Académique Documents
Professionnel Documents
Culture Documents
RESUMO
A distribuio de probabilidade generalizada de valores extremos (GEV), tem facilitado muitas aplicaes em hidrolo-
gia, utilizada na modelao de eventos extremos naturais. Estudos sobre o assunto mostram que estimadores de mxima
verossimilhana dos parmetros da GEV so instveis em pequenas amostras, podendo fornecer valores absurdos do
parmetro de forma, quando ento so recomendados estimadores de momentos LH, baseados na combinao linear de
estatsticas de altas ordens, introduzidas para caracterizar a parte mais alta da distribuio e os valores extremos dos
dados; contudo, no se dispe de programas computacionais para PC, que modelem eventos extremos via momentos
LH. Objetivou-se, com este trabalho, apresentar a modelao de eventos hidrolgicos extremos atravs da distribuio
GEV, utilizando-se momentos LH para estimar seus parmetros e o teste estatstico proposto por Wang (1998) para veri-
ficao da qualidade dos ajustes desenvolvidos no ambiente Matlab. Como resultados, so apresentados as estimativas
dos parmetros da GEV, os valores das taxas de momentos LH: coeficientes de variao, assimetria e curtose, e os valo-
res do teste de qualidade de ajuste, em aplicaes com dados de vazo de rios do Paran.
1 Centro de Cincias Exatas e Tecnolgicas/UNIOESTE. Rua Universitria 2069, Jardim Universitrio, CEP 85819-110, Cascavel, PR. Fone: (45)3220-3262.
E-mail: mfqueiroz@unioeste.br.
2 Departamento de Hidrulica e Saneamento/EESC/USP. CP 359, CEP 13565-905, So Carlos, SP. Fone (16)3274-9266, Fax (16)3274- 9212. E-mail: fazal@sc.usp.br
382 Manoel M. F. de Queiroz & Fazal H. Chaudhry
INTRODUO sendo
< x < + , k = 0 distribuio VEI (Distribuio Gumbel)
A distribuio de probabilidade generalizada de valores , k < 0 distribuio VEII
extremos (GEV), introduzida por Jenkinson (1955), que com- , k > 0 distribuio VEIII
bina os trs possveis tipos de distribuio de valores extre- onde u um parmetro de posicionamento com ,
mos em uma nica forma, vem sendo utilizada para repre- um parmetro de escala com e k um par-
sentar a distribuio de valores extremos em diferentes metro de forma com ; desta forma, quando k >
campos, principalmente em anlise de freqncia de cheias, 0, o limite superior da distribuio assinttica VEIII se tor-
com considervel aceitao para descrever fluxo mximo de na = u + /k e, quando k < 0, o limite inferior da distri-
cheias anuais. Na prtica, a distribuio GEV usada para buio assinttica VEII se torna = u + /k.
modelar uma extensa variedade de extremos naturais, como O p-simo quantil da distribuio GEV dado pela se-
cheias, chuvas, velocidade do vento, temperaturas e outros guinte relao, decorrente da Eq. 1:
extremos (Martins & Stedinger, 2000; Queiroz, 2002).
Procedimentos computacionais para estimao dos par-
metros da GEV, utilizando-se estimadores de mxima veros-
xp = u +
k
[ ]
1 ( ln(p ))k , 0 < p < 1 (2)
similhana, foram propostos por Otten & van Montfort
(1980), Prescott & Walden (1980) e Hosking (1985), porm Combinando a distribuio de Gumbel com a sua vari-
esses estimadores so muito instveis quando aplicados em vel reduzida (z): z = (xu)/, obtm-se F(x) = exp[-exp(-z)]
pequenas amostras (Hosking et al., 1985) e podem gerar que resulta em:
valores absurdos do parmetro de forma (k) da GEV (Mar-
tins & Stedinger, 2000). z = ln[ ln (F( x ) )] (3)
Recomendam-se estimadores de momentos LH, uma ge-
neralizao de momentos de combinaes lineares de esta- A varivel reduzida de Gumbel tambm se relaciona com
tsticas de ordens momentos L (Hosking, 1990), baseados o perodo de retorno (T), T=1/F(x); logo, a Eq. 3 pode ser
na combinao linear de estatsticas de altas ordens, intro- usada para definir z com respeito s distribuies VEI, VEII
duzidas para caracterizar, tambm, a parte mais alta da dis- e VEIII; assim, em um grfico x versus z, define-se o com-
tribuio e os valores extremos dos dados, atravs das ordens portamento das trs formas de distribuio de valores extre-
LH mais altas, com vistas estimao de eventos com gran- mos, com relao posio de plotagem de x, como mostra
des perodos de retorno (Wang, 1997). A ordem LH igual a a Figura 1.
zero similar a momentos L; assim, a utilizao de momen-
tos LH possibilita o ajuste da distribuio GEV aos dados 6000
amostrais, desde a sua forma descritiva feita por momentos
L at a caracterizao dos valores mais altos, para uma an- 5000
lise preditiva. Desta forma, e se considerando a performan- VEII - k < 0
VEI - k = 0
ce e versatilidade do Matlab, desenvolveu-se um algoritmo
4000 VEIII - k > 0
que realiza o ajuste da distribuio GEV a dados amostrais
Cheia Anual
1000
MATERIAL E MTODOS
0
-1 0 1 2 3 4 5 6 7
Distribuio GEV
A funo de distribuio generalizada de valores extre- Varivel Reduzida de Gumbel
mos GEV, que engloba as trs formas assintticas de dis- Figura 1. Distribuio das trs formas de valores extremos representados
tribuio de valores extremos conhecidas como valor ex- pela GEV
tremo do tipo I (VEI), valor extremo do tipo II (VEII) e
valor extremo do tipo III (VEIII) (Fisher & Tippett, 1928;
Gumbel, 1958), definida, segundo Jenkinson (1955), como Momentos LH
segue: Seja X1, X2,....,Xn uma amostra aleatria de uma popula-
o com funo densidade de probabilidade f(x) e funo dis-
1 tribuio F(x), e x1:n x 2:n L x n:n as estatsticas de ordem
x u k
F(x ) = P(X x ) = exp 1 k (1) obtidos da amostra acima, o valor esperado do i-simo menor
valor da varivel dado atravs da seguinte expresso
(Hosking, 1990).
1
n!
E[X i:n ] = x[F(x )] [1 F(x )] dF(x )
Estimativas dos parmetros da distribuio GEV
(n i)!(i 1)! 0
i 1 n i
(4)
Dada uma amostra, os trs parmetros k, e u da distri-
buio GEV podem ser estimados considerando-se a estima-
Dada uma amostra de tamanho n, retirada de uma dis- tiva dos momentos LH amostrais, atravs das Eqs. 10, 11,
tribuio F(x) = P(X x) e com base na combinao linear 12 e 13, para um valor selecionado de e 0, como se-
das mais elevadas estatsticas de ordem e na Eq. 4, os mo- gue (Wang, 1997):
mentos LH so definidos como:
[
1 = E X (+1)(: +1) ] (5)
[
1 = u + 1 (1+ k)(+1)
k
] (14)
[
2 = 12 E X (+ 2 ):(+ 2 ) X (+1)(: + 2 ) ] (6) 2 =
(+ 2)(1+ ) [(+ 2) +(+1) ] (15)
2!
= E [X ( )( ) 2 X ( )( ) + X ( )( ) ]
3
1
3 + 3 : + 3 + 2 : + 3 +1 : +3 (7) (+3)(1+ ) [(+ 4)(+3) + 2(+3)(+ 2) )((+ 2)(+1) ] (16)
3 =
4 = 14 E[X (+ 4 )(: + 4 ) 3X (+3)(: + 4 ) + 3X (+ 2 )(: + 4 ) X (+1)(: + 4 ) ]
3!
(8)
4 =
( + 4)(1+ ) [ (+ 6)( + 5)(+ 4) + 3( + 5)(+ 4)(+ 3) )
em que , maior valor esperado na amostra de tamanho + 1, 4! (17)
corresponde a uma medida de posicionamento da distribuio; (3(+ 4)(+ 3)(+ 2)
+ ( + 3)(+ 2)(+1)
]
, metade da diferena entre os maior e segundo maior valo-
assim, os parmetros u, e k da distribuio GEV podem
res esperados na amostra de tamanho + 2, caracteriza a ex-
ento ser estimados substituindo-se os trs primeiros momen-
panso da parte superior da distribuio; , reflete como est
tos LH nas Eqs.14, 15 e 16 pelos seus respectivos estimado-
a assimetria da parte superior da distribuio, atravs dos trs res amostrais nas Eqs.10, 11 e 12, para cada valor de h se-
maiores valores esperados na amostra de tamanho + 3 e lecionado (Wang, 1997).
prov uma medida da pontiagudez da parte superior da dis- Para facilitar o procedimento computacional, Wang (1997)
tribuio, atravs dos quatros maiores valores esperados na props uma equao aproximada para o clculo de k, toman-
amostra de tamanho + 4. do como base as Eqs. 15 e 16 e a Eq. 9 que definem , a
Quando = 0, momentos LH se tornam iguais aos mo- qual corresponde a , donde os
mentos L; quando aumenta, os momentos LH refletem mais
e mais as caractersticas da parte superior da distribuio e coeficientes 0, 2 e 3 variam em funo de (Tabela 1).
dos valores extremos mximos dos dados. Momentos LH so Uma vez obtido o valor de k, as Eqs. 15 e 14 fornecem, res-
chamados momentos L1, momentos L2, .... para = 1, 2, ... pectivamente e u.
respectivamente. Normalizando os momentos LH, obtm-se
o coeficiente de variao LH ( ), assimetria ( ) e curtose Tabela 1. Valores dos coeficientes 0, 2 e 3*
( ), respectivamente, como: 0 1 2 3
1 n i1
1 = n Cx(i) (10) Anlises de dados observados e dados obtidos via simu-
C+1 i=1
lao Monte Carlo, mostraram que momentos LH reduzem
as influncias indesejveis que os menores eventos amostrais
1 1 n i1
2 = n (
C+1i1C n1C1 .x(i)
2 C+2 i=1
) (11) podem exercer na estimao de eventos com grandes pero-
dos de retorno, comparado ao uso de momentos L (Wang,
1 1 n i1
3 = n (
i1 ni i1 ni
C+2 2 C+1 C1+ C C2 .x(i)
3 C+3 i=1
) (12)
1997; Queiroz, 2002).
Teste de qualidade de ajuste da distribuio GEV via normalmente distribuda com mdia 4 e com desvio pa-
momentos LH
dro, dado como segue (Wang, 1998):
A distribuio GEV pode ser ajustada para uma srie de
dados, igualando-se os seus trs primeiros momentos LH aos
( ) ( )[ ( )]
1
4 | 3 = 3 = 4 1 2 3 , 4 2 (20)
respectivos momentos LH amostrais, como j indicado
(Wang, 1997). A curtose LH da populao ( 4 ) uma fun-
Um teste de hiptese de que uma srie de dados vem da
o da assimetria LH populacional ( 3 ) , em que ambos de- distribuio ajustada, pode ser conduzido na base da estima-
pendem apenas do parmetro de forma k. Como o valor es- tiva amostral 4 atravs da comparao da seguinte estats-
timado da curtose LH amostral ( 4 ) no usado no ajuste tica (Wang, 1998):
da distribuio GEV, Wang (1998) considerou este parme- 4 4
ZW = (21)
tro para desenvolver a estatstica do teste de qualidade de
ajuste; deste modo e dado um particular estimador amostral
(
4 | 3 = 3 )
3 , precisa-se conhecer p ( 4 | 3 ) porm no to simples
com valores crticos de uma distribuio normal padro.
encontrar p ( 4 | 3 ) quando a mesma depende de 3 da po- O desvio padro em Eq. 21, ( 4 | 3 = 3 ) , funo de
3 e do tamanho da amostra e pode ser calculado com
pulao; contudo, dado 3 , possvel inferir 3 populacio-
( 4 ) e ( 3 , 4 ) atravs da Eq. 20, usando-se simulao Monte
nal, usando-se o teorema de Bayes, mostrado a seguir: Carlo. Para evitar o enorme esforo computacional envolvido
nas vrias fases do teste, Wang (1998) props a seguinte apro-
( ) ( )( )
p 3 | 3 p 3 | 3 p 3 (18) ximao:
( ) ( )( )
p 4 | 3 = P 4 | 3 , 3 P 3 | 3 d 3 (19) donde:
z(j)=abs(cc(j)-cct(j))/(sig(j))^0.5;
end A.
7000
%
6000
Ajustes de cheias anual e vazes mnima de 7 dias, obser-
bacia 64, da Bacia hidrogrfica do Paran, estado do Para- 3000 cheia observada
GEV - mLH 0
n, foram ajustadas atravs da distribuio GEV e momentos GEV - mLH 1
2000
LH, aplicando-se a rotina em matlab proposta. A anlise de GEV - mLH 2
aderncia foi feita utilizando-se os testes de Wang (1998) e 1000 GEV - mLH 3
de Kolmogorov-Smirnov, com 5% de significncia para os GEV - mLH 4
400
plotados em um grfico, juntamente com os dados observa- N = 44anos
dos de vazes (Figura 2). O melhor ajuste determinado a 300 vazo observada
GEV - mLH 0
partir do menor valor do teste de Wang exibido com os
valores de cheias em outro grfico (Figura 2); o mesmo pro- 200
cedimento pode ser aplicado para ajustar vazes mnimas.
Na Figura 2 apresenta-se, ainda, um grfico de vazes m- 100
nimas de sete dias, obtidos da mesma srie de vazes diria
observadas na estao fluviomtrica sob o cdigo 64685000, 0
localizada no Paran.
As Tabelas 4 e 5 apresentam os resultados dos ajustes da -100
-2 -1 0 1 2 3 4 5
distribuio GEV as 42 sries de cheia anual e de vazo m- Varivel Reduzida de Gumbel
nima de 7 dias estudadas, nas quais so mostrados os valo-
Figura 2. (A) Ajustes da distribuio GEV srie de cheia anual, aplicando-
res dos trs parmetros da GEV, das taxas de momentos e se os cinco nveis de momentos LH; (B) Melhor ajuste da distribuio GEV
dos testes de aderncias aplicados, com os respectivos valo- srie de cheia anual e (C) Melhor ajuste da distribuio GEV srie de
res tericos. vazo mnima de sete dias
Os ajustes da distribuio GEV aos dados de eventos hi- anuais e de vazes mnimas de sete dias observadas nas esta-
drolgicos extremos, referentes aos 5 nveis de combinaes es fluviomtricas consideradas, como forma de mostrar a
lineares (), dependendo do comportamento dos dados, po- utilidade desta ferramenta para avaliar a qualidade dos ajus-
dem resultar em valores de k > 0 ou k < 0 para os diferentes tes obtidos atravs da distribuio GEV e momentos LH, a qual
valores de h, definindo o tipo de valor extremo (VEI, VEII possibilitada com o uso do algoritmo proposto.
ou VEIII); na prtica, quando 0,04 < k < 0,04, o ajuste se Os testes de Wang e de Kolmogorov-Smirniv aplicados
aproxima consideravelmente da distribuio Gumbel; Para indicam que os ajustes da distribuio GEV s sries de
= 0, o ajuste de momentos LH corresponde aos momentos cheia anual e de vazo mnima, foram aceitos com 5% de
L que atribui o mesmo peso para os dados durante o proces- significncia, ocorrendo as trs formas de valores extremos.
so de ajuste; medida que o valor de aumenta, os valores O teste proposto por Wang (1998) mostrou-se eficiente como
amostrais mais altos recebem maiores ponderaes. teste de aderncia aplicado s sries de cheia anual, em que
Na Figura 3 so apresentados os diagramas de momentos os melhores ajustes ocorreram com os momentos LH, vari-
LH referentes ao ajuste da distribuio GEV s sries de cheias ando de 0 a 4; o mesmo no foi aplicado s sries de vazo
1.2
A. B.
1 GEV-LH0
GEV-LH0
GEV-LH4
GEV-LH4
0.8 cheia anual
vazo mnima
Curtose
0.6
0.4
0.2
-0.2
-0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2
Assimetria
Figura 3. A. Diagrama de momentos LH para as cheias anuais e B. Diagrama de momentos LH para as vazes mnimas de 7 dias
mnimas visto que os coeficientes apresentados na Tabela 2 Hosking, J. R. M.; Algorithm AS215: maximum-likelihood esti-
se referem a valores extremos mximos. mation of the parameter of the generalized extrem-value dis-
tribution. Journal of the Royal Statistical Society: Series C
(Applied statistics), London, v.34, n.3, p.301-310, 1985.
CONCLUSES Hosking, J. R. M. L-moments: analysis and estimation of distri-
bution using linear combinations of order statistics, Journal
1. A distribuio GEV e os momentos LH forneceram ajus- of the Royal Statistical Society: Series B (Statistical metho-
tes adequados das cheias anuais e das vazes mnimas, con- dology), London, v.52, n.2 p.105-124, 1990.
forme os testes de aderncia de Wang e de Kolmogorov- Hosking, J. R. M.; Wallis, J. R.; Wood, E. F. Estimation of the
Smirnov, com 5% de significncia, aplicados atravs da generalized extreme value distribution by the method of pro-
rotina proposta em matlab. bability weighted moments. Technometrics, Alexandria, v.27,
2. O programa fornece, como resultados, os trs parme- n.3, p.251-261, 1985.
tros da distribuio GEV, s razes de momentos LH que Jenkinson, A. F. The frequency distribution of the annual maxi-
permitem traar o diagrama de momentos LH, alm dos va- mum (or minimum) of meteorological elements, Quarterly
lores do teste de Wang (1998) que avalia a qualidade do ajus- Journal of the Royal Meteorological Society, London, v.81,
te para cada nvel LH. n.551.501.45, p.158-171, 1955.
3. O teste de qualidade de ajuste proposto por Wang Martins, E. S.; Stedinger, J. R. Generalized maximum-likelihood
(1998) indicou os melhores ajustes, seguindo os resultados generalized extreme-value quantile estimators for hydrologic
fornecidos pelo teste de Kolmogorov-Smirnov, referentes s data. Water Resources, Research, Washington, v.36, n.3,
sries de cheia anual modeladas. p.737-744, 2000.
Otten, A.; van Monfort, M. A. J. Maximum-likelihood estimati-
on of the general extreme-value distribution parameters. Jour-
LITERATURA CITADA nal of Hydrology, Amsterdam, v.47, p.187-192, 1980.
Prescott, P.; Walden, A. T. Maximum likelihood estimation of
Chowdhury, J. U.; Stedinger, J. R.; Lu, L. Goodness-of-fit test the parameters of the generalized extreme value distribution.
for regional generalized extreme value flood distributions. Biometrika, Oxford, v.67, p.723-724, 1980.
Water Resources Research, Washington, v.27, n.7, p.1765- Queiroz, M. M. F. de Anlise de cheias anuais segundo distribui-
1776, 1991. o generalizada: EESC/USP, 2002. 254p. Tese Doutorado
Fisher, R. A.; Tippett, L. H. C. Limiting forms of the frequency Wang, Q. J. LH moments for statistical analysis of extreme events,
distribution of the largest or smallest member of a sample. Pro- Water Resources Research, Washington, v.33, n.12, p.2841-
ceedings of the Cambridge Philosophical Society, Cambridge, 2848, 1997.
v.24, n.2, p.180-190, 1928. Wang, Q. J. Approximate goodness-of-fit test of fitted generalized
Gumbel, E. J. Statistics of extreme. New York: Columbia Univer- extreme value distribution using LH moments, Water Resour-
sity Press, 1958, 396p. ces Research, Washington, v.34, n.12, p.3497-3502, 1998.