Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2018-03-21T12:37:29Z
No. of bitstreams: 1
MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-03-23T15:26:03Z (GMT) No. of bitstreams: 1
MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5) / Made available in DSpace on 2018-03-23T15:26:03Z (GMT). No. of bitstreams: 1
MarconioSilvaDosSantos_TESE.pdf: 17070388 bytes, checksum: 46702d837c8c304ffc379088625742aa (MD5)
Previous issue date: 2017-11-24 / Neste trabalho, ? feita uma modelagem estat?stica da precipita??o pluvial. Este ?
um trabalho metodol?gico que utiliza simula??es estoc?sticas para estimar as distribui??es
de probabilidades envolvidas na modelagem dessa vari?vel atmosf?rica. A fim de estimar
os par?metros dessas distribui??es, foram utilizados m?todos de Monte Carlo via cadeias
de Markov para gerar amostras sint?ticas de tamanho grande a partir de dados observados.
Os m?todos utilizados foram o algoritmo de Metropolis-Hastings e o amostrador de
Gibbs. As simula??es foram feitas sob a hip?tese de que os dias de um mesmo per?odo do
ano (m?s ou esta??o chuvosa) podem ser considerados como identicamente distribu?dos
em rela??o ? probabilidade de ocorrer precipita??o. Essa pesquisa possibilitou a produ??o
de quatro artigos. O primeiro artigo utilizou o algoritmo de Metropolis-Hastings para
modelar a probabilidade de ocorr?ncia de precipita??o em um dia qualquer do m?s. As
simula??es desse artigo foram feitas com dados observados de algumas cidades brasileiras.
Os demais artigos utilizaram o amostrador de Gibbs e os m?todos propostos foram
aplicados em cidades da regi?o Nordeste do Brasil. No segundo artigo, as distribui??es
Beta e Binomial foram utilizadas para modelar o n?mero de dias do m?s com ocorr?ncia
de precipita??o. No terceiro artigo, a distribui??o de Poisson foi utilizada para modelar
o n?mero de dias com valores extremos de precipita??o na esta??o chuvosa. Um m?todo
alternativo para estimar esses valores extremos e sua distribui??o ? apresentado no quarto
artigo, utilizando a distribui??o Gama. De acordo com os resultados dessas pesquisas,
amostrador de Gibbs foi considerado adequado para estimar as distribui??es na modelagem
da precipita??o em cidades para as quais h? poucos dados hist?ricos. / In this work, it was made a statistical modeling of precipitation. This is a methodological
work that uses stochastic simulations to estimate the probability distributions
related to this atmospheric variable. In order to estimate the parameters of these distributions,
Markov chain Monte Carlo methods were used to generate large size synthetic
samples from observed data. The used methods were the Metropolis-Hastings algorithm
and the Gibbs sampler. The simulations were performed under the hypothesis that the
days of of the same period of the year (month or rainy season) can be considered to be
identically distributed concernig the probability of precipitation. This research allowed
the production of four papers. The first paper used the Metropolis-Hastings algorithm
to model the probability of occurrence of precipitation on any day of the month. The
simulations of this paper were perfomed with observed data of some Brazilian cities. The
other papers used the Gibbs sampler and the proposed methods were applied to data from
cities in the Northeast Brazil. In the second paper, Beta and Binomial distributions were
used to model the number of days of the month with occurrence of precipitation. In the
third paper, the Poisson distribution was used to model the number of days with precipitation
extreme values in the rainy season. An alternative method for estimating these
extreme values and their distribution is presented in the fourth paper, using the Gamma
distribution. According to the results obtained by these researches, the Gibbs sampler
was considered to be adequate to estimate distributions in the modeling of precipitation
on cities for which there are few historical data.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/24953 |
| Date | 24 November 2017 |
| Creators | Santos, Marconio Silva dos |
| Contributors | 77231295720, Silva, Cl?udio Mois?s Santos e, 66961513204, Dias, Pedro Leite da Silva, 38325250844, Ambrizzi, T?rcio, 02280474808, Gon?alves, Weber Andrade, 04507293464, L?cio, Paulo S?rgio |
| Publisher | PROGRAMA DE P?S-GRADUA??O EM CI?NCIAS CLIM?TICAS, UFRN, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0043 seconds