MODELAGEM BAYESIANA DA TEMPERATURA MÁXIMA DO AR EM DIVINÓPOLIS-MG

Authors:
Open Access
Publisher website
Google Scholar
Abstract
Nesta pesquisa, objetivou-se modelar o comportamento da temperatura máxima trimestral da cidade de Divinópolis-MG, ajustando a distribuição Generalizada de Valores Extremos às séries históricas de temperaturas máximas através de dois métodos distintos: Máxima Verossimilhança (MV) e Inferência Bayesiana. Objetivou-se também, para cada tempo de retorno, calcular os níveis de retorno de temperatura máxima da referida localidade, avaliando a acurácia e o erro médio de predição (EMP). Para o cálculo dos níveis de retorno foram utilizados o método de MV e abordagens Bayesianas utilizando diferentes estruturas de priori, considerando distribuições a priori informativas (Belo Horizonte e Lavras) e não informativas, e também, pelo método de Máxima Verossimilhança. Analisando-se os resultados do EMP e acurácia, verificou-se que, para todos os trimestres, a inferência Bayesiana propiciou melhores estimativas da temperatura máxima em comparação com o método de MV. A distribuição a priori informativa, fundamentada nos dados de Lavras-MG, apresentou maior precisão nas predições de temperatura máxima do segundo e terceiro trimestres, e a distribuição a priori não informativa apresentou maior precisão para o primeiro e quarto trimestres da cidade de Divinópolis-MG. Palavras-chave: distribuição generalizada de valores extremos; máxima verossimilhança; priori. Bayesian modeling of maximum air temperature in Divinópolis-MG This research aimed to model the behavior of the quarterly maximum temperature in the city of Divinópolis-MG by fitting the Generalized Extreme Value (GEV) distribution to a historical series of maximum temperatures using two distinct methods: Maximum Likelihood Estimation (MLE) and Bayesian Inference. Additionally, the maximum temperature return levels for the specified locality were calculated for each return period, assessing the accuracy and mean prediction error (MPE). For the calculation of return levels, both the MLE method and Bayesian approaches were utilized with different prior structures, considering informative priors (based on data from Belo Horizonte and Lavras) and non-informative priors, as well as the MLE method. Analysis of the MPE and accuracy results revealed that, for all quarters, Bayesian inference provided superior estimates of maximum temperature than the MLE method. Based on Lavras-MG data, The informative prior distribution exhibited higher precision in maximum temperature predictions for the second and third quarters. The non-informative prior distribution exhibited greater precision for the first and fourth quarters in Divinópolis-MG. Keywords: generalized extreme value distribution; maximum likelihood; priors.

This publication has 30 references indexed in Scilit: