13/06/2013

1

Hidrologia Estatstica
2
Os processos hidrolgicos podem ser classificados em determinsticos ou
estocsticos.
Processos Hidrolgicos Determinsticos: variaes espao-temporais
podem ser completamente explicadas por um nmero limitado de variveis,
a partir de relaes funcionais (Fsica, Qumica ou Biologia) ou
experimentais unvocas. Em hidrologia, so rarssimas as ocorrncias das
regularidades inerentes aos processos puramente determinsticos; e.g.
resposta hidrolgica de uma superfcie completamente impermevel, de
geometria simples e totalmente definida, a um pulso conhecido, uniforme e
homogneo de precipitao.
Processos Hidrolgicos Estocsticos: governados por leis de
probabilidades, por conterem componentes aleatrias as quais se
superpem a regularidades explicitveis (variaes da radiao solar no
topo da atmosfera ao longo da rbita de translao da Terra em torno do
Sol). Assim, em um ponto, [Q, P, ETP, i, Q
SS
, seo, Temp] x t so PHE.

13/06/2013
2
3
2. Variveis Hidrolgicas

As variaes temporais e/ou espaciais dos fenmenos do ciclo da gua podem
ser descritas pelas variveis hidrolgicas. Exemplos:
o nmero anual de dias consecutivos sem precipitao, em um dado local
a intensidade mxima anual da chuva de durao igual a 30 minutos
a vazo mdia anual de uma bacia hidrogrfica
o total dirio de evaporao de um reservatrio
a categoria dos estados do tempo dos boletins meteorolgicos.

As flutuaes espao-temporais das variveis hidrolgicas podem ser
quantificadas ou categorizadas por meio de observaes ou medies, as quais,
em geral, so executadas de modo sistemtico e de acordo com padres
nacionais ou internacionais. Exemplos: P
dia
s 7 h, E
tanque
s 9h, H
7
e H
17
.

4
3. Sries Hidrolgicas

Sries hidrolgicas temporais renem as observaes ou medies da varivel,
organizadas no modo seqencial de sua ocorrncia no tempo (ou espao).
Embora instantneas ou contnuas ao longo do tempo/espao, as limitaes dos
processos de medio ou observao implicam em registros separados por
determinados intervalos de tempo ou de distncia, em geral, eqidistantes.
Exemplos: (i) bacia do rio So Francisco em Pirapora: as vazes mdias
dirias, tomadas como mdias aritmticas das leituras linimtricas instantneas
das 7 e das 17 horas de cada dia, iro constituir a srie temporal representativa
da varivel; (ii) bacia do ribeiro Arrudas: srie temporal mais conveniente a
formada pelos registros de vazes mdias horrias.

Completas: todos os registros (ex. toda a seqncia
dos 61 anos de VMD em P. N. Paraobeba)
Sries Hidrolgicas
Reduzidas: alguns valores caractersticos (ex. as 61
VMAs em P. N. Paraopeba)
13/06/2013
3
5

Anuais: 1 nico valor anual (ex. figura, srie
Sries Reduzidas (extremos) de VMAs em P. N. Paraopeba)
Parciais: valores acima (abaixo) de limiar
(ex.figura Q>290 mcs 71,76,89)

Rio Paraopeba em Ponte Nova do Paraopeba
0,0
200,0
400,0
600,0
800,0
1000,0
1939 1949 1959 1969 1979 1989 1999
Ano Hidrolgico (out-set/aaaa)
V
a
z

o

M

d
i
a

D
i

r
i
a

M

x
i
m
a

A
n
u
a
l

(
m
3
/
s
)
6
Populao e Amostra

Populao: conjunto finito ou infinito de todos os possveis resultados, ou
possveis realizaes, de uma varivel hidrolgica.
Amostra: sub-conjunto extrado da populao, com um nmero limitado de
observaes.

Se a amostra estacionria, homognea e representativa da populao, o
principal objetivo da hidrologia estatstica o de extrair concluses vlidas
sobre o comportamento probabilstico populacional da varivel hidrolgica,
somente a partir da informao contida na amostra.

Problema: entre 1939 e 1999, as vazes mximas anuais de P. N. Paraopeba
(figura) tem amplitude de 246 e 1017 m3/s. Com base nica e exclusivamente
na amostra, a probabilidade de valores inferiores ou superiores aos limites
amostrais nula. De modo anlogo, a enchente que dever ocorrer no prximo
ano, neste local, estaria compreendida provavelmente entre 246 e 1017 m3/s.
13/06/2013
4
7
Soluo:





Populao: todos os resultados
possveis de uma varivel hidrolgica,
descrita por uma ou mais distribuies
de probabilidade, definidas por
parmetros
i
.
) , ... , , (
2 1 k X
x f u u u

x
Amostra:
homognea e
representativa, a
partir da qual so
produzidas as
estimativas dos
parmetros
populacionais. deduo
induo
Hidrologia Estatstica : usar as estimativas amostrais
k
u u u

, ... ,

2 1
para prever
o comportamento populacional sob cenrios ou condies diversas.
8
PARTE 2 ANLISE PRELIMINAR DE DADOS HIDROLGICOS
Conjunto de mtodos e tcnicas que visam extrair as caractersticas empricas
essenciais do padro de distribuio de uma varivel hidrolgica. Trs grupos:
Apresentao Grfica de Dados Hidrolgicos
Sumrio Numrico e Estatsticas Descritivas
Mtodos Exploratrios

1. Apresentao Grfica de Dados Hidrolgicos
Grficos essncia do padro de distribuio da VA com facilidade e nitidez.
Diagrama de Linha
Histograma
Polgono de Freqncias
Diagrama de Freqncias Acumuladas
Curva de Permanncia
13/06/2013
5
9
Diagrama de Linha
Aplicao: nmero de ocorrncias de uma varivel hidrolgica discreta
Eixo Horizontal: valores possveis da varivel
Eixo Vertical: nmeros de ocorrncias = alturas das linhas verticais

N=34 anos
Cheia Limiar=300 mcs



Razovel Simetria
Valor Central=4 cheias anuais










Nmero de Anos de Cheias do Rio Magra em
Calamazza (Itlia)
0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9
Nmero de Cheias Anuais
N

m
e
r
o

d
e

O
c
o
r
r

n
c
i
a
s
10
Histograma
Apropriado para amostras de tamanho mdio (25 a 70) e grande (>70).
Agrupar as observaes em classes, definidas por intervalos de largura fixa ou
varivel (LIC), e, em seguida, contar o nmero de ocorrncias (ou a freqncia
absoluta) em cada classe. NC depende do tamanho da amostra:
ou nos limites de 5 a 25 para cada classe.
LIC~Amplitude/NC Tabela de Freqncias:








N NC ~
N NC
10
log 3 , 3 1+ =
Classe j Intervalo de
Classe (m
3
/s)
Freqncia
Absoluta fj
Freqncia
Relativa frj
Freqncia Acumulada
=
j
j
fr F
1 (30,50] 3 0,0484 0,0484
2 (50,70] 15 0,2419 0,2903
3 (70,90] 21 0,3387 0,6290
4 (90,110] 12 0,1935 0,8226
5 (110,130] 7 0,1129 0,9355
6 (130,150] 3 0,0484 0,9839
7 (150,170] 1 0,0161 1
Total 62 1

13/06/2013
6
11
Exemplo: Histograma das vazes mdias anuais do Rio Paraopeba em Ponte
Nova do Paraopeba Perodo 1938 a 1999.
Concentrao no terceiro IC (valor central), Assimetria Leve, Outliers (?).












Histograma de Vazes Mdias Anuais do Rio
Paraopeba em Ponte Nova do Paraopeba
0
5
10
15
20
25
30 50 70 90 110 130 150 170
Intervalos de Classes (m/s)
F
r
e
q

n
c
i
a

A
b
s
o
l
u
t
a
0,0000
0,0500
0,1000
0,1500
0,2000
0,2500
0,3000
0,3500
0,4000
F
r
e
q

n
c
i
a

R
e
l
a
t
i
v
a

12
Polgono de Freqncias
Pontos mdios dos topos dos retngulos do histograma, depois de estend-lo
por uma classe adicional de cada um de seus lados (ordenadas inicial e final
nulas e rea igual do histograma). Maior ordenada=moda. Ex. p/ X
mo
=80mcs.

Polgono de Freqncias Relativas das Vazes
Mdias Anuais do Rio Paraopeba em Ponte Nova
do Paraopeba
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0 50 100 150 200
Vazo Mdia Anual (m/s)
F
r
e
q

n
c
i
a

R
e
l
a
t
i
v
a
13/06/2013
7
13
Diagrama de Freqncias Acumuladas
(1) Pares formados pelos limites superiores dos ICs e pelas ordenadas
consecutivamente acumuladas do histograma, desde a menor at a maior ou
(2) Classificao em OC e atribuio de probabilidade emprica m/N
Pontos de Interesse:
- Mediana Q
2

- Quartis Q
1
e Q
3

- Decis, percentis, quantis
- AIQ=Q
3
- Q
1


Pontos Atpicos
(outliers)
(critrio)
superior: >Q
3
+ 1,5AIQ
inferior: < Q
1
- 1,5AIQ


Diagrama de Freqncias Relativas Acumuladas
das Vazes Mdias Anuais do Rio Paraopeba em
Ponte Nova do Paraopeba
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 20 40 60 80 100 120 140 160
Vazo Mdia Anual (m/s)
F
r
e
q

n
c
i
a

d
e

N

o

S
u
p
e
r
a

o

-

P
(
Q
<
=
q
)
14
Curva de Permanncia
Semelhante ao D. F. Acumuladas com eixos invertidos e probabilidade
emprica de excedncia (ou permanncia).


Classificao decrescente com m/N.












Fluviograma do Rio Paraopeba em Ponte Nova do
Paraopeba - Ano 1962/63
0
100
200
300
400
500
600
01/10/62 31/12/62 01/04/63 01/07/63 30/09/63
Data
V
a
z

o

M

d
i
a

D
i

r
i
a

(
m

/
s
)
Curva de Permanncia das Vazes Mdias Dirias de
1962/63 no Rio Paraopeba em Ponte Nova do Paraopeba
0
100
200
300
400
500
600
0 20 40 60 80 100
%do Tempo de Vazes Iguais ou Superiores a Q
Q

-

V
a
z

o

M

d
i
a

D
i

r
i
a

(
m

/
s
)
13/06/2013
8
15
2. Sumrio Numrico e Estatsticas Descritivas

Caractersticas de forma do histograma estatsticas descritivas (medidas)
Medidas (i) de tendncia central, (ii) de disperso e (iii) de assimetria e curtose

2.1 Medidas de Tendncia Central

Mdia

Amostra

Amostra com N
k
repeties do valor x
k


Ou se o clculo feito com freqncias relativas.
{ }
N
x x x , ... , ,
2 1

=
=
+ + +
=
N
i
i
N
x
N N
x x x
x
1
2 1
1 ...

=
=
+ + +
=
k
i
i i
k k
x N
N N
x N x N x N
x
1
2 2 1 1
1 ...

=
=
k
i
i i
x f x
1
16
Mdia Harmnica (propores de variao)



Mdia Geomtrica (crescimento/decrescimento geomtrico: e.g.populacional)



Mediana ( medida mais robusta do que a mdia)



Moda x
mo
o valor amostral mais freqente (polgono de freqncias)

Assimetria: negativa se mdia<mediana<moda ou positiva se moda<mediana<mdia
Histograma/Polgono Simtrico se mdia~mediana~moda

( ) ( ) ( ) ( ) | |
N
h
x x x N
x
1 ... 1 1 1
1
2 1
+ + +
=
( ) |
.
|

\
|
= = = [
= =
N
i
i
N
i
N
i
N
N g
x
N
x x x x x
1 1
1
2 1
ln
1
exp . ... . .
( ) ( ) ( )
{ }
N
x x x s s s ...
2 1
par se
2
ou mpar se
1
2 2
2
1
N
x x
x N x x
N N
md N md
|
.
|

\
|
+ |
.
|

\
|
|
.
|

\
| +
+
= =
13/06/2013
9
17
2.2 Medidas de Disperso

Amplitude (pouco robusta, pouco representativa)

Amplitude Inter-Quartis (mais robusta, pouco representativa)

Desvio Mdio Absoluto (mais robusta e representativa; inconveniente ABS)



Desvio-Padro (mais representativa; mais usada por dar maior peso s caudas)




Coeficiente de Variao (adimensional)


1 3
Q Q AIQ =
( ) ( ) 1
x x A
N
=

=
=
+ +
=
N
i
i
N
x x
N N
x x x x x x
d
1
2 1
1 ...
( ) ( ) ( )
( )
( )
2
1
2
2 2
2
2
1
1
1
s x x
N N
x x ... x x x x
s
N
i
i
N i
=

+ + +
=

=
x
s
CV =
18
2.3 Medidas de Assimetria e Curtose

Coeficiente de Assimetria (adimensional; robustez e confiabilidade N)



Coeficiente de Curtose (adimensional; confivel para N em torno de 200)




Meso: 3
Lepto: <3
Plati: >3

( )( )
( )
3
1
3
2 1 s
x x
N N
N
g
N
i
i

=


=
( )( )( )
( )
4
1
4
2
3 2 1 s
x x
N N N
N
k
N
i
i

=


=
leptocrtica
mesocrtica
platicrtica
f(x)
x
13/06/2013
10
19
3.Mtodos Exploratrios

Coleo de tcnicas grficas de exame e interpretao de uma amostra, sem a preocupao prvia
de formular premissas ou modelos matemticos (EDA John Tukey, 1915-2000).
"An approximate answer to the right problem is worth a good deal more than an exact answer to an approximate problem."

3.1 Box-Plot









Box Pl ot - Vazes Mdi as Anuai s do Ri o Paraopeba em P. N. do
Paraopeba
Medi ana = 82,7
25%-75%
= (68,2, 99,1)
Li mi tes Identi fi cao de Outl i ers
Outl i ers
Vazes Mdi as Anuai s
20
40
60
80
100
120
140
160
180
m
3
/
s

20
Seqncia:

1. Eventos Aleatrios
2. Noo e Medida de Probabilidade
3. Variveis Aleatrias



P. Fermat (1601-1665) A. Kolmogorov (1903-1987)




R. von Mises (1883-1953)
13/06/2013
11
21
2. Noo e Medida de Probabilidade

Intuio: medida relativa da ocorrncia de um evento, entre os extremos de
0 (impossibilidade) e 1 (certeza). Evoluo histrica lenta e gradativa.

Definio clssica ou a priori (Fermat; contexto de jogos de azar):
se um espao amostral finito S contem n
S
formas equiprovveis e mutuamente
excludentes dos resultados de um experimento, das quais n
A
esto associadas a
um determinado atributo A, a probabilidade de ocorrncia do evento de
atributo A .

Em algumas situaes, a definio clssica apropriada. Em muitas outras,
duas limitaes so bvias: (1) impossibilidade de acomodar o cenrio em que
os resultados do experimento no sejam equiprovveis (e.g. moeda
tendenciosa) e (2) no contemplao de espaos amostrais infinitos.
P A
n
n
A
S
( ) =
22
Definio emprica, freqentista ou a posteriori (von Mises):
se um experimento realizado um grande nmero de vezes n, sob condies
rigorosamente idnticas, e o evento de atributo A, contido no espao
amostral S, ocorre n
A
vezes, a probabilidade emprica de A .








n
n
A P
A
n
=lim ) (
Embora mais abrangente, persistem
limitaes: (1) quo grande deve ser
n para fornecer uma estimativa
adequada de P(A), e.g. n>30
P(cara)=? ; (2) impossibilidade fsica
de se repetir um experimento um
nmero infinito de vezes, sob
condies rigorosamente idnticas e
(3) a definio no pode acomodar a
noo de probabilidade subjetiva
(baseada na experincia/julgamento
pessoal de um especialista)
13/06/2013
12
23
Definio axiomtica (Kolmogorov, 1933; base da moderna T. P.):
A probabilidade de um evento A, contido em um espao amostral S, um
nmero no negativo, denotado por P(A), que satisfaz as seguintes condies:
i. 0 P(A) 1
ii. P(S)=1
iii. Para eventos disjuntos E
1
, E
2
, ... .

Decorrncias:
(a) P(A
c
)=1-P(A) (b) P()=0 (c) Se A e B so dois eventos em S P(A)P(B)
(d) P(A)1 (e) (Regra da adio)
(f) Para A
1
, A
2
, ... , A
k
em S (Boole)

Em uma rea sujeita a terremotos, dois eventos naturais podem produzir a ruptura de uma barragem, a saber: a ocorrncia de uma
enchente maior do que a cheia de projeto do vertedouro (evento A) ou o colapso estrutural devido a um terremoto destrutivo
(evento B). Suponha que, com base em dados anuais observados em um dado local, foram estimadas as seguintes probabilidades
P(A)=0,02 e P(B)=0,01. Com base somente nesses valores, estime a probabilidade da barragem se romper em um ano qualquer.
Resposta: ~ 3%.
( )

=
P =
|
.
|

\
|
P
1 1 i
i
i
i
E E

( )

= =
P s |
.
|

\
|
P
k
i
i
k
i
i
A A
1 1

( ) ) ( ) ( ) ( B A B A B A P P + P = P
24

3. Variveis Aleatrias

Uma varivel aleatria uma funo X que mapeia o espao amostral e
associa um valor numrico a cada resultado de um certo experimento.
Experimento: lanamento simultneo de duas moedas VA: X=n
o
de faces










0 1 2 x 0 1 2 x
) (x p
X

=
i x
X X
x p x P ) ( ) (


1,0


0,5



0




1,0


0,5



0



13/06/2013
13
25
Discretas: se x um nmero inteiro
Variveis Aleatrias
Contnuas: se x um nmero real

VAD espao amostral numervel finito ou infinito
a FUNO MASSA DE PROBABILIDADES (FMP)
a FUNO ACUMULADA (FAP)

Propriedades:



Inversamente, se uma funo possui essas propriedades, ento ela pode ser
considerada uma funo massa de probabilidades.
) ( ) ( x X x p
X
= P =
( ) ( )

s
= s P =
x x
i X X
i
x p x X ) x ( P
todos
x x p
X
de alor qualquer v e todo para 0 ) ( >
( )
=
x
X
x p
todos
1
26
VAC espao amostral no-
numervel finito ou infinito.

A funo , equivalente
FMP, no negativa e denomina-se
funo densidade de probabilidade
(FDP); o caso limite de um
polgono de freqncias para uma
amostra de tamanho infinito (LIC
tende a zero).
probabilidade de X=x
0
= intensidade com que a
probabilidade de no superao de x
0

alterada na vizinhana de x
0.
.



} = = s < P
b
a
X X X
a F b F dx x f b x a ) ( ) ( ) ( ) (
a b x
a b x
) (x f
X


FX (x)
1

) (
0
x f
X
) (x f
X
) (
0
x f
X
( ) ( ) 0 ) ( ) ( ) ( = = P < P = s P = =
}

x X x X x X dx x f x F
x
X X
13/06/2013
14
27
Funo Acumulada de Probabilidades (FAP):



Formas da FDP:









}

=
x
X X
dx x f x F ) ( ) (
( ) ( ) 1 , 0 ,
) (
) ( = + = =
X X
X
X
F F
dx
x F d
x f

x
f
X
(x)
x
f
X
(x)
x
f
X
(x)
x
f
X
(x)
x
f
X
(x)
x
f
X
(x)
Assimtrica Simtrica Bimodal
Exponencial Forma de U Uniforme
28
Problema Proposto 1: Considere que a varivel aleatria vazo media diria mxima anual, em
m3/s, em uma certa estao fluviomtrica, seja representada por X e que sua funo densidade de
probabilidade seja dada pela figura abaixo. Pede-se (a) P(X<100 m3/s) e (b) P(X>300 m3/s).








Problema Proposto 2: A funo definida por , para x0 e 0, a forma
paramtrica que define a famlia exponencial de funes densidade de probabilidades, ou
seja, uma FDP para cada valor numrico do parmetro . Pede-se: (a) provar que,
independentemente do valor de , trata-se de uma funo densidade de probabilidade; (b)
expressar a funo acumulada F
X
(x); e (c) calcular P(X>3), para o caso de =2.

0 100 300 400 x
f
X
(x)
y
z
|
.
|

\
|
u

u
=
x
x f
X
exp
1
) (
13/06/2013
15
29
1. Medidas Descritivas Populacionais de Variveis Aleatrias

So sumrios das caractersticas de forma de p
X
(x) ou f
X
(x) e
obtidas por meio de mdias, ponderadas por p
X
(x) ou f
X
(x), de
funes da varivel aleatria. Exemplos: valor esperado, a
varincia, coeficientes de assimetria e curtose.

1.1 Valor Esperado E[X] ou
X


ou

Abscissa do centride de p
X
(x) ou f
X
(x).
| | ( )

= =
i
x
i X i X
x p x X E
todos
| | ( )
}
+

= = dx x f x X E
X X
30
Exemplo 1: Calcule o valor esperado para a funo massa de probabilidades
especificada pela figura abaixo.








Exemplo 2: Considere uma varivel aleatria exponencial X, cuja funo
densidade de probabilidade dada por , para x0 e 0.
(a) calcular o valor esperado de X;
(b) empregando somente as medidas populacionais de tendncia central, a
saber, a mdia, a moda e a mediana, comprovar que se trata de uma distribuio
com assimetria positiva.



0 1 2 x 0 1 2 x
) (x p
X

=
i x
X X
x p x P ) ( ) (


1,0


0,5



0




1,0


0,5



0



( ) u u = x x f
X
exp 1 ) (
13/06/2013
16
31
1.2 Varincia Populacional Var[X] ou



ou

Propriedades:
Var[c]=0, para c constante.
Var[cX]=c
2
Var[X].
Var[cX+d]=c
2
Var[X], para d constante.

X
= desvio padro populacional= raiz quadrada positiva da varincia

= coeficiente de variao populacional

2
X
o
| | ( ) | | | | ( ) | |
2 2
2
2
Var X E X E X E X
X X
= = = o =
| | | | | | ( )
2 2
2
2
Var X E X E X
X
= = o =
X
X
X

o
= CV
32
Exemplo 3 Para uma varivel aleatria exponencial, mostre que a varincia

2
, o desvio padro e o coeficiente de variao igual a 1.

1.3 Coeficiente de Assimetria Populacional









( )
( ) | |
( )
3
3
3
3
X
X
X
X E
o

=
o

=
Assimetria/Simetria de Funes Densidade de Probabilidades
0
0,1
0,2
0,3
0,4
-5 -3 -1 1 3 5
X
f
(
x
)
=+1,14 =-1,14 =0
Para a distribuio
exponencial, o coeficiente de
assimetria independente do
parmetro e igual a 2.
13/06/2013
17
33
1. Motivao para o uso de Modelos Probabilsticos

Modelos de distribuio de probabilidades: capazes de sintetizar o comportamento
das variveis aleatrias hidrolgicas.

uma forma matemtica abstrata, a qual, por suas caractersticas intrnsecas de
variabilidade e conformao, podem ser capazes de representar, de modo conciso, as
variaes contidas em uma amostra de observaes de uma varivel aleatria.

tambm uma forma paramtrica, ou seja, um modelo matemtico prescrito por
parmetros, cujos valores numricos o definem completamente e o particularizam para
uma certa amostra de observaes de uma varivel aleatria. Uma vez estimados os
valores numricos de seus parmetros, um modelo de distribuio de probabilidades
pode constituir-se em uma sntese plausvel do comportamento de uma varivel
aleatria e ser empregado para interpolar, ou extrapolar, probabilidades e/ou quantis
no contidos na amostra de observaes.

Podem ser discretos e contnuos. Uma funo de distribuio discreta aquela
empregada para modelar o comportamento de uma varivel aleatria cujo espao
amostral do tipo numervel, composto por valores isolados, em geral, nmeros
inteiros.
34
2. Processos de Bernoulli
Jakob Bernoulli (1654-1705)
Experimento: apenas dois resultados possveis
e dicotmicos: sucesso (S) e falha( F).
Espao amostral: conjunto {S,F}.
Probabilidade de ocorrer um sucesso p.
VAD X;
Valores possveis: X=1 para S e X=0 para F.
X segue uma distribuio de Bernoulli. (irmo do matemtico Johan e
A funo massa de probabilidades dada por tio do hidrulico Daniel)


com E[X]=p e Var[X]=p(1-p).


( ) ( ) 1 0 e 0,1 para , 1
1
s s = =

p x p p x p
x
x
X
13/06/2013
18
35
Extenso: escala de tempo de um processo estocstico discretizada em intervalos de
largura definida, por exemplo, em intervalos anuais, indexados por i=1, 2, ...
Em cada intervalo, pode ocorrer um nico sucesso , com probabilidade p, ou
uma nica falha , com probabilidade (1-p), e elas no so afetadas pelas
ocorrncias anteriores. Esta repetio de eventos tambm um processo de Bernoulli.










{ }
0
: S Q Q
max
i
>
{ }
0
: F Q Q
max
i
s
Q
0

ndice do Ano i N
Q
0

1 2
sucesso
falha
. . . .

k

36
repetio de processos independentes de Bernoulli: 3 tipos de VADs Y
a varivel dita binomial, quando Y refere-se ao nmero de sucessos em N
repeties independentes;
a varivel geomtrica, quando Y refere-se ao nmero de repeties
independentes necessrias para que um nico sucesso ocorra; e
a varivel binomial negativa, quando Y o nmero de repeties
independentes para que um certo nmero r de sucessos ocorram.



13/06/2013
19
37
2.2 Distribuio Geomtrica

A varivel geomtrica Y est associada ao nmero de experimentos (ou tentativas)
necessrios para que um nico sucesso ocorra. Funes:









Valor Esperado:

Nesta equao, com 0<p<1, converge para . Substituindo, .





( ) ( ) 1 0 e 3 2 1 1
1
< < = =

p ... , , , y , p p y p
y
Y
( ) ( ) ... , , , y , p p y P
y
i
i
Y
3 2 1 1
0
1

= =
Funo Massa
Geomtrica - p=0,3
0
0, 1
0, 2
0, 3
0, 4
0, 5
0, 6
0, 7
0 2 4 6 8 10
y
P
(
Y
=
y
)
Funo Massa
Geomtrica - p=0,5
0
0, 1
0, 2
0, 3
0, 4
0, 5
0, 6
0, 7
0 2 4 6 8 10
y
P
(
Y
=
y
)
Funo Massa
Geomtrica - p=0,7
0
0, 1
0, 2
0, 3
0, 4
0, 5
0, 6
0, 7
0 2 4 6 8 10
y
P
(
Y
=
y
)
| | ( ) ( )
( )
( )
( )
( )

=

= = =
1 1 1
1
1
1
1
1
1
1
1 1
y y
y y
y
y
y
y
p
p d
d
p p
p d
d
p p y p p p y Y E
( )

=

1
1
y
y
p
|
|
.
|

\
|

p
p 1
| |
p
Y E
1
=
38

Igualmente, e .

Tempo de Retorno
VAD =tempo de recorrncia

1
=3 anos para

2
=2 anos .... at
k
=5 anos
Se, por exemplo, N=50 anos e 5
sucessos ocorreram, =10 anos, ou
que, em mdia, a vazo Q
0
superada
uma vez a cada 10 anos. A VAD
uma VA geomtrica e, portanto,
= Tempo de Retorno

T uma medida de tendncia central dos tempos cronolgicos (recorrncias) e o
tempo mdio necessrio (em anos) para que o evento recorra, em um ano qualquer,
e igual ao inverso da probabilidade de que tal evento de referncia ocorra.


| |
2
1
Var
p
p
Y

=
p
p

=
1
2

Q0
ndice do Ano
max
I
Q
i N
max
Q
Q0
1 2
sucesso
falha
. . . .
1
2
k
{ }
0 4
: S Q Q
max
i
>
=
t
| |
p
E T
1
= t =
13/06/2013
20
39
Tempo de Retorno:






Exemplo 3: Considere a FDP da figura. Determine (a) o tempo de retorno da vazo
X=300 m/s e (b) a vazo de tempo de retorno T=50 anos.








P(X>xT)=1-FX(xT)

fX(x)
y
z
0 100 300 400 x
40
Tempo de Retorno:





Exemplo 3: Considere a FDP da figura. Determine (a) o tempo de retorno da vazo X=300
m3/s e (b) a vazo de tempo de retorno T=50 anos.






b) A vazo de tempo de retorno T=50 anos est entre 300 e 400 m/s, com ordenada na FDP
igual a w. A primeira equao a ser escrita (400-X
50
).w/2=1/50. A segunda equao decorre
da semelhana entre tringulos, ou seja, [(400-300)/z]=[(400-X
50
)/w]. Sabendo-se que z=1/600
e combinando as duas equaes, resulta: X
50
2
-800X
50
+157000=0. Uma das razes dessa
equao maior do que 400 m/s e, portanto, est fora do domnio de definio de X. A outra,
resposta do problema, X
50
=351 m/s.


P(X>xT)=1-FX(xT)

fX(x)
y
z
0 100 300 400 x
Soluo:
(a)A varivel X, nesse caso, refere-se a vazes mximas
anuais e, portanto, o tempo de retorno igual ao inverso da
probabilidade de superao. Exemplo anterior:
P(X>300)=0,083. Logo, o tempo de retorno de X=300 m3/s
T=1/0,083=12,05 anos.

13/06/2013
21
41
Risco Hidrolgico: Dado um quantil de referncia X
T
, de tempo de retorno T, o risco
hidrolgico definido como a probabilidade de que X
T
seja igualado ou superado pelo
menos uma vez, em um perodo de N anos. Em geral, o quantil de referncia X
T
a
cheia de projeto da estrutura hidrulica e N (anos) corresponde sua vida til.














N
T
R |
.
|

\
|
=
1
1 1
Tempo de Retorno da Cheia de Projeto x Vida til
1
10
100
1000
10000
1 10 100 1000
Vida til da Estrutura Hidrulica (anos)
T
e
m
p
o

d
e

R
e
t
o
r
n
o

d
a

C
h
e
i
a

d
e

P
r
o
j
e
t
o

(
a
n
o
s
)
R=5% R=10% R=20% R=25% R=50%
Aplicao: Se R previamente fixado,
em funo da importncia e das
dimenses da estrutura hidrulica, e/ou
das conseqncias de seu eventual
colapso para as populaes ribeirinhas,
pode-se empregar a equao para
determinar para qual tempo de retorno
deve ser calculada a cheia de projeto de
uma estrutura cuja vida til de de N
anos.
42








Extenso do conceito de Tempo de Retorno para Vazes Mnimas:




Exerccio Proposto: A figura mostra o esquema de desvio de um rio
durante a construo de uma barragem. Duas ensecadeiras A e B
garantem que o canteiro de obras esteja a seco durante o perodo de
construo, enquanto o rio desviado de seu curso natural por meio
de um tnel T, escavado em rocha, pela margem fluvial direita.
Suponha que o perodo de construo de 5 anos e que a empresa
projetista tenha fixado o risco de 10% para que o canteiro de obras
seja inundado pelo menos uma vez nesse perodo. Com base nesses
elementos, determine para qual perodo de retorno deve ser calculada
a cheia de projeto a ser escoada pelo tnel.
13/06/2013
22
EEUFMG PPG SMARH
Hidrologia Estatstica


Variveis Aleatrias Contnuas:
Distribuies e Aplicaes



44
VARIVEIS ALEATRIAS CONTNUAS: DISTRIBUIES E APLICAES 1/2


Seqncia:

1. Motivao para os Modelos Probabilsticos
2. Distribuio Normal
3. Distribuio Log-Normal
4. Distribuio Exponencial
5. Distribuio Gumbel Mximos
6. Distribuio Gumbel Mnimos
13/06/2013
23
45
1. Motivao para o uso de Modelos Probabilsticos

Modelos de distribuio de probabilidades: capazes de sintetizar o comportamento
das variveis aleatrias hidrolgicas.

uma forma matemtica abstrata, a qual, por suas caractersticas intrnsecas de
variabilidade e conformao, podem ser capazes de representar, de modo conciso, as
variaes contidas em uma amostra de observaes de uma varivel aleatria.

tambm uma forma paramtrica, ou seja, um modelo matemtico prescrito por
parmetros, cujos valores numricos o definem completamente e o particularizam para
uma certa amostra de observaes de uma varivel aleatria. Uma vez estimados os
valores numricos de seus parmetros, um modelo de distribuio de probabilidades
pode constituir-se em uma sntese plausvel do comportamento de uma varivel
aleatria e ser empregado para interpolar, ou extrapolar, probabilidades e/ou quantis
no contidos na amostra de observaes.

Uma funo de distribuio contnua aquela empregada para modelar o
comportamento de uma varivel aleatria cujo espao amostral do tipo no-
numervel, composto por nmeros reais.
46

3. Distribuio Normal (ou de Gauss ou de De Moivre-Gauss)

Usada para descrever o comportamento de
uma VAC que flutua simetricamente em
torno de um valor central. Em decorrncia
do TLC, apropriada modelao de uma
VAC que resulta da soma de um grande n
mero de outras VACs independentes. Tam
bm est presente na formulao terica da
construo de ICs, testes de hipteses e
na teoria de regresso e correlao.

Johan Karl Friedrich Gauss (1777-1855)
( ) < <
(
(

|
|
.
|

\
|
u
u

tu
= x
x
exp x f
X
para
2
1
2
1
2
2
1
2
2
( )
}

(
(

|
|
.
|

\
|
u
u

tu
=
x
X
dx
x
exp x F
2
1
2
1
2
2
1
2
2
13/06/2013
24
47









Momentos:
Distribuio Normal -
1
=8 e
2
=1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
4 6 8 10 12
x
F
(
x
)

e

f
(
x
)
| |
1
u = = X E
| |
2
2
2
Var u = o = X
0 =
=3
48
Porque
1
= e
2
=, pode-se expressar a FDP Normal como

e que X~N(,).












( ) < < (

|
.
|

\
|
o

o t
= x
x
exp x f
X
para
2
1
2
1
2
Funo Densidade Normal - Efeito do Parmetro
de Posio
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
-4 -2 0 2 4 6
x
f
(
x
)
=0, =1 =1, =1 =2, =1
Funo Densidade Normal - Efeito do Parmetro de Escala
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
-4 -2 0 2 4 6
x
f
(
x
)
=0, =1 =0, =1,5 =0, =2
13/06/2013
25
49
Propriedade Reprodutiva: se X~N(
X
,
X
), a VAC Y=aX+b tambm
Normal com e . Extenso a n VAs
normais e independentes: se , ento Y~N(
Y
,
Y
),
com e . Exemplo 3.18 (livro): se Y
a mdia aritmtica de uma AAS de X
i
~ N(
X
,
X
), Y~N .
A FAP Normal no tem integrao analtica. Soluo 1: integrao
numrica para cada par de valores (
X
,
X
). Soluo 2: pela prop.
reprodutiva, se , ento Z~N . A
integrao numrica de F
Z
(z) fornece a Dist. Normal Padro (z).


b a
X Y
+ =
X Y
ao = o

=
+ =
n
i
i i
b X a Y
1

=
+ =
n
i
i i Y
b a
1

=
=
n
i
i i Y
a
1
2 2
o o
( )
n ,
X X
o
o

=
X
Z ( ) 1 0 = o =
Z Z
,
50






























(existem excelentes aproximaes de (z) por meio de polinmios ver livro pg.136-137)

Para calcular P(Xx), para X~N(X,X), calcula-se z=(x-X)/X e P(Xx)= .
Para calcular x(P), veja na tabela o valor de z para P= e x=X+zX.

Fatos: 68,26% da rea entre 1. 95,44% entre 2. 99,74% entre 3.
Concluso: se
X
>3
X
, a Normal pode ser usada para modelar VAs hidrolgicas no-
negativas porque a chance de se obter um valor de X negativo quase desprezvel.


( ) ( ) z e z z F
z z
Z
d
2
1
2
2
}

t
= u =
-4 -3 -2 -1 0 1 2 3 4 z
0,4

0,3

0,2

0,1
f
Z
(z)


z
(z)
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5606 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8585 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621

( ) z u
( ) z u
13/06/2013
26
51
Exemplo 2: Suponha que as vazes naturais mdias anuais Q de um afluente do rio Amazonas sejam
normalmente distribudas com mdia de 10.000 m3/s e desvio padro de 5000 m3/s. Calcule (a) P(Q<5000) e
(b) a vazo mdia anual de tempo de retorno T=50 anos.
Soluo: (a) A probabilidade P(Q<5000) pode ser igualada a P{z<[(5000-10000)/5000]}, ou seja a .
Como a Tabela 5.1 fornece apenas para valores positivos de z, deve-se usar a seguinte propriedade de simetria
da distribuio Normal: =1-=1-0,8413=0,1587. (b) A definio de tempo de retorno pode ser aqui
empregada, de modo idntico ao usado para valores mximos anuais, ou seja, T=1/P(Q>q). Como T=50 anos,
P(Q>q)=1/50=0,02 e, portanto, =1-0,02=0,98. Na Tabela 5.1, esse valor corresponde a z=2,054. Logo, a vazo q
de T=50 anos corresponde ao quantil q=10000+2,0545000=20269 m3/s.

( ) 1 u
( ) 1 u
52
4. Distribuio Log-Normal (ou de Galton ou de Gibrat-Galton)
Suponha que , ento, se n, Y=lnX, ou seja,
Y=ln(X
1
)+ln(X
2
)+...+ln(X
n
) N(
Y
,
Y
), devido ao TCL. Nesse
caso, diz-se que X uma VAC Log-Normal ou X~LN(
Y
,
Y
).
Como Y~N (
Y
,
Y
) e , ento


Francis Galton (1822-1911)
Momentos:





n
X ... X . X X
2 1
=
( ) | |
| |
dx
X d
X f x f
Y X
ln
ln =
( )
( )
( )
( )
( )
0 para
ln
2
1
exp
2
1
2
ln
ln
ln
>

(
(

= x
X
x f
X
X
X
X
o

t o
Funo Densidade Log-Normal
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0 2 4 6 8
x
f
(
x
)
(Y)=0, (Y)=2 (Y)=0, (Y)=1
(Y)=1, (Y)=1 (Y)=1, (Y)=2
| |
( )
( )
(

o
+ = =
2
2
ln
ln
X
X X
exp X E
| |
( )
( ) | |
1 Var
2
X ln
2 2
o = o = exp X
X X
( )
| | 1
2
ln
o =
X X
exp CV ( )
3
3
X X
CV CV + =
13/06/2013
27
53
Exemplo 3 - Suponha que, a partir dos registros pluviomtricos de uma certa localidade, plausvel a
hiptese de que as alturas de precipitao do trimestre mais chuvoso so distribudas segundo o modelo Log-
Normal. A mdia e o desvio padro das alturas pluviomtricas trimestrais so respectivamente 600 e 150
mm. Calcule (a) a probabilidade da altura pluviomtrica do trimestre mais chuvoso de um ano qualquer ficar
compreendida entre 400 e 700 mm; (b) a probabilidade da altura pluviomtrica do trimestre mais chuvoso de
um ano qualquer ser pelo menos igual a 300 mm; e (c) a mediana das alturas pluviomtricas. Soluo:
a) Denotemos a varivel em questo por X. O coeficiente de variao de X CV=150/600=0,25. Com esse
valor na equao , obtm-se . Com esse resultado e com
X
=600 na
equao de E[X], tem-se
ln(X)=
6,366617. Portanto, X~LN( ). A probabilidade
pedida


(b) P(X>300)=1-P(X<300)=

(c) Uma vez que Y=ln(X) tem como padro de variao a distribuio Normal, ou seja, uma distribuio
simtrica com a coincidncia das medidas centrais em um nico ponto, a mediana de Y igual mdia de Y,
ou seja y
md
=6,366617. H que se notar, entretanto, que, como a mediana de qualquer populao (ou amostra)
corresponde ao ponto intermedirio que a divide em 50% de valores acima e abaixo, a transformao
logartmica no ir alterar a posio relativa (ou de classificao) da mediana. Da decorre que a mediana de
ln(X) igual ao logaritmo neperiano da mediana de X, ou seja y
md
=ln(x
md
) e, inversamente, x
md
=exp(y
md
);
observe que isso no vlido para a mdia ou para outras esperanas matemticas. Portanto, a mediana das
alturas pluviomtricas trimestrais x
md
=exp(y
md
)=exp(6,366617)=582,086.
( )
| | 1
2
ln
o =
X X
exp CV 246221 0,
) X ln(
= o
( ) ( )
246221 0 6,366617,
ln ln
,
X X
= o =
( ) ( ) ( ) 7093 0 5236 1 7492 0
246221 0
366617 6 400
246221 0
366617 6 700
700 400 , , ,
,
, ln
,
, ln
X = u u =
|
|
.
|

\
|

u
|
|
.
|

\
|

u = < < P
( ) 9965 0 69203 2 1
246221 0
366617 6 300
1 , ,
,
, ln
= u =
|
|
.
|

\
|

u
54

Discusso e aplicaes em hidrologia: A distribuio Log-Normal justifica-se pela
extenso dos princpios do TLC a uma varivel que resulta da ao multiplicativa de
componentes aleatrios independentes. Algumas evidncias empricas: certos fenmenos
hidrolgicos, e suas variveis, podem resultar da multiplicao de diversos fatores
aleatrios [e.g.: difuso]. Porm, controvertido preconizar o uso preferencial da
distribuio log-normal, somente com base em tais argumentos. A controvrsia decorre
da impossibilidade de enunciar tais fatores e compreender, com preciso, sua ao
multiplicativa. Alm disso, para justificar a aplicao preferencial da distribuio log-
normal a variveis hidrolgicas, tais como vazes de cheia ou de estiagem, existe ainda a
necessidade da verificao, quase sempre muito complexa, das condies de
independncia e de convergncia, inerentes ao TLC.
Por outro lado, o fato de que os argumentos para justificar o seu uso preferencial no so
definitivos, no implica que a distribuio log-normal no seja uma forma paramtrica
adequada modelao de variveis hidrolgicas. Ao contrrio, o fato da varivel log-
normal ser positiva, aliada sua caracterstica de ter como coeficiente de assimetria um
valor no fixo e sempre maior do que zero, fazem da distribuio log-normal uma
forma paramtrica que pode se adequar muito bem modelao de vazes e alturas de
chuva mximas (ou mdias) mensais, trimestrais ou anuais.
13/06/2013
28
55
5. Distribuio Exponencial

Distribuio empregada para modelar (i) tempo contnuo entre duas ocorrncias
sucessivas de um processo de Poisson; (ii) tempo de falha (ou de vida til) de
componentes de um sistema eletrnico; e (iii) magnitudes das excedncias {X-X
0
}das
ocorrncias de Poisson acima (ou abaixo) de um limiar (threshold) X
0
[em hidrologia,
SDP; em ingls, POT (peaks over threshold) ou PUT (pits under threshold).

FDP:


FAP:

Momentos:





( ) ( ) ( ) 0 para , ou
1
> = |
.
|

\
|
u

u
= x x exp x f
x
exp x f
X X
( ) ( ) ( ) x exp x F
x
exp x F
X X
=
|
.
|

\
|
u
= 1 ou 1
Distribuio Exponencial - =2
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 2 4 6 8 10
x
f
(
x
)
, F
(
x
)
| | | |

= u =
1
ou X E X E
| | | |
2
2
1
Var ou Var

= u = X X
2 =
56
6 Distribuio Gumbel Max (EV1, Fisher-Tippet 1 ou Dupla Exponencial)
FAP

FDP Hidrologia: Curvas IDF, Q Cheias

Quantis
Momentos




Cheia Mdia: T=2,33 anos (T. Dalrymple)

( ) 0 para > o < | < < <
(

|
.
|

\
|
o
|
= , , y
y
exp exp y F
Y
( )
(

|
.
|

\
|
o
|

o
|

o
=
y
exp
y
exp y f
Y
1
( ) ( ) | | ( )
(

|
.
|

\
|
o | = o | =
T
ln ln T y F ln ln F y
1
1 ou
| | o + | = 5772 0, Y E
| |
6
Var
2 2
2
o t
= o =
Y
Y
1396 1, =
Funo Densidade Gumbel (Mximos)
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
-5 0 5 10 15 20 25 30
y
f
(
y
)
=2, =4 =4, =4 =2, =2
13/06/2013
29
57
Exemplo 2 - Denote por X a varivel aleatria vazes mdias dirias mximas anuais; suponha
que, em um certo local, E[X]=500 m3/s e E[X
2
]=297025 (m
3
/s)
2
. Utilize o modelo de Gumbel para
calcular (a) a vazo mdia diria mxima anual de tempo de retorno 100 anos.



(a) Lembrando que Var[X]=E[X
2
]-(E[X] )
2
, resulta que Var[X]=47025 (m
3
/s)
2
. Resolvendo o
sistema formado pelas equaes


obtm-se =169,08 m
3
/s e =402,41 m
3
/s. Com esses valores numricos dos parmetros na equao
de quantis, a vazo mdia diria mxima anual de tempo de retorno 100 anos x(100)=1180 m
3
/s.

| | o + | = 5772 0, Y E
| |
6
Var
2 2
2
o t
= o =
Y
Y
58
7 Distribuio Gumbel para Mnimos (EV1 min)

FAP:

FDP:

Quantis:

Momentos:



( ) 0 para 1 > o < | < < <
(

|
.
|

\
|
o
|
= , , z
z
exp exp z F
Z
( )
(

|
.
|

\
|
o
|

o
|
o
=
z
exp
z
exp z f
Z
1
( ) ( ) | | ( )
(

|
.
|

\
|
o + | = o + | =
T
ln ln T y F ln ln F z
1
1 ou 1
Funo Densidade Gumbel (Mnimos)
0
0,02
0,04
0,06
0,08
0,1
0,12
0,14
0,16
0,18
0,2
-20 -15 -10 -5 0 5 10 15
z
f
(
z
)
=2, =4 =4, =4 =2, =2
| | o | = 5772 0, Z E
| |
6
Var
2 2
2
o t
= o =
Z
Z
1396 1, =
13/06/2013
30
59
Exemplo 4 - Alguns estados brasileiros adotam como vazo de referncia, para a outorga de
direito de uso da gua, a vazo mdia mnima anual de 7 dias de durao e de tempo de retorno 10
anos, geralmente representada por Q
7,10
; para um dado ano de registros fluviomtricos, o valor Q
7
anual corresponde menor mdia de sete vazes consecutivas ocorridas naquele perodo.
Suponha que as Q
7
anuais sejam denotadas pela varivel aleatria Z e que, em um dado local,
E[Z]=28,475 m3/s e [Z]=7,5956 m3/s. Calcule a vazo Q
7,10
pelo modelo de Gumbel (mnimos).
Soluo:
As solues simultneas do sistema formado pelas equaes dos dois primeiros momentos
resultam em =5,9223 e =31,8933. Com esses valores e T=10 anos na equao de quantis,
conclui-se que a Q
7,10
pelo modelo de Gumbel (mnimos) z(T=10)=18,6 m3/s.


EEUFMG
Hidrologia Estatstica


Anlise Local de Freqncia de VAs Hidrolgicas


13/06/2013
31
61
1.Introduo

Anlise de freqncia de VAs hidrolgicas: relacionar a magnitude dos eventos
(Q
T
) freqncia com que eles so igualados ou superados [P(Q>Q
T
) ou T], por
meio de uma distribuio de probabilidades emprica ou paramtrica (terica).








Local: uma nica srie (fluviomtrica, pluviomtrica ou
Classificao da AF climatolgica) usada para a AF.
(extenso geogrfica) Regional: informaes de vrios postos de uma regio
homognea so agrupados para a AF regional.
Usos da anlise de freqncia :
projetos de vertedores de barragens,
pontes, bueiros e outras estruturas.
estimativas de valores caractersticos para
o planejamento de RH, como a Q
7,10
.
cotejar custorisco para tomada de
decises em projetos de engenharia.
62
de Sries de Valores Mximos (Mnimos) Anuais
Classificao da AF
(valores da srie) de Sries de Durao Parcial ou POT (PUT)

















Out/77 Set/78 Out/78 Set/79
Q
m
3
/
s
Dia
POT
PUT
Q
0
Q
0

Srie de Mximos Anuais Srie de Durao Parcial
Srie Total
Ano Hidrolgico i Ano Hidrolgico i+1
13/06/2013
32
63
Emprica: uso de grficos de probabilidade
Classificao da AF
( probabilidade e estatstica) Analtica: distribuio de probabilidade+parmetros+quantis

Requisito fundamental: A amostra deve ter elementos independentes entre si (valores
mximos e mdiosano hidrolgico; valores mnimosano civil), consistentes
(isentos de erros de observao), representativos, homogneos e estacionrios.

Etapas da Anlise Local de Freqncia de VAs Hidrolgicas:
Optar pela utilizao de sries anuais ou sries de durao parcial.
Avaliar os dados das sries, quanto aos atributos de consistncia, homogeneidade, independncia e
representatividade.
Propor uma ou algumas distribuies tericas de probabilidade, com a estimativa de seus
parmetros, quantis e intervalos de confiana, seguida de verificao de aderncia distribuio
emprica.
Realizar a identificao e tratamento de pontos atpicos, com eventual repetio de algumas etapas
precedentes.
Selecionar o modelo distributivo mais apropriado.
64
2. Anlise de Frequncia com o Fator de Frequncia

2.1 AF Local com uso do Fator de Freqncia
onde depende da distribuio de X, de T e de N, podendo ser expresso por
onde k
T
denominado FATOR DE FREQNCIA (Chow, 1964). Com as
estimativas amostrais, tem-se a frmula geral .

Distribuio Normal: k
T
=Z
(1-1/T)
onde Z a varivel Normal padro

Distribuio Log-Normal: com k
T
=Z
(1-1/T)


Distribuio Log-Pearson III: e k
T
dado pela eq. de Wilson-Hilferty


na qual
Y
representa o coeficiente de assimetria de Y=ln(X) e Z a varivel Normal padro.


X X
X
A + =
X A
X T
k X o = A
X T T
s k x x + =
( )
T x ln x ln T
k . S x exp x + =
( )
T x ln x ln T
k . S x exp x + =
( ) ( ) ( )
5 4 3
2
2
3 2
6 3
1
6 6
1
6
6
3
1
6
1 |
.
|

\
|
+ |
.
|

\
|
+ |
.
|

\
|
|
.
|

\
|
+ + ~
Y Y Y Y Y
T
. Z . Z . Z . Z . Z Z k

13/06/2013
33
65
Distribuio Gumbel (Max):
N=tamanho da AAS


Onde,




Se N,


( )
i
i
Y
Y T
T
Y
N k
o

=
( )
|
|
.
|

\
|
|
.
|

\
|
+
=
1
1 ln ln
N
i
N Y
i
(

|
|
.
|

\
|
|
.
|

\
|
+ =
T
ln ln .
,
, k
T
1
1
283 1
1
45 0
)
`

=
T
ln ln Y
T
1
1
66
Exemplo 2 - Calcular o fator de freqncia da distribuio Gumbel, referente ao tempo de retorno de 50 anos
para uma amostra de 10 elementos.
Soluo:














Com as estimativas de
Y
= 0,4952 e o
Y
= 1,9496, o fator de freqncia pode ser calculado por

Importante: ver Ex. 8.5 pg. 325

( )
|
|
.
|

\
|
|
.
|

\
|
+
=
1
1
n
i
ln ln n Y
i
i
1 + n
i
( ) n Y
i
I
1 + n
i
( ) n Y
i

1 0,090909 2,350619 8 0,727273 -0,26181
2 0,181818 1,60609 9 0,818182 -0,53342
3 0,272727 1,144278 10 0,909091 -0,87459
4 0,363636 0,794106

i
Y

0,4952
5 0,454545 0,500651

i
Y
o
0,9496
6 0,545455 0,237677
7 0,636364 -0,01153

9019 3
50
1
1
1
1 , ln ln
T
ln ln Y
T
=
)
`

=
)
`

=
( ) 5874 3
9496 0
4952 0 9019 3
10
50
50
,
,
, , Y
k
Y
Y
=

=
o