erros padrões de α
.

Períodos α∃ β∃ ∃
Q ∃
m S2 S(α∃ ) ()
S β∃

Diários 0,5358 17,0345 0,4027 9,1 284,3240 0,0039 0,7611

1–3 0,6178 44,5983 0,1710 27,6 1228,8094 0,0147 3,3929
1–6 0,8369 65,8419 0,0710 55,1 3628,0919 0,0686 7,9083
1–9 1,3741 62,1412 0,0108 85,4 5306,1266 0,1818 9,8913
1 – 12 1,6307 70,1047 0 114,3 8014,3507 0,2682 13,4728
1 – 15 1,9883 69,2887 0 137,8 9545,6771 0,3315 13,1301
1 – 18 3,0818 54,3698 0 167,6 9110,0324 0,7443 14,2609
1 – 21 3,9444 48,6679 0 192,0 9342,5658 0,9625 12,6653
1 – 24 3,7255 61,3709 0 228,6 14031,6761 0,9071 15,9969
1 – 27 4,0962 62,5370 0 256,2 16019,7318 1,0009 16,2581
1 – 31 4,3271 65,3900 0 282,9 18502,0396 1,0594 16,9763

TABELA 3 - Estimativas dos parâmetros (α e β), proporção de valores nulos (Q), média ( m ∃ ) e variância (S2) das
∃ e de β∃ , obtidos para as precipitações diárias e agrupadas nos nove
precipitações observadas e erros padrões de α
períodos para o mês de fevereiro.

Períodos α∃ β∃ ∃
Q ∃
m S2 S(α∃ ) ()
S β∃

Diários 0,5384 13,3981 0,4828 7,2 170,30 0,0042 0,6266

1–3 0,6159 35,1929 0,2115 21,7 762,8169 0,0153 2,8226

1–6 0,8111 54,3049 0,0968 44,1 2391,9519 0,0686 7,1877

1–9 1,2590 51,6504 0,0215 65,0 3358,7146 0,1650 8,2826

1 – 12 1,5082 58,4260 0 88,1 5148,3877 0,2465 11,2998

1 – 15 1,7806 64,8902 0 115,5 7497,6402 0,4167 17,5200

1 – 18 1,7853 78,2397 0 139,7 10928,6259 0,4179 21,1202

1 – 21 2,1393 73,6752 0 157,6 11612,1955 0,5067 19,6569

1 – 24 2,6653 66,1202 0 176,2 11652,3740 0,6392 17,4452

1 – 28 3,3769 57,7717 0 195,1 11270,6378 0,8189 15,1048

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999

704

TABELA 4 - Estimativas dos parâmetros (α e β), proporção de valores nulos (Q), média ( m ∃ ) e variância (S2) das
∃ e de β∃ , obtidos para as precipitações diárias e agrupadas nos dez
precipitações observadas e erros padrões de α
períodos para o mês de junho.
Períodos α∃ β∃ ∃
Q ∃
m S2 S(α∃ ) ()
S β∃

Diários 1,6867 0,5189 0,9012 0,9 17,2730 0,0718 0,0257

1–3 0,5850 4,4933 0,7968 2,6 11,8110 0,0111 0,3444

1–6 0,4868 10,7991 0,6645 5,3 56,7709 0,0058 1,2498

1–9 0,4583 17,6142 0,5591 8,1 142,1922 0,0054 2,7060

1 – 12 0,4545 23,8153 0,4839 10,8 257,7781 0,0063 4,4983

1 – 15 0,4965 26,4714 0,3871 13,1 347,9149 0,0102 4,8020

1 – 18 0,4703 33,4447 0,3871 15,7 526,0531 0,0107 8,7921

1 – 21 0,4771 35,6533 0,3226 17,0 606,4694 0,0116 9,3112

1 – 24 0,4649 46,5651 0,3226 21,6 1008,0466 0,0100 12,3070

1 – 27 0,5147 47,0479 0,2258 24,2 1139,2910 0,0176 11,8873

1 – 30 0,6053 46,4260 0,1613 26,3 1304,6476 0,0419 10,4651

TABELA 5 - Estimativas dos parâmetros (α e β), proporção de valores nulos (Q), média ( m ∃ ) e variância (S2) das
∃ e de β∃ , obtidos para as precipitações diárias e agrupadas nos dez
precipitações observadas e erros padrões de α
períodos para o mês de julho.
Períodos α∃ β∃ ∃
Q ∃
m S2 S(α∃ ) ()
S β∃

Diários 6,2619 0,1042 0,9126 0,7 13,2860 0,2784 0,0048

1–3 0,6531 3,0616 0,8226 2,0 6,1218 0,0193 0,2335

1–6 0,5033 7,9451 0,7097 4,0 31,7706 0,0070 0,9062

1–9 0,4683 13,3832 0,6237 6,3 5,3602 0,0060 2,0352

1 – 12 0,4753 19,1477 0,5161 9,1 174,2613 0,0080 3,5419

1 – 15 0,4836 20,6705 0,4516 10,0 206,6276 0,0088 3,7937

1 – 18 0,5389 19,9825 0,3871 10,8 215,1829 0,0226 4,9603

1 – 21 0,5158 29,7328 0,3226 15,3 455,9875 0,0178 7,5061

1 – 24 0,4998 36,4244 0,3226 18,2 663,1031 0,0150 9,3181

1 – 27 0,4991 37,6732 0,3226 18,8 708,3577 0,0149 9,6429

1 – 31 0,5162 39,1710 0,2581 20,2 792,0404 0,0179 9,8856

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999

 705

TABELA 6 - Estimativas dos parâmetros α e β para os demais meses.

março abril maio agosto

Períodos α∃ β∃ α∃ β∃ α∃ β∃ α∃ β∃

Diários 0,5246 10,6059 0,6458 3,5756 0,7708 2,0566 3,8543 0,1824

1-3 0,5217 31,6258 0,4879 14,1977 0,5056 8,9972 0,6713 3,1370

1-6 0,6986 47,2334 0,5258 26,3515 0,4874 18,6672 0,5406 7,7906

1-9 0,9048 53,1135 0,6031 36,0542 0,5219 23,8584 0,5097 11,6542

1 - 12 1,3701 50,0790 0,7762 38,6847 0,5567 32,3372 0,4833 16,5341

1 - 15 1,6198 50,1291 0,9850 35,1634 0,6346 35,8439 0,4981 21,1407

1 - 18 3,9309 26,6259 1,9738 27,2516 0,5320 48,0564 0,4980 22,6271

1 - 21 4,0073 31,0360 2,0372 28,4542 0,6623 47,9276 0,5055 29,9249

1 - 24 4,2154 32,5541 2,1880 27,4461 0,7451 48,3239 0,5387 29,6650

1 - 27 4,0730 37,3944 2,4265 26,8824 0,7953 46,9724 0,5559 32,0578

Mensais 4,4874 38,4400 2,5502 27,1650 0,8665 57,0271 0,5675 38,3810

setembro outubro novembro dezembro

α∃ β∃ α∃ β∃ α∃ β∃ α∃ β∃
Diários 0,6151 4,0076 0,5635 6,9618 0,5158 13,4266 0,5435 16,7743

1-3 0,4606 17,6246 0,5400 21,9502 0,5876 35,3968 0,6747 40,6021

1-6 0,4913 30,1043 0,6921 34,2550 0,7993 52,0401 1,1708 46,7977

1-9 0,5142 40,8079 0,9335 36,2173 1,2345 50,7338 1,4357 57,7906

1 - 12 0,5508 47,9410 1,3269 35,3849 1,5012 55,6585 2,6014 39,9018

1 - 15 0,6664 55,4872 1,9093 31,0412 2,8464 36,5330 3,6086 37,9570

1 - 18 0,5403 70,8574 1,7921 38,0540 3,6836 31,9130 4,4010 31,1888

1 - 21 0,6808 66,8077 2,1789 38,2329 4,4337 32,8821 5,1322 31,4471

1 - 24 0,6979 75,6768 3,1370 29,9353 4,5754 36,5245 5,7445 36,1387

1 - 27 1,0261 61,3442 3,6745 27,6038 4,9067 38,2922 6,6370 37,5036

Mensais 1,3627 54,2720 5,5973 21,7240 6,2570 33,2630 6,8419 42,1830

Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999

706
estimativas de Q não nulas, sendo que em junho, no pe-
ríodo 1-30 (mensal), ocorreu uma proporção de 0,1613,
indicando que em 16,13% dos meses de junho não
ocorreram nenhuma precipitação durante o mês todo e
que, para esse mesmo período, em 25,81% dos meses
de julho não foram registradas nenhuma precipitação,
fato importante para a agropecuária nessa época. Vival-
di (1973) já havia verificado que a ocorrência de valo-
∃ foi freqüente nos períodos de 1-5 e
res elevados de Q
1-10, principalmente nos meses mais secos.
Observa-se em janeiro e fevereiro (Tabelas 2 e
3) que à medida que aumenta-se o período, as estimati-
vas de Q∃ diminuíram, e nos períodos de 1-12 ou maio-
res foram nulas, indicando que houve nesses períodos
alguma precipitação.
CONCLUSÕES
Os resultados encontrados neste trabalho permi-
tem concluir que:
a) Para dados agrupados nos períodos, em geral,
as estimativas dos parâmetros de forma (α) são menores
nos meses menos chuvosos e maiores nos meses chuvo-
sos e aumentam de valor à medida que o tamanho do
período aumenta, e para os dados diários, as estimativas
desses parâmetros mostraram-se maiores nos meses de
baixas precipitações e menores nos meses de maiores
precipitações.
b) As estimativas do parâmetro de escala (β) não
apresentaram uma tendência definida com o aumento
do tamanho dos períodos. Os maiores valores ocorre-
ram nos meses mais chuvosos.
REFERÊNCIAS BIBLIOGRÁFICAS
ABRAMOWITS, M.; STEGUN, I. A. Handbook of
mathematical functions with formulas, graphs,
and mathematical tables. New York: Dover, 1970.
1046p.
ASSIS, F. N. de Modelagem da ocorrência e da
quantidade de chuva e de dias secos em Piracica-
ba - SP e Pelotas - RS. Piracicaba: ESALQ/USP,
1991. 134p. (Tese - Doutorado em Solos e Nutrição
de Plantas).
BRASIL, Ministério da Agricultura e Reforma Agrária.
Normais climatológicas (1961-1990). Brasília:
MA/SNI/DNMET, 1992. 84p.
CASTRO NETO, P.; SEDIYAMA, G. C.; VILLELA,
E. A. Probabilidade de ocorrência de períodos chu-
Ciênc. agrotec., Lavras, v.23, n.3, p.697-706, jul./set., 1999
vosos em Lavras, Minas Gerais. Ciência e Prática,
Lavras, v.4, n.1, p.56-65, jan./jun., 1980a.
CASTRO NETO, P.; SEDIYAMA, G. C.; VILLELA,
E. A. Probabilidade de ocorrência de períodos secos
em Lavras, Minas Gerais. Ciência e Prática, La-
vras, v.4, n.1, p.46-55, jan./jun., 1980b.
CASTRO NETO, P.; SILVEIRA, J. V. Precipitação
provável para Lavras, Região Sul de Minas Gerais,
baseada na função de distribuição de probabilidade
gama. I. Períodos mensais. Ciência e Prática, La-
vras, v.5, n.2, p.144-151, jul./dez., 1981a.
CASTRO NETO, P.; SILVEIRA, J. V. Precipitação
provável para Lavras, Região Sul de Minas Gerais,
baseada na função de distribuição de probabilidade
gama. II. Períodos de quinze dias. Ciência e Prática,
Lavras, v.5, n.2, p.152-162, jul./dez., 1981b.
CASTRO NETO, P.; SILVEIRA, J. V. Precipitação
provável para Lavras-MG, baseada na função de
distribuição de probabilidade gama. III. Períodos de
10 dias. Ciência e Prática, Lavras, v.7, n.1, p.58-
65, jan./jun., 1983.
FRIEDMAN, D. G. ; JANES, B. E. Estimation of
rainfall probabilities. University of Connecticut
Agricultural Experiment Station Bulletin,
Connecticut, v.332, p.1-22, 1957.
FRIZZONE, J. A. Análise de cinco modelos para cál-
culo da distribuição e freqüência de precipitação
na região de Viçosa-MG. Viçosa: UFV. Imprensa
Universitária, 1979. 100p. (Tese - Mestrado em Ir-
rigação e Drenagem).
GALATE, R.S. Estudo das precipitações pluviais no
município de Belém - PA, através da distribuição
gama. Piracicaba: ESALQ/USP, 1987. 70p. (Tese -
Mestrado em Estatística e Experimentação Agro-
nômica).
THOM, H. C. S. A note on the gamma distribution.
Monthly Weaher Review, Washington, v.86, n.4,
p.117-122. 1958.
VIANELLO, R.L.; ALVES, A.R. Meteorologia bási-
ca e aplicações. Viçosa: UFV. Imprensa Universitá-
ria, 1991. 449p.
VIVALDI, L. J. Utilização da distribuição gama em
dados pluviométricos. Piracicaba: ESALQ/USP,
1973. 77p. ( Tese – Mestrado em Estatística e Expe-
rimentação Agronômica )