B´
arbara Yohana Cesar Silva
An´
alise dos dados de precipita¸
c˜
ao,
temperatura m´
axima e umidade relativa do
ar no munic´ıpio do Rio de Janeiro - RJ via
Teoria dos Valores Extremos
Niter´oi - RJ, Brasil
B´
arbara Yohana Cesar Silva
An´
alise dos dados de precipita¸
c˜
ao,
temperatura m´
axima e umidade
relativa do ar no munic´ıpio do Rio de
Janeiro - RJ via Teoria dos Valores
Extremos
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. Marco Aur´elio dos Santos Sanfins
Niter´oi - RJ, Brasil
Universidade Federal Fluminense
B´
arbara Yohana Cesar Silva
An´
alise dos dados de precipita¸
c˜
ao,
temperatura m´
axima e umidade relativa do
ar no munic´ıpio do Rio de Janeiro - RJ via
Teoria dos Valores Extremos
Monografia de Projeto Final de Gradua¸c˜ao sob o t´ıtulo “An´alise dos dados de precipita¸c˜ao, temperatura m´axima e umidade relativa do ar no munic´ıpio do Rio de Janeiro - RJ via Teoria dos Valores Extremos”, defendida por B´arbara Yohana Cesar Silva e aprovada em 18 de julho de 2019, 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. Eduardo Ferioli Gomes Departamento de Estat´ıstica – UFF
Profa. Dra. Daiane Rodrigues dos Santos Universidade Veiga de Almeida - UVA
Bibliotecário responsável: Ana Nogueira Braga - CRB7/4776
S586a Silva, Bárbara Yohana Cesar
Análise dos dados de precipitação, temperatura máxima e umidade relativa do ar no município do Rio de Janeiro - RJ via teoria dos valores extremos / Bárbara Yohana Cesar Silva ; Marco Aurélio dos Santos Sanfins, orientador. Niterói, 2019.
59 f. : il.
Trabalho de Conclusão de Curso (Graduação em
Estatística)-Universidade Federal Fluminense, Instituto de Matemática e Estatística, Niterói, 2019.
1. Teoria dos valores extremos. 2. Modelagem. 3. Variáveis climáticas. 4. Produção intelectual. I. Sanfins, Marco Aurélio dos Santos, orientador. II. Universidade Federal Fluminense. Instituto de Matemática e Estatística. III. Título.
-Resumo
O aquecimento da terra e suas consequˆencias para a vida no planeta ´e uma das gran-des preocupa¸c˜oes. Um de seus efeitos mais vis´ıveis ´e o aumento da ocorrˆencia de eventos extremos como, por exemplo, chuvas torrenciais seguidas de grandes per´ıodos de estiagem, aumentos e quedas bruscas da temperatura, secas, estiagens, inunda¸c˜oes e enxurradas, e o impacto financeiro que isso causa. Esses fatores devem ser levados em considera¸c˜ao no planejamento de constru¸c˜oes e de atividades relacionadas `a gest˜ao e sa´ude, por exemplo. Sendo assim, o estudo do comportamento destes fenˆomenos extremos torna-se de suma importˆancia, e a Teoria de Valores Extremos ´e uma ferramenta eficaz no estudo deste con-texto. Os fundamentos b´asicos da teoria dos valores extremos foram inicialmente expostos por Fisher e Tippett, que estabeleceram os trˆes tipos de distribui¸c˜ao assint´otica de valores extremos,como Gumbel (Tipo I), Fr´echet(Tipo II) e Weibul(Tipo III). As estimativas dos parˆametros da distribui¸c˜ao generalizada ser´a obtida pelo m´etodo da m´axima verossimi-lhan¸ca, seguido do teste de Kolmogorov-Smirnov, gr´aficos de probabilidade-probabilidade e de quantil-quantil, para verificar o ajuste do modelo aos dados, e por fim calcular os per´ıodos e n´ıveis de retornos afim de verificar qual das distribui¸c˜oes se ajustou melhor aos dados. Os dados foram obtidos no Banco de Dados Meteorol´ogicos para Ensino e Pesquisa (BDMEP) do Instituto Nacional de Meteorologia (INMET). As informa¸c˜oes referem-se `a s´erie de temperatura (emoC), precipita¸c˜ao (em mm) e umidade relativa (em %) da esta¸c˜ao 83743 localizada no munic´ıpio do Rio de Janeiro, desde 01/01/1961 `a 31/03/2017.
Palavras-chaves: Valores extremos. Precipita¸c˜ao. Temperatura. Umidade Relativa. Eventos clim´aticos. M´axima Verossimilhan¸ca.
Dedico esta conquista ao meus pais, a minha irm˜a e meu namorado por todo apoio e paciˆencia durante toda a caminhada para que eu pudesse chegar at´e aqui.
Agradecimentos
Primeiramente agrade¸co a Deus que permitiu que tudo isso fosse realizado, aos meus pais, Maria e Marcos, que foram a minha for¸ca em todos os momentos, a minha irm˜a Gabriella por todo incentivo, ao meu namorado Rafael por toda paciˆencia, carinho e amor e ao meu professor Marco Aur´elio pelas li¸c˜oes e conhecimentos que foi muito importante para este trabalho, al´em dos incentivos para que eu n˜ao desistisse e pudesse chegar ao fim dessa trajet´oria.
Lista de Figuras
Lista de Tabelas
1 Introdu¸c˜ao p. 13
1.1 Objetivos . . . p. 14
2 Referencial Te´orico p. 15
2.1 Vari´aveis Clim´aticas . . . p. 15
2.1.1 Precipita¸c˜ao . . . p. 15
2.1.2 Temperaturas do Ar . . . p. 16
2.1.3 Umidade Relativa . . . p. 17
2.2 Teoria dos Valores Extremos . . . p. 17
2.2.1 Conceito . . . p. 18
2.2.2 Distribui¸c˜ao Exata do M´aximo . . . p. 18
2.2.3 Distribui¸c˜oes Limites do M´aximo . . . p. 19
2.2.4 Modelos probabil´ısticos para m´aximos . . . p. 20
2.2.5 Max - Estabilidade . . . p. 21
2.2.6 Dom´ınio de Atra¸c˜ao . . . p. 22
2.2.7 Distribui¸c˜oes Generalizada de Valores Extremos (GEV) . . . p. 23
3 Materiais e M´etodos p. 25
3.2 Estima¸c˜ao . . . p. 25
3.2.1 M´etodo da M´axima Verossimilhan¸ca . . . p. 25
3.3 Testes Estat´ısticos . . . p. 27
3.3.1 Ljung Box . . . p. 27
3.3.2 Teste de adequa¸c˜ao ao modelo . . . p. 28
3.3.2.1 Estat´ıstica de Kolmogorov-Smirnov . . . p. 28
3.3.2.2 Teste da raz˜ao de verosimilhan¸ca . . . p. 29
3.4 An´alise Gr´afica . . . p. 30
3.5 Per´ıodos e n´ıveis de retorno da distribui¸c˜ao GEV . . . p. 30
4 An´alise dos Resultados p. 32
4.1 Anuais . . . p. 32 4.1.1 Precipita¸c˜ao . . . p. 32 4.1.2 Temperatura M´axima . . . p. 36 4.1.3 Umidade Relativa . . . p. 40 4.2 Mensais . . . p. 44 4.2.1 Precipita¸c˜ao . . . p. 44 4.2.2 Temperatura M´axima . . . p. 48 4.2.3 Umidade Relativa . . . p. 51 5 Conclus˜ao p. 56 Referˆencias p. 57
1 Distribui¸c˜ao GEV para valores diferentes de ξ . . . p. 24
2 Precipita¸c˜ao em mm . . . p. 33
3 Histograma para as Precipita¸c˜ao em mm . . . p. 33
4 Diagn´ostico gr´afico do ajustamento Gumbel aos n´ıveis de precipita¸c˜ao
m´aximos anuais . . . p. 35
5 N´ıveis de retorno da precipita¸c˜ao . . . p. 36
6 Temperaturas M´aximas emoC . . . p. 36
7 Histograma para as Temperaturas M´aximas em oC . . . . p. 37
8 Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de temperaturas
m´aximas anuais . . . p. 39
9 N´ıveis de retorno da temperatura m´axima . . . p. 40
10 Umidade Relativa em % . . . p. 40
11 Histograma para a Umidade Relativa em % . . . p. 41
12 Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de umidades relativas
m´aximas anuais . . . p. 43
13 N´ıveis de retorno de Umidade Relativa . . . p. 44
14 Precipita¸c˜ao em mm . . . p. 45
15 Histograma para as precipita¸c˜oes mensais em mm . . . p. 45
16 Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de precipita¸c˜ao m´aximas anuais . . . p. 47
17 N´ıveis de retorno de precipita¸c˜ao . . . p. 48
18 Temperatura em oC . . . p. 48
20 Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de temperaturas
m´aximas mensais . . . p. 50
21 N´ıveis de retorno da temperatura . . . p. 51
22 Umidade Relativa em % . . . p. 52
23 Histograma para as umidades relativa em % . . . p. 52
24 Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de umidade relativa
m´aximas mensais . . . p. 54
1 Valores cr´ıticos para a estat´ıstica de teste D . . . p. 29
2 An´alise descritiva dos dados de Precipita¸c˜ao . . . p. 33
3 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 34
4 Valores da estat´ıstica da raz˜ao de verossimilhan¸ca . . . p. 34
5 Estimativas das precipita¸c˜oes m´aximas (mm) anuais no Rio de Janeiro
-RJ, para os tempos de retorno de 10, 20 e 30 anos . . . p. 35
6 An´alise descritiva dos dados de Temperatura M´axima . . . p. 37
7 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 37
8 Valores da estat´ıstica da raz˜ao de verossimilhan¸ca . . . p. 38
9 Estimativas das temperaturas m´aximas (oC) anuais no Rio de Janeiro
-RJ, para os tempos de retorno de 10, 20 e 30 . . . p. 39
10 An´alise descritiva dos dados de Umidade Relativa . . . p. 41
11 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 41
12 Valores da estat´ıstica da raz˜ao de verossimilhan¸ca . . . p. 42
13 Estimativas das precipita¸c˜oes m´aximas (mm) anuais no Rio de Janeiro
-RJ, para os tempos de retorno de 10, 20 e 30 anos . . . p. 43
14 An´alise descritiva dos dados de Precipita¸c˜ao Mensais . . . p. 45
15 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 46
17 Estimativas das precipita¸c˜oes m´aximas (mm) mensais no Rio de Janeiro
- RJ, para os tempos de retorno de 10, 20 e 30 . . . p. 47
18 An´alise descritiva dos dados de Temperatura . . . p. 49
19 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 49
20 Valores da estat´ıstica da raz˜ao de verossimilhan¸ca . . . p. 50
21 Estimativas das temperaturas m´aximas (oC) mensais no Rio de Janeiro
- RJ, para os tempos de retorno de 10, 20 e 30 anos . . . p. 51
22 An´alise descritiva dos dados de umidade relativa . . . p. 52
23 Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima
verossimilhan¸ca . . . p. 53
24 Valores da estat´ıstica da raz˜ao de verossimilhan¸ca . . . p. 53
25 Estimativas das umidades relativa m´aximas (%)mensais no Rio de
1
Introdu¸
c˜
ao
O estudo de certas vari´aveis meteorol´ogicas, como a precipita¸c˜ao, temperatura e umi-dade relativa do ar, ´e de extrema importˆancia, pois estas vari´aveis influenciam na produ¸c˜ao de diversos setores e na ocorrˆencia de certas doen¸cas, al´em do mais, alguns desastres am-bientais podem ser controlados calculando previs˜oes sobre essas vari´aveis.
Os preju´ızos causados por secas, estiagens, inunda¸c˜oes e enxurradas que atingiram o Pa´ıs entre 1995 e 2014, custaram em m´edia R$800 milh˜oes por mˆes, conforme estudo realizado pelo Centro de Estudos e Pesquisas sobre Desastres (Ceped) da Universidade Federal de Santa Catarina. O crescimento desordenado das cidades e aquecimento global, s˜ao uma das causas que proporcionam o aumento da frequˆencia e intensidade desses eventos extremos.
O estudo ser´a realizado sobre uma esta¸c˜ao localizada no Estado do Rio de Janeiro (RJ). A escolha da localiza¸c˜ao foi devido as fortes chuvas que este Estado enfrentou nos ´
ultimos meses. Com isso, observou-se a necessissidade de estudos clim´aticos mais precisos, visando o desenvolvimento, bem-estar da popula¸c˜ao e preven¸c˜ao de futuros desastres.
Para realizar o estudo das vari´aveis meteorol´ogicas, foi utilizada uma ferramenta efi-caz no contexto de modelagem de eventos extremos, conhecida como teoria dos valores extremos, cujo principal objetivo ´e analisar os valores m´aximos e/ou m´ınimos de uma amostra aleat´oria. Um evento extremo ´e, um evento pouco comum, raro e que apresenta caracter´ısticas como dura¸c˜ao e intensidade pouco usuais.
A Teoria de Valores Extremos (TVE) ´e considerada um ramo da probabilidade que estuda o comportamento assint´otico de extremos associados a uma sequˆencia de vari´aveis aleat´orias (ou vetores aleat´orios) com uma distribui¸c˜ao F . ´E uma ferramenta que tem um papel fundamental no tocante a modelagem probabil´ıstica de fenˆomenos naturais. Seus fundamentos foram inicialmente expostos por Fisher & Tippett [11], que por defini¸c˜ao introduziram os trˆes tipos poss´ıveis de distribui¸c˜oes assint´oticas dos valores extremos, conhecidas como Gumbel (Tipo I), Fr´echet (Tipo II) e Weibull (Tipo III), e atrav´es dessas
1.1 Objetivos 14
distribui¸c˜oes faremos os estudos para os dados de precipita¸c˜ao, temperatura m´axima e umidade relativa do ar do munic´ıpio do Rio de Janeiro.E, para a identifica¸c˜ao da melhor distribui¸c˜ao, utilizaremos a distribui¸c˜ao generalizada de valores extremos, que inclui as trˆes distribui¸c˜oes em uma ´unica fam´ılia.
1.1
Objetivos
Neste trabalho ser´a aplicado an´alises via teoria dos valores extremos, com intuito de encontrar um modelo que se ajuste bem aos dados das seguintes vari´aveis:
• Precipita¸c˜ao;
• Temperatura M´axima;
• Umidade Relativa;
Para isso ser´a utilizada uma metodologia param´etrica, afim de descrever e prever o comportamento dessas vari´aveis no munic´ıpio do Rio de Janeiro. Por fim, ser´a calculado os n´ıveis de retorno para 10, 20 e 30 anos, al´em do per´ıodo de retorno para o maior dado observado de cada vari´avel.
2
Referencial Te´
orico
2.1
Vari´
aveis Clim´
aticas
2.1.1
Precipita¸
c˜
ao
A precipita¸c˜ao ´e a deposi¸c˜ao de ´agua para a superf´ıcie da Terra, sob forma de chuva, neve, gelo ou granizo. Seus valores s˜ao expressos em mil´ımetros (mm) de ´agua l´ıquida equivalente para o intervalo de tempo precedente, ou seja, um mil´ımetro de chuva corres-ponde a 1 litro por metro quadrado de ´agua sobre a superf´ıcie [22].
A precipita¸c˜ao desempenha um papel vital nos setores da agricultura, abastecimento p´ublico de ´agua, produ¸c˜ao de energia, ind´ustria, turismo e ecossistemas naturais. Para projetos de obras hidr´aulicas ´e de suma importˆancia o conhecimento das grandezas que caracterizam as precipita¸c˜oes m´aximas, que ´e entendida como a ocorrˆencia extrema. Tem efeito direto sobre a eros˜ao do solo, em inunda¸c˜oes de ´areas urbanas e rurais, entre outros [25].
Segundo Beijo e Avelar [1], a distribui¸c˜ao generalizada de valores extremos ´e de suma importˆancia para a modelagem de dados clim´aticos extremos e mostrou-se adequada para a obten¸c˜ao das estimativas de precipita¸c˜oes m´aximas em Carbonita-MG.
Em um estudo sobre a distribui¸c˜ao generalizada de valores extremos da regi˜ao de Moreilˆadia-PE, de Medeiros et al.[2] foi conclu´ıdo que a distribui¸c˜ao Gumbel (tipo I) ´e adequada para estudar os comportamentos da precipita¸c˜ao m´axima de chuvas nos meses que foram analisados, para este munic´ıpio. De acordo com Santos et al. [3], a maioria dos dados de m´aximas de precipita¸c˜ao ajustou-se bem a distribui¸c˜ao de Gumbel tamb´em.
No artigo de Filho et al. [4], em que se trata da caracteriza¸c˜ao de extremos anuais de precipita¸c˜ao para o estado de Sergipe, concluiu que a an´alise dos extremos di´arios de precipita¸c˜ao pela distribui¸c˜ao GEV, constatou que os parˆametros de localiza¸c˜ao e de escala para as trˆes esta¸c˜oes meteorol´ogicas estudadas possu´ıam comportamentos similares,
2.1 Vari´aveis Clim´aticas 16
com pequenas varia¸c˜oes.
Sansigolo [5], concluiu que a distribui¸c˜ao Gumbel foi a mais adequada para os dados de precipita¸c˜oes. E Beijo et al. [6] num estudo das precipita¸c˜oes m´aximas em Lavras -MG mostrou que esses dados se ajustaram bem a distribui¸c˜ao do tipo I (Gumbel).
2.1.2
Temperaturas do Ar
O conceito mais elementar ´e o de temperatura sentida que ´e o resultado de uma sensa¸c˜ao t´ermica. De fato quando se toca um corpo, diz-se que est´a quente ou frio segundo a sensa¸c˜ao sentida. Por´em essa id´eia ´e insuficiente, pois a temperatura de um corpo ´e a condi¸c˜ao que determina se o mesmo tem capacidade para transmitir calor a outros ou para receber calor transmitidos por estes. ´E apresentada geralmente em graus Celsius (oC) [26].
A temperatura m´edia anual do ar `a superf´ıcie da terra ´e um indicador essencial para a avalia¸c˜ao do estado do ambiente: para al´em de ser um dos que ´e monitorizado h´a mais anos, ´e tamb´em o principal indicador para a monitoriza¸c˜ao das altera¸c˜oes clim´aticas. O aumento da temperatura, em grande parte devido ao fenˆomeno conhecido como aqueci-mento global, que ´e causado pela emiss˜ao de gases em excesso para a atmosfera, influencia, entre outros, o n´ıvel do mar, a intensidade e frequˆencia das cheias e das secas, as esp´ecies e os habitats, o rendimento das culturas agr´ıcolas e as doen¸cas infeciosas [25].
Temperaturas muito altas, al´em de causar um desconforto devido a exposi¸c˜ao ao calor excessivo, podem tamb´em provocar consequˆencias negativas ao nosso organismo,pois est˜ao ligadas `a desidrata¸c˜ao. Com isso, podem ocorrer queda de press˜ao, desˆanimos, desmaios, tonturas, mal-estar , palpita¸c˜oes e em casos extremos podem levar at´e ao ´obito.
Sansigolo [5], em seu estudo sobre temperatura m´axima e m´ınima do ar em Piracicaba - SP, concluiu que n˜ao foram constatadas tendˆencias as s´eries. As distribui¸c˜oes te´oricas de probabilidade que melhor se ajustaram aos extremos de temperatura m´axima e m´ınima absoluta, foram, respectivamente, Gumbel e Normal.
Segundo Barbosa et al. [7], num estudo aplicado a valores de temperatura m´ınima da Cidade de Vi¸cosa-MG, concluiu que a distribui¸c˜ao Generalizada de Valores extremos obteve um bom ajuste aos dados analisados, sendo inferior apenas ao modelo Weibull para a s´erie de temperatura m´ınima no mˆes de junho. Destacou tamb´em que a s´erie de julho n˜ao foi aleat´oria e por isso n˜ao foi poss´ıvel aplicar a metodologia de valores extremos e sugeriu que outros tipos de metodologias para essa an´alise, como por exemplo, s´eries
temporais via modelo Box & Jenkins.
2.1.3
Umidade Relativa
A umidade relativa ´e a percentagem de satura¸c˜ao de um volume espec´ıfico de ar a uma temperatura espec´ıfica, logo depende da temperatura e da press˜ao do volume de ar. Geralmente ´e medida em percentual. Descreve a quantidade de ´agua que ´e transpor-tada pelo ar, e ´e um fator importante para determinar o desenvolvimento das nuvens e precipita¸c˜ao [22].
O elemento ´agua existe na atmosfera sob trˆes estados f´ısicos: s´olido, l´ıquido e gasoso. Isso se deve ao fato da umidade relativa do ar ser inversamente proporcional `a temperatura do ar. Desta forma, o estado gasoso, ou o vapor de ´agua atmosf´erico, ´e definido como umidade [26].
V´arios fatores podem influenciar na umidade do ar, tais como a temperatura, ve-geta¸c˜ao, quantidade de edifica¸c˜oes, presen¸ca de rios, lagos, mares, etc. E importante´ destacar que a umidade do ar pode interferir diretamente na qualidade de vida dos habi-tantes, pois baixas umidades podem gerar problemas respirat´orios, sangramentos nasais, alergias e desidrata¸c˜ao. J´a as altas umidades podem provocar tonturas e prolifera¸c˜ao de fungos. [31]
Beijo et al. [8] em um estudo sobre os n´ıveis m´ınimos de umidade relativa do ar em Piracicaba - S˜ao Paulo, informa que a distribui¸c˜ao Generalizada de Valores Extremos foi a mais adequada para modelar estes dados e apontou que houve um aumento dos n´ıveis m´ınimos de umidade relativa do ar ao longo dos anos nos meses de abril, maio e junho.
2.2
Teoria dos Valores Extremos
Nesta se¸c˜ao ser˜ao apresentados alguns pontos da Teoria dos Valores Extremos como: conceito, modelagem univariada (este trabalho apenas tratar´a do caso univariado), dis-tribui¸c˜oes assint´oticas do m´aximo e do m´ınimo, condi¸c˜oes necess´arias e distribui¸c˜ao dos valores extremos generalizada. As nota¸c˜oes ser˜ao as mesmas utilizadas em Mendes [23]. Caso tenha interesse num estudo mais detalhado sobre a Teoria dos Valores Extremos aconselha-se a leitura da tese de doutorado denominada “C´opulas para Distribui¸c˜oes Ge-neralizadas de Valores Extremos Multidimensionais de Sanfins”[14].
2.2 Teoria dos Valores Extremos 18
2.2.1
Conceito
Os fundamentos da Teoria dos Valores Extremos (TVE), que estuda as propriedades das caldas das distribui¸c˜oes, foram inicialmente propostos por Fisher & Tippet [11], que definiram os trˆes tipos de distribui¸c˜oes assint´oticas dos valores extremos, conhecidas como: Gumbel, Fr´echet e Weibull, que tamb´em podem ser denominadas como tipo I, tipo II e tipo III, respectivamente. Por´em o primeiro a estudar e formalizar a aplica¸c˜ao estat´ıstica destas distribui¸c˜oes foi Gumbel, citado por Jenkinson [13].
Adicionalmente, Gnedenko [12] contribuiu para o estudo de valores extremos, mostrou as condi¸c˜oes necess´arias e suficientes para a existˆencia das distribui¸c˜oes assint´oticas dos valores extremos e determinou que as caudas dessas distribui¸c˜oes, podem ser modeladas por alguns tipos de distribui¸c˜oes cont´ınuas. Como por exemplo, as caudas da distribui¸c˜ao de Gumbel correspondem `as distribui¸c˜oes exponencial, gama, normal ou log-normal, as da distribui¸c˜oes de Fr´echet seguem uma distribui¸c˜ao de Cauchy, Pareto ou t de Student e as da distribui¸c˜ao de Weibull seguem uma distribui¸c˜ao uniforme.
Segundo Sanfins [14], a teoria dos valores extremos ´e um ramo da probabilidade que estuda o comportamento assint´otico de extremos associados a uma sequˆencia de vari´aveis aleat´orias. A TVE vai ajudar a descrever e a quantificar o comportamento desses acontecimentos, procurando estimar uma poss´ıvel distribui¸c˜ao limite para os m´aximos (ou m´ınimos) da amostra composta por vari´aveis aleat´orias independentes e identicamente distribu´ıdas.
2.2.2
Distribui¸
c˜
ao Exata do M´
aximo
Considere-se que os dados em estudo s˜ao observa¸c˜oes provenientes de uma amostra de vari´aveis aleat´orias (X1, X2, ..., Xn) independentes e identicamente distribu´ıdas com
fun¸c˜ao distribui¸c˜ao FX e fun¸c˜ao densidade de probabilidade fX. Ordenando de forma
crescente essas amostras, temos as correspondentes estat´ısticas ordinais, que podem ser denotadas por (X(1), X(2), ..., X(n)), com X(1) ≤ X(2) ≤ ... ≤ X(n). Ent˜ao o i-´esimo
elemento desta sequˆencia, X(i), ser´a a i-´esima estat´ıstica de ordem da amostra, com i =
1, ..., n. Sendo assim, a primeira e a ´ultima estat´ısticas de ordem, X(1) e X(n), ser˜ao,
respectivamente, o m´ınimo e o m´aximo da amostra obtida (X1, X2, ..., Xn).
A abordagem cl´assica da TVE consiste em caracterizar as caudas da distribui¸c˜ao FX a partir da distribui¸c˜ao do m´aximo (ou do m´ınimo). Para isto definimos X(n) =
identicamente distribu´ıda.
Ent˜ao a fun¸c˜ao de distribui¸c˜ao exata do m´aximo ´e
FX(n) = P (X(n)≤ x) = P (max(X1, X2, ..., Xn) ≤ x) = P (X1 ≤ x, ..., Xn ≤ x) =
P (X1 ≤ x) × ... × P (Xn≤ x) = F1(x) × ... × Fn(x) = FXn(x)
(2.1)
para x ∈ R e n ∈ N.
E para se obter a distribui¸c˜ao do m´ınimo usa-se a seguinte rela¸c˜ao
m´ın(X1, ...Xn) = −m´ax(−X1, ..., −Xn)
O problema ´e que nem sempre a fun¸c˜ao de distribui¸c˜ao FX ´e conhecida. Veremos
tamb´em, que para n suficientemente grande esta distribui¸c˜ao pode se tornar degenerada.
2.2.3
Distribui¸
c˜
oes Limites do M´
aximo
Valores dos m´aximos s˜ao aqueles que se localizam pr´oximos do limite superior do suporte da distribui¸c˜ao de X. Ent˜ao conclui-se que o comportamento assint´otico do m´aximo deve estar relacionado com a cauda de FX(x) perto de xFX. (Tamb´em se aplicam
aos m´ınimos e a cauda a esquerda de FX.)
Seja xFX o limite superior do suporte da distribui¸c˜ao FX. Isto ´e,
xFX = sup{x ∈ R : FX(x) < 1} (2.2)
Teremos os seguintes resultados:
• Para todo x < xFX temos que
P {X(n) ≤ x} = (FX(x))n n→∞−→ 0 (2.3)
• Se xFX < ∞, temos que para x ≥ xFX
P {X(n)≤ x} = (FX(x))n= 1 (2.4)
Ent˜ao, temos que o m´aximo converge em probabilidade para xFX, isto ´e, X(n)
p
−→ xFX,
2.2 Teoria dos Valores Extremos 20
Uma vez que a sequˆencia (X(n)) ´e n˜ao decrescente em n, o m´aximo converge quase
certamente (q.c) para o suporte para n suficientemente grande, logo temos o seguinte resultado:
X(n) q.c
−→ xFX, n −→ ∞ (2.5)
Pode-se observar que para valores de n suficientemente grande, a distribui¸c˜ao ´e dege-nerada, ou seja, n˜ao fornece muita informa¸c˜ao, tomando apenas valores 0 ou 1. Por´em, o Teorema Fundamental de Fisher-Tippet fornece o resultado de convergˆencia fraca para m´aximo centrado e normalizado,e atrav´es desta distribui¸c˜ao ser´a poss´ıvel obter a distri-bui¸c˜ao de X, como ser´a visto na pr´oxima se¸c˜ao.
2.2.4
Modelos probabil´ısticos para m´
aximos
Dado que para conhecer a distribui¸c˜ao exata do m´aximo FX(n) tem - se que, para
uma amostra de tamanho n pequeno ´e preciso identificar a distribui¸c˜ao FX, a qual em
geral ´e desconhecida e para n suficientemente grande, a fun¸c˜ao de distribui¸c˜ao do m´aximo FX(n) torna-se degenerada, ou seja, n˜ao fornece muita informa¸c˜ao. Como solu¸c˜ao disso ser´a
utilizado o teorema de Fisher & Tippet 2.2.1, que estabelece que a distribui¸c˜ao assint´otica do m´aximo normalizado retorna a uma das trˆes distribui¸c˜oes : Gumbel (Tipo I), Fr´echet (Tipo II)e Weibull (Tipo III).
Teorema 2.2.1 (Fisher-Tippett [1928]): Seja (Xn) uma sequˆencia de vari´aveis aleat´orias
independente e identicamente distribu´ıdas. Se existirem sequˆencias de constantes norma-lizadoras cn> 0 e dn∈ R e uma distribui¸c˜ao n˜ao degenerada H(x) tal que
X(n)− dn
cn
d
−→ H(x)
onde H s˜ao as distribui¸c˜oes limites dos m´aximos e pode ser do tipo
• Tipo I:
• Tipo II: Fr´echet: HII,α(x) = ( 0 ,se x ≤ 0 exp{−x−α} ,se x > 0 α > 0 (2.7) • Tipo III: Weibull: HIII,α(x) = ( exp{−(−x)−α ,se x ≤ 0 1 ,se x > 0 α < 0 (2.8)
Ap´os estimar a distribui¸c˜ao limite, pode-se obter informa¸c˜oes da distribui¸c˜ao FX
utilizando a defini¸c˜ao da distribui¸cao exata do m´aximo, isto ´e,
H(x) = P (X(n)≤ x) = [FX(x)]n
e portanto,
FX(x) = [H(x)]
1 n
O teorema de Fisher-Tippet tamb´em ´e v´alido para vari´aveis alet´orias apresentando dependˆencia temporal e heteroscedasticidade, por´em neste caso existem algumas condi¸c˜oes a serem verificadas.
Existem similiaridade entre o Teorema de Fisher-Tippett (TFT) e o Teorema Central do Limite (TCL). O TCL estabelece que dentro das fun¸c˜oes de distribui¸c˜ao n˜ao degene-radas apenas as distribui¸c˜oes est´aveis podem ser distribui¸c˜ao limites. O TFT estabelece que apenas as distribui¸c˜oes m´ax-est´aveis podem ser distribui¸c˜ao limite, veja Mendes[23].
Segundo Embrechts et al. [15], h´a uma rela¸c˜ao entre as distribui¸c˜oes limite, conforme a seguir:
X ∼ F rechet(α) ⇔ ln(Xα) ∼ Gumbel ⇔ −X−1 ∼ W eibull(α)
2.2.5
Max - Estabilidade
As distribui¸c˜oes de valores extremos se caracterizam por serem max-est´aveis. A de-fini¸c˜ao 2.2.2 mostra que toda distribui¸c˜ao max-est´avel ´e distribui¸c˜ao limite para o m´aximo de vari´aveis aleat´orias independentes e identicamente distribu´ıdas.
2.2 Teoria dos Valores Extremos 22
Defini¸c˜ao 2.2.2 Sejam X, X1, X2, ... v.a.s. i.i.d. com fun¸c˜ao de distribui¸c˜ao FX, e sejam
dn ∈ R e cn > 0 constantes apropriadas. Dizemos que FX ´e max-est´avel se satisfaz a
igualdade em distribui¸c˜ao
max(X1, ..., Xn) = cnX + dn (2.9)
Como visto no teorema de Fisher-Tippett 2.2.1, se existirem constantes cn> 0, dn∈ R
tais que o m´aximo padronizado convirja para uma distribui¸c˜ao n˜ao degenerada , ent˜ao esta deve ser de um dos trˆes tipos (I, II ou III) conforme mencionado anteriormente. De fato, a classe das distribui¸c˜oes max-est´aveis coincide com a classe das distribui¸c˜oes limite para o m´aximo padronizado. Isto ´e, temos tamb´em que
lim
n−→∞[FX(cnX + dn)] n
= H(x) (2.10)
ou seja, se X assumir uma das distribui¸c˜oes extremas, ent˜ao essa distribui¸c˜ao extrema, sendo limite, ´e est´avel.
Teorema 2.2.3 (Propriedade limite das distribui¸c˜oes max-est´aveis): A classe das dis-tribui¸c˜oes max-est´aveis coincide com a classe de todas as distribui¸c˜oes limite poss´ıveis (n˜ao degeneradas) para o m´aximo (padronizado) de vari´aveis aleat´orias independentes e identicamente distribu´ıdas.
2.2.6
Dom´ınio de Atra¸
c˜
ao
O teorema de Fisher-Tippet implica que se FXn(cnx + dn) ´e n˜ao degenerada quando n
´e suficientemente grande, para certas constantes cn> 0, dn ∈ R, ent˜ao
FXn(x) − H x − dn cn −→ 0, n −→ ∞ (2.11)
para alguma H(x) pertecentes as distribui¸c˜oes limites do m´aximo. ´E poss´ıvel que m´aximos e m´ınimos coletados de uma FX tenham distribui¸c˜oes limites diferentes. E´
denominado de dom´ınio de atra¸c˜ao a cole¸c˜ao das FXs tais que os respectivos m´aximos
possuem a mesma distribui¸c˜ao limite n˜ao degenerada ´e chamada de dom´ınio de atra¸c˜ao.
pertence ao dom´ınio de atra¸c˜ao do m´aximo da distribui¸c˜ao de valores extremos H(x), ou seja, FX ∈ MDA(H)
Para cada FX ∈ MDA(H), a qualidade e velocidade da aproxima¸c˜ao da distribui¸c˜ao do
m´aximo padronizado para H depende de FX. Por exemplo, o m´aximo de uma exponencial
converge mais r´apido para a Gumbel do que o de uma normal.
Uma rela¸c˜ao de equivalˆencia para as FXs pertencentes ao mesmo dom´ınio de atra¸c˜ao
pode ser definida atrav´es do conceito de equivalˆencia de cauda.
Defini¸c˜ao 2.2.5 (Equivalˆencia de Cauda) Duas distribui¸c˜oes F (x) e G(x) s˜ao ditas equivalentes de cauda se elas possuem o mesmo limite superior, isto ´e, xF = xG e
limx↑xF
FX
GX = c, para alguma constante no intervalo 0 < c < ∞.
2.2.7
Distribui¸
c˜
oes Generalizada de Valores Extremos (GEV)
A distribui¸c˜ao GEV foi introduzida por Jenkinson [13] e ´e tamb´em conhecida como a distribui¸c˜ao de von Mises-Jenkinson. E de acordo com Smith [16] houve uma mudan¸ca para representar os trˆes casos padr˜oes das distribui¸c˜oes de valores extremos em uma ´unica fam´ılia param´etrica que engloba as trˆes distribui¸c˜oes (Gumbel, Fr´echte e Weibull). A essa fam´ılia d´a-se o nome de distribui¸c˜ao Generalizada de Valores Extremos (GEV). Ou seja, a distribui¸c˜ao GEV ´e uma forma geral das trˆes distribui¸c˜oes.
A fun¸c˜ao de densidade de uma distribui¸c˜ao deneralizada de valores extremos ´e dada por: hµ,σ,ξ(x) = 1 σ 1 + ξ x − µ σ −(1+ξξ ) exp ( − 1 + ξ x − µ σ −1ξ) (2.12)
Definida em −∞ < x < µ − σξ, para ξ < 0 e em µ − σξ < x < ∞, para ξ > 0.
E sua fun¸c˜ao de distribui¸c˜ao denotada por Hξ ´e dada por :
Hµ,σ,ξ(x) = expn− 1 + ξ x−µσ −1ξo ,se ξ 6= 0 exp− exp −x−µσ , se ξ = 0 em que 1 + ξ x − µ σ > 0 (2.13)
2.2 Teoria dos Valores Extremos 24
distribui¸c˜oes de Weibull e de Fr´echet. Se ξ = 0, tem-se que Hξ corresponde a distribui¸c˜ao
de Gumbel, que ´e um caso particular da GEV. Uma Gumbel corresponde ao limite de uma GEV, cujo parˆametro de forma ξ tende a zero,ou seja, ξ −→ 0, ent˜ao Hµ,σ,ξ(x) ∼
Gumbel(µ, σ).
Como foi visto, a GEV ´e uma forma conveniente de representar estas distribui¸c˜oes, pois essa distribui¸c˜ao tem um n´umero maior de parˆametros, al´em dos parˆametros de loca¸c˜ao e escala presentes nas outras distribui¸c˜oes tem-se ainda um parˆametro de forma que define os outros tipos de distribui¸c˜oes de valores extremos vistos anteriormente. Assim pelos valores do parˆametro de forma ξ podemos identificar a natureza da cauda da distribui¸c˜ao correspondente.
• ξ = 0 corresponde a distribui¸c˜ao de Gumbel HI,
• ξ > 0 corresponde a distribui¸c˜ao de Fr´echet HII,
• ξ < 0 corresponde a distribui¸c˜ao de Weibull HIII
Que pode ser verificado na figura 1 para diferentes valores de ξ.
3
Materiais e M´
etodos
3.1
M´
etodo dos blocos
Neste m´etodo a sequˆencia de vari´aveis aleat´orias i.i.d, X1, X2, . . . , Xn ´e partida em
m blocos de dimens˜ao k, com k suficientemente grande. Para cada um desses blocos extrai-se unicamente a maior observa¸c˜ao, obtendo-se assim uma amostra de dimens˜ao m de m´aximos. Neste trabalho ser˜ao utilizados blocos anuais e mensais.
3.2
Estima¸
c˜
ao
Um problema que surgiu desde que foram propostas as distribui¸c˜oes de valores extre-mos foi identificar o tipo de distribui¸c˜ao mais adequada para uma determinada amostra de dados. Uma das formas de fazer essa identifica¸c˜ao ´e pela an´alise do parˆametro de forma ξ atrav´es da estima¸c˜ao dos parˆametros da GEV e intervalo de confian¸ca destes parˆametros.
Existem diversas formas para se obter as estimativas dos parˆametros µ, σ e ξ da distri-bui¸c˜ao Hµ,σ,ξ, incluindo M´etodo dos Momentos, M´etodo da Regress˜ao, M´etodo da M´axima
Verossimilhan¸ca e M´etodo dos L-Momentos. Aqui ser´a aplicado o m´etodo da m´axima ve-rossimilhan¸ca (EMV), por possuir boas propriedades e por ser um dos mais utilizados.
3.2.1
M´
etodo da M´
axima Verossimilhan¸
ca
Os EMV de ξ, µ e σ s˜ao obtidos numericamente pela maximiza¸c˜ao da fun¸c˜ao de verossimilhan¸ca, isto ´e, s˜ao os valores em R × R × R+ que maximizam
L(ξ, µ, σ(x1, x2, ..., xn)) = log n Y i hξ,µ,σ(xi)I{1+ξ σ(xi−µ)>0}
Os EMV podem ser obtidos atrav´es de um processo interativo resolvendo-se o sistema de equa¸c˜oes n˜ao lineares obtido a partir da diferencia¸c˜ao da equa¸c˜ao acima em rela¸c˜ao `a
3.2 Estima¸c˜ao 26
ξ, µ e σ. Este procedimento pode-se tornar algumas vezes numericamente inst´avel.
Nos casos regulares, os estimadores de m´axima verossimilhan¸ca s˜ao consistentes, efi-cientes, e assintoticamente normais, acontecem quando a distribui¸c˜ao em estudo depende de parˆametros desconhecidos. Os casos n˜ao regulares ocorrem quando o suporte da distri-bui¸c˜ao depende dos parˆametros desconhecidos, como pode acontecer no caso da Hξ, pois
os limites dessa distribui¸c˜ao depende dos parˆametros µ e σ e, dessa forma, as condi¸c˜oes de regularidade para a estima¸c˜ao pelo EMV n˜ao s˜ao satisfeitas e o m´etodo n˜ao pode ser aplicado automaticamente. Smith [16] fornece detalhes te´oricos sobre o comportamento assint´otico dos estimadores de m´axima verossimilhan¸ca para a distribui¸c˜ao generalizada de valores extremos e mostra que os mesmos mantˆem suas boas propriedades sempre que ξ > −12. Como pode-se ver nos seguintes resultados obtidos em seu estudo:
1. quando ξ > −0.5, os estimadores de m´axima verossimilhan¸ca s˜ao regulares, no sentido de ter proriedades assint´oticas habituais;
2. quando −1 < ξ < −0.5, os estimadores de m´axima verossimilhan¸ca existem mas n˜ao s˜ao regulares;
3. quando ξ < −1, esses estimadores provavelmente n˜ao existem.
Segundo Smith [16] os casos com ξ < −0.5 ´e raramente encontrada em aplica¸c˜oes de valores extremos e os m´etodos baseados em verossimilhan¸ca s˜ao preferidos devido a teoria desses estimadores ser bem compreendida e as inferˆencias serem facilmente mo-dificadas ao incorporarem-se modelos com estruturas mais complexas. Ent˜ao seguindo essas recomenda¸c˜oes ser´a utilizado o m´etodo de m´axima verossimilhan¸ca para estimar os parˆametros da GEV.
Sejam X1, X2, ..., Xnuma s´erie de n vari´aveis aleat´orias independentes e identicamente
distribu´ıdas, com distribui¸c˜ao GEV e (x1, x2, ..., xn) uma s´erie de observa¸c˜oes. Supondo
que h´a independˆencia entre as observa¸c˜oes, obtˆem-se a fun¸c˜ao de verossimilhan¸ca da seguinte forma: L(µ, σ, ξ|(x1, x2, ..., xn)) = n Y i=1 fX(xi|µ, σ, ξ) = σ−n n Y i=1 1 + ξ xi− µ σ −1+ξξ exp ( − n X i=1 1 + ξ xi− µ σ −1ξ) (3.1)
calculando-se o logaritimo da fun¸c˜ao de verossimilhan¸ca, que ´e definida por l(θ|(x1, x2, ..., xn)) = ln[L(µ, σ, ξ|(x1, x2, ..., xn))] = −nln(σ) − 1 + ξ ξ n X i=1 ln 1 + ξ xi− µ σ − n X i=1 1 + ξ xi− µ σ −1ξ = n X i=1 ( −ln(σ) − 1 + ξ ξ ln 1 + ξ xi − µ σ − 1 + ξ xi− µ σ −1ξ) (3.2)
para ξ < 0, e xi < µ −σξ (ou seja, µ −σξ > X(n)), ou para ξ > 0, e xi > µ −σξ (ou seja,
µ − σξ > X(1)). Maximizando-se a equa¸c˜ao acima, com rela¸c˜ao aos parˆametros (µ, σ, ξ),
obteremos as estimativas da distribui¸c˜ao GEV resolvendo as seguintes equa¸c˜oes abaixo:
• Para obter a estimativa de µ
∂l(µ, σ, ξ|(x1, x2, ..., xn))
∂µ = 0
• Para obter a estimativa de σ
∂l(µ, σ, ξ|(x1, x2, ..., xn))
∂σ = 0
• Para obter a estimativa de ξ
∂l(µ, σ, ξ|(x1, x2, ..., xn))
∂ξ = 0
3.3
Testes Estat´ısticos
Qualquer que seja o m´etodo de estima¸c˜ao utilizado, ´e sempre recomendado testar formalmente as suposi¸c˜oes do modelo e a qualidade do ajuste. No caso da GEV, deve-se sempre testar a hip´otese nula ξ = 0, devido `a maior simplicidade da express˜ao da fun¸c˜ao de densidade Gumbel.
3.3.1
Ljung Box
Antes de estimar os dados, precisa-se verificar as suposi¸c˜oes de que os dados s˜ao independentes. Para isso, foi utilizado o teste de Ljung Box, onde as hip´oteses do teste
3.3 Testes Estat´ısticos 28
s˜ao as seguintes:
• H0: X1, . . . , Xn s˜ao independentes e identicamente distribu´ıdos;
• H1: X1, . . . , Xn n˜ao s˜ao independentes e identicamente distribu´ıdos.
Calculamos as estimativas de autocorrela¸c˜oes por
ˆ rk = Pn t=k+1ˆatˆat−k Pn t=1ˆa 2 t
Se o modelo for apropriado, a estat´ıstica de teste
Q(k) = n(n − 2) K X j=1 ˆ r2 j (n − j)
ter´a aproximadamente uma distribui¸c˜ao χ2 com (K − p − q) graus de liberdade, onde K ´e o n´umero de defasagens tomada na fun¸c˜ao de autocorrela¸c˜ao, p e q s˜ao as ordens do modelo ajustado. Portanto, rejeitamos a hip´otese nula se Q > χ2
1−α,k−p−q com um n´ıvel
de significˆancia α.
3.3.2
Teste de adequa¸
c˜
ao ao modelo
3.3.2.1 Estat´ıstica de Kolmogorov-Smirnov
Como as estimativas dos parˆametros da GEV ser˜ao obtidas por m´axima verossimi-lhan¸ca, iremos testar se a amostra aleat´oria segue uma distribui¸c˜ao GEV utilizando a estat´ıstica de Kolmogorov-Smirnov, D dada em Chandra et al. [20], e definida como
D+ = maxi i m − Hξ(m(i)) (3.3) D−= maxi Hξ(m(i)) − i − 1 m (3.4) D = max(D+, D−) (3.5)
onde, m(i)s˜ao os m´aximos ordenados e Hξ´e a distribui¸c˜ao de GEV com as estimativas
Tabela 1: Valores cr´ıticos para a estat´ıstica de teste D N´ıvel de Significˆancia √mD
m = 10 1% 0.944 5% 0.819 m = 20 1% 0.973 5% 0.0,843 m = 50 1% 0.988 5% 0.856 m = ∞ 1% 1.007 5% 0.874
Esta tabela mostra alguns valores cr´ıticos para amostras de tamanho m = 10, 20, 50, e tamb´em, para m = ∞ com n´ıveis de significˆancia de 1% e 5%.
3.3.2.2 Teste da raz˜ao de verosimilhan¸ca
Podemos tamb´em testar as seguintes hip´oteses
• H0 : ξ = 0 (seguem uma distribui¸c˜ao Gumbel)
• H1 : ξ 6= 0 (n˜ao seguem uma distribui¸c˜ao Gumbel)
Para isso, ´e utilizado o teste da raz˜ao das verossimilhan¸cas, cuja estat´ıstica ´e
Λ = −2[l(ˆθGumbel) − l(ˆθGEV)] (3.6)
onde l(ˆθGumbel) e l(ˆθGEV) representam as log-verossimilhan¸cas calculadas, usando as
respectivamente as densidades da Gumbel e da GEV, com as respectivas estimativas por m´axima verossimilhan¸ca.
A estat´ıstica Λ deve ser comparada com uma chi-quadrado com um grau de liberdade, denotada por χ21, para algum n´ıvel de significˆancia estabelecido.
3.4 An´alise Gr´afica 30
Quando o teste ´e rejeitado, precisa-se saber qual distribui¸c˜ao os dados seguem, po-dendo ser tanto do tipo II como do tipo III.
3.4
An´
alise Gr´
afica
Em toda an´alise estat´ıstica, para verificar a qualidade do ajuste dos dados, al´em dos testes estat´ısticos, devem tamb´em ser feitas algumas an´alises gr´aficas.
Esta an´alise ser´a realizada por meio do pp-plot( gr´afico de probabilidade - probabili-dade), o qq-plot (gr´afico quantil - quantil) e histograma com curva de densidade te´orica e emp´ırica, al´em dos gr´aficos de n´ıveis de retorno.
3.5
Per´ıodos e n´ıveis de retorno da distribui¸
c˜
ao GEV
Outro conceito bastante utilizado em TVE ´e o n´ıvel de retorno U e per´ıodo de retorno T . H´a uma rela¸c˜ao entre os dois, pois o n´ıvel de retorno U (T ) ´e o valor que ´e excedido, em m´edia, uma vez em cada T anos (per´ıodo de retorno do n´ıvel U ).
O per´ıodo de retorno T , que ´e o intervalo de tempo estimado para ocorrˆencia de um determinado evento e ´e calculado como o inverso da probabilidade de um evento a ser igualado ou superado T = 1 P (X ≥ x) = 1 1 − Fx(x) (3.7)
J´a os n´ıveis de retorno U (T ) est´a associado ao per´ıodo de retorno e nada mais ´e que o quantil de probabilidade 1 − T1 e sua fun¸c˜ao ´e dada por
U (T ) = q1−1 T (3.8) em que • Para ξ 6= 0 q1−1 T = µ − σ ξ ( 1 − −ln 1 − 1 T −ξ) • Para ξ = 0
q1−1 T = µ − σ ln −ln 1 − 1 T
32
4
An´
alise dos Resultados
Os dados foram obtidos no Banco de Dados Meteorol´ogicos para Ensino e Pesquisa (BDMEP) do Instituto Nacional de Meteorologia (INMET). O Banco abriga dados mete-orol´ogicos di´arios em forma digital, de s´eries hist´oricas das v´arias esta¸c˜oes meteorol´ogicas convencionais da rede de esta¸c˜oes do INMET com milh˜oes de informa¸c˜oes, referentes `as medi¸c˜oes di´arias, de acordo com as normas t´ecnicas internacionais da Organiza¸c˜ao Mete-orol´ogica Mundial.
As informa¸c˜oes referem-se `a s´erie de temperatura m´axima (emoC), precipita¸c˜ao
ocor-rida nas ´ultimas 24 horas (em mm) e umidade relativa (em %) da esta¸c˜ao 83743 locali-zada na cidade do Rio de Janeiro com latitude de −22, 88 e longitude de −43, 18, desde 01/01/1961 `a 31/03/2017, coletadas diariamente nos hor´arios de 12:00 UTC (09 horas no hor´ario de Bras´ılia - durante o hor´ario de ver˜ao, 10 horas) e 00:00 UTC (21 horas no hor´ario de Bras´ılia - durante o hor´ario de ver˜ao, 22 horas). Foram selecionados os valores m´aximos dos blocos das vari´aveis em estudo.
Utilizou-se o software livre R para manipula¸c˜ao e an´alise estat´ıstica dos dados, a modelagem em valores extremos foi realizada utilizando o pacote evd [30]. O n´ıvel de significˆancia adotado para todos os testes foi de 5%.
4.1
Anuais
4.1.1
Precipita¸
c˜
ao
Na figura 2, pode-se observar o comportamento de uma amostra de 24 observa¸c˜oes m´aximas anuais de precipita¸c˜ao para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/12/1984.
Figura 2: Precipita¸c˜ao em mm
Foi realizado uma an´alise descritiva para os dados obtidos, temos que os valores variam entre 0,00mm e 167,40 mm de precipita¸c˜ao. A precipita¸c˜ao m´edia ´e de 80,82 mm. E pode-se obpode-servar tamb´em pelo comportamento do histograma, conforme figura 3.
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo 0,00 52,40 61,30 80,82 124,10 167,40
Tabela 2: An´alise descritiva dos dados de Precipita¸c˜ao
Figura 3: Histograma para as Precipita¸c˜ao em mm
Procedeu-se ao Ljung-Box [21] para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor = 0,8117, que indica n˜ao rejei¸c˜ao da hip´otese nula, logo a amostra aleat´oria
4.1 Anuais 34
dos m´aximos anuais de precipita¸c˜ao ´e independente. Com isso, ser´a realizado a estima¸c˜ao dos parˆametros e ajuste da distribui¸c˜ao pelo m´etodo de m´axima verossimilhan¸ca.
Na tabela 3 est˜ao as estimativas dos modelos Gumbel e GEV pelo m´etodo de m´axima verossimilhan¸ca, e seus devidos intervalos confian¸ca.
Parˆametros GEV Gumbel
MV IC (95%) MV IC (95%) ˆ µ 60,95 (40,22 ; 81,68) 57,49 (39,98 ; 74,99) ˆ σ 43,53 (28,07 ; 59,04) 41,44 (28,57 ; 54,31) ˆ ξ -0,16 (-0.58 ; 0,27) -
-Tabela 3: Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima verossimilhan¸ca
As estimativas dos parˆametros de loca¸c˜ao e escala usando o m´etodo de m´axima ve-rossimilhan¸ca foram maiores no modelo GEV do que no modelo Gumbel. Quanto ao parˆametro de forma, a estimativa ´e negativa e pr´oxima de zero, al´em disso, o intervalo de confian¸ca cont´em o valor zero, que indica que a distribui¸c˜ao Gumbel ´e uma forte candidata para modelar esta amostra de n´ıveis de precipita¸c˜ao m´aximos anuais. Por´em para afirmar essa suposi¸c˜ao ser´a utilizado alguns testes estat´ısticos para saber qual modelo extremal melhor se ajusta aos dados de precipita¸c˜ao anual.
O primeiro teste a ser aplicado ser´a o Teste da Raz˜ao de Verossimilhan¸ca (TRV). Em que ´e baseado na estat´ıstica Deviance, com distribui¸c˜ao qui-quadrado e aplica-se nas seguintes hip´oteses: H0 : ξ = 0 versus H1 : ξ 6= 0.
Teste p-valor Decis˜ao (α = 0, 05) TRV 0,4654 N˜ao rejeito H0
Tabela 4: Valores da estat´ıstica da raz˜ao de verossimilhan¸ca
Pode-se observar pelo TRV calculado na tabela 4 que o modelo Gumbel se ajusta bem aos dados de precipita¸c˜oes anuais. Para o teste da qualidade do ajuste tem-se a estat´ıstica de teste D, que foi calculada e multiplicada por√m resultando em 0, 656. Como o valor obtido n˜ao ultrapassa o valor observado na tabela 1 para um n´ıvel de significˆancia de 5%, conclui-se que a distribui¸c˜ao Gumbel ´e adequada para modelar os comportamentos dos n´ıveis de precipta¸c˜oes m´aximas anuais.
Os gr´aficos nos permite tamb´em fazer um diagn´ostico r´apido `a qualidade do ajusta-mento do modelo. Pelo QQ-plot e PP-plot pode-se observar que os dados est˜ao em torno da reta e n˜ao ultrapassam os intervalos de confian¸ca, logo tem-se um bom ajuste. O que tamb´em ´e mostrado no histograma com as curvas de densidade e emp´ırica. Conforme figura 4.
Figura 4: Diagn´ostico gr´afico do ajustamento Gumbel aos n´ıveis de precipita¸c˜ao m´aximos anuais
Para a an´alise foram utilizados os dados de precipita¸c˜ao m´axima di´aria do per´ıodo de 1961 a 1984, e foram estimados o tempo de retorno para 10, 20 e 30 anos. Foi verificada a precipita¸c˜ao m´axima observada entre o per´ıodo de 1961 a 2016 no valor de 178,5 mm, a fim de verificar a precis˜ao das estimativas pontuais e intervalares fornecidas pelo m´etodo da m´axima da verossimilhan¸ca.
Per´ıodo de Retorno Precipita¸c˜ao IC(95%) 10 anos 150,75 (104,28 ; 197,22) 20 anos 180,59 (124,85 ; 236,32) 30 anos 197,75 (136,68 ; 258,81)
Tabela 5: Estimativas das precipita¸c˜oes m´aximas (mm) anuais no Rio de Janeiro - RJ, para os tempos de retorno de 10, 20 e 30 anos
Conforme pode ser visto na tabela 5, pelo modelo Gumbel, espera-se que em m´edia um ano em cada 10, 20 e 30 anos ter´a um dia em que o n´ıvel de precipita¸c˜ao ser´a superior a 150,75, 180,59 e 197,75, respectivamente.
4.1 Anuais 36
Figura 5: N´ıveis de retorno da precipita¸c˜ao
Podem ser tamb´em calculadada estimativa para o per´ıodo de retorno. O per´ıodo de retorno ser´a o n´umero m´edio de anos de espera at´e que seja ultrapassado um certo n´ıvel. Conforme a equa¸c˜ao 3.7, ser´a preciso cerca de 19 anos para que o n´ıvel m´aximo de precipita¸c˜ao (178,5mm) observado entre 1961 a 2016, seja ultrapassado.
4.1.2
Temperatura M´
axima
Na figura 6, pode-se observar o comportamento de uma amostra de 31 observa¸c˜oes m´aximas anuais de temperatura para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/12/1991.
Figura 6: Temperaturas M´aximas em oC
temperatu-ras variam entre 35oC e 39oC, como pode ser observado tamb´em no comportamento do histograma, dado na figura 7. Os dados se concentram em torno de 36,84oC.
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo 35,00 36,40 36,80 36,84 37,40 39,00
Tabela 6: An´alise descritiva dos dados de Temperatura M´axima
Figura 7: Histograma para as Temperaturas M´aximas em oC
Procedeu-se ao Ljung-Box (Ljung & Box, 1978) para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor = 0,3465, que indica n˜ao rejei¸c˜ao da hip´otese nula, logo a amostra aleat´oria das temperaturas m´aximas anuais ´e independente. Com isso, ser´a realizado a estima¸c˜ao dos parˆametros e ajuste da distribui¸c˜ao pelo m´etodo de m´axima verossimilhan¸ca.
Na tabela 7 est˜ao as estimativas dos modelos Gumbel e GEV pelo m´etodo de m´axima verossimilhan¸ca, e seus devidos intervalos confian¸ca.
Parˆametros GEV Gumbel
MV IC (95%) MV IC (95%) ˆ µ 36,51 (36,16 ; 36,86) 36,38 (36,05 ; 36,70) ˆ σ 0,90 (0,66 ; 1,15) 0,87 (0,65 ; 1,10) ˆ ξ -0,27 (-0.47 ; -0,07) -
-Tabela 7: Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima verossimilhan¸ca
4.1 Anuais 38
As estimativas dos parˆametros de loca¸c˜ao e escala usando o m´etodo de m´axima ve-rossimilhan¸ca foram maiores no modelo GEV do que no modelo Gumbel. Quanto ao parˆametro de forma, a estimativa ´e negativa e pr´oxima de zero. Ser˜ao realizados al-guns testes estat´ısticos para saber qual modelo extremal melhor se ajusta aos dados de temperatura m´axima anual.
O primeiro teste a ser aplicado ser´a o Teste da Raz˜ao de Verssimilhan¸ca (TRV). Em que ´e baseado na estat´ıstica Deviance, com distribui¸c˜ao qui-quadrado e aplica-se nas seguintes hip´oteses: H0 : ξ = 0 versus H1 : ξ 6= 0.
Teste p-valor Decis˜ao (α = 0, 05) TRV 0,04 Rejeito H0
Tabela 8: Valores da estat´ıstica da raz˜ao de verossimilhan¸ca
Pelo TRV calculado na tabela 8 pode-se concluir que o modelo Gumbel n˜ao se ajusta bem aos dados de temperatura m´axima anual, que pode ser confirmado tamb´em pelo intervalo de confian¸ca do parˆametro de forma em que o zero n˜ao est´a incluso. Ent˜ao o melhor modelo para aos dados de temperatura m´axima anual ´e o modelo GEV, obser-vando o parˆametro de forma temos o modelo Weibull. Tem-se que estat´ıstica de teste D multiplicado por √m resulta em 0, 411. Pode-se observar que, como o valor obtido n˜ao ultrapassa o valor observado na Tabela 1 para um n´ıvel de significˆancia de 5%, conclui-se que a distribui¸c˜ao GEV ´e adequada para modelar os comportamentos dos n´ıveis de temperaturas m´aximas anuais.
Os gr´aficos nos permite tamb´em fazer um diagn´ostico r´apido `a qualidade do ajusta-mento do modelo. Pelo QQ-plot e PP-plot pode-se observar que os dados est˜ao em torno da reta e n˜ao ultrapassam os intervalos de confian¸ca, logo tem-se um bom ajuste. O que tamb´em ´e mostrado no histograma com as curvas de densidade e emp´ırica. Conforme figura 8.
Figura 8: Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de temperaturas m´aximas anuais
Para a an´alise foram utilizados os dados de temperatura m´axima di´aria do per´ıodo de 1961 a 1991, e estimamos o tempo de retorno para 10, 20 e 30 anos e tamb´em foi observada a temperatura m´axima do per´ıodo de 1961 a 2016 no valor de 42oC, a fim de verificar a precis˜ao das estimativas pontuais e intervalares fornecidas pelo m´etodo da m´axima da verossimilhan¸ca.
Per´ıodo de Retorno Temperatura IC(95%) 10 anos 38,04 (37,65 ; 39,44) 20 anos 38,36 (38,13 ; 40,27) 30 anos 38,52 (38,40 ; 40,74)
Tabela 9: Estimativas das temperaturas m´aximas (oC) anuais no Rio de Janeiro - RJ,
para os tempos de retorno de 10, 20 e 30
Conforme tabela 9, pelo modelo GEV espera-se que em m´edia, um ano em cada 10, 20 e 30 anos ter´a um dia em que a temperatura m´axima ser´a superior a 38,04, 38,36 e 38,52, respectivamente.
4.1 Anuais 40
Figura 9: N´ıveis de retorno da temperatura m´axima
Podem ser tamb´em calculadadas estimativas para o per´ıodo de retorno. O per´ıodo de retorno ser´a o n´umero m´edio de anos de espera at´e que seja ultrapassado um certo n´ıvel. Utilizando a equa¸c˜ao 3.7, pode-se concluir que ser´a preciso cerca de 620 anos para que a temperatura m´axima observada (42oC) entre 1961 a 2016, seja ultrapassada.
4.1.3
Umidade Relativa
Na figura 10, pode-se observar o comportamento de uma amostra de 23 observa¸c˜oes m´aximas anuais de Umidade Relativa para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/12/1983.
Figura 10: Umidade Relativa em %
entre 91,25% e 97,50% de precipita¸c˜ao. E pode-se observar tamb´em pelo comportamento do histograma, dado na figura 11.
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo 91,25 93,75 94,75 94,55 95,38 97,50
Tabela 10: An´alise descritiva dos dados de Umidade Relativa
Figura 11: Histograma para a Umidade Relativa em %
Procedeu-se ao Ljung-Box (Ljung & Box, 1978) para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor = 0,1333, que indica n˜ao rejei¸c˜ao da hip´otese nula, logo a amostra aleat´oria dos m´aximos anuais de umidade relativa ´e independente. Com isso, ser´a realizado a estima¸c˜ao dos parˆametros e ajuste da distribui¸c˜ao pelo m´etodo de m´axima verossimilhan¸ca.
Na tabela 11 est˜ao as estimativas dos modelos Gumbel e GEV pelo m´etodo de m´axima verossimilhan¸ca, e seus devidos intervalos confian¸ca.
Parˆametros GEV Gumbel
MV IC (95%) MV IC (95%) ˆ µ 94,06 (93,32 ; 94,81) 93,75 (93,05 ; 94,45) ˆ σ 1,64 (1,11 ; 2,18) 1,62 (1,15 ; 2,09) ˆ ξ -0,36 (-0.66 ; -0,07) -
-Tabela 11: Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima verossimilhan¸ca
4.1 Anuais 42
As estimativas dos parˆametros de loca¸c˜ao e escala usando o m´etodo de m´axima ve-rossimilhan¸ca foram maiores no modelo GEV do que no modelo Gumbel. Quanto ao parˆametro de forma, a estimativa ´e negativa e pr´oxima de zero. Ser´a utilizado alguns tes-tes estat´ısticos para saber qual modelo extremal melhor se ajusta aos dados de umidade relativa anual.
O primeiro teste a ser aplicado ser´a o Teste da Raz˜ao de Verssimilhan¸ca (TRV). Em que ´e baseado na estat´ıstica Deviance, com distribui¸c˜ao qui-quadrado e aplica-se nas seguintes hip´oteses: H0 : ξ = 0 versus H1 : ξ 6= 0.
Teste p-valor Decis˜ao (α = 0, 05) TRV 0,02 Rejeito H0
Tabela 12: Valores da estat´ıstica da raz˜ao de verossimilhan¸ca
Pelo TRV informado na tabela 12 pode-se concluir que o modelo Gumbel n˜ao se ajusta bem aos dados de umidade relativa, que pode ser confirmado tamb´em pelo intervalo de confian¸ca do parˆametro de forma em que o zero n˜ao est´a incluso. Ent˜ao o melhor modelo para aos dados de umidade relativa m´axima anual ´e o modelo GEV, pelo parˆametro de forma temos o modelo Weibull. Tem-se que estat´ıstica de teste D multiplicado por √m resulta em 0, 585. Pode-se observar que como o valor obtido n˜ao ultrapassa o valor obser-vado na Tabela 1 para um n´ıvel de significˆancia de 5%, conclui-se que a distribui¸c˜ao GEV ´e adequada para modelar os comportamentos dos n´ıveis de umidade relativa m´aximas anuais.
Os gr´aficos nos permite tamb´em fazer um diagn´ostico r´apido `a qualidade do ajusta-mento do modelo. Pelo QQ-plot e PP-plot pode-se observar que os dados est˜ao em torno da reta e n˜ao ultrapassam os intervalos de confian¸ca, logo tem-se um bom ajuste. O que tamb´em ´e mostrado no histograma com as curvas de densidade e emp´ırica. Conforme figura 12
Figura 12: Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de umidades relativas m´aximas anuais
Para a an´alise foram utilizados os dados de umidade relativa m´axima di´aria do per´ıodo de 1961 a 1983, e estimamos o tempo de retorno para 10, 20 e 30 anos . Foi observada a umidade relativa m´axima do per´ıodo de 1961 a 2016 no valor de 95%, a fim de verificar a precis˜ao das estimativas pontuais e intervalares fornecidas pelo m´etodo da m´axima da verossimilhan¸ca.
Per´ıodo de Retorno Umidade Relativa IC(95%) 10 anos 96,58 (95,82 ; 99,71) 20 anos 97,04 (96,62 ; 101,23) 30 anos 97,26 (97,08 ; 102,18)
Tabela 13: Estimativas das precipita¸c˜oes m´aximas (mm) anuais no Rio de Janeiro - RJ, para os tempos de retorno de 10, 20 e 30 anos
Conforme tabela 13, pelo modelo GEV espera-se que em m´edia, um ano em cada 10, 20 e 30 anos ter´a um dia em que a umidade relativa ser´a superior a 96,58, 97,04 e 97,26, respectivamente.
4.2 Mensais 44
Figura 13: N´ıveis de retorno de Umidade Relativa
Podem ser tamb´em calculadadas estimativas para o per´ıodo de retorno. O per´ıodo de retorno ser´a o n´umero m´edio de anos de espera at´e que seja ultrapassado um certo n´ıvel. De acordo com a tabela, ser´a preciso cerca de 36 anos para que o n´ıvel m´aximo de umidade relativa (97,5%) observado entre 1961 a 2016, seja ultrapassado.
4.2
Mensais
4.2.1
Precipita¸
c˜
ao
Na figura 14, pode-se observar o comportamento de uma amostra de 456 observa¸c˜oes m´aximas mensais de precipita¸c˜ao para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/03/2017.
Figura 14: Precipita¸c˜ao em mm
Foi realizado uma an´alise descritiva para os dados obtidos, temos que os valores variam entre 0,00mm e 178,50 mm de precipita¸c˜ao mensal. E pode-se observar uma assimetria positiva pelo comportamento do histograma, conforme figura 15.
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo 0,00 13,88 23,70 31,36 42,02 178,50
Tabela 14: An´alise descritiva dos dados de Precipita¸c˜ao Mensais
Figura 15: Histograma para as precipita¸c˜oes mensais em mm
Procedeu-se ao Ljung-Box (Ljung & Box, 1978) para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor menor que 0,01, que indica rejei¸c˜ao da hip´otese nula, logo
4.2 Mensais 46
a amostra aleat´oria dos m´aximos de precipita¸c˜ao mensais ´e dependente, por´em isso se deve ao fato do n´ıvel de precipita¸c˜ao variar de acordo com as esta¸c˜oes do ano,e esta rela¸c˜ao se dar de ano para ano por isso a n˜ao independˆencia entre as observa¸c˜oes mensais. Com isso, ser´a ignorado esta dependˆencia entre os dados, procedendo-se `a aplica¸c˜ao da an´alise em valores extremos e admitindo a existˆencia de independˆencia.
Na tabela 15 est˜ao as estimativas dos modelos Gumbel e GEV pelo m´etodo de m´axima verossimilhan¸ca, e seus devidos intervalos confian¸ca.
Parˆametros GEV Gumbel
MV IC (95%) MV IC (95%) ˆ µ 17,75 (16,09 ; 19,40) 20,03 (18,33 ; 21,73) ˆ σ 15,52 (14,16 ; 16,88) 17,75 (16,40 ; 19,10) ˆ ξ 0,25 (0,16 ; 0,34) -
-Tabela 15: Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima verossimilhan¸ca
Quanto ao parˆametro de forma, a estimativa ´e positiva e pr´oxima de zero. Ser˜ao realizados alguns testes estat´ısticos para saber qual modelo extremal melhor se ajusta aos dados de precipita¸c˜ao mensal.
O primeiro teste a ser aplicado ser´a o Teste da Raz˜ao de Verssimilhan¸ca (TRV). Em que ´e baseado na estat´ıstica Deviance, com distribui¸c˜ao qui-quadrado e aplica-se nas seguintes hip´oteses: H0 : ξ = 0 versus H1 : ξ 6= 0.
Teste p-valor Decis˜ao (α = 0, 05) TRV < 0, 01 Rejeito H0
Tabela 16: Valores da estat´ıstica da raz˜ao de verossimilhan¸ca
Pode-se observar pelo TRV verificado na tabela 16, que o modelo Gumbel n˜ao se ajusta bem aos dados de precipita¸c˜ao mensais, o que pode ser observado pelo intervalo de confian¸ca em que o valor zero n˜ao est´a incluso. Para o teste da qualidade do ajuste do modelo GEV, tem-se que estat´ıstica de teste D foi calculada e seu valor multiplicado por√m resultando em 0, 6214. Como o valor obtido n˜ao ultrapassa o valor observado na Tabela 1 para um n´ıvel de significˆancia de 5%, conclui-se que a distribui¸c˜ao GEV (Frech´et) ´e adequada para modelar os comportamentos dos n´ıveis de precipita¸c˜oes m´aximas mensais.
Os gr´aficos nos permite tamb´em fazer um diagn´ostico r´apido `a qualidade do ajusta-mento do modelo. Pelo QQ-plot e PP-plot pode-se observar que os dados est˜ao em torno da reta e n˜ao ultrapassam os intervalos de confian¸ca, logo tem-se um bom ajuste. O que tamb´em ´e mostrado no histograma com as curvas de densidade e emp´ırica. Conforme figura 16.
Figura 16: Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de precipita¸c˜ao m´aximas anuais
Para a an´alise foram utilizados os dados de precipita¸c˜ao m´axima di´aria do per´ıodo de 1961 a 1984, e estimamos o tempo de retorno para 10, 20 e 30 anos. Foi observada a precipita¸c˜ao m´axima do per´ıodo de 1961 a 2016 no valor de 178,5 mm, a fim de verificar a precis˜ao das estimativas pontuais pelo m´etodo da m´axima da verossimilhan¸ca.
Per´ıodo de Retorno Precipita¸c˜ao 10 anos 160,71 20 anos 202,94 30 anos 231,68
Tabela 17: Estimativas das precipita¸c˜oes m´aximas (mm) mensais no Rio de Janeiro - RJ, para os tempos de retorno de 10, 20 e 30
Conforme visto na tabela 17, pelo modelo GEV espera-se que em m´edia, pelo menos um mˆes em cada 10, 20 e 30 anos ter´a um dia em que a umidade ser´a superior a 160,71, 202,94 e 231,68 respectivamente.
4.2 Mensais 48
Figura 17: N´ıveis de retorno de precipita¸c˜ao
4.2.2
Temperatura M´
axima
Na figura 18, pode-se observar o comportamento de uma amostra de 549 observa¸c˜oes de temperaturas m´aximas mensais para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/03/2017.
Figura 18: Temperatura em oC
Foi realizado uma an´alise descritiva para os dados obtidos, temos que os valores variam entre 21,80oC e 42oC de temperatura. E pode-se observar tamb´em no comportamento do
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo 21,80 32,20 34,40 34,39 36,40 42,00
Tabela 18: An´alise descritiva dos dados de Temperatura
Figura 19: Histograma para as Temperaturas em oC
Procedeu-se ao Ljung-Box (Ljung & Box, 1978) para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor menor que 0,01, que indica rejei¸c˜ao da hip´otese nula, logo a amostra aleat´oria dos m´aximos de temperaturas mensais ´e dependente, por´em isso se deve ao fato do n´ıvel de temperatura variar de acordo com as esta¸c˜oes do ano,e esta rela¸c˜ao se dar de ano para ano por isso a n˜ao independˆencia entre as observa¸c˜oes mensais. Com isso, ser´a ignorado esta dependˆencia entre os dados, procedendo-se `a aplica¸c˜ao da an´alise em valores extremos e admitindo a existˆencia de independˆencia.
Na tabela 19 est˜ao as estimativas dos modelos Gumbel e GEV pelo m´etodo de m´axima verossimilhan¸ca, e seus devidos intervalos confian¸ca.
Parˆametros GEV Gumbel
MV IC (95%) MV IC (95%) ˆ µ 33,36 (33,09 ; 33,64) 32,92 (32,65 ; 33,20) ˆ σ 2,80 (2,40 ; 3,18) 3,12 (2,94 ; 3,29) ˆ ξ -0,29 (-0,34 ; -0,25) -
-Tabela 19: Estimativas dos parˆametros da Gumbel e da GEV via m´etodo de m´axima verossimilhan¸ca
4.2 Mensais 50
Quanto ao parˆametro de forma, a estimativa ´e negativa e pr´oxima de zero. Ser˜ao realizados alguns testes estat´ısticos para saber qual modelo extremal melhor se ajusta aos dados de temperatura m´axima mensal.
O primeiro teste a ser aplicado ser´a o Teste da Raz˜ao de Verssimilhan¸ca (TRV). Em que ´e baseado na estat´ıstica Deviance, com distribui¸c˜ao qui-quadrado e aplica-se nas seguintes hip´oteses: H0 : ξ = 0 versus H1 : ξ 6= 0.
Teste p-valor Decis˜ao (α = 0, 05) TRV < 0,01 Rejeito H0
Tabela 20: Valores da estat´ıstica da raz˜ao de verossimilhan¸ca
Pode-se observar pelo TRV conforme tabela 20 que o modelo Gumbel n˜ao se ajusta bem aos dados de temperaturas mensais. Para o teste da qualidade do ajuste ao modelo GEV, tem-se que estat´ıstica de teste D foi calculada e seu valor multiplicado por √m resultando em 0, 565. Como o valor obtido n˜ao ultrapassa o valor observado na Tabela 1 para um n´ıvel de significˆancia de 5%, conclui-se que a distribui¸c˜ao GEV (Weibull)´e adequada para modelar os comportamentos dos n´ıveis de temperaturas m´aximas anuais.
Os gr´aficos nos permite tamb´em fazer um diagn´ostico r´apido `a qualidade do ajusta-mento do modelo. Pelo QQ-plot e PP-plot pode-se observar que os dados est˜ao em torno da reta e n˜ao ultrapassam os intervalos de confian¸ca, logo tem-se um bom ajuste. O que tamb´em ´e mostrado no histograma com as curvas de densidade e emp´ırica. Conforme figura 20.
Figura 20: Diagn´ostico gr´afico do ajustamento GEV aos n´ıveis de temperaturas m´aximas mensais
Para a an´alise foram utilizados os dados de temperatura m´axima di´aria do per´ıodo de 1961 a 1991, e estimamos o tempo de retorno para 10, 20 e 30 anos. Foi observada a temperatura m´axima do per´ıodo de 1961 a 2016 no valor de 42oC, a fim de verificar
a precis˜ao das estimativas pontuais e intervalares fornecidas pelo m´etodo da m´axima da verossimilhan¸ca.
Per´ıodo de Retorno Temperatura M´axima 10 anos 38,21
20 anos 38,43 30 anos 38,54
Tabela 21: Estimativas das temperaturas m´aximas (oC) mensais no Rio de Janeiro - RJ, para os tempos de retorno de 10, 20 e 30 anos
Conforme os resultados vistos na tabela 21, pelo modelo GEV espera-se que em m´edia, um ano em cada 10, 20 e 30 anos ter´a um dia em que a temperatura ser´a superior a 38,21, 38,43 e 38,54, respectivamente.
Figura 21: N´ıveis de retorno da temperatura
4.2.3
Umidade Relativa
Na figura 22, pode-se observar o comportamento de uma amostra de 472 observa¸c˜oes m´aximas mensais de umidade relativa para o munic´ıpio do Rio de Janeiro (RJ), no per´ıodo de 01/01/1961 a 31/03/2017.
4.2 Mensais 52
Figura 22: Umidade Relativa em %
Foi realizado uma an´alise descritiva para os dados obtidos, temos que os valores variam entre 69,80% e 97,50% de umidade relativa. E pode-se observar tamb´em pelo comporta-mento do histograma, conforme figura 23.
M´ınimo 1o Quartil Mediana M´edia 3o Quartil M´aximo
69,80 86,75 89,75 89,28 91,76 97,50
Tabela 22: An´alise descritiva dos dados de umidade relativa
Figura 23: Histograma para as umidades relativa em %
Procedeu-se ao Ljung-Box (Ljung & Box, 1978) para verificar a independˆencia dos dados, que ´e uma das pressuposi¸c˜oes fundamentais para aplica¸c˜ao da teoria de valores extremos. Observou-se p-valor menor que 0,01, que indica rejei¸c˜ao da hip´otese nula, logo