Baixe o app para aproveitar ainda mais
Prévia do material em texto
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia Prof. Dr. Doalcey Antunes Ramos Departamento de Engenharia Civil 3.1 - Objetivos3.1 - Objetivos • Séries de variáveis hidrológicas como precipitações, vazões, evaporação e outras, quando observadas ao longo do tempo, apresentam variações sazonais. Estas variações não são entretanto absolutamente regulares. • A observação de séries longas de dados hidrológicos revelará a ocorrência de extremos (máximos e mínimos) e diferentes seqüências de valores, que caracterizam as variáveis hidrológicas como ALEATÓRIAS. • Portanto, variáveis hidrológicas sempre estarão associadas a uma probabilidade de excedência. • Conseqüentemente, obras hidráulicas devem sempre ser dimensionadas para um determinado risco de falha. • O objetivo da estatística é o de extrair informações significativas de uma dada massa de dados. • As técnicas utilizadas em Estatística, aplicadas à Hidrologia, permitem avaliar a probabilidade de excedência de um fenômeno hidrológico em determinada magnitude. • As variáveis aleatórias podem ser classificadas em: • Discretas: só podem assumir valores inteiros • Ex.: nº de dias chuvosos em um ano • Contínuas: podem assumir qualquer valor numérico real em um intervalo. • Ex.: vazões médias diárias de um rio em uma determinada seção fluvial Ano Vazão (m³/s) 1973 568 1974 689 1975 356 1976 258 1977 745 1978 895 1979 459 1980 256 1981 458 1982 564 1983 652 1984 598 1985 589 1986 635 1987 588 1988 721 1989 693 1990 542 1991 654 1992 459 1993 658 1994 701 1995 633 1996 548 1997 488 1998 706 1999 562 2000 588 2001 499 2002 766 HIDROGRAMA DE VAZÕES MÁXIMAS ANUAIS 0 100 200 300 400 500 600 700 800 900 1000 1970 1980 1990 2000 Q ( m ³ / s ) 3.2 – Tratamento Estatístico de Variáveis Hidrológicas3.2 – Tratamento Estatístico de Variáveis Hidrológicas Histograma de Frequências Absolutas Simples 2 0 1 3 4 7 6 5 1 1 0 1 2 3 4 5 6 7 8 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 Intervalos de Vazões (m³/s) m Vazões (m³/s) Freq. Absoluta 200 to 270 2 270 to 340 0 340 to 410 1 410 to 480 3 480 to 550 4 550 to 620 7 620 to 690 6 690 to 760 5 760 to 830 1 830 to 900 1 Ano Vazão (m³/s) 1973 568 1974 689 1975 356 1976 258 1977 745 1978 895 1979 459 1980 256 1981 458 1982 564 1983 652 1984 598 1985 589 1986 635 1987 588 1988 721 1989 693 1990 542 1991 654 1992 459 1993 658 1994 701 1995 633 1996 548 1997 488 1998 706 1999 562 2000 588 2001 499 2002 766 Vazões (m³/s) Freq. Absoluta Freq. Relativa 200 to 270 2 0,067 270 to 340 0 0,000 340 to 410 1 0,033 410 to 480 3 0,100 480 to 550 4 0,133 550 to 620 7 0,233 620 to 690 6 0,200 690 to 760 5 0,167 760 to 830 1 0,033 830 to 900 1 0,033 n 30 Histograma de Frequências Relativas Simples 0,00 0,05 0,10 0,15 0,20 0,25 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 Intervalos de Vazões (m³/s) m/n Ano Vazão (m³/s) 1973 568 1974 689 1975 356 1976 258 1977 745 1978 895 1979 459 1980 256 1981 458 1982 564 1983 652 1984 598 1985 589 1986 635 1987 588 1988 721 1989 693 1990 542 1991 654 1992 459 1993 658 1994 701 1995 633 1996 548 1997 488 1998 706 1999 562 2000 588 2001 499 2002 766 A freqüência relativa simples representa a probabilidade de que o valor de uma variável aleatória X esteja entre os valores limites de um certo intervalo de classe. [ ] nmxXxP ji =≤≤ [ ] %1313,0550480 3 ==≤≤ smQP Histograma de Frequências Relativas Simples 0,00 0,05 0,10 0,15 0,20 0,25 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 Intervalos de Vazões (m³/s) m/n Vazões (m³/s) Freq. Absoluta Freq. Relativa Freq. Rel. Acum Cresc. 200 to 270 2 0,067 0,067 270 to 340 0 0,000 0,067 340 to 410 1 0,033 0,100 410 to 480 3 0,100 0,100 480 to 550 4 0,133 0,333 550 to 620 7 0,233 0,567 620 to 690 6 0,200 0,767 690 to 760 5 0,167 0,933 760 to 830 1 0,033 0,967 830 to 900 1 0,033 1,000 n 30 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 1,000 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 m / n Intervalo de Vazões (m³/s) Histograma de Frequências Relativas Acumuladas Crescente 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 1,000 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 m / n Intervalo de Vazões (m³/s) Histograma de Frequências Relativas Acumuladas Crescente A freqüência relativa acumulada crescente representa a probabilidade de que o valor de uma variável aleatória X seja menor do que o limite superior do intervalo de classe considerado. [ ] ( )∑=≤ nmxXP j [ ] %3,33333,0550 3 ==≤ smQP 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 1,000 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 m / n Intervalo de Vazões (m³/s) Histograma de Frequências Relativas Acumuladas Decrescente Vazões (m³/s) Freq. Absoluta Freq. Relativa Freq. Rel. Acum Decresc. 200 to 270 2 0,067 1,000 270 to 340 0 0,000 0,933 340 to 410 1 0,033 0,933 410 to 480 3 0,100 0,900 480 to 550 4 0,133 0,800 550 to 620 7 0,233 0,667 620 to 690 6 0,200 0,433 690 to 760 5 0,167 0,233 760 to 830 1 0,033 0,067 830 to 900 1 0,033 0,033 n 30 A freqüência relativa acumulada decrescente representa a probabilidade de que o valor de uma variável aleatória X seja maior do que o limite inferior do intervalo de classe considerado. [ ] ( )∑−=≥ nmxXP i 1 [ ] %7,66667,0550 3 ==≥ smQP 0,000 0,100 0,200 0,300 0,400 0,500 0,600 0,700 0,800 0,900 1,000 200 to 270 270 to 340 340 to 410 410 to 480 480 to 550 550 to 620 620 to 690 690 to 760 760 to 830 830 to 900 m / n Intervalo de Vazões (m³/s) Histograma de Frequências Relativas Acumuladas Decrescente • PROBABILIDADE DE OCORRÊNCIA: • PROBABILIDADE DE EXCEDÊNCIA: [ ] nmxXxP ji =≤≤ [ ] ( )∑−=≥ nmxXP i 1 [ ] %7,66667,0550 3 ==≥ smQP [ ] %1313,0550480 3 ==≤≤ smQP Função Densidade de Probabilidade ( ) ( )∫=≤≤ b a x dxxfbxaP ( ) ( ) 1 0 = ≥ ∫ ∞ ∞− dxxf xf x x Propriedades: A função densidade de probabilidade fornece a probabilidade de que o valor de uma variável aleatória X esteja entre os valores limites de um certo intervalo de classe, por exemplo, entre “a” e “b”. Fonte: Naghettini e Pinto, 2007. Medidas Descritivas PopulacionaisMedidas Descritivas Populacionais [ ] ∑== )( iXiX xpxXE µ Valor Esperado:Valor Esperado: [ ] dxxfxXE XX ∫ ∞ ∞− == )(µ V.A. discreta:V.A. discreta: V.A. contínua:V.A. contínua: O Valor Esperado é uma medida de tendência central [ ] ( )[ ] [ ]( )[ ]2222 XEXEXEXVar XX −=−=== µµσ Variância:Variância: [ ] ( )2222 ][][ XEXEXVar X −=== µσ Medidas de dispersão em torno da medida centralMedidas de dispersãoem torno da medida central Desvio-padrão:Desvio-padrão: [ ] ( )( )22 ][][ XEXEXVarX −==σ [ ] ∫ ∫ ∞ ∞− ∞ ∞− −== 2 2 )()( dxxfxdxxfxXVar XXXσ Coeficiente de VariaçãoCoeficiente de Variação X X XCV µ σ = Coeficiente de Assimetria:Coeficiente de Assimetria: Coeficiente de CurtoseCoeficiente de Curtose ( ) ( )[ ] ( )3 3 3 3 X X X XE σ µ σ µγ −== ( ) ( )[ ] ( )4 4 4 4 X X X XE σ µ σ µ κ − == Fonte: Naghettini e Pinto, 2007. Medidas Descritivas AmostraisMedidas Descritivas Amostrais ∑ = = N i ixN X 1 1 Média Aritmética Simples:Média Aritmética Simples: Média Aritmética Ponderada:Média Aritmética Ponderada: ∑∑ == == +++ = k i ii k i ii kk xpxN NN xNxNxNX 11 2211 1... • Mediana : valor de x para o qual as probabilidades de ocorrência de valores superiores e inferiores são as mesmas e iguais a 50% • Moda : valor de x que possui a máxima probabilidade, ou em outras palavras, é o mais frequente. • Mediana : valor de x para o qual as probabilidades de ocorrência de valores superiores e inferiores são as mesmas e iguais a 50% • Moda : valor de x que possui a máxima probabilidade, ou em outras palavras, é o mais frequente. Desvio-Padrão Amostral:Desvio-Padrão Amostral: ( ) ( ) − − = − − == ∑∑ −− 2 22 11 11 X N x N N N Xx s i NN σ Coeficiente de Variação AmostralCoeficiente de Variação Amostral X sC NV 1−= Coeficiente de Assimetria Amostral:Coeficiente de Assimetria Amostral: ( )( ) +⋅− −− = ∑∑ XX N x N x NN Ng 2 ² 3 ³ 21 2 Fonte: Naghettini e Pinto, 2007. • A correlação entre duas variáveis aleatórias é uma técnica muito utilizada em Hidrologia. Muitas análises se baseiam nesta estatística. • A teoria da regressão e da correlação visa determinar a melhor relação de dependência entre as variáveis e estabelecer qual é o grau dessa dependência estocástica. REGRESSÃO E CORRELAÇÃO ENTRE VARIÁVEISREGRESSÃO E CORRELAÇÃO ENTRE VARIÁVEIS • Utilização das técnicas de regressão e correlação em hidrologia: • Extensão de séries • Previsão hidrológica • Regionalização hidrológica • Curva-chave ( ) ?? 0 == −= na hhaQ n • Problema Estatístico ou de CORRELAÇÃO: • Qual é o grau de dependência estocástica entre x e y ? • Qual é o coeficiente de correlação R entre x e y ? • Problema Geométrico ou de REGRESSÃO: • Qual é a melhor relação entre x e y ? • Qual é o lugar geométrico dos pontos (xi , yi ) que tornam mínimos os desvios entre os pontos observados e estimados ? • 1º Problema: R = ? • 2º Problema: a = ? b = ? Fonte: Naghettini, 1999. -1 ≤ R ≤ 1 R = 0 não existe correlação R = 1 relação funcional R = -1relação funcional Fonte: Naghettini, 1999. Modelos de Regressão: • Simples : • Linear: y = a X + b • Não linear: y = a X b • Múltipla : • Linear: y = a X + b Z + c T + ... • Não linear: y = a X m . Z n . T p • Seqüência para a regressão simples: • Agrupar as 2 amostras convenientemente • Verificar o sentido físico • Plotar os pontos (x , y) • Escolher o modelo de regressão, ou seja, a forma da equação • Resolver matematicamente o problema • Verificar se os resultados estão de acordo com os princípios físicos • Covariância ( )( )∑ −−= YyXxNYX ii1),cov( YX YX YXR σσ ρ . ),cov(2 , == • Coeficiente de Correlação Linearização de Funções: anamorfose logaritmica Função Transf. Y Transf. X Forma linearizada BAXY = ( )Ylog ( )Xlog ( ) ( ) ( )XBAY logloglog += 3.3 – Determinação da Probabilidade de um Evento Hidrológico ser Excedido 3.3 – Determinação da Probabilidade de um Evento Hidrológico ser Excedido Problema: Qual é a probabilidade P de uma variável hidrológica X ser igualada ou excedida em um ano qualquer ? Exemplo: Vazão em uma seção: P [ Q ≥ 40 m³/s ] = ? Altura de chuva: P [ h ≥ 120 mm] = ? Nível d’água: P [ y ≥ 4,0 m ] = ? Período de Retorno ( ou Tempo de Recorrência): Período de Retorno ( ou Tempo de Recorrência): Intervalo de tempo, em anos, em que uma variável hidrológica é igualada ou excedida, em mem méédiadia. T ( em anos) = 1/P É calculado como o inverso da probabilidade de excedência da variável aleatória hidrológica • Se uma vazão Q tem um período de retorno de 50 anos isto significa que, em média(!), esta vazão é igualada ou excedida a cada 50 anos. • Em outros termos: A vazão Q tem uma probabilidade P = 1/T = 1/50 = 0.02 (ou 2%) de ser igualada ou excedida, em um ano qualquer. • OBSERVAÇÕES IMPORTANTES: – Período de Retorno é um conceito probabilístico (não significa periodicidade!) – O período de retorno, T, é o inverso da probabilidade de excedência de um certo valor da variável aleatória. • Risco é a probabilidade de uma obra falhar pelo menos uma vez durante sua vida útil, n, para um certo período de retorno. Risco associado a um Período de Retorno: Risco associado a um Período de Retorno: • Exemplo: – Qual o risco da canalização de um rio falhar pelo menos uma vez durante sua vida útil, estimada em 30 anos? Suponha que a obra tenha sido projetada para T = 100 anos. – Resposta: r = 1 - (1 - 1/100)30 = 0,2603 = 26,03% n T r −−= 111 0 20 40 60 80 100 R i s c o ( % ) 0 10 20 30 40 50 Vida Útil (anos) T = 5 anos T = 10 anos T = 50 anos T = 100 anos T = 500 anos Fonte: Zahed e Mello, 2010. Função de Distribuição Acumulada ( ) ( ) ( )bxPdxxfbF b xx ≤== ∫ ∞− A função de distribuição acumulada representa a probabilidade de não-excedência do valor b Fonte: Naghettini e Pinto, 2007. Probabilidade de Excedência [ ] [ ] ( ) ( )dxxfbFbXPbXP b xx ∫ ∞− −=−=≤−=> 111 Período de RetornoPeríodo de Retorno [ ] [ ] ( ) ( )dxxfbFbXPbXP T b x x ∫ ∞− − = − = ≤− = > = 1 1 1 1 1 11 Exemplo:Exemplo: [ ] [ ] ( ) ( )dhhfFhPhP T h h ∫ ∞− − = − = ≤− = > = 100 1 1 1001 1 1001 1 100 1 Qual o período de retorno de uma chuva de 100mm na cidade de Joinville? Fator de Frequência:Fator de Frequência: Chow (1964): TX Kxondexx ⋅=∆∆+= σµ TXT Kx ⋅+=⇒ σµ Usando as estimativas amostrais: TXT KXx ⋅+= σ KT é o fator de frequência associado ao modelo probabilístico e ao período de retorno T. Funções de Distribuição Acumuladas mais utilizadas em Hidrologia ( ) ( ) ( )bxPdxxfbF b xx ≤== ∫ ∞− A função de distribuição acumulada representa a probabilidade de não-excedência do valor b A função de distribuição acumulada representa a probabilidade de não-excedência do valor b Distribuições: Normal: vazões médias e totais de chuvas anuais Log-Normal: vazões médias e totais de chuvas anuais e mensais vazões máximas anuais e vazões máximas mensais Gumbel: vazões máximas anuais e mensais chuvas diárias máximas anuais e mensais Log-Pearson III: vazões máximas e chuvas diárias máximas anuais Distribuições: Normal: vazões médias e totais de chuvas anuais Log-Normal: vazões médias e totais de chuvas anuais e mensais vazões máximas anuais e vazões máximas mensais Gumbel: vazões máximas anuais e mensais chuvas diárias máximas anuais e mensais Log-Pearson III: vazões máximas e chuvas diárias máximas anuais DISTRIBUIÇÃO NORMAL (ou de GAUSS) É uma distribuição simétrica de 2 parâmetros: µ e σÉ uma distribuição simétrica de 2 parâmetros: µ e σ ( ) ( ) ∞<<∞−⋅= −− xexf x X 2 2 2 2 1 σ µ piσ Fonte: Zahed e Mello, 2010. DISTRIBUIÇÃO NORMAL (ou de GAUSS) ( ) ( ) dxedxxfxF x xx X ∫∫ ∞− − − ∞− ⋅== 2 2 2 2 1)( σ µ piσ Fonte: Zahed e Mello, 2010. DISTRIBUIÇÃO NORMAL (ou de GAUSS) ( ) ∫ ∞− − =Φ⇒⋅= z Z z z dzzfzezf )()(2 1 2 2 pi σ µ− = x z ( ) ( ) ∞<<∞−⋅= − − xexf x X 2 2 2 2 1 σ µ piσ Distribuição Normal Padrão N(0,1) – tabelada :Distribuição Normal Padrão N(0,1) – tabelada : Variável central reduzida:Variável central reduzida: Fonte: Pinto e outros, 1976. Fonte: Naghettini e Pinto, 2007. XTT KXx σ+= Nesse caso: X T Xx zK σ − == DISTRIBUIÇÃO LOG-NORMAL ( ) ∫ ∞− − =Φ⇒⋅= z Z z z dzzfzezf )()(2 1 2 2 pi • É uma distribuição assimétrica de 2 parâmetros: µy e σy • É a distribuição normal dos logaritmos de X: • É uma distribuição assimétrica de 2 parâmetros: µy e σy • É a distribuição normal dos logaritmos de X: Y Yyz σ µ− = ii xy ln= Distribuição Normal Padrão N(0,1) – tabelada :Distribuição Normal Padrão N(0,1) – tabelada : Variável central reduzida:Variável central reduzida: YTT KYy σ+= Nesse caso: Y T Yy zK σ − == Ty T ex = DISTRIBUIÇÃO DE GUMBEL Fonte: Zahed e Mello, 2010. DISTRIBUIÇÃO DE GUMBEL É uma distribuição assimétrica de 2 parâmetros: α e βÉ uma distribuição assimétrica de 2 parâmetros: α e β β α− = xy σσ pi β σµβµα ⋅=⋅= ⋅−=⋅−= 7797,06 45,05772,0 Variável reduzida:Variável reduzida: b ax e X exXPXF − − − =≤= )()( ye Y eyF − − =)( DISTRIBUIÇÃO DE GUMBEL σ σµ β α 7797,0 45,0+− = − = xxy Variável reduzida:Variável reduzida: ye Y eyF − − =)( T eyFxXP ye Y 11)(1)( =−=−=≥ −− −−−= T y 11lnln yee T − − − = 1 1 X XXT T XKXy σ σσ 7797,0 45,0+−+ = XTT KXx σ+= X XT T Xxy σ σ 7797,0 45,0+− = 45,07797,0 += TT yK Exemplo de aplicação: Determinação de Q para um certo período de retorno T Exemplo de aplicação: Determinação de Q para um certo período de retorno T 1. Com o valor de TT desejado calcula-se yyTT 2. O valor de KKTT depende somente de yy 3. O valor de QQTT é então calculado por: −−−= T y T 11lnln 45,07797,0 −= TT yK QTT KQQ σ⋅+= DISTRIBUIÇÃO LOG-GUMBEL (ou FRÉCHET) É a distribuição de Gumbel dos logaritmos de X:É a distribuição de Gumbel dos logaritmos de X: ii xz ln= 45,07797,0 −= yKT −−−= T y 11lnln ZTT KZz σ⋅+= Tz T ex = DISTRIBUIÇÃO LOG-PEARSON III • É uma distribuição assimétrica de 3 parâmetros: a média µ, o desvio-padrão σ , e o coeficiente de assimetria g, aplicados aos logaritmos de X : • É uma distribuição assimétrica de 3 parâmetros: a média µ, o desvio-padrão σ , e o coeficiente de assimetria g, aplicados aos logaritmos de X : ii xy ln= ( ) ( ) ( ) 23 1 2 1 3 2 −− −⋅ = ∑ ∑ = = N i i N i i YyN YyN g Fonte: Zahed e Mello, 2010. DISTRIBUIÇÃO LOG-PEARSON III YTT KYy σ+= T y T ex = Fonte: Zahed e Mello, 2010. Exemplo numérico: Calcular a vazão de 10 anos de período de retorno do Rio do Peixe Exemplo numérico: Calcular a vazão de 10 anos de período de retorno do Rio do Peixe QmaxAno 81.61947 73.11948 60.21949 49.71950 68.31951 114.51952 89.91953 40.41954 44.61955 68.71956 59.61957 67.71958 70.31959 47.01960 69.41961 48.81962 33.91963 71.51964 93.51965 79.51966 107.91967 73.31968 40.71969 92.21970 68.31971 54.81972 61.91973 38.41974 59.21975 52.41976 Vazão média: Qm= 63,04 m 3/s Desvio padrão: σQ= 19,70 m 3/s TT KQ 70,1904,63 += 1 – Usando a Distribuição Normal QTT KQQ σ+= Q T QQ zK σ − == TT KQ 70,1904,63 += 10,0 10 1110 ===⇒= T PanosT 90,010,011 =−=− P ( ) 28,190,01 10 ==⇒=−⇒ KzPpara ( ) 28,190,01 10 ==⇒=−⇒ KzPpara TT KQ 70,1904,63 += smQ Q Kpara 3 10 10 10 256,88 28,1.70,1904,63 28,1 =⇒ +=⇒ ==⇒ Q10= 63,04 + 1,304 x 19,70 Q10= 88,74 m3/sQ10= 88,74 m3/s 250,2 10 11lnln = −−−=y 304,145,0250,2.7797,0 =−=TK 2 – Usando a Distribuição de Gumbel y10= 2,250 Q10 = 89 m3/s y100= 4,601 Q100 = 125 m3/s y1000= 6,907 Q1000= 160 m3/s Calculando y para outros valores de T Para T= 10 anos: Para T= 100 anos: Para T= 1000 anos: Papel de ProbabilidadePapel de Probabilidade -1 1 3 5 7 9 variável reduzida (y) Papel de Probabilidades de Gumbel 1.1 2 5 20 100 500 2000 1000010 50 200 1000 5000 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto Fonte: Zahed e Mello, 2010. -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 variável reduzida (z) Papel de Probabilidades Normal 2 5 10 20 50 100 200 500 1000 2000 5000 100001.1 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto Fonte: Zahed e Mello, 2010. -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 variável reduzida (z) Papel de Probabilidades Log-Normal 2 5 10 20 50 100 200 500 1000 2000 5000 100001.1 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto Fonte: Zahed e Mello, 2010. -1 1 3 5 7 9 variável reduzida (y) Papel de Probabilidades de Gumbel 1.1 2 5 20 100 500 2000 1000010 50 200 1000 5000 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto Fonte: Zahed e Mello, 2010. DISTRIBUIÇÃO DE GUMBELDISTRIBUIÇÃO DE GUMBEL -1 1 3 5 7 9 variável reduzida (y) Papel de Probabilidades de Gumbel 1.1 2 5 20 100 500 2000 1000010 50 200 1000 5000 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto para T= 10 anos: y10= 2,250 Q10= 89 m3/s 20 40 60 80 100 120 140 160 180 200 para T= 100 anos: y100= 4,601 Q100= 125 m3/spara T= 1000 anos: y1000= 6,907 Q1000= 161 m3/s Reta teórica • Ordenar as vazões em ordem decrescente e atribuir a cada uma delas uma probabilidade empírica dada pela expressão: P(q > Q) = m/(N+1) como na Tabela: Processo Gráfico Número de Vazão Probabilidade Período de Ordem Retorno m Q P(q >= Q) T = 1/P 1 Q 1 1/(N+1) (N+1) 2 Q 2 2/(N+1) (N+1)/2 3 Q 3 3/(N+1) (N+1)/3 ... ... ... ... ... ... ... ... N Q N N/(N+1) (N+1)/N Fonte: Zahed e Mello, 2010. QmaxAno 81.61947 73.11948 60.21949 49.71950 68.31951 114.51952 89.91953 40.41954 44.61955 68.71956 59.61957 67.71958 70.31959 47.01960 69.41961 48.81962 33.91963 71.51964 93.51965 79.51966 107.91967 73.31968 40.71969 92.21970 68.31971 54.81972 61.91973 38.41974 59.21975 52.41976 Aplicação do procedimento gráficoAplicação do procedimento gráfico TPacumQmaxAnoN. de Ordem N+1m/N+1m 31.000.03114.519521 15.500.06107.919672 10.330.1093.519653 7.750.1392.219704 6.200.1689.919535 5.170.1981.619476 4.430.2379.519667 3.880.2673.319688 3.440.2973.119489 3.100.3271.5196410 2.820.3570.3195911 2.580.3969.4196112 2.380.4268.7195613 2.210.4568.3195114 2.070.4868.3197115 1.940.5267.7195816 1.820.5561.9197317 1.720.5860.2194918 1.630.6159.6195719 1.550.6559.2197520 1.480.6854.8197221 1.410.7152.4197622 1.350.7449.7195023 1.290.7748.8196224 1.240.8147.0196025 1.190.8444.6195526 1.150.8740.7196927 1.110.9040.4195428 1.070.9438.4197429 1.030.9733.9196330 Fonte: Zahed e Mello, 2010. -1 1 3 5 7 9 variável reduzida (y) Papel de Probabilidadesde Gumbel 1.1 2 5 20 100 500 2000 1000010 50 200 1000 5000 T(anos) Prof. Dr. Kamel Zahed Filho Prof. Dr.Rubem La Laina Porto 20 40 60 80 100 120 140 160 180 200 TPacumQmax N+1m/N+1 31.000.03114.5 15.500.06107.9 10.330.1093.5 7.750.1392.2 6.200.1689.9 5.170.1981.6 4.430.2379.5 3.880.2673.3 3.440.2973.1 3.100.3271.5 2.820.3570.3 2.580.3969.4 2.380.4268.7 2.210.4568.3 2.070.4868.3 1.940.5267.7 1.820.5561.9 1.720.5860.2 1.630.6159.6 1.550.6559.2 1.480.6854.8 1.410.7152.4 1.350.7449.7 1.290.7748.8 1.240.8147.0 1.190.8444.6 1.150.8740.7 1.110.9040.4 1.070.9438.4 1.030.9733.9 Q100= 136 m3/s Reta empírica Aplicação do procedimento gráficoAplicação do procedimento gráfico -1 1 3 5 7 9 Papel de Probabilidades de Gumbel 1.1 2 5 20 100 500 2000 1000010 50 200 1000 5000 T(anos) 20 40 60 80 100 120 140 160 180 200 Reta empírica Reta teórica Aplicação do procedimento gráficoAplicação do procedimento gráfico Fontes : • Naghettini, M. Engenharia de Recursos Hídricos – Notas de Aula, Departamento de Engenharia Hidráulica e Recursos Hídricos, EE-UFMG, Belo Horizonte, 1999. • Zahed Fº, K & Mello Jr. A. V. Material de Aulas - Disciplina PHD2307 -Hidrologia Aplicada, Departamento de Engenharia Hidráulica e Ambiental, Poli-USP, São Paulo, 2010. • Naghettini, M. e Pinto, E. J. A. Hidrologia Estatística, CPRM, Belo Horizonte, 2007. (in: http://www.cprm.gov.br). . Pinto, N.L.S. e outros. Hidrologia Básica, Edit. Edgard Blucher, São Paulo, 1976.
Compartilhar