Вы находитесь на странице: 1из 10

ESTIMATIVAS DOS PARÂMETROS DA DISTRIBUIÇÃO GAMA DE DADOS PLUVIOMÉTRICOS DO MUNICÍPIO DE LAVRAS, ESTADO DE MINAS GERAIS 1

VALÉRIA ANDRADE VILLELA AMARANTE BOTELHO 2 AUGUSTO RAMALHO DE MORAIS 3

RESUMO - Este trabalho apresenta as estimativas dos parâmetros da distribuição de probabilidade gama

ajustada aos dados de precipitação pluvial de Lavras- MG, coletados de janeiro de 1966 a dezembro de 1996

e agrupados em onze períodos: dados diários, 1-3, 1-6,

1-9, 1-12, 1-15, 1-18, 1-21, 1-24, 1-27 e totais mensais.

As estimativas do parâmetro de forma (a), de modo ge- ral, são menores nos meses menos chuvosos (junho,

TERMOS PARA INDEXAÇÃO: Distribuição gama, estimativas de parâmetros, precipitação pluviométrica, chuva.

julho, agosto) e maiores nos meses mais chuvosos (no- vembro, dezembro, janeiro) e aumentam de valor à me- dida que o tamanho do período aumenta. As estimati- vas do parâmetro de escala (b) foram menores nos pe- ríodos de 1-3 e 1-6 nos meses mais secos (junho, julho, agosto); nos outros meses, não houve uma tendência definida quanto ao aumento dos períodos; os maiores valores ocorreram nos meses mais chuvosos.

ESTIMATES OF THE GAMMA DISTRIBUTION PARAMETERS FOR RAINFALL DATA MEASURED IN LAVRAS, MINAS GERAIS

ABSTRACT - This work presents an estimate of parameters of the gamma distribution ajusted for daily rainfall precipitation data for Lavras - MG, collected from January 1966 to December 1996 and clustered for eleven periods: daily data, 1-3, 1-6, 1-9, 1- 12, 1-15, 1-18, 1-21, 1-24, 1-27 and also for the monthly total. The estimates for the parameters of appearance (a) were smaller in drier months (June,

INDEX TERMS: Gamma distribution, rainfall.

INTRODUÇÃO

A sobrevivência dos seres vivos está ligada, entre

outros fatores, à sua alimentação e, conseqüentemente,

à produção agrícola. A chuva, como principal fonte de

água para a agricultura, tem, às vezes, comprometido o desenvolvimento, a colheita, a industrialização, o ar- mazenamento e a distribuição da produção agrícola, pois apresenta uma variação não uniforme, ora com grandes períodos de estiagem, ora com consideráveis aguaceiros de curta duração, que superam a capacidade de retenção de água pelo solo, provocando enchentes e inundações. As produções agrícolas são funções de elementos probabilísticos no sentido de que elas dependem entre outros fatores das variáveis climáticas, tais como quan- tidade total de chuva, distribuição pluviomética, tempe- ratura e umidade relativa do ar. Dessas, a precipitação

July and August) and greater in rainy months (November, December and January) increasing in value as the size of the period increased. The estimates for the parameters of the (b) scale were smaller in the periods 1-3 and 1-6 in the driest months (June, July and August), and in the others months, there wasn’t a fixed tendency with an increase of the lenght of the period; the greatest value occurred in the wettest rainy months.

pluvial é o elemento regulador na agricultura, sendo que a quantidade de chuva, assim como a sua distribui- ção em certa localidade, pode determinar o tipo de ati- vidade agrícola a ser desenvolvida. O conhecimento do comportamento das precipi- tações pode fornecer subsídio para determinar períodos críticos predominantes na região, tendo-se condições de fornecer informações que visem a reduzir as conse- qüências causadas pelas flutuações de chuva, secas, quer pelo emprego de irrigação ou implantação de cul- turas mais adaptadas ao regime pluviométrico. Na literatura encontram-se algumas distribui- ções de freqüências que podem ser úteis no estudo de dados climatológicos, principalmente no estudo das precipitações pluviais. Dessas distribuições, uma que tem sido usada com sucesso é a distribuição gama com dois parâmetros.

1. Extrato da Dissertação de Mestrado do primeiro autor

2. MS Agronomia - Área de Concentração: Estatística e Experimentação Agropecuária;

3. Professor Dr. Departamento de Ciências Exatas / UNIVERSIDADE FEDERAL DE LAVRAS (UFLA), Caixa Postal 37, 37 200-000 - Lavras, MG.

698

Estudando os dados pluviométricos do municí- pio de Itaguaí-RJ, Vivaldi (1973) deu ênfase aos as- pectos teóricos dos métodos dos momentos e da máxi- ma verossimilhança usados na obtenção dos estimado- res dos parâmetros; foram desenvolvidas fórmulas para determinação da variância dos estimadores e evidenci- ou-se a necessidade da aplicação do método de máxima verossimilhança, sendo que o mesmo já havia sido su- gerido por Thom (1958). Utilizando-se dados de 30 anos (1949-1978), Frizzone (1979) estimou as precipitações dependentes para a região de Viçosa-MG, em períodos de 5, 10, 15 e 30 dias, utilizando cinco modelos para cálculo da dis- tribuição de freqüência. Os resultados mostraram que a distribuição gama incompleta pode ser usada para se estudar a distribuição das precipitações em períodos de 5 a 30 dias na referida região. Friedman e Janes (1957) estudaram o problema da determinação de estimativas de probabilidade de precipitação pluvial e evidenciaram o fato de que são necessários dados de, no mínimo, 30 anos para que o tamanho da amostra seja representativo. Castro Neto, Sediyama e Villela (1980b) ajusta- ram uma função potencial aos dados diários de chuva para a região de Lavras-MG, para identificarem os me- ses que apresentam maiores probabilidades de ocorrên- cia de períodos secos. De maneira semelhante, Castro Neto, Sediyama e Villela (1980a) verificaram que as maiores probabilidades de períodos chuvosos prolonga- dos em Lavras-MG ocorreram nos meses de novembro a março. Castro Neto e Silveira (1981a) estudaram a precipitação para Lavras-MG em períodos mensais, ba- seada na função de distribuição de probabilidade gama, concluindo que as menores precipitações prováveis fo- ram encontradas nos meses de junho, julho e agosto e as maiores nos meses de outubro a março; afirmaram, também, que a precipitação mensal não é indicada como base para o dimensionamento de sistemas de irri- gação complementar. Do mesmo modo, Castro Neto e Silveira (1981b), Castro Neto e Silveira (1983) estuda- ram a precipitação provável em períodos de quinze e dez dias respectivamente, através da distribuição gama, concluindo que é possível a utilização de irrigação su- plementar na região contando-se com a precipitação provável, o que diminuirá o custo de instalação e opera- ção de sistemas de irrigação. Galate (1987) estudou o ajuste da distribuição gama incompleta aos dados de precipitação pluvial do município de Belém-PA, utilizando dados de 1953 a 1986 e os dados agrupados em dez períodos; verificou que a distribuição gama ajustou-se bem aos dados, em razão da hipótese nula não ser rejeitada em 97,5% dos períodos estudados, o que comprova a eficiência da distribuição gama para a obtenção de estimativas de

quantidades de chuva. O teste aplicado foi o qui- quadrado. Constatou, ainda, que no período de 1-3 dos meses de baixa precipitação, como agosto, outubro e novembro, as freqüências esperadas não estavam de acordo com as observadas, essa discrepância possivel- mente foi causada pela redução do tamanho da amostra;

portanto, nesse período, a distribuição gama não apre- sentou bons resultados.

modelos teóricos para

descrever a quantidade de chuva diária em Pelotas-RS, com base na distribuição binomial negativa truncada e na distribuição de probabilidade gama. Ao analisar os totais semanais de chuva de Pelotas-RS, corresponden- tes ao período de 1893 a 1991, concluiu-se que a quan- tidade de chuva nas semanas com chuva pode ser ade- quadamente representada pela função de distribuição de probabilidade gama. O estudo das precipitações diárias e agrupadas em vários períodos através da distribuição gama pode fornecer informações probabilísticas que possibilitem um planejamento racional do aproveitamento da água. Assim, constituiu objetivo deste trabalho a obtenção de

estimativas dos parâmetros (a e b) da distribuição gama ajustada aos dados de precipitações pluviais diá- rias e agrupadas em vários períodos para a região de Lavras - MG.

Assis

(1991)

elaborou

MATERIAL E MÉTODOS

Os dados utilizados no presente estudo foram fornecidos pela Área de Agrometeorologia do Departa- mento de Engenharia e oriundos da Estação Climatoló- gica Principal de Lavras-MG, situada no campus da Universidade Federal de Lavras, em Lavras, Estado de Minas Gerais, em convênio com o Instituto Nacional de Meteorologia (INMET). A Estação Climatológica de Lavras está situada à latitude de 21 0 14’S, longitude de 45 0 00’W e altitude de 918,84 metros (Brasil, 1992) e altitude da cuba do barômetro de mercúrio de 920 me- tros. Segundo a classificação de Köppen, que pode ser encontrada em Vianello e Alves (1991), entre outros, o clima da região é do tipo Cwa, temperado úmido (com verão quente e inverno seco), caracterizado por um total de chuvas no mês mais seco de 23,4 mm e do mês mais chuvoso de 295,8 mm, por uma temperatura média do mês mais quente de 22,1 o C e a do mês mais frio de 15,8 o C, sendo a temperatura média anual de 19,4 o C, a precipitação total anual de 1529,7 mm, a evaporação total no ano de 1034,3 mm e a umidade relativa média anual de 76,2%; a nebulosidade é máxima no verão e mínima no inverno, com média anual de 4,8 de céu co- berto (de 0-10), de acordo com Brasil (1992). As obser- vações referem-se às precipitações pluviais diárias ex- pressas em altura de lâmina d’água (mm), abrangendo

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

 

699

 

1

n ’ (

= (

i

= 1

b

a

G

a

)

a

-

1

x

i

)

a

-

1

(

)

L

(

x

1

,

x

2

,

,

x

n

;

a

,

b

)

 

e

- x / b

= b

-

n

a

[

G

 

(

a

)]

-

n

n )

(

(

-

Â

x i

/ b

 
   

x

i

)

e

 

(5)

 

i = 1

 
 

aplicando logaritmo natural obtém-se:

 

ln L(x , x,

1

 

,

x

n

;

a

,

b

)

= -

n

a

ln

(

b

)

-

n ln

[

G

(

a

)]

+

(

a

-

1

)

ln

(

Â

ln x

i

)

-

Â

b

x

i

(6)

um período de janeiro de 1966 a dezembro de 1996, num total de 31 anos. Os dados foram agrupados em onze períodos dentro de cada mês, com exceção do mês de fevereiro, quando foram usados dez períodos. Os pe- ríodos foram constituídos por agrupamentos de dados da seguinte maneira: dados diários, 1-3, 1-6, 1-9, 1-12, 1-15, 1-18, 1-21, 1-24, 1-27, 1-31. (em que, por exem- plo, 1-3 significa tomar períodos contendo totais de da- dos de 3 em 3 dias). Uma variável aleatória contínua x com ( 0 £ x < •) se distribui segundo uma distribuição gama de pa- râmetros a > 0 e b > 0 se sua função de densidade de probabilidade é:

f(x)

=

Ï

Ô

Ì b

Ô

Ó

1

a G

( a

) x

0

a

-

1

e

- x /

b

,

, 0 <

c . c

.

x

< •

(1)

Se X é uma variável aleatória com distribuição gama de parâmetros a e b, então o estimador da média (primeiro momento em relação à origem) é:

m 1 = ab

(2)

e o estimador da variância (segundo momento em rela- ção à média) é:

m 2 = V(X)= ab 2

(3)

derivando-se parcialmente em relação aos parâmetros a e b e igualando-se a zero, fica:

Ï

,

Ô

Ô Ô a

Ì

Ô

Ô

Ô

Ó

L x

(

,

x

n ;

a

,

b

)

ln

1

,

x

2

G

' (

a $

)

G (

a $

)

-

ln

(

L x

1

,

x

2

,

,

x

n

;

a

,

b

)

b

n

= -

a

$

$

b

+

n

Â

i = 1

x

i

$

b

2

n

$

ln b

+

n

 ln

i = 1

= 0

= -

n

simplificando, obtém-se:

Ï

Ô

Ô

Ì

Ô

Ô

Ó

-

$

b

n

G

'

(

a

$

)

(

G

a

$

)

=

X

a

$

-

n

$

ln b

+

n

Â

i = 1

ln

x

i = 0

x

i = 0

(7)

(8)

A proporção de valores nulos (Q) em cada perí- odo foi estimada usando-se o estimador:

$

Q

==

m

n

(4)

em que: m = número de zeros em uma série climatoló- gica; n = tamanho da amostra. Um grande problema encontrado em trabalhos que envolvem a distribuição gama é a estimação dos parâmetros a e b, devido à complexidade e extensão dos cálculos envolvidos. Vários métodos podem ser usados, como o método dos quadrados mínimos, o mé- todo dos momentos e o da máxima verossimilhança. Porém, todos possuem limitações, seja por problemas matemáticos ou por produzirem estimativas ineficien- tes. O método dos quadrados mínimos apresenta uma série de dificuldades quando aplicado à distribuição gama, e não é recomendado. Os métodos da máxima verossimilhança e o dos momentos são os mais comu- mente utilizados, mas, segundo Thom (1958), deve-se preferir o da máxima verossimilhança devido às suas melhores propriedades. Para a distribuição gama a função de verossi- milhança é:

Em (8), na primeira equação, dividindo-se am-

bos os membros por n e substituindo

ln

a

$

-

G

'

(

a

$

)

(

G

a $

)

=

ln

1 X - n
1
X
-
n

n

Â

i = 1

ln x

$

b

por X , obtém-se:

a $

(9)

A expressão G'(a$) / G(a$) é chamada função

) e suas derivadas

) são chamadas funções trigama e te-

digama de

y’(

tragama, respectivamente.

a

$

, representada por y(

a

$

a

$

a

$

) e y’’(

A equação (9) pode ser representada por:

lna$ -

y(a$) = ln

1

x

-

n

Fazendo-se

1

A

= ln

x -

n

n

Â

j = 1

ln

n

Â

i = 1

x j

ln

x i

(10)

(11)

em que n = número de anos com dados de precipitação;

x j = altura de chuva no período; x = altura média de chuva no período.

Então (10) fica:

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

700

ln a$ -

y(a$) = A

(12)

A dificuldade do método reside na resolução da equação (12), de onde obtém-se o estimador de

. Mas

pode ser resolvida com alguma álgebra e uso de re-

cursos computacionais. A função digama y(a$) aparece tabulada em algumas publicações, como em Abramowits e Stegun (1970), mas para poucos valo- res. Porém, pode ser obtida através do desenvolvi- mento em série de:

a

$

, pois (12) é uma equação implícita em

a

$

y

(

a

)

=

ln

(

a

)

-

em que B K são

B 4 = - 1/30,

).

1

2

a

os

-

m

Â

K

= 1

(

B

2 K

2 K a

2 K

)

(13)

números

de

Bernoulli ( B 2 = 1/6,

Desenvolvendo-se a expressão (13), obtém-se:

y(a)

@ ln

(a)

-

1

1

1

1

1

1

-

-

-

2 a

12

a

2

120

a

4

252

a

6

240

a

8

132

a

10

+

+

+

K

(14)

Calculando-se a derivada de (14), tem-se a fun- ção trigama, ou seja:

y

'

(a)

@

1

1

1

1

1

1

5

-

-

a

2

a

2

6

a

3

30

a

5

42

a

7

30

a

9

66

a

11

+

+

+

+

+

K

(15)

que será usada no cálculo das variâncias.

Das equações (10), (11), (12) e (14), tem-se que uma aproximação para a função digama é

y(a)

$

@

ln

(a)

$

-

1

1

-

2

a

$

12

a

$

2

(16)

Substituindo a expressão de y(a$) de (16) em (12), um estimador aproximado do parâmetro a pode ser obtido através da resolução da seguinte equação:

12

A a

$

2

-

6

a

$

-

1

=

0

(17)

Como x i > ln x i , tem-se A > 0, o discriminante da equação (17) será maior que 36. Então, para satisfa- zer a condição a > 0 (por definição), a solução que inte- ressa será:

a $

= 1+ 1+ 4 A / 3 x $ e b = 4 A a
= 1+
1+ 4
A /
3
x
$
e
b
=
4 A
a $

(18)

Sendo F(x) a probabilidade de ocorrência de uma precipitação menor ou igual a x, então ela pode ser obtida através de sua função de distribuição de probabi- lidade acumulada:

P(X£x) = F(x) =

1

b

a

G

(

a

)

x

Ú

0

u

(

a

-

1

)

e

- u /

b

du

(19)

sendo: F(x) = probabilidade de ocorrer um valor X £ x,

ou probabilidade de ocorrer uma quantidade de preci-

pitação igual ou inferior a x; X = variável aleatória contínua que representa os valores das precipitações;

G(a) = função gama incompleta; a = parâmetro de

forma da variável aleatória X; b = parâmetro de escala

da variável aleatória X (mm); e = base do logaritmo

neperiano (2,718

);

x = quantidade de chuva, em mm.

Através do desenvolvimento de (19), fazendo-se uso da série de Taylor, obtém-se:

(

F t

)

=

t

a

$

Ê

Á

Ë

t

t

2

t

3

(

aG a

$

$

)

e

t

a

$

+ 1

(

a

$

+

1

)(

a

$

+

2

)

(

a

$

+

1

)(

a

$

+

2

)(

a

$

+

3

)

1

+

+

+

K

+

ˆ

˜

¯

(20)

que é uma expressão que permite o cálculo aproximado

da probabilidade de ocorrência de um valor menor ou

igual a t, de onde obtém-se x = t

$

b

.

Os estimadores obtidos pelo método da máxima verossimilhança têm variâncias e covariâncias, dadas por:

(

$

$

V a

)

=

a

$

[

n ay

$

'

(

a

$

)

- 1

]

,

(

$

V b

$

)

=

b

$

2

[

n ay

y

'

(

' (

a $

a $

)

)

-

1

]

e

(

Cov a b

$

$

,

$

)

=

-

$

b

'

(

a

$

)

-1

[

]

n ay

$

(21)

Para amostras grandes, um intervalo de confian-

ça aproximado pode ser construído, para os parâmetros

. Como se observa, a variância das estimativas é

inversamente proporcional ao tamanho da amostra, in- dicando que quanto maior n, menor será o intervalo de confiança. Na descrição dos resultados, as estimativas dos valores de a, entre os períodos, não foram comparadas estatisticamente, pois os dados de um período estão re- lacionados (dependentes) com os de outros períodos. Por exemplo, período de 1-12 inclui os dados dos perí-

odos 1-3, 1-6, 1-9. E, entre meses, as estimativas tam-

bém não foram estatisticamente comparadas.

$

a

e

$

b

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

701

RESULTADOS E DISCUSSÃO

Observa-se uma variabilidade muito grande dos dados de precipitações totais mensais e anuais (Tabela 1) para a região de Lavras-MG; por exemplo: no mês de janeiro, considerado um mês de muita chuva, ocorre- ram precipitações mensais que variaram de 76 mm (1976) até 718 mm (1992), e em julho, as precipitações variaram de 0 a 94 mm; a maior precipitação média mensal ocorreu em dezembro, com 284,6 mm, e a me- nor, no mês de julho, com 20,2 mm. A precipitação to- tal anual média foi de 1534 mm, sendo que no ano de 1990 ocorreu a menor precipitação anual (1034 mm), com menores precipitações em outubro e dezembro e a maior precipitação ocorreu no ano de 1983, com 2568 mm; nesse ano, houve uma maior regularidade de pre- cipitações mensais durante o ano, com chuvas de até 127 mm no mês de junho, considerado como um mês de pouca precipitação (seco). Para os dados diários, verificou-se que, nos me- ses de maiores precipitações como janeiro e dezembro, as estimativas de a (parâmetro de forma) foram meno- res do que nos meses de poucas precipitações, como em junho, julho e agosto (Tabelas 2, 3, 4, 5 e 6). Essas es- timativas variaram de 0,5158 (novembro) a 6,2619 (julho), sugerindo que os dados diários possuem uma certa assimetria principalmente nos meses mais chuvo- sos. Já para o parâmetro de escala b, os maiores valores numéricos ocorreram nos meses de maiores incidência de chuvas, com estimativas de 0,1042 (julho) até 17,0345 (janeiro), sugerindo uma maior amplitude dos dados nos meses mais chuvosos. De modo geral, ao aumentar o tamanho do perí-

aumentaram em

conseqüência da diminuição da assimetria. As estimati-

vas de

para os dados agrupados variaram de 0,4545

odo, as estimativas dos valores de

$

a

$

a

(em 1-12 de junho) até 6,8419 (em 1-31 de dezembro), valores esses que estão próximos aos encontrados por Vivaldi (1973), que havia encontrado estimativas que variaram de 0,631 a 10,746, sendo que desses valores apenas três foram maiores que 6,8419, que foi a esti- mativa encontrada neste trabalho. Para os dados agrupados nos períodos, observou- se que, de um modo geral, nos meses mais chuvosos (outubro, novembro, dezembro e janeiro), as estimativas

do parâmetro a apresentaram valores, em geral, maio- res que os obtidos nos meses menos chuvosos, como ju- nho, julho e agosto. Isso pode ser explicado pela pro- nunciada assimetria nos períodos dos meses mais secos, visto que a assimetria é inversamente proporcional a a. Nos meses de menor ocorrência de chuva, as estimati- vas de a não apresentaram uma tendência definida com o aumento do tamanho do período (Tabelas 4 e 5).

As estimativas de b foram menores para os da- dos diários, quando comparadas com as obtidas para os dados agrupados; mas entre aquelas dos dados agrupa- dos, houve uma tendência de serem menores nos perío- dos de 1-3 e 1-6 nos meses menos chuvosos, como ju- nho, julho e agosto, e nos outros meses não houve uma tendência definida à medida que o tamanho dos perío- dos foram aumentando. Para os dados agrupados, as estimativas variaram de 3,0616 (1-3 de julho) até 78,2397 (1-18 de fevereiro). Para Vivaldi (1973), as es- timativas de b não apresentaram nenhuma tendência em relação ao tamanho dos períodos dentro de cada mês, com valores que variaram de 0,844 (em julho) até 9,128 (em janeiro). Considerou-se, ainda, que houve predominância de valores maiores nos meses mais chu- vosos, resultado semelhante aos encontrados neste tra- balho. Já Galate (1987), havia observado que, em geral,

foram mai-

ores. Estimativas da variância aumentaram rapida-

b $ , sendo este

um indicador da variabilidade dos dados, visto que va-

riância é diretamente proporcional ao quadrado de

mente com o crescimento dos valores de

nos meses menos chuvosos os valores de

$

b

$

b

.

Nas Tabelas 2 a 5 também estão contidos os va- lores estimados das médias e variâncias dos dados nos diferentes períodos de dois meses mais chuvosos (janei- ro e fevereiro) e dois meses menos chuvosos (junho e julho), verificando-se que à medida que a precipitação média aumenta, em função do aumento do tamanho dos períodos, a variância também aumenta, indicando que em períodos maiores os dados são mais inconsistentes, isto é, as precipitações mensais são mais irregulares do que as precipitações diárias ou do período de 1-3 dias

por exemplo. Observa-se também que as variâncias são menores nos meses menos chuvosos em conseqüência

. Os erros padrões

dos menores valores de

das estimativas dos parâmetros a e b (Tabelas 2 a 5) apresentaram uma tendência em aumentar seus valores à medida que houve um aumento no tamanho do perío- do; conseqüência da maior variabilidade dos dados quando estes são agrupados em períodos maiores, mos- trando que em períodos menores as estimativas possu- em uma precisão melhor do que nos períodos maiores. Um resultado bastante interessante foi a proporção de valores nulos da amostra. Em geral, observou-se que ao aumentar o tamanho do período, as estimativas da pro-

$

b

e de

$

a

$

porção de valores nulos ( Q ) diminuíram, o que já era esperado. Já nos meses mais secos, como junho e julho (Tabelas 4 e 5), em todos os períodos houve

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

702

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

Ano

jan.

fev.

mar.

abr.

mai.

jun.

jul.

ago.

set.

out.

nov.

dez.

Total

1966

515

237

224

24

12

0

5

9

32

168

265

303

1794

1967

393

284

115

26

1

28

0

0

5

123

258

210

1443

1968

196

192

76

29

2

2

3

43

67

108

81

372

1170

1969

254

175

148

50

33

43

5

25

20

115

292

269

1428

1970

345

256

106

72

17

24

26

55

57

144

223

102

1427

1971

259

56

150

87

3

109

1

0

49

131

295

446

1585

1972

197

259

204

45

33

0

94

18

73

188

417

199

1727

1973

202

117

112

172

60

35

8

27

42

149

134

257

1316

1974

212

64

426

62

35

72

0

5

15

111

72

325

1399

1975

173

269

47

50

18

5

25

0

50

107

332

225

1301

1976

76

228

127

84

123

22

69

107

196

105

166

337

1641

1977

250

24

279

88

5

7

0

42

128

51

273

107

1256

1978

410

129

90

31

100

23

46

0

43

156

219

201

1448

1979

205

380

204

80

86

0

82

71

73

166

236

350

1933

1980

489

202

61

148

9

83

0

13

45

61

229

251

1589

1981

282

77

117

41

25

51

0

22

54

220

253

231

1373

1982

352

188

343

23

16

9

22

2

44

179

136

507

1820

1983

238

377

246

216

141

127

57

6

369

184

194

414

2568

1984

172

69

101

110

47

0

0

33

113

67

233

268

1212

1985

448

161

225

8

21

3

0

2

61

76

263

392

1659

1986

126

259

148

28

90

1

80

81

18

38

140

509

1518

1987

205

136

179

109

57

21

4

0

92

57

169

402

1431

1988

138

256

112

32

34

23

10

0

53

181

154

190

1181

1989

270

361

273

45

0

41

31

6

72

59

123

271

1554

1990

114

120

115

68

93

1

40

43

71

91

181

97

1034

1991

543

203

119

101

2

0

7

0

47

190

102

215

1529

1992

718

144

238

111

94

4

14

25

158

144

230

132

2011

1993

194

275

139

63

28

54

0

22

55

48

102

229

1209

1994

421

212

274

24

198

10

4

0

0

146

227

317

1833

1995

200

340

125

65

66

1

1

0

39

116

192

442

1585

1996

147

310

129

54

85

17

0

18

149

91

336

253

1589

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

703

TABELA 2 - Estimativas dos parâmetros (a e b), proporção de valores nulos (Q), média ( m ) e variância (S 2 ) das

precipitações observadas e erros padrões de

a $ e de $ , obtidos para as precipitações diárias e agrupadas em dez

$

.

Períodos

$

a

$

b

$

Q

m$

S 2

S

(

a

$

)

S

(

$

b

)

Diários

1 – 3

1 – 6

1 – 9

1 – 12

1 – 15

1 – 18

1 – 21

1 – 24

1 – 27

1 – 31

0,5358

17,0345

0,4027

9,1

284,3240

0,0039

0,7611

0,6178

44,5983

0,1710

27,6

1228,8094

0,0147

3,3929

0,8369

65,8419

0,0710

55,1

3628,0919

0,0686

7,9083

1,3741

62,1412

0,0108

85,4

5306,1266

0,1818

9,8913

1,6307

70,1047

0

114,3

8014,3507

0,2682

13,4728

1,9883

69,2887

0

137,8

9545,6771

0,3315

13,1301

3,0818

54,3698

0

167,6

9110,0324

0,7443

14,2609

3,9444

48,6679

0

192,0

9342,5658

0,9625

12,6653

3,7255

61,3709

0

228,6

14031,6761

0,9071

15,9969

4,0962

62,5370

0

256,2

16019,7318

1,0009

16,2581

4,3271

65,3900

0

282,9

18502,0396

1,0594

16,9763

TABELA 3 - Estimativas dos parâmetros (a e b), proporção de valores nulos (Q), média ( m ) e variância (S 2 ) das

precipitações observadas e erros padrões de períodos para o mês de fevereiro.

b $ , obtidos para as precipitações diárias e agrupadas nos nove

$

a $ e de

Períodos

$

a

$

b

$

Q

m$

S 2

(

S a

$

)

(

$

S b

)

Diários

0,5384

13,3981

0,4828

7,2

170,30

0,0042

0,6266

1 – 3

0,6159

35,1929

0,2115

21,7

762,8169

0,0153

2,8226

1 – 6

0,8111

54,3049

0,0968

44,1

2391,9519

0,0686

7,1877

1 – 9

1,2590

51,6504

0,0215

65,0

3358,7146

0,1650

8,2826

1 – 12

1,5082

58,4260

0

88,1

5148,3877

0,2465

11,2998

1 – 15

1,7806

64,8902

0

115,5

7497,6402

0,4167

17,5200

1 – 18

1,7853

78,2397

0

139,7

10928,6259

0,4179

21,1202

1 – 21

2,1393

73,6752

0

157,6

11612,1955

0,5067

19,6569

1 – 24

2,6653

66,1202

0

176,2

11652,3740

0,6392

17,4452

1 – 28

3,3769

57,7717

0

195,1

11270,6378

0,8189

15,1048

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

704

TABELA 4 - Estimativas dos parâmetros (a e b), proporção de valores nulos (Q), média ( m ) e variância (S 2 ) das

$

precipitações observadas e erros padrões de períodos para o mês de junho.

a $

e de

b $ , obtidos para as precipitações diárias e agrupadas nos dez

Períodos

$

a

$

b

$

Q

m$

S 2

S

(

a

$

)

(

$

S b

)

Diários

1,6867

0,5189

0,9012

0,9

17,2730

0,0718

0,0257

 

1 – 3

0,5850

4,4933

0,7968

2,6

11,8110

0,0111

0,3444

1 – 6

0,4868

10,7991

0,6645

5,3

56,7709

0,0058

1,2498

1 – 9

0,4583

17,6142

0,5591

8,1

142,1922

0,0054

2,7060

1 – 12

0,4545

23,8153

0,4839

10,8

257,7781

0,0063

4,4983

1 – 15

0,4965

26,4714

0,3871

13,1

347,9149

0,0102

4,8020

1 – 18

0,4703

33,4447

0,3871

15,7

526,0531

0,0107

8,7921

1

– 21

0,4771

35,6533

0,3226

17,0

606,4694

0,0116

9,3112

1 – 24

0,4649

46,5651

0,3226

21,6

1008,0466

0,0100

12,3070

1 – 27

0,5147

47,0479

0,2258

24,2

1139,2910

0,0176

11,8873

1

– 30

0,6053

46,4260

0,1613

26,3

1304,6476

0,0419

10,4651

TABELA 5 - Estimativas dos parâmetros (a e b), proporção de valores nulos (Q), média ( m ) e variância (S 2 ) das

precipitações observadas e erros padrões de períodos para o mês de julho.

b $ , obtidos para as precipitações diárias e agrupadas nos dez

$

$

a

e de

Períodos

$

a

$

b

$

Q

m$

S 2

(

S a

$

)

(

$

S b

)

Diários

6,2619

0,1042

0,9126

0,7

13,2860

0,2784

0,0048

1 – 3

0,6531

3,0616

0,8226

2,0

6,1218

0,0193

0,2335

1 – 6

0,5033

7,9451

0,7097

4,0

31,7706

0,0070

0,9062

1 – 9

0,4683

13,3832

0,6237

6,3

5,3602

0,0060

2,0352

1 – 12

0,4753

19,1477

0,5161

9,1

174,2613

0,0080

3,5419

1 – 15

0,4836

20,6705

0,4516

10,0

206,6276

0,0088

3,7937

1 – 18

0,5389

19,9825

0,3871

10,8

215,1829

0,0226

4,9603

1 – 21

0,5158

29,7328

0,3226

15,3

455,9875

0,0178

7,5061

1 – 24

0,4998

36,4244

0,3226

18,2

663,1031

0,0150

9,3181

1 – 27

0,4991

37,6732

0,3226

18,8

708,3577

0,0149

9,6429

1 – 31

0,5162

39,1710

0,2581

20,2

792,0404

0,0179

9,8856

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

705

TABELA 6 - Estimativas dos parâmetros a e b para os demais meses.

março

abril

maio

agosto

Períodos

$

a

$

b

$

a

$

b

$

a

$

b

$

a

$

b

Diários

0,5246

10,6059

0,6458

3,5756

0,7708

2,0566

3,8543

0,1824

1 - 3

0,5217

31,6258

0,4879

14,1977

0,5056

8,9972

0,6713

3,1370

1 - 6

0,6986

47,2334

0,5258

26,3515

0,4874

18,6672

0,5406

7,7906

1 - 9

0,9048

53,1135

0,6031

36,0542

0,5219

23,8584

0,5097

11,6542

1 - 12

1,3701

50,0790

0,7762

38,6847

0,5567

32,3372

0,4833

16,5341

1 - 15

1,6198

50,1291

0,9850

35,1634

0,6346

35,8439

0,4981

21,1407

1 - 18

3,9309

26,6259

1,9738

27,2516

0,5320

48,0564

0,4980

22,6271

1 - 21

4,0073

31,0360

2,0372

28,4542

0,6623

47,9276

0,5055

29,9249

1 - 24

4,2154

32,5541

2,1880

27,4461

0,7451

48,3239

0,5387

29,6650

1 - 27

4,0730

37,3944

2,4265

26,8824

0,7953

46,9724

0,5559

32,0578

Mensais

4,4874

38,4400

2,5502

27,1650

0,8665

57,0271

0,5675

38,3810

 

setembro

outubro

novembro

dezembro

 

$

a

$

b

$

a

$

b

$

a

$

b

$

a

$

b

Diários

1 - 3

1 - 6

1 - 9

1 - 12

1 - 15

1 - 18

1 - 21

1 - 24

1 - 27

Mensais

0,6151

4,0076

0,5635

6,9618

0,5158

13,4266

0,5435

16,7743

0,4606

17,6246

0,5400

21,9502

0,5876

35,3968

0,6747

40,6021

0,4913

30,1043

0,6921

34,2550

0,7993

52,0401

1,1708

46,7977

0,5142

40,8079

0,9335

36,2173

1,2345

50,7338

1,4357

57,7906

0,5508

47,9410

1,3269

35,3849

1,5012

55,6585

2,6014

39,9018

0,6664

55,4872

1,9093

31,0412

2,8464

36,5330

3,6086

37,9570

0,5403

70,8574

1,7921

38,0540

3,6836

31,9130

4,4010

31,1888

0,6808

66,8077

2,1789

38,2329

4,4337

32,8821

5,1322

31,4471

0,6979

75,6768

3,1370

29,9353

4,5754

36,5245

5,7445

36,1387

1,0261

61,3442

3,6745

27,6038

4,9067

38,2922

6,6370

37,5036

1,3627

54,2720

5,5973

21,7240

6,2570

33,2630

6,8419

42,1830

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

706

estimativas de Q não nulas, sendo que em junho, no pe- ríodo 1-30 (mensal), ocorreu uma proporção de 0,1613, indicando que em 16,13% dos meses de junho não ocorreram nenhuma precipitação durante o mês todo e que, para esse mesmo período, em 25,81% dos meses

de julho não foram registradas nenhuma precipitação,

fato importante para a agropecuária nessa época. Vival-

di (1973) já havia verificado que a ocorrência de valo-

Q $ foi freqüente nos períodos de 1-5 e

res elevados de

1-10, principalmente nos meses mais secos. Observa-se em janeiro e fevereiro (Tabelas 2 e 3) que à medida que aumenta-se o período, as estimati-

Q $ diminuíram, e nos períodos de 1-12 ou maio-

vas de

res foram nulas, indicando que houve nesses períodos alguma precipitação.

CONCLUSÕES

Os resultados encontrados neste trabalho permi- tem concluir que:

a) Para dados agrupados nos períodos, em geral,

as estimativas dos parâmetros de forma (a) são menores

nos meses menos chuvosos e maiores nos meses chuvo- sos e aumentam de valor à medida que o tamanho do período aumenta, e para os dados diários, as estimativas desses parâmetros mostraram-se maiores nos meses de baixas precipitações e menores nos meses de maiores precipitações.

b) As estimativas do parâmetro de escala (b) não

apresentaram uma tendência definida com o aumento do tamanho dos períodos. Os maiores valores ocorre- ram nos meses mais chuvosos.

REFERÊNCIAS BIBLIOGRÁFICAS

ABRAMOWITS, M.; STEGUN, I. A. Handbook of mathematical functions with formulas, graphs, and mathematical tables. New York: Dover, 1970.

1046p.

ASSIS, F. N. de Modelagem da ocorrência e da quantidade de chuva e de dias secos em Piracica- ba - SP e Pelotas - RS. Piracicaba: ESALQ/USP, 1991. 134p. (Tese - Doutorado em Solos e Nutrição de Plantas).

BRASIL, Ministério da Agricultura e Reforma Agrária. Normais climatológicas (1961-1990). Brasília:

MA/SNI/DNMET, 1992. 84p.

CASTRO NETO, P.; SEDIYAMA, G. C.; VILLELA, E. A. Probabilidade de ocorrência de períodos chu-

vosos em Lavras, Minas Gerais. Ciência e Prática, Lavras, v.4, n.1, p.56-65, jan./jun., 1980a.

CASTRO NETO, P.; SEDIYAMA, G. C.; VILLELA, E. A. Probabilidade de ocorrência de períodos secos em Lavras, Minas Gerais. Ciência e Prática, La- vras, v.4, n.1, p.46-55, jan./jun., 1980b.

CASTRO NETO, P.; SILVEIRA, J. V. Precipitação provável para Lavras, Região Sul de Minas Gerais, baseada na função de distribuição de probabilidade gama. I. Períodos mensais. Ciência e Prática, La- vras, v.5, n.2, p.144-151, jul./dez., 1981a.

CASTRO NETO, P.; SILVEIRA, J. V. Precipitação provável para Lavras, Região Sul de Minas Gerais, baseada na função de distribuição de probabilidade gama. II. Períodos de quinze dias. Ciência e Prática, Lavras, v.5, n.2, p.152-162, jul./dez., 1981b.

CASTRO NETO, P.; SILVEIRA, J. V. Precipitação provável para Lavras-MG, baseada na função de distribuição de probabilidade gama. III. Períodos de 10 dias. Ciência e Prática, Lavras, v.7, n.1, p.58- 65, jan./jun., 1983.

FRIEDMAN, D. G. ; JANES, B. E. Estimation of rainfall probabilities. University of Connecticut Agricultural Experiment Station Bulletin, Connecticut, v.332, p.1-22, 1957.

FRIZZONE, J. A. Análise de cinco modelos para cál- culo da distribuição e freqüência de precipitação na região de Viçosa-MG. Viçosa: UFV. Imprensa Universitária, 1979. 100p. (Tese - Mestrado em Ir- rigação e Drenagem).

GALATE, R.S. Estudo das precipitações pluviais no município de Belém - PA, através da distribuição gama. Piracicaba: ESALQ/USP, 1987. 70p. (Tese - Mestrado em Estatística e Experimentação Agro- nômica).

THOM, H. C. S.

A note on the gamma distribution.

Monthly Weaher Review, Washington, v.86, n.4, p.117-122. 1958.

VIANELLO, R.L.; ALVES, A.R. Meteorologia bási- ca e aplicações. Viçosa: UFV. Imprensa Universitá- ria, 1991. 449p.

VIVALDI, L. J. Utilização da distribuição gama em dados pluviométricos. Piracicaba: ESALQ/USP, 1973. 77p. ( Tese – Mestrado em Estatística e Expe- rimentação Agronômica )

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