Flavio Ferraz Vieira
Emprego da Teoria de Valores Extremos na
constru¸
c˜
ao de modelos espa¸
co-temporal de
temperaturas
Niter´oi - RJ, Brasil
Flavio Ferraz Vieira
Emprego da Teoria de Valores
Extremos na constru¸
c˜
ao de modelos
espa¸
co-temporal de temperaturas
Trabalho de Conclus˜ao de Curso
Monografia apresentada para obten¸c˜ao do grau de Bacharel em
Estat´ıstica pela Universidade Federal Fluminense.
Orientador: Prof. Dr. Marco Aur´elio dos Santos Sanfins
Co-Orientador: Prof. Dr. Valentin Sisko
Niter´oi - RJ, Brasil
Universidade Federal Fluminense
Flavio Ferraz Vieira
Emprego da Teoria de Valores Extremos na
constru¸
c˜
ao de modelos espa¸
co-temporal de
temperaturas
Monografia de Projeto Final de Gradua¸c˜ao sob o t´ıtulo
“Em-prego da Teoria de Valores Extremos na constru¸c˜ao de modelos
espa¸co-temporal de temperaturas”, defendida por Flavio Ferraz
Vieira e aprovada em 20 de dezembro de 2018, na cidade de
Niter´oi, no Estado do Rio de Janeiro, pela banca examinadora
constitu´ıda pelos professores:
Prof. Dr. Marco Aur´elio dos Santos Sanfins
Departamento de Estat´ıstica – UFF
Prof. Dr. Valentin Sisko Departamento de Estat´ıstica – UFF
Prof. Me. Eduardo Ferioli Gomes Departamento de Estat´ıstica – UFF
Flavio Ferraz Vieira ; Marco Aurélio dos Santos Sanfins, orientador ; Valentin Sisko, coorientador. Niterói, 2018.
51 f. : il.
Trabalho de Conclusão de Curso (Graduação em Estatística)-Universidade Federal Fluminense, Instituto de Matemática e Estatística, Niterói, 2018.
1. Modelagem. 2. Teoria dos Valores Extrems. 3. Estatística Espacial. 4. Temperaturas Extremas. 5. Produção intelectual. I. Sanfins, Marco Aurélio dos Santos, orientador. II. Sisko, Valentin, coorientador. III. Universidade Federal Fluminense. Instituto de Matemática e Estatística. IV. Título.
Resumo
Os fundamentos da teoria dos valores extremos foram inicialmente expostos por Fisher
e Tippett [1], que por defini¸c˜ao introduziram os trˆes tipos poss´ıveis de distribui¸c˜oes
as-sint´oticas dos valores extremos, conhecidas como Gumbel, de Fr´echet e de Weibull,
res-pectivamente.
No entanto, o primeiro a estudar e formalizar a aplica¸c˜ao estat´ıstica destas
distri-bui¸c˜oes foi Gumbel [2], cuja a metodologia tem sido frequentemente aplicada. Outras
contribui¸c˜oes importantes para o estudo de valores extremos foram dadas por Gnedenko
[3], que mostrou as condi¸c˜oes necess´arias e suficientes para a existˆencia das distribui¸c˜oes
assint´oticas dos valores extremos. Atualmente diversas ´areas do conhecimento est˜ao
uti-lizando a Teoria de Valores extremos para construir modelos preditivos, principalmente a
dados relacionados ao meio ambiente. Esse fato decorre das grandes mudan¸cas clim´aticas
que vem ocorrendo em nosso planeta nos dias atuais.
Atualmente v´arios centros mundiais de coleta de dados sobre condi¸c˜oes clim´aticas,
vem coletando informa¸c˜oes sobre as maiores temperaturas observadas em diversas ´areas do
planeta. Em especial atualmente o governo da ´India possui estas temperaturas m´aximas
coletadas com as respectivas latitude e longitude, possuindo um Hist´orico que abrange os
per´ıodos de 1951 at´e o ano de 2014. O objetivo deste projeto ´e utilizar a teoria de valores
extremos e com esta ser capaz de modelar os dados mencionados anteriormente, como
tamb´em obter um modelo preditivo.
Palavras-chaves: Modelagem, Teoria dos Valores Extremos, Estat´ıstica Espacial, Tempe-raturas Extremas. Statistics
Agradecimentos
Primeiramente agradecer a Deus pelo dom da vida e da sabedoria, sem ele nada disso
seria poss´ıvel. Aos meus pais Dirlene e Sebasti˜ao por toda educa¸c˜ao, apoio e suporte, meus
irm˜aos Paulo, Luiza e Diego pelos conselhos e sempre dispostos a oferecer um ombro
amigo, e minha melhor amiga e namorada Camila por todo amor, carinho e paciˆencia
durante toda minha trajet´oria. E todas as pessoas que contribu´ıram durante a minha
gradua¸c˜ao, diretamente ou indiretamente; a todos meus amigos em especial ao Carlos
Renan, meu orientador Marco e co-orientador Valentin, e toda minha equipe de trabalho da Fiocruz.
Lista de Figuras
Lista de Tabelas
1 Introdu¸c˜ao p. 11
1.1 Objetivos . . . p. 11
2 Referencial Te´orico p. 13
2.1 Teoria dos Valores Extremos . . . p. 13
2.1.1 Hist´orico . . . p. 13
2.2 Modelagem Univariada de Extremos . . . p. 14
2.2.1 Nota¸c˜oes . . . p. 14
2.2.2 Distribui¸c˜ao Exata e Limite do M´aximo . . . p. 15
2.3 Modelos Assint´oticos Para o M´aximo . . . p. 18
2.4 M´ax-Estabilidade . . . p. 21
2.4.1 Dominio de Atra¸c˜ao . . . p. 22
2.5 Distribui¸c˜ao de Valores Extremos Generalizada (GEV) . . . p. 23
2.6 Teste de Aderˆencia . . . p. 24
3 Materiais e M´etodos p. 26
3.0.1 Estima¸c˜ao via M´etodo de M´axima Verossimilhan¸ca . . . p. 27
3.0.2 Estima¸c˜ao via M´etodo de L-Momentos . . . p. 29
3.1.1 Estimativas Obtidas Por M´axima Verossimilhan¸ca . . . p. 31
3.1.2 Estimativas obtidas por L-Momentos . . . p. 33
3.2 Teste de Aderˆencia . . . p. 34
3.3 Teste Gr´afico . . . p. 34
3.4 Modelagem e Previs˜oes . . . p. 35
4 An´alise dos Resultados p. 36
5 Conclus˜ao p. 44
Referˆencias p. 45
1 Distribui¸c˜ao Acumulada da Weibull com α = −2, Fr´echet com α = 1 e
Gumbel . . . p. 19
2 Curva Estimada e Te´orica da Distribui¸c˜ao Assint´otica do M´aximo
Pa-dronizado . . . p. 20
3 Representa¸c˜ao da Aloca¸c˜ao das Temperaturas M´aximas na ´India . . . . p. 26
4 Regi˜oes da India . . . p. 27
5 Exemplo de um gr´afico de retorno . . . p. 35
6 Temperaturas M´aximas dos Anos de 1951 e 2014 . . . p. 36
7 Amplitude das Temperaturas M´aximas Anuais . . . p. 37
8 M´aximos e M´ınimos das Temperaturas M´aximas Anuais . . . p. 37
9 Desvio Padr˜ao das Temperaturas M´aximas Anuais . . . p. 38
10 M´edia das Temperaturas M´aximas Anuais . . . p. 38
11 Temperatuas m´aximas observadas e previstas a partir de 2004 . . . p. 40
12 Previs˜ao da Temperatura M´axima para 10 anos e seu IC . . . p. 41
13 Previs˜ao da Temperatura M´axima para 20 anos e seu IC . . . p. 42
Lista de Tabelas
1 Representa¸c˜ao da Divis˜ao de uma Vari´avel X em m Classes . . . p. 24
2 Valores cr´ıticos para as estat´ısticas de teste D+, D−, D e V . . . p. 32
3 Representa¸c˜ao do Teste de Aderˆencia de Pearson . . . p. 34
1
Introdu¸
c˜
ao
Em quase todas as ´areas da estat´ıstica a ordena¸c˜ao da amostra ´e imprescind´ıvel para
a an´alise dos dados, na Teoria dos Valores Extremos (TVE) tal etapa ´e crucial. O TVE
´e um ramo da probabilidade capaz de quantificar eventos extremos ou raros, atrav´es da
observa¸c˜ao de m´aximos (ou m´ınimos) de grupos de amostras. O TVE j´a ´e presente na
literatura por um tempo relativamente longo e suas aplica¸c˜oes j´a foram utilizadas em
diversas ´areas com interesse em observar eventos poucos frequentes, como na estima¸c˜ao
de eventos clim´aticos, c´alculo de seguros e eventos pouco comuns no mercado financeiro.
Por ser um campo f´ertil para a inferˆencia estat´ıstica e possuir aplica¸c˜oes em muitas
´
areas, permitiu a Teoria dos Valores Extremos obter uma vasta bibliografia, entre eles o
cl´assico livro de Gumbel [2], que foi o primeiro a estudar e formalizar os fundamentos da
teoria; outras contribui¸c˜oes importantes foram de Fisher e Tippett [1] que introduziram
as trˆes poss´ıveis distribui¸c˜oes assint´oticas dos valores extremos, conhecidos como Gumbel,
Frechet e Weibull, e Gnedenko [3] que mostrou as condi¸c˜oes necess´arias para a existˆencia
das distribui¸c˜oes assint´oticas dos valores extremos.
Por causa das grandes mudan¸cas clim´aticas que vem ocorrendo em nosso planeta nos
dias atuais, estudantes de diversas ´areas do conhecimento est˜ao utilizando a Teoria de
Valores Extremos para construir modelos preditivos, afim de prever e prevenir eventos
indesej´aveis.
1.1
Objetivos
A presente monografia tem por finalidade solidificar os conhecimentos e o manuseio
sobre vari´aveis que sejam coletadas segundo um padr˜ao espa¸co-temporal. Solidificar os
conhecimentos sobre a Teoria dos Valores Extremos; como suas distribui¸c˜oes assint´oticas
para os m´ınimos e m´aximos (Gumbel, Frechet e Weibull), as condi¸c˜oes necess´arias para
es-1.1 Objetivos 12
tima¸c˜ao dos seus parˆametros e os testes estat´ısticos para tais parˆametros. Estudar o
comportamento das temperaturas m´aximas da ´India nos anos de 1951 at´e 2014 e propor
v´arios modelos para os dados com a utiliza¸c˜ao da Teoria de Valores Extremos. E por fim,
analisar e comparar estudos anteriores e correlatos, com a nova proposta e gerar previs˜oes
2
Referencial Te´
orico
2.1
Teoria dos Valores Extremos
Essa se¸c˜ao aborda t´opicos sobre a Teoria dos Valores Extremos; seu hist´orico,
al-gumas ´areas de aplica¸c˜oes e seus conceitos, as distribui¸c˜oes assint´oticas dos m´aximos e
m´ınimos, suas condi¸c˜oes necess´arias e a distribui¸c˜ao dos valores extremos generalizada.
As nota¸c˜oes ser˜ao as mesmas utilizadas por Mendes [4]. Para um estudo mais detalhado
e intensificado sobre a Teoria dos Valores Extremos aconselha-se a leitura da tese de
doutorado denominada “Copulas para Distribui¸c˜oes Generalizadas de Valores Extremos
Multidimensionais”de Sanfins [5].
2.1.1
Hist´
orico
Eventos extremos s˜ao definidos como eventos raros, eventos que nunca foram
obser-vados ou foram obserobser-vados poucas vezes. Alguns exemplos cl´assicos desses eventos s˜ao as
crises financeiras, como a crise de 1929 ou desastres naturais, como tsunami, impacto de meteoros e terremotos. A Teoria dos Valores Extremos surgiu com o interesse de cons-truir um modelo preditivo que pudesse quantificar relativamente bem esses eventos, afim
de poder diminuir as consequˆencias ou preveni-los. De acordo com Pires [6], o impulso
dos estudos e da utiliza¸c˜ao do TVE se deu em 1953, quando barragens que protegem a
Holanda do avan¸co do mar se romperam e causaram a inunda¸c˜ao de boa parte do pa´ıs,
provocando a morte de 1800 pessoas. Ap´os o desastre, o governo da Holanda criou um
comitˆe que utilizava o ferramental ligado a Teoria dos Valores Extremos para estabelecer
a altura das barragens. Gumbel [2] diz que os interesses na constru¸c˜ao de modelos
predi-tivos de eventos extremos data desde o s´eculo XVII em estudos de astronomia. Apesar da
preocupa¸c˜ao dos estudos com a modelagem de valores extremos n˜ao ser algo relativamente
novo, os primeiros fundamentos da TVE foram inicialmente expostos por Fisher e Tippett
[1] em 1928, que por introduziram os trˆes tipos poss´ıveis de distribui¸c˜oes assint´oticas dos
2.2 Modelagem Univariada de Extremos 14
No entanto, o primeiro a estudar e formalizar a aplica¸c˜ao estat´ıstica destas
distri-bui¸c˜oes foi Gumbel [2] em 1954, cuja a metodologia tem sido frequentemente aplicada.
Outras contribui¸c˜oes importantes para o estudo de valores extremos foram dadas por
Gnedenko [3], que mostrou as condi¸c˜oes necess´arias e suficientes para a existˆencia das
distribui¸c˜oes assint´oticas dos valores extremos.
2.2
Modelagem Univariada de Extremos
Nessa se¸c˜ao ´e apresentada a distribui¸c˜ao assint´otica dos m´aximos e dos m´ınimos e
suas condi¸c˜oes necess´arias, a distribui¸c˜ao assint´otica generalizada e seus parˆametros.
2.2.1
Nota¸
c˜
oes
Seja X1, X2, ..., Xn uma amostra aleat´oria simples de uma v´ariavel X, com fun¸c˜ao de
distribui¸c˜ao acumulada FX(x). Frequentemente trabalha-se com a fun¸c˜ao de densidade
fX(x), logo FX(x) ´e definida como:
FX(x) = P (X ≤ x) =
Z x
−∞
fX(a)da,
a esperan¸ca da vari´avel X definida como:
E[X] =
Z ∞
−∞
xfX(x)dx,
e a variˆancia:
V ar[X] = E[(X − E[X])2].
A abordagem cl´assica da Teoria dos Valores Extremos consiste em caracterizar as
caudas da distribui¸c˜ao FX(x) a partir da distribui¸c˜ao do m´aximo ou m´ınimo. Para isto ´e
definido as estat´ısticas de ordem, as estat´ısticas de ordem k e o suporte da FX(x).
Defini¸c˜ao 2.2.1 (Estat´ısticas de Ordem) Seja (Xn)n≥1 uma sucess˜ao de vari´aveis aleat´orias,
s˜ao definidas estat´ısticas de ordem X(1), X(2), ..., X(n), que s˜ao as vari´aveis aleat´orias
or-denadas, tais que X(1) ≤ X(2) ≤ ... ≤ X(n).
Defini¸c˜ao 2.2.2 (Estat´ıstica de Ordem k) Seja (Xn)n≥1uma sucess˜ao de vari´aveis aleat´orias,
´e definida a k-´esima estat´ıstica de ordem como X(k), tal que X(1) ≤ X(2) ≤ ... ≤ X(k) ≤
Defini¸c˜ao 2.2.3 (Suporte da Fun¸c˜ao de Distribui¸c˜ao) Seja X ∼ FX(x), o suporte da
fun¸c˜ao de distribui¸c˜ao de X ser´a:
xFX = sup{x ∈ R : FX(x) < 1}. (2.1)
2.2.2
Distribui¸
c˜
ao Exata e Limite do M´
aximo
Na TVE ´e dada uma aten¸c˜ao em especial para o suporte da FX(x) e as estat´ısticas de
ordem dos extremos, o m´ınimo e o m´aximo que s˜ao definidos como m´ınimo X(1) e m´aximo
X(n) de uma amostra i.i.d, ou seja:
X(1) = min{X1, X2, ..., Xn} e X(n) = max{X1, X2, ..., Xn}.
A fun¸c˜ao de distribui¸c˜ao exata do m´aximo e do m´ınimo ´e obtida atrav´es da fun¸c˜ao
de distribui¸c˜ao de X.
Defini¸c˜ao 2.2.4 (Fun¸c˜ao de Distribui¸c˜ao do M´aximo) A fun¸c˜ao de distribui¸c˜ao do m´aximo
´e definida como FX(n)(x) e ´e obtida a partir da distribui¸c˜ao de X, do jeito seguinte:
FX(n)(x) = F n X(x). Demonstra¸c˜ao. FX(n)(x) = P {X(n)6 x} = P {max(X1, X2, ..., Xn) 6 x} = P {X1 6 x, X2 6 x, ..., Xn6 x} i.i.d = P {X1 6 x} × P {X2 6 x} × ... × P {Xn6 x} = Pn{X 6 x} = FXn(x). e a do m´ınimo,
Defini¸c˜ao 2.2.5 (Fun¸c˜ao de Distribui¸c˜ao do M´ınimo) A fun¸c˜ao de distribui¸c˜ao do m´ınimo
´e definida como FX(1)(x) e ´e obtida a partir da distribui¸c˜ao de X tal que:
FX(1)(x) = 1 − (1 − FX(x))
n.
2.2 Modelagem Univariada de Extremos 16 FX(1)(x) = P {X(1) ≤ x} = 1 − P {X(1) > x} = 1 − P {X1 > x, X2 > x, ..., Xn> x} i.i.d = 1 − P {X1 > x} × P {X2 > x} × ... × P {Xn> x} = 1 − Pn{X > x} = 1 − (1 − P {X ≤ x})n= 1 − (1 − F X(x))n.
Com isso, foram definidas as distribui¸c˜oes exatas do m´ınimo e do m´aximo, por´em
suas distribui¸c˜oes dependem do conhecimento da distribui¸c˜ao de X, que em muitos casos
´e desconhecida, entretanto o Corol´ario 2.2.9 afirma que para n suficientemente grande
esta distribui¸c˜ao ser´a degenerada. Mas para entender a demonstra¸c˜ao do Corol´ario 2.2.9,
´e preciso entender os conceitos de convergˆencia em probabilidade, em distribui¸c˜ao, e quase
certamente que s˜ao uns dos mais importantes resultados da estat´ıstica.
Defini¸c˜ao 2.2.6 (Convergˆencia em Probabilidade) Seja (Xn)n≥1uma sucess˜ao de vari´aveis
aleat´orias, e para qualquer ε > 0 temos que X converge em probabilidade para c se
lim
n−→∞P {|Xn− c| > ε} = 0, (2.2)
Denotado por X → c.p
Defini¸c˜ao 2.2.7 (Convergˆencia Quase Certamente) Seja (Xn)n≥1uma sucess˜ao de vari´aveis
aleat´orias, ´e dito que Xn converge quase certamente para X se
P (N ) = 1, sendo N = {w ∈ Ω|Xn(w) → X(w)}, (2.3)
Denotado por Xn
q.c.
→ X.
Defini¸c˜ao 2.2.8 (Convergˆencia em Distribui¸c˜ao) Sejam (Xn)n≥1uma sucess˜ao de vari´aveis
aleat´orias, ´e dito que Xn converge em distribui¸c˜ao para X se
lim
n→∞FXn(x) = FX(x), (2.4)
Denotado por Xn
d
´
E bastante intuitivo que os valores dos m´aximos s˜ao aquelas que se localizam pr´oximos
do limite superior do suporte da distribui¸c˜ao de X e que quando maior a sucess˜ao da
vari´avel X menor ser´a a distancia do m´aximo e do suporte . Isto indica que o
compor-tamento assint´otico Xn deve estar relacionado com a cauda de FX(x) perto de xFX. Isto
n˜ao ´e apenas intuitivo, mas tamb´em um Corol´ario (As afirma¸c˜oes feitas e os resultados
obtidos para o m´aximo, podem ser estendidos para os m´ınimos).
Corol´ario 2.2.9 (Convergˆencia em Probabilidade do M´aximo) Sejam X1, X2, ..., Xnvari´aveis
aleat´orias i.i.d com distribui¸c˜ao FX(x), para n→ ∞, X(n) converge em probabilidade para
o suporte, se xFX < ∞.
Demonstra¸c˜ao.
Para x < xF X temos que
P {Xn≤ x} = FXn(x)
n→∞
→ 0
e para xFX < ∞, temos que para x > xFX
P {Xn≤ x} = FXn(x) = 1
Logo foi demonstrado que Xn
p
→ xFX.
Corol´ario 2.2.10 (Convergˆencia Quase Certamente do M´aximo) Sejam X1, X2, ..., Xn
vari´aveis aleat´orias i.i.d com distribui¸c˜ao FX(x), para n → ∞, X(n) converge quase
cer-tamente para o suporte, se xFX < ∞.
Demonstra¸c˜ao.
Visto que a Sequˆencia Xn ´e n˜ao decrescente em n, o m´aximo converge quase
certa-mente para xFX. Para mais detalhes dessa demonstra¸c˜ao veja James [7].
Os Corol´arios 2.2.9 e 2.2.10 afirmam que n˜ao importa a fun¸c˜ao de distribui¸c˜ao de
X, se o tamanho da amostra de m´aximos for suficientemente grande, a distribui¸c˜ao ´e
degenerada. Mas uma distribui¸c˜ao degenerada n˜ao fornece muita informa¸c˜ao, com isto, na
Se¸c˜ao 2.3 ´e apresentada a distribui¸c˜ao assint´otica do m´aximo, e atrav´es desta distribui¸c˜ao
2.3 Modelos Assint´oticos Para o M´aximo 18
2.3
Modelos Assint´
oticos Para o M´
aximo
Para conhecer-se a distribui¸c˜ao exata do m´aximo, ´e preciso conhecer a distribui¸c˜ao da
vari´avel X o que na pr´atica n˜ao ocorre frequentemente, e para n suficientemente grande
o m´aximo tem uma distribui¸c˜ao degenerada o que n˜ao fornece muita informa¸c˜ao. Mas,
o Teorema Fundamental de Fisher-Tippet fornece o resultado de convergˆencia fraca para
m´aximo centrado e normalizado e atrav´es do resultado desse teorema ´e poss´ıvel obter
informa¸c˜oes relevantes da distribui¸c˜ao original X atrav´es da distribui¸c˜ao assint´otica do
m´aximo.
Teorema 2.3.1 (Fisher-Tippet[1928]) Seja (Xn)n≥1uma sequˆencia de vari´aveis aleat´orias
i.i.d. Se existirem sequˆencias de constantes normalizadoras cn > 0 e dn ∈ R e uma
dis-tribui¸c˜ao n˜ao degenerada H(x) tal que
X(n)− dn
cn d
→ H(x),
ent˜ao H(x) ´e uma das 3 fun¸c˜oes distribui¸c˜ao abaixo:
Gumbel : HI(x) = exp{−e−x} , x ∈ R. (2.5) Fr´echet : HII(x) = ( 0 , x < 0 α > 0. exp{−x−α} , x > 0 (2.6) Weibull : HIII(x) = ( exp{−(−x)−α} , x ≤ 0 α < 0. 1 , x > 0 (2.7)
A Figura 1 apresenta um gr´afico com as distribui¸c˜oes do Teorema 2.3.1, Gumbel,
Frechet e Weibull com α igual a 1 e -2 respectivamente e um exemplo de convergˆencia do
−1 0 1 2 3 0.0 0.2 0.4 0.6 0.8 1.0 x Prob Weibull Fréchet Gumbel
Figura 1: Distribui¸c˜ao Acumulada da Weibull com α = −2, Fr´echet com α = 1 e Gumbel
Exemplo 2.3.2 Convergˆencia do m´aximo de uma distribui¸c˜ao Uniforme(0,1) para uma
Weibull com α = −1:
Suponha que X ∼ Uniforme(0, 1), ent˜ao sua fun¸c˜ao de densidade ser´a fX(x) = I(0,1)(x) e
sua fun¸c˜ao de distribui¸c˜ao FX(x) = xI(0,+∞)(x). A distribui¸c˜ao exata do m´aximo ´e obtida
atrav´es da rela¸c˜ao FX(n)(x) = F
n
X(x), logo:
FX(n)(x) = x
n, 0 < x < 1.
O Teorema 2.3.1 indica que a distribui¸c˜ao do m´aximo possui uma distribui¸c˜ao
as-sint´otica H(x), ent˜ao
P X(n)− dn
cn
< x
= PX(n) < xcn+ dn = (xcn+ dn)n.
Com isto, fazendo cn= 1n e dn= 1 temos que
lim n→∞ 1 + x n n → ex
que coincide com a distribui¸c˜ao HIII(x) com o parˆametro α = −1, isto ´e,
X(n)− 1
1 n
n→∞
→ HIII(x).
2.3 Modelos Assint´oticos Para o M´aximo 20
a sua distribui¸c˜ao assint´otica no m´aximo padronizado, convergira para uma Weibull com
α = −1. A Figura 2 apresenta a curva estimada e a curva te´orica da distribui¸c˜ao
as-sint´otica do m´aximo padronizado do Exemplo 2.3.2, de uma amostra de m´aximos de
tamanho 100, retirados de blocos de tamanho igual a 5.
Figura 2: Curva Estimada e Te´orica da Distribui¸c˜ao Assint´otica do M´aximo Padronizado
Como mostrado no Exemplo 2.3.2, com n suficientemente grande, a distribui¸c˜ao do
m´aximo da vari´avel X convergira para alguma distribui¸c˜ao de H(x), para algumas
cons-tantes normalizadoras cn e dn. Embora as 3 distribui¸c˜oes n˜ao aparentam haver nenhuma
rela¸c˜ao, do ponto de vista matem´atico existe uma familiaridade entre elas.
Proposi¸c˜ao 2.3.3 (Rela¸c˜oes Entre os Modelos Assint´oticos do M´aximo) Seja X ∼ Frechet(α),
se X > 0 as rela¸c˜oes a seguir s˜ao v´alidas:
X ⇔ ln(Xα) ∼ Gumbel ⇔ −X−1 ∼ Weibull(−α)
A seguir s˜ao apresentadas as fun¸c˜oes de distribui¸c˜ao adicionadas com parˆametros de
Gumbel : HI(x) = exp{−e− (x−µ)σ } , x ∈ R. (2.8) Fr´echet : HII(x) = ( 0 , (x − µ) ≤ 0 α > 0. exp{− x−µσ −α} , (x − µ) > 0 (2.9) Weibull : HIII(x) = ( exp{−(−(x−µ)σ )−α} , (x − µ) ≤ 0 α > 0. 1 , (x − µ) > 0 (2.10)
O Teorema 2.3.1 nos da total condi¸c˜ao de estimar a distribui¸c˜ao assint´oticaX(n)−dn
cn
atrav´es da fam´ılia H(x), sem nenhuma necessidade de utilizar a distribui¸c˜ao de X. Ap´os
encontrar a distribui¸c˜ao assint´otica do m´aximo, podemos encontrar informa¸c˜oes da
dis-tribui¸c˜ao de X atrav´es da seguinte rela¸c˜ao:
H(x) = FX(n)(x) = P {X(n)≤ x} = F n X(x) ent˜ao, FX(x) = n p H(x). (2.11)
O Teorema 2.3.1 tamb´em ´e valido para vari´aveis aleat´orias apresentando dependˆencia
temporal e heteroscedasticidade. Neste caso existe algumas condi¸c˜oes a serem verificadas.
Em essˆencia existem similiaridade entre o Teorema de Fisher-Tippett (TFT) e o
Teo-rema Central do Limite (TCL). O TCL estabelece que dentro das fun¸c˜oes de distribui¸c˜ao
n˜ao degeneradas apenas as distribui¸c˜oes est´aveis podem ser distribui¸c˜ao limites. O TFT
estabelece que apenas as distribui¸c˜oes m´ax-estaveis podem ser distribui¸c˜ao limite, veja
Mendes [4].
2.4
M´
ax-Estabilidade
Como dito anteriormente uma das condi¸c˜oes para as distribui¸c˜oes do m´aximo
norma-lizado convergir para alguma das distribui¸c˜oes da fam´ılia H(x) ´e ela ser m´ax-est´avel. A
defini¸c˜ao mostra a condi¸c˜ao de uma distribui¸c˜ao ser m´ax-est´avel e diz que toda
distri-bui¸c˜ao m´ax-est´avel converge para ela mesma, logo s˜ao distribui¸c˜oes limite para o m´aximo
normalizado.
Defini¸c˜ao 2.4.1 (M´ax-Estabilidade) Sejam X1, X2, ..., Xn vari´aveis aleat´orias i.i.d de
uma distribui¸c˜ao FX(x), e sejam dn ∈ R e cn > 0 constantes normalizadoras. ´E dito
2.4 M´ax-Estabilidade 22 max(X1, X2, ..., Xn) d = cnX + dn, (2.12) e temos que lim n→∞F n X(cnx + dn) = H(x).
Provando que as distribui¸c˜oes m´ax-est´aveis coincide com as distribui¸c˜oes da fam´ılia H(x).
Teorema 2.4.2 A classe das distribui¸c˜oes que apresentam max-estabilidade coincide com
a classe de todas as distribui¸c˜oes limite poss´ıveis (n˜ao degeneradas) para o m´aximo
pa-dronizado de vari´aveis aleat´orias i.i.d.
2.4.1
Dominio de Atra¸
c˜
ao
O Teorema de Fisher-Tippett tem a seguinte aplica¸c˜ao direta: Se [FX(cnx + dn)]n ´e
n˜ao degenerada quando n ´e suficientemente grande, para certas constantes positivas cn e
dn∈ R, ent˜ao [FX(x)]n− H x − dn cn → 0, n → ∞. (2.13)
Para alguma H(x) pertencente as distribui¸c˜oes limites para m´aximos normalizados
e padronizados. Este fato permite que seja definido uma cole¸c˜ao de FX0 s que disp˜oem
de uma mesma distribui¸c˜ao limite. Chama-se Dom´ınio de Atra¸c˜ao a cole¸c˜ao de FX0 s que
disp˜oe da mesma distribui¸c˜ao limite.
Defini¸c˜ao 2.4.3 (Dom´ınio de Atra¸c˜ao) Se a convergˆencia 2.13 verifica, dizemos que
FX(x) pertence ao dom´ınio de atra¸c˜ao do m´aximo da distribui¸c˜ao de valores extremos
H(x). Nota¸c˜ao FX(x) ∈ M DA(H).
Entretanto a qualidade e a velocidade de convergˆencia da distribui¸c˜ao do m´aximo
para H(x) depende de FX(x), para cada FX(x) ∈ M DA(H). Como exemplo, temos o
m´aximo de uma Exponencial que converge mais rapidamente para uma Gumbel do que
ao m´aximo de uma Normal. Uma rela¸c˜ao de equivalˆencia para as FX0 s pertencentes ao
mesmo dom´ınio de atra¸c˜ao pode ser definida atrav´es do conceito de equivalˆencia de cauda.
denominadas equivalentes de cauda se ambas apresentarem um mesmo limite superior,
isto ´e, XFX = XGX e limx↑XFX
FX
GX = c, para qualquer constante no intervalo (0, ∞).
2.5
Distribui¸
c˜
ao de Valores Extremos Generalizada
(GEV)
Os trˆes tipos de distribui¸c˜oes, Gumbel, Fr´echet, e Weibull, s˜ao integrantes de uma
´
unica fam´ılia de distribui¸c˜oes: A distribui¸c˜ao de valores extremos generalizada
(Generali-zed Extreme Value, GEV ) padr˜ao, que refere-se as distribui¸c˜oes EV dentro de uma ´unica
fam´ılia, parametrizadas somente pelo parˆametro ξ e ´e denotada por Hξ(x).
Hξ(x) = e−(1+ξx) −1 ξ , se ξ 6= 0 1+ ξx > 0. e−e−x , se ξ = 0 (2.14)
Quando ξ = 0 que ocorre na condi¸c˜ao de ξ → 0, a Hξ(x) adequa-se `a distribui¸c˜ao
de Gumbel. Quando ξ > 0 e ξ < 0 adequam-se as distribui¸c˜oes de Frechet e Weibull,
respectivamente.
A fam´ılia de loca¸c˜ao e escala ´e obtida, substituindo o x, por x−µσ , com µ ∈ R e
σ > 0, da seguinte forma: Hξ,µ,σ(x) = e−(1+ξ(x−µσ )) −1 ξ , se ξ 6= 0 1+ ξ x−µσ > 0. e−e −(x−µσ ) , se ξ = 0 (2.15)
A densidade da distribui¸c˜ao generalizada (GEV) denotada por hξ,µ,σ(x), ´e obtida
derivando Hξ,µ,σ(x) e resulta na seguinte densidade (Considerando µ = 0):
hξ,µ,σ(x) = e−(1+ξ(xσ)) −1 ξ 1 σ(1 + ξ x σ) −1 ξ −1 , se ξ 6= 0 e − ∞ < x < −σ ξ ou ξ > 0 e x ≥−σξ e−e−( x σ) 1 σe −x , se ξ = 0 e x ∈ R. (2.16)
2.6 Teste de Aderˆencia 24
2.6
Teste de Aderˆ
encia
O teste de aderˆencia de Pearson, ´e um teste de hip´oteses n˜ao param´etrico, e o teste
verifica se uma popula¸c˜ao P possui uma distribui¸c˜ao X, ele testa a hip´otese H0 : P = P0
com o n´ıvel de significˆancia α, ou seja:
(
H0 : P = P0
H1 : P 6= P0
(2.17)
O teste consiste em comparar os n´umeros observados em cada blocos com o n´umero
observado sob a hip´otese de que H0 ´e verdadeira. O procedimento consiste em considerar
classes, segundo as quais a vari´avel X, caracter´ıstica da popula¸c˜ao, pode ser classificada.
A vari´avel X pode ser qualitativa ou quantitativa, veja Bussab [8]. A tabela seguir
representa a forma geral para um teste de aderˆencia classificada em m classes.
Tabela 1: Representa¸c˜ao da Divis˜ao de uma Vari´avel X em m Classes
Classes da vari´avel X A1 A2 ... Am Total
Observados O1 O2 ... Om Pm i=1Xi Esperados E1 E2 ... Em Pm i=1Xi
A estat´ıstica a seguir possui uma distribui¸c˜ao qui-quadrado com m − 1 graus de
liberdade. m X i=i (Oi− Ei)2 Ei ∼ χ2 (m−1) (2.18)
Onde Oie Ei representa os valores observados e esperados para os blocos de i= 1,...,m
respectivamente, ap´os o calculo da estat´ıstica observada (χ2
(obs)), o crit´erio de decis˜ao ´e se
P(χ2m−1 > χ2(obs)) > α, n˜ao se rejeita H0.
Um grande problema deste teste ´e que muitas vezes na pr´atica ´e desconhecido os
parˆametros da distribui¸c˜ao X, de acordo com Artes [9], ´e poss´ıvel estimar estes parˆametros
desconhecidos e o teste de aderˆencia poder´a ser ajustado para se adequar a essas
es-tima¸c˜oes, a estat´ıstica 2.18 ter´a distribui¸c˜ao qui-quadrado com m − k − 1 graus de
liber-dade, sendo k o n´umero de parˆametros estimados.
Antes da aplica¸c˜ao do teste de aderˆencia ´e necess´ario evitar que alguns casos ocorram,
s˜ao eles:
(ii) Mais de uma classe com Ei inferior a 1.
Caso alguns desse casos ocorra, a aproxima¸c˜ao ao qui-quadrado n˜ao ´e mais apropriada,
al´em disso, o n´umero de classes para o teste deve respeitar a regra de Mann e Wald.
Defini¸c˜ao 2.6.1 (Regra de Mann e Wald) O n´umero de classes m para o teste de aderˆencia
26
3
Materiais e M´
etodos
Neste estudo foram investigados 360 s´ıtios localizados na ´India, cada s´ıtio registrou a
temperatura m´axima anual de 1951 a 2014 observados em um “grid”, a Figura 3 apresenta
os sitios e os grids; obtendo uma amostra com 64 registros de temperatura m´axima. Como
mostra a Figura 3, os s´ıtios e grids foram alocados de forma sequencialmente, por´em essa
localiza¸c˜ao n˜ao ´e a exata, al´em disso o interesse deste estudo ´e localizar microrregi˜oes mais
vulner´aveis a temperaturas altas, em que a sobrevivˆencia humana esteja em risco. Logo
foi feito uma estima¸c˜ao das temperaturas nas microrregi˜oes, para estimar as temperaturas
m´aximas, foram verificadas se um ou mais grids sobrepˆos uma microrregi˜ao e registrada
o m´aximo desse grids nelas. As microrregi˜oes da ´India ´e apresentada na Figura 4.
Figura 3: Representa¸c˜ao da Aloca¸c˜ao das Temperaturas M´aximas na ´India
+ + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
Figura 4: Regi˜oes da India
A ´India ´e composta por 666 microrregi˜oes, ap´os a estima¸c˜ao das temperaturas,
ape-nas uma microrregi˜ao n˜ao registrou nenhuma temperatura, ou seja, ap´os a estima¸c˜ao
obteve-se 665 amostras com 64 registros. An´alises descritivas foram feitas nesses dados e
apresenta¸c˜ao das temperaturas observadas em microrregi˜oes para todo o territ´orio.
Ap´os a introdu¸c˜ao das principais caracter´ısticas e conceitos relevantes em rela¸c˜ao
as distribui¸c˜oes de valores extremos e da GEV, torna-se imprescind´ıvel a utiliza¸c˜ao de
m´etodos para a estima¸c˜ao dos parˆametros ξ, µ, σ pertencentes a Hξ,µ,σ(x). As estimativas
para estes parˆametros podem ser obtidas por v´arios mecanismos estat´ısticos, incluindo o
M´etodo dos Momentos, M´etodo da Regress˜ao, M´etodo de M´axima Verossimilhan¸ca e o
M´etodo dos L-Momentos. No entanto, neste trabalho ´e apresentado o M´etodo de M´axima
Verossimilhan¸ca e o M´etodo dos L-Momentos, dado que os estimadores obtidos por esses
m´etodos apresentam boas propriedades, ajustes mais precisos e s˜ao os mais usados.
3.0.1
Estima¸
c˜
ao via M´
etodo de M´
axima Verossimilhan¸
ca
O M´etodo de M´axima Verossimilhan¸ca ´e amplamente empregado para a determina¸c˜ao
de estimadores pontuais. O princ´ıpio b´asico deste m´etodo firma-se na ideia de se encontrar
parˆametros que venham a maximizar a probabilidade de uma determinada amostra
repre-sentar de maneira mais adequada uma dada popula¸c˜ao. Ainda que em algumas ocasi˜oes
n˜ao seja poss´ıvel calcular os estimadores de m´axima verossimilhan¸ca, estes s˜ao
consisten-tes, eficientes e assintoticamente normais em condi¸c˜oes relativamente suaves, possuindo
muitas vezes boas propriedades de convergˆencia e tornando-se assim uma escolha popular
3 Materiais e M´etodos 28
parˆametros ξ, µ, σ pertencentes a GEV, podem ser alcan¸cados de maneira num´erica ao
se maximizar a fun¸c˜ao de verossimilhan¸ca, ou seja, s˜ao os valores em R × R × R+ que
maximizam L(ξ, µ, σ; (m1, ..., mm)) = m Y i=1 hξ,µ,σ(mi)I1+ξ σ(mi−µ)>0. (3.1)
A fun¸c˜ao de log-verossimilhan¸ca ´e dada por,
l(ξ, µ, σ; (m1, ..., mm)) = log[L(ξ, µ, σ; (m1, ..., mm))] = log[ m Y i=1 hξ,µ,σ(mi)]I1+ξ σ(mi−µ)>0 , (3.2) que ´e equivalente h´a l(ξ, µ, σ; (m1, ..., mm)) = m X i=1 log[hξ,µ,σ(mi)]I1+ξ σ(mi−µ)>0, (3.3)
e (m1, ..., mm) refere-se a uma amostra de m m´aximos.
Os EMV dos parˆametros ξ, µ e σ, denotados por ξ, µ e σ respectivamente, podem ser
obtidos por interm´edio da resolu¸c˜ao de um sistema de equa¸c˜oes n˜ao lineares, atingindo a
partir da diferencia¸c˜ao da fun¸c˜ao de verossimilhan¸ca ou log-verossimilhan¸ca em rela¸c˜ao
aos parˆametros.
• Para obter ξ basta resolver:
∂l(ξ, µ, σ; (m1, ..., mm))
∂ξ = 0,
• Para obter µ basta resolver:
∂l(ξ, µ, σ; (m1, ..., mm))
∂µ = 0,
• Para obter σ basta resolver:
∂l(ξ, µ, σ; (m1, ..., mm))
3.0.2
Estima¸
c˜
ao via M´
etodo de L-Momentos
Os L-momentos s˜ao tidos como varia¸c˜oes dos “Probability Weighted Moments”(PWM),
de Greenwood et al [10]. A estima¸c˜ao via L-Momentos apresenta a capacidade de
carac-terizar distribui¸c˜oes com caudas pesadas e, quando estimados, serem considerados mais
robustos a presen¸ca de valores extremos (outliers), os L-momentos possuem uma vantagem sobre os momentos convencionais.
Os L-momentos s˜ao medidas de posi¸c˜ao, escala e forma das distribui¸c˜oes de
probabi-lidade, similares aos momentos convencionais, por´em estimados por combina¸c˜oes lineares
da assimetria, da curtose e do coeficiente de varia¸c˜ao, veja Esmeria [11].
Segundo Hosking [12], os parˆametros estimados fazendo-se uso dos L-momentos
de-monstram, ocasionalmente, maior precis˜ao em amostras pequenas, se comparado com
as estimativas obtidas utilizando-se o M´etodo de M´axima Verossimilhan¸ca, ou seja, os
L-momentos s˜ao geralmente mais eficientes do que os EMV.
Os PWM de uma vari´avel aleat´oria Z podem ser definidos como:
ηp,r,s = E[Zp(F (Z))r(1 − F (Z))s].
No entanto, para este trabalho torna-se mais conveniente a utiliza¸c˜ao de um caso
particular, caracterizado por:
η1,r,0 = βr = E[Z(F (Z))r]. (3.4)
Os PWM amostrais de ordem r, com r = 0, 1, ..., m − 1, denotados por br, s˜ao os
estimadores n˜ao viesado dos PWM populacionais βr, e podem ser estimados por:
br = 1 m m X j=r+1 (j − 1)(j − 2)...(j − r) (m − 1)(m − 2)...(m − r)m(j) . (3.5)
Os L-Momentos λr+1, r = 0, 1, 2, ... (Ler Hosking [13]) s˜ao estipulados para vari´aveis
aleat´orias com esperan¸ca finita e podem ser descritos como
λr+1 =
r
X
j=0
3 Materiais e M´etodos 30
onde,
p∗r,j = (−1)
r−j(r + j)!
(j!)2(r − j)! . (3.7)
e βj pode ser obtido utilizando-se a rela¸c˜ao 3.4.
No caso em que r = 0, denota-se λ1 0 L-momento relacionado com a loca¸c˜ao da
distribui¸c˜ao. Quando r assume os valores 1 e 2, nesta ordem, λ2(λ2 = 2β1− β0) e λ3(λ3 =
6β2− 6β1+ β0), s˜ao os L-momentos associados a escala e assimetria, respectivamente. O
λ2 por sua vez, deve ser comparado com o desvio padr˜ao σ, obtendo-se a seguinte rela¸c˜ao
σ ≥√3λ2.
Os L-momentos amostrais lr s˜ao estimadores n˜ao viesado de λr e podem ser definidos
da seguinte maneira lr+1 = r X j=0 p∗r,jbj, r = 0, 1, 2, ..., m − 1, (3.8)
onde p∗r,j ´e obtido da rela¸c˜ao 3.7 e bj da rela¸c˜ao 3.4.
Para as quantidades populacionais, s˜ao equacionados um n´umero fixo de L-momentos
amostrais equipolentes. Dessa forma, os parˆametros de uma distribui¸c˜ao podem ser
re-presentados em fun¸c˜ao dos L-momentos.
Para a distribui¸c˜ao de valores extremos generalizada tem-se
λ1 = µ − σ ξ{1 − Γ(1 − ξ)}, (3.9) λ2 = − σ ξ(1 − 2 ξ)(Γ(1 − ξ)), (3.10) λ3 λ2 = 2(1 − 3 ξ) (1 − 2ξ)− 3, (3.11)
onde Γ(.) equivale a fun¸c˜ao gamma.
Com intuito de se estimar os parˆametros da GEV, ξ, µ e σ, os L-momentos
populacio-nais s˜ao substitu´ıdos pelos seus respectivos L-momentos amostrais, l1, l2, l3, nas equa¸c˜oes
3.9, 3.10, 3.11. Para se estimar o parˆametro ξ ´e necess´ario a resolu¸c˜ao da equa¸c˜ao 3.11,
Wallis [14]). ˆ ξ = −7, 8590c − 2, 9554c2, (3.12) onde c = 2 3+l3l2 − log2 log3 e consequentemente ˆ σ = −l2ξ (1 − 2ξˆ)Γ(1 − ˆξ), (3.13) ˆ µ = l1+ ˆ σ ˆ ξ(1 − Γ(1 − ˆξ)). (3.14)
Os estimadores de L-momentos s˜ao ´unicos e apresentam v´ıcio e variˆancia m´ınimos.
3.1
Testes Estat´ısticos
Independente do m´etodo utilizado para a realiza¸c˜ao da estima¸c˜ao dos parˆametros,
torna-se essencial a aplica¸c˜ao de testes estat´ısticos que sejam capazes de testar
formal-mente as suposi¸c˜oes do modelo e a qualidade do ajuste. Al´em dos testes estat´ısticos
formais ´e sempre conveniente a realiza¸c˜ao de an´alises gr´aficas.
Com a intens˜ao de se testar a qualidade do ajuste realizado e a adequa¸c˜ao de
deter-minado modelo a distribui¸c˜ao Gumbel, pois sua express˜ao apresenta maior simplicidade,
nessa Se¸c˜ao 3.1 ser˜ao apresentados testes que podem ser aplicados as estimativas obtidas
pelos m´etodos de M´axima Verossimilhan¸ca e de L-momentos
3.1.1
Estimativas Obtidas Por M´
axima Verossimilhan¸
ca
Se as estimativas dos parˆametros da GEV foram obtidas por m´axima verossimilhan¸ca,
as seguintes estat´ısticas de teste podem ser utilizadas para se testar a suposi¸c˜ao de que
os dados sequem realmente a distribui¸c˜ao GEV(ver Chandra et al
1. As estat´ıstica de Kolmogorov-Sminorv, D+, D− e D,
2. A Estat´ıstica Kuiper, V.
3.1 Testes Estat´ısticos 32 D+ = maxi i m − Hξ(m(i)) , D−= maxi Hξ(m(i)− i − 1 m ) , D = max(D+, D−), V = D++ D−,
onde m(i) refere-se aos m´aximos ordenados e Hξ representa a distribui¸c˜ao GEV com
as estimativas obtidas.
A Tabela 2 exibe os valores cr´ıticos para amostras de m = 50 e m = ∞ (amostras
significativamente grande). Os n´ıveis de significˆancia abordados foram de 1% e 5%.
Tabela 2: Valores cr´ıticos para as estat´ısticas de teste D+, D−, D e V .
N´ıvel de Significˆancia √mD+ √mD− √mD √mV
1% 0,940 0,944 0,988 1,639
5% 0,796 0,796 0,856 1,428
1% 0,957 0,957 1,007 1,671
5% 0,808 0,808 0,874 1,477
Para testar se o parˆametro ξ ´e estatisticamente zero, ou seja, que a distribui¸c˜ao dos
ex-tremos se adequ´a a uma Gumbel, pode-se utilizar o Teste da Raz˜ao das Verossimilhan¸cas,
cuja metodologia se encontra a seguir.
As seguintes hip´oteses precisam ser testas
(
H0 = A distribui¸c˜ao dos Extremos ´e Gumbel
H1 = A distribui¸c˜ao dos Extremos n˜ao ´e Gumbel
e a estat´ıstica de teste ´e representada por
Λ = −2(LGumbel− LGEV),
3.2) com a utiliza¸c˜ao das densidade de Gumbel e da GEV, nesta ordem, expressas com
suas respectivas estimativas adquiridas por m´axima verossimilhan¸ca.
A estat´ıstica de teste Λ deve ser comparada com a distribui¸c˜ao qui-quadrado com um
grau de liberdade (χ2
(1)), para um n´ıvel de significˆancia fixado.
3.1.2
Estimativas obtidas por L-Momentos
Se as estimativas dos parˆametros da GEV foram obtidas pelo m´etodos dos L-momentos,
o Teste da Qualidade do Ajuste de Sherman pode ser empregado para testar o erro
co-metido ao se substituir a distribui¸c˜ao exata (que apresenta n finito) pela distribui¸c˜ao
assint´otica.
O teste apresenta as seguintes hip´oteses
(
H0 = Os extremos seguem uma fun¸c˜ao de distribui¸c˜ao GEV
H1 = Os extremos n˜ao seguem uma fun¸c˜ao de distribui¸c˜ao GEV
a estat´ıstica de teste ´e, Wm− Em Dm , onde Wm = 1 2 m+1 X i=1 Hξ(m(i)) − Hξ(m(i−1)) − 1 (m + 1) , Em = m m + 1 (m+1) e Em2 + D2m = 2m m+2+ m(m − 1)(m+2) (m + 2)(m + 1)(m+2) ,
onde Hξ denota a distribui¸c˜ao GEV com as estimativas obtidas por L-momentos, m(i)
representa novamente os m´aximos ordenados, Hξ(m(0)) e Hξ(m(m+1)) assumem
respecti-vamente, 0 e 1.
3.2 Teste de Aderˆencia 34
ser calculado levando em considera¸c˜ao apenas a cauda direita da distribui¸c˜ao normal
padr˜ao.
3.2
Teste de Aderˆ
encia
Ap´os toda estima¸c˜ao dos parˆametros da GEV ´e preciso verificar se as estima¸c˜oes
foram adequadas, e para isto foi utilizado o teste de aderˆencia ajustada. Na aplica¸c˜ao
deste teste precisa ficar atento com algumas regras para n˜ao haver resultados imprecisos
apresentados na Se¸c˜ao 2.6. Para este estudo foi utilizado m = 6 de forma a obedecer a
regra de Mann e Wald e evitar que mais de 20% dos valores esperados sejam inferior a 5
e mais de um inferior a 1. Os crit´erios para a divis˜ao de classes foram os quantis 20, 40,
50, 60, 80 da GEV para cada estima¸c˜ao.
Tabela 3: Representa¸c˜ao do Teste de Aderˆencia de Pearson
Quantis (−∞, Q20] (Q20, Q40] (Q40, Q50] (Q50, Q60] (Q60, Q80] (Q80, ∞)
N◦ O1 O2 O3 O4 O5 O6
Sendo Qq o quantil q da GEV estimada e Oi o n´umero de elementos da amostra que
adequam a classe; logo ap´os a divis˜ao das classes e contabilizado os n´umeros observados
´e calculado o p − valor da estat´ıstica ??, com m = 6, k = 3. Coles [15], afirma que
para verificar a eficiˆencia do modelo proposto pela TVE, ´e mais adequado utilizar o teste
gr´afico apresentada na Se¸c˜ao 3.3, com isso foi utilizada o teste de aderˆencia para obter
medidas resumos (p-valor) para facilitar a averigua¸c˜ao das estimativas, e nas GEV que o
teste de Pearson rejeitou a hip´otese nula, foi feita a an´alise gr´afica por ser mais adequada.
3.3
Teste Gr´
afico
Coles [15] prop˜oem uma an´alise gr´afica da GEV com os parˆametros estimados para
verificar se o ajuste ´e adequado, atrav´es de gr´afico de probabilidade, gr´afico de
quantil-quantil, histograma com a curva da GEV, e gr´afico de retorno de n´ıveis. Este ´ultimo
teste, de acordo com o Coles ´e o melhor pois apresenta um intervalo de confian¸ca para
os dados de 95% e f´acil de verificar. Se todos os pontos ficarem dentro do intervalo, ou
●●●● ●●● ●●●●● ●● ●●●●●●●●●●● ●●● ●●●●●● ●●●●● ●● ●● ●●● ●● ●●●● ●●●●●●●● ●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ● ● ●● ● ●●●● ●●●● ●●●●●● ●●●●●●●●●●●●●● ●●● ●●●●●●●● ●●●● ●●●● ●●●●● ●●● ● ● ● ● 32 33 34 35 36 32 33 34 35 36 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
32 33 34 35 36 37 Return Period Retur n Le v el
Return Level Plot
●●●● ●● ●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●● ●●●●●● ●●●●●●● ●●● ● ● ● ● Density Plot z f(z) 31 32 33 34 35 36 37 0.0 0.1 0.2 0.3 0.4 ● ● ● ●●●● ● ●●● ●●●●●●●●●●●●●● ●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●
Figura 5: Exemplo de um gr´afico de retorno
3.4
Modelagem e Previs˜
oes
Foi feita a modelagem utilizado a TVE apresentada na Se¸c˜ao 2.2 e os parˆametros
estimados foi utilizando a estima¸c˜ao de m´axima verossimilhan¸ca apresentada na Se¸c˜ao
3.0.1. Ap´os ´e verificada se os modelos preditivos estimados, s˜ao adequados, para isto foi
utilizado os testes de aderˆencia e gr´afica de Coles.
De acordo com Mendes [4], para obter previs˜ao para n anos, ´e calculado o quantil
Q100−1
n da GEV, a logica deste m´etodo ´e de que para n anos, uma observa¸c˜ao passar´a
o quantil Q100−1
n, com isso foi feita previs˜oes para 10, 20, 50 anos. Para o estudo foi
36
4
An´
alise dos Resultados
A Figura 6 apresenta as temperaturas m´aximas observadas nos anos de 1951 e 2014.
Observou-se que boa parte do pa´ıs obteve uma temperatura m´axima acima de 43◦ Celsius
nos anos de 1951 e 2014, e que essas observa¸c˜oes se encontradas maiores concentradas na
regi˜ao central da ´India. Al´em disto as regi˜oes Leste e Sudoeste s˜ao as que observaram as
menores temperaturas m´aximas anuais, n˜ao ultrapassando a 35◦ Celsius.
Figura 6: Temperaturas M´aximas dos Anos de 1951 e 2014
(a) Temperaturas m´aximas no ano de 1951 (b) Temperaturas m´aximas no ano de 2014
Nas Regi˜oes Leste, Sudoeste e Noroeste, s˜ao as que apresentam maior crescimento
das temperaturas dos anos de 1951 a 2014, a Figura 7 exibe os gr´aficos das amplitudes
das temperaturas nas regi˜oes e o histograma delas. E bastante vis´ıvel o crescimento´
mencionado, porem houve um decr´escimo das temperaturas em varias microrregi˜oes da
Figura 7: Amplitude das Temperaturas M´aximas Anuais
(a) Amplitude por Regi˜ao
Amplitude Densidade −2 −1 0 1 2 0.0 0.1 0.2 0.3 0.4 (b) Histograma da Amplitude
A Figura 8 mostra os m´aximos e m´ınimos das temperatura m´aximas nesses 64 anos.
Essa Figura apresenta um resultado preocupante, quase todo o pa´ıs da ´India teve um ano
que se observou uma temperatura pr´oxima ou acima a 45◦ Celsius, e que em todos os
anos se observou temperaturas pr´oximas ou acima de 37.5◦ Celsius.
Figura 8: M´aximos e M´ınimos das Temperaturas M´aximas Anuais
(a) Maximos das Temperaturas M´aximas (b) Minimos das Temperaturas M´aximas
A Figura 9 apresenta o desvio padr˜ao das temperaturas m´aximas observadas. As
regi˜oes que houve menor varia¸c˜ao em suas temperaturas, foi a sul e a norte foi a que
4 An´alise dos Resultados 38
Figura 9: Desvio Padr˜ao das Temperaturas M´aximas Anuais
De acordo com o site Brasil Escola [16], a temperatura m´axima que o corpo humano
suportaria para a sobrevivˆencia varia de acordo com a umidade do ar, j´a que o suor ´e
respons´avel pela libera¸c˜ao do calor presente no corpo humano, em dias que a umidade do
ar estiver alta, temperaturas acima de 40◦ Celsius ´e considerada de grande risco para a
sobrevivˆencia. Com isto, dependendo da umidade do ar, a regi˜ao central da ´India estaria
em grandes riscos, j´a que de acordo com a Figura 10 as m´edias das temperaturas m´aximas
anuais observadas j´a ultrapassam aos 40◦ Celsius.
Foi utilizada a GEV para modelagem das distribui¸c˜oes das 665 microrregi˜oes, com
os parˆametros ξ, µ e σ estimados pelo m´etodo de m´axima verossimilhan¸ca; para obter
uma medida resumo da verifica¸c˜ao da eficiˆencia da modelagem da GEV nos dados para
as 665 microrregi˜oes, foi utilizado o teste de aderˆencia de Pearson; a Tabela 4 mostra
os resultados do teste sob a hip´otese nula (H0) que as amostras s˜ao oriundas da GEV
proposta.
Tabela 4: Resultados da aplica¸c˜ao do teste de aderˆencia de Pearson
p−valor Microrregi˜oes
< 0.01 14
≥ 0.01 651
Total 665
Este resultado informa que pelo teste de aderˆencia rejeitou-se a modelagem de 14
microrregi˜oes, uma verifica¸c˜ao mais detalhada foi feita nessas microrregi˜oes para entender
tal resultado do teste de aderˆencia, presen¸cas de outlier e valores esperados iguais a 1
foram as causas para a rejei¸c˜ao do teste. Na Se¸c˜ao 2.6 foi explicado que para a verifica¸c˜ao
dos modelos propostos pela GEV o mais ideal ´e o teste gr´afico proposto por Coles
apresen-tado na Se¸c˜ao 3.3; logo para as 14 microrregi˜oes que houve rejei¸c˜ao no teste de Pearson,
foi feito o teste gr´afico. O Anexo A cont´em os gr´aficos feitos para as 14 microrregi˜oes e
constou-se que apesar da rejei¸c˜ao inicial no teste de aderˆencia, pelo teste gr´afico n˜ao h´a
hip´otese de rejei¸c˜ao. Com isso para os 665 modelos propostos pela GEV, n˜ao h´a hip´otese
para a rejei¸c˜ao de nenhuma, todos os modelos s˜ao considerados eficientes, os c´alculos das
previs˜oes foram feitas sob a GEV proposta.
Antes de calcular a previs˜ao para 10, 20 e 50 anos, foi verificada a eficiˆencia do
m´etodo de previs˜ao; para isto foi selecionada as amostras ate o ano de 2004 e feita a
previs˜ao para 10 anos seguintes. A de deixar claro que a previs˜ao para os anos seguintes,
n˜ao ´e uma previs˜ao para o ano exatamente, mas sim o m´aximo previsto nos anos, ou
seja, para a previs˜ao de 10 anos ap´os o ano de 2004, ter´a o resultado do m´aximo previsto
de 2005 a 2014. Com isto claro, a Figura 11 apresenta o m´aximo observado de 2005
a 2014 e os valores previsto para 10 anos a partir de 2004. O m´etodo para a previs˜ao
foi eficiente, estimando os valores futuros bem pr´oximo dos valores reais observados. Os
valores previstos s˜ao menores que observados em v´arias microrregi˜oes, o que indica a
existˆencia de algum fator nos anos seguintes. ´E percept´ıvel que nas microrregi˜oes que
houve aumento, s˜ao vizinhas uma das outras, pra este trabalho supomos a independˆencia
dos dados, mas esse resultado indica que ´a uma dependˆencia, mas a GEV tamb´em ´e capaz
4 An´alise dos Resultados 40
Figura 11: Temperatuas m´aximas observadas e previstas a partir de 2004
(a) M´aximo das Temperaturas M´aximas de 2005 a 2014
(b) Previs˜ao para 10 anos a partir de 2004
E por fim ´e apresentado os gr´aficos de previs˜ao para 10, 20 e 50 anos a partir de 2014
e seus respectivos intervalos de confian¸ca de 95% (IC). Apesar de n˜ao ser muito vis´ıvel a
diferen¸ca das previs˜oes, elas possuem uma diferen¸ca em seu respectivos IC. As amplitudes
dos intervalos confian¸ca v˜ao aumentando quanto vai aumentando os anos das previs˜oes;
al´em disso n˜ao a uma melhora em rela¸c˜ao a diminui¸c˜ao das temperaturas m´aximas j´a que
a previs˜ao feita para 10 anos ´e bem pr´oxima da feita para 50 anos, a ´unica diferen¸ca ´e no
A Figura 12 exibe a previs˜ao para as temperaturas m´aximas em 10 anos e seu IC, a
regi˜ao central do pa´ıs corre grande risco, j´a que em 10 anos a previs˜ao para boa parte
dessa regi˜ao ´e uma temperatura m´axima pr´oxima a 45◦ Celsius, a regi˜ao Leste e Sudoeste
s˜ao as que menos correm risco.
Figura 12: Previs˜ao da Temperatura M´axima para 10 anos e seu IC
(a) Limite Inferior do IC para Previs˜ao de 10 anos (b) Limite Superior do IC para Previs˜ao de 10 anos
4 An´alise dos Resultados 42
A Figura 13 exibe a previs˜ao das temperaturas m´aximas para 20 anos, da mesma
forma para a previs˜ao de 10 anos, n˜ao a uma melhora significativa; al´em disso a diferen¸ca
das duas previs˜oes ´e maior no intervalo de confian¸ca, a previs˜ao em si n˜ao difere muito.
Apesar das temperaturas previstas de boa parte do pa´ıs estarem pr´oxima de 45◦, que ´e
perto do limite para a sobrevivˆencia humana dependendo da umidade do ar; a um leve
crescimento em rela¸c˜ao as duas previs˜oes, o que ´e um resultado satisfat´orio.
Figura 13: Previs˜ao da Temperatura M´axima para 20 anos e seu IC
(a) Limite Inferior do IC para Previs˜ao de 20 anos (b) Limite Superior do IC para Previs˜ao de 20 anos
Finalmente, a Figura 14 exibe as temperaturas m´aximas previstas para 50 anos. Como
mencionado, n˜ao a uma diferen¸ca grande das previs˜oes anteriores o que pode ser
conside-rado um resultado satisfat´orio, por´em as temperaturas em boa parte do pa´ıs ´e de grande
risco.
Figura 14: Previs˜ao da Temperatura M´axima para 50 anos e seu IC
(a) Limite Inferior do IC para Previs˜ao de 50 anos (b) Limite Superior do IC para Previs˜ao de 50 anos
44
5
Conclus˜
ao
Este trabalho analisou as temperaturas m´aximas anuais observadas de 1951 at´e 2014,
e estimou-as em uma an´alise em microrregi˜oes, das 666 regi˜oes, obteve-se dados para
665. As an´alises descritivas, expˆos um resultado preocupante na regi˜ao central do pa´ıs,
que teve temperaturas m´aximas observadas entre 40◦ e 45◦ Celsius, o que ´e pr´oximo do
limite para a sobrevivˆencia humana, de acordo com o site Brasil Escola [16]. Apesar das
regi˜oes Leste e Sudoeste apresentarem menores temperaturas m´aximas, foram as regi˜oes
que houve o maior crescimento delas.
Feitas as an´alises foi estimado os parˆametros da GEV e utilizou-se os testes de
aderˆencia e gr´afico para verificar a eficiˆencia, e foi considerado que os 665 modelos foram
eficientes; e feita previs˜oes utilizando esses modelos. Como feito para os modelos da GEV,
foi feita uma an´alise da previs˜ao, para verificar sua eficiˆencia, que tamb´em foi considerada
satisfat´oria, al´em disso atrav´es dessa an´alise verificou-se que existe uma dependˆencia
es-pacial dos dados. Por fim, feitas as previs˜oes para 10, 20 e 50 anos; concluiu-se que n˜ao
h´a uma melhora nas temperaturas m´aximas que ´e um resultado preocupante, por´em n˜ao
h´a um crescimento exponencial nas temperaturas, o que pode considerar satisfat´orio.
Para este trabalho, foi feito um estudo apenas de an´alises descritivas e a modelagem
atrav´es da GEV; por´em ter´a continuidade em trabalhos futuros com os seguinte objetivos:
(i) Um estudo das microrregi˜oes com foco na Teoria de Copulas;
(ii) Identifica¸c˜ao das microrregi˜oes com maiores probabilidade as temperaturas altas;
(iii) C´alculos de correla¸c˜ao espacial;
Referˆ
encias
[1] FISHER, R.; TIPPETT, L. H. C. Limiting forms of the frequency distribution of the largest or smallest member of a sample. Proceedings of the Cambridge Philosophical Society, 1928.
[2] GUMBEL, E. J. Statistics theory of extreme values and some pratical applications. Nat. Bureau of Standards Applications Mathmatics Series, 1954.
[3] GNEDENKO, B. V. Sur la distribution limite du terme maximum dune serie. [S.l.]: Annals of Mathematics, 1943.
[4] MENDES, B. V. de M. Introdu¸c˜ao `a An´alise de Eventos Extremos. [S.l.]: E-papers,
2004.
[5] SANFINS, M. A. Copulas para Distribui¸c˜oes Generalizadas de Valores Extremos
Mul-tidimensionais. [S.l.]: Publica¸c˜ao Academica, 2009.
[6] PIRES, G. L. G. Teoria dos Valores Extremos: Valor em Risco Para Ativos de Renda
Vari´avel. [S.l.]: Publica¸c˜ao Academica, 2008.
[7] JAMES, B. R. Probabilidade: um Curso em n´ıvel intermedi´ario. [S.l.]: Projeto
Eucli-des, 1981.
[8] MORETTIN, P.; BUSSAB, W. de O. Estat´ıstica b´asica.
Saraiva, 2012. ISBN 9788502136915. Dispon´ıvel em:
<https://books.google.com.br/books?id=8mUrywAACAAJ>.
[9] ARTES, R. Teste Qui-quadrado de aderˆencia. [S.l.], 2014.
[10] ARTHUR, G. J. et al. Probability weighted moments: Definition and
re-lation to parameters of several distributions expressable in inverse form.
Water Resources Research, v. 15, n. 5, p. 1049–1054. Dispon´ıvel em:
<https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/WR015i005p01049>.
[11] VALVERDE, A. E. L. et al. Momentos-l: Teoria e aplica¸c˜ao em hidrologia. v. 28, 12
2004.
[12] HOSKING, J. R. M.; WALLIS, J. R.; WOOD, E. F. Estimation of the generali-zed extreme-value distribution by the method of probability-weighted moments. Te-chnometrics, [Taylor Francis, Ltd., American Statistical Association, American So-ciety for Quality], v. 27, n. 3, p. 251–261, 1985. ISSN 00401706. Dispon´ıvel em: <http://www.jstor.org/stable/1269706>.
Referˆencias 46
[13] HOSKING, J. R. M. L-moments: Analysis and estimation of distributions using linear combinations of order statistics. Journal of the Royal Statistical Society. Series B (Methodological), [Royal Statistical Society, Wiley], v. 52, n. 1, p. 105–124, 1990. ISSN 00359246. Dispon´ıvel em: <http://www.jstor.org/stable/2345653>.
[14] HOSKING, J. R. M.; WALLIS, J. R. Regional Frequency Analysis: An Approach Based on L-Moments. [S.l.]: Cambridge University Press, 1997.
[15] COLES, S. An Introduction to Statistical Modeling of Extreme Values. [S.l.]: Springer Series in Statistics, Springer: Berlin., 2001.
[16] QUAL ´e a maior temperatura que o corpo pode aguentar? Accessed: 12/2018.
Dis-pon´ıvel em:
ANEXO A -- An´
alises Gr´
aficas de Coles
Esse Anexo apresenta as an´alises gr´aficas dos modelos que foram rejeitados no teste
de aderˆencia. ●●●●●●●●●● ●● ●● ●●●● ●● ●●●●●●● ●●●●●●●● ●●●●● ●●●●● ●●● ●●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ●● ● ● ●●● ●● ●●● ●●●● ●●●●●● ●●●●●●●●●●●●●● ●●●●●● ●●●●●● ●●●● ● 30 32 34 36 30 32 34 36 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
28 30 32 34 36 Return Period Retur n Le v el
Return Level Plot
●●●●● ●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●● ● Density Plot z f(z) 28 30 32 34 36 0.00 0.10 0.20 ●● ●● ●●●●●●● ●●● ●● ● ●●● ●●●●●● ●●●● ●●●●●●●●●●●●●●●●●●●●●● ● (d) ●●●●●●●●●● ●● ●● ●●●● ●● ●●●●●●● ●●●●●●●● ●●●●● ●●●●● ●●● ●●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ●● ● ● ●●● ●● ●●● ●●●● ●●●●●● ●●●●●●●●●●●●●● ●●●●●● ●●●●●● ●●●● ● 30 32 34 36 30 32 34 36 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
28 30 32 34 36 Return Period Retur n Le v el
Return Level Plot
●●●●● ●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● ●●●● ● Density Plot z f(z) 28 30 32 34 36 0.00 0.10 0.20 ●● ●● ●●●●●●● ●●● ●● ● ●●● ●●●●●● ●●●● ●●●●●●●●●●●●●●●●●●●●●● ● (e) ●●●●●●●●●●●●● ●●●● ●●● ●●●●●●●●●●● ●●●●●●●●● ●●● ●● ●●●●●●● ●●●●●● ●●●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ●● ●●● ●●●● ●●●●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●● ●●●● ●●● ●● 38 39 40 41 38.0 39.0 40.0 41.0 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
38 39 40 41 Return Period Retur n Le v el
Return Level Plot
●●●●● ●●●●●●●● ● ●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●● ●● ●● Density Plot z f(z) 38 39 40 41 0.0 0.2 0.4 0.6 ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●● ●●●●●●●●●●● (f) ●●●●●●●●●●●●● ●●●● ●●● ●●●●●●●●●●● ●●●●●●●●● ●●● ●● ●●●●●●● ●●●●●● ●●●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ●● ●●● ●●●● ●●●●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●● ●●●● ●●● ●● 38 39 40 41 38.0 39.0 40.0 41.0 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
38 39 40 41 Return Period Retur n Le v el
Return Level Plot
●●●●● ●●●●●●●● ● ●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●● ●● ●● Density Plot z f(z) 38 39 40 41 0.0 0.2 0.4 0.6 ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●● ●●●●●●●●●●● (g)
Anexo A -- An´alises Gr´aficas de Coles 48 ●●●●●●● ●●●●● ●●● ●●●●●●●●●●●● ●●●● ●●●●●●●●●● ●●●● ●●●●●● ● ●●●● ●●●●●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ● ● ● ●●●● ●●●● ● ●●●●●●●● ●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●● ●●●● ●●●●●● ● ● 31.5 32.0 32.5 33.0 33.5 34.0 31.5 32.5 33.5 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
31.5 32.5 33.5 34.5 Return Period Retur n Le v el
Return Level Plot
● ●● ●●●● ●●● ●● ●●●●● ● ●●●●●●●●●● ● ●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●● ●● Density Plot z f(z) 31.0 32.0 33.0 34.0 0.0 0.2 0.4 0.6 ● ● ● ● ● ● ● ● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●● ●●●●●●●●●●●●●●●●● (h) ●●●●● ●●●●●●●● ●● ●● ●●●●●●●● ●●●●●●●●●●●● ●●●●● ●●● ●●●●●●●●●●● ●●●●●● ●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ● ●● ●● ●●●●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●● ● ● 31.5 32.5 33.5 34.5 32 33 34 35 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
32 33 34 35 Return Period Retur n Le v el
Return Level Plot
●●● ●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●● ●●●● ● ● Density Plot z f(z) 31 32 33 34 35 0.0 0.1 0.2 0.3 0.4 0.5 ● ● ● ● ●● ●●●●●●●●●●● ●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● (i) ●●●●● ●●●●●●●● ●● ●● ●●●●●●●● ●●●●●●●●●●●● ●●●●● ●●● ●●●●●●●●●●● ●●●●●● ●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ● ●● ●● ●●●●●●●● ●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●● ● ● 31.5 32.5 33.5 34.5 32 33 34 35 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
32 33 34 35 Return Period Retur n Le v el
Return Level Plot
●●● ●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●● ●●●● ● ● Density Plot z f(z) 31 32 33 34 35 0.0 0.1 0.2 0.3 0.4 0.5 ● ● ● ● ●● ●●●●●●●●●●● ●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ● (j) ●●●●●●●●●●● ●●●● ●●●● ●●●● ● ●●●●●● ●●●●●●●●●● ●●●●●●●●●●● ●●●●●●●●● ●●●● 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Probability Plot Empirical Model ●● ● ●● ● ●●●● ●●●●● ●●● ●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●●●● ●● ● ● 42 43 44 45 46 42 43 44 45 46 Quantile Plot Model Empir ical
1e−01 1e+00 1e+01 1e+02 1e+03
41 42 43 44 45 46 Return Period Retur n Le v el
Return Level Plot
●●● ●●●● ●●●●●●●●●●●●●●●●●● ●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●●● ● ● ● Density Plot z f(z) 41 42 43 44 45 46 0.0 0.1 0.2 0.3 0.4 ● ● ● ●●●●●●● ●●●●●●● ●●● ●●●● ●●●●● ●● ●●●●●●●● ●● ●●●●●●●●●● ●●●● ●●●●● ●●●● (k)