Buscar

 

RI UFLA (Universidade Federal de Lavras) >
Revistas UFLA >
Ciência e Agrotecnologia >

Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/6896

Title: Análise Bayesiana no estudo do tempo de retorno das precipitações pluviais máximas em Jaboticabal (SP)
Other Titles: Bayesian analysis for estimating the return period of maximum precipitation at Jaboticabal São Paulo state, Brazil
???metadata.dc.creator???: Beijo, Luiz Alberto
Vivanco, Mário Javier Ferrua
Muniz, Joel Augusto
Keywords: Inferência bayesiana
Distribuição a priori
Conhecimento a priori
Quantis extremos
Técnica Monte Carlo via Cadeias de Markov
Precipitação pluvial máxima
Bayesian Inference
Maximum rainfall
Extreme quantiles Markov Chain Monte Carlo method
Prior knowledge
Prior distribution
Publisher: Editora da Universidade Federal de Lavras
???metadata.dc.date???: 1-Feb-2009
Citation: BEIJO, L. A.; VIVANCO, M. J. F.; MUNIZ, J. A. Análise Bayesiana no estudo do tempo de retorno das precipitações pluviais máximas em Jaboticabal (SP). Ciência e Agrotecnologia, Lavras, v. 33, n. 1, p. 261-270, jan./fev. 2009.
???metadata.dc.description.resumo???: Dados históricos de precipitação máxima são utilizados para realizar previsões de chuvas extremas, cujo conhecimento é de grande importância na elaboração de projetos agrícolas e de engenharia hidráulica. A distribuição generalizada de valores extremos (GEV) tem sido aplicada com freqüência nesses tipos de estudos, porém, algumas dificuldades na obtenção de estimativas confiáveis sobre alguma medida dos dados têm ocorrido devido ao fato de que, na maioria das situações, tem-se uma quantidade escassa de dados. Uma alternativa para obter melhorias na qualidade das estimativas seria utilizar informações dos especialistas de determinada área em estudo. Sendo assim, objetiva-se neste trabalho analisar a aplicação da Inferência Bayesiana com uma distribuição a priori baseada em quantis extremos, que facilite a incorporação dos conhecimentos fornecidos por especialistas, para obter as estimativas de precipitação máxima para os tempos de retorno de 10 e 20 anos e seus respectivos limites superiores de 95%, para o período anual e para os meses da estação chuvosa em Jaboticabal (SP). A técnica Monte Carlo, via Cadeias de Markov (MCMC), foi empregada para inferência a posteriori de cada parâmetro. A metodologia Bayesiana apresentou resultados mais acurados e precisos, tanto na estimação dos parâmetros da distribuição GEV, como na obtenção dos valores de precipitação máxima provável para a região de Jaboticabal, apresentando-se como uma boa alternativa na incorporação de conhecimentos a priori no estudo de dados extremos.
Abstract: Historical maximum rainfall data are used to forecast extreme rainfall, which is important to elaborate agricultural and hydraulic engineering projects. Generalized Extreme Value Distribution (GEV) has been applied in such type of studies. Since those values are extracted from the upper (or lower) tail of the original distribution, a scarce amount of data is obtained in most cases, which may be a problem acquiring reliable estimates about some measure of interest. An alternative to overcome this potential problem would be the use of information available from experts in the area. Therefore, this paper intended to analyze the application of the Bayesian Inference using a priori distribution based on extreme quantiles, which facilitates the incorporation of the information supplied by the experts in order to determine the punctual and the 95% upper limit estimates of the probable maximum precipitation for return periods of 10 and 20 years, yearly and monthly in Jaboticabal, São Paulo State, Brazil. Markov Chain Monte Carlo (MCMC) methods were used to a posterior inference of each parameter. Bayesian inference yielded more suitable and accurate results in the estimation of the parameters of the GEV distribution as well as in the determination of the values of the probable maximum precipitation estimates for Jaboticabal. It turned out as an interesting way of incorporating prior knowledge to the study of extreme data.
Other Identifiers: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1413-70542009000100036
???metadata.dc.language???: pt
Appears in Collections:Ciência e Agrotecnologia

Files in This Item:

There are no files associated with this item.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.


View Statistics

 


DSpace Software Copyright © 2002-2010  Duraspace - Feedback