ads:
ANÁLISE DE VALORES EXTREMOS PARA
DADOS DE POLUIÇÃO ATMOSFÉRICA NA
CIDADE DE SÃO PAULO
HERNANI MARTINS JÚNIOR
2010
1
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
HERNANI MARTINS JÚNIOR
ANÁLISE DE VALORES EXTREMOS PARA DADOS DE POLUIÇÃO
ATMOSFÉRICA NA CIDADE DE SÃO PAULO
Dissertação apresentada à Universidade Federal
de Lavras, como parte das exigências do
Programa de Pós-Graduação em Estatística e
Experimentação Agropecuária, área de
concentração em Estatística e Experimentação
Agropecuária, para a obtenção do título de
"Mestre".
Orientadora
Profa.Dra. Thelma Sáfadi
LAVRAS
MINAS GERAIS - BRASIL
2010
2
ads:
3
Martins Junior, Hernani.
Análise de valores extremos para dados de poluição atmosférica
na cidade de São Paulo / Hernani Martins Junior. – Lavras : UFLA,
2010.
88 p. : il.
Dissertação (mestrado) – Universidade Federal de Lavras, 2010.
Orientador: Thelma Sáfadi.
Bibliografia.
1. Distribuição generalizada de valores extremos. 2. VaR. 3.
Testes de aderência. I. Universidade Federal de Lavras. II. Título.
CDD – 519.532
Ficha Catalográfica Preparada pela Divisão de Processos Técnicos da
Biblioteca Central da UFLA
HERNANI MARTINS JÚNIOR
ANÁLISE DE VALORES EXTREMOS PARA DADOS DE POLUIÇÃO
ATMOSFÉRICA NA CIDADE DE SÃO PAULO
Dissertação apresentada à Universidade Federal
de Lavras, como parte das exigências do
Programa de Pós-Graduação em Estatística e
Experimentação Agropecuária, área de
concentração em Estatística e Experimentação
Agropecuária, para a obtenção do título de
"Mestre".
APROVADA em 18 de fevereiro de 2010
Prof. Dr. Joel Augusto Muniz UFLA
Prof. Dr. Luiz Alberto Beijo UNIFAL-MG
Profa. Dra. Thelma Sáfadi
UFLA
(Orientadora)
LAVRAS
MINAS GERAIS – BRASIL
4
A minha filhinha Helena;
Aos meus dedicados mestres,
Dedico.
5
AGRADECIMENTOS
A Deus, pelos ensinamentos celestiais e conforto nas horas bem
precisas.
Aos meus pais, Hernani e Doxinha, pelo apoio financeiro, moral, e em
especial pela tão bela amizade oferecida por eles.
A minha querida professora e orientadora Thelma Sáfadi, que com
carinho me acolheu.
Ao professor Mário Vivanco, por seu ministério do ensino.
A minha tia Dra. Helena Martins, pelo exemplo de vida dado e por ter
me ajudado a dar os primeiros passos na vida acadêmica.
Aos meus irmãos, pela torcida sempre presente.
A minha esposa, Patrícia.
Ao meu cunhado Marcos Lopes, inventor do PF.
Aos meus colegas de curso.
A todos os demais funcionários do DEX, pelos serviços prestados.
Com carinho especial agradeço à UFLA pelo exercício da mais nobre
das missões, ensinar.
Ao CNPq, pela ajuda financeira e por acreditar no potencial do povo
brasileiro.
Ao programa de Pós-Graduação em Estatística e Experimentação
Agropecuária, pela oportunidade e pelos ensinamentos.
A todos que contribuíram, direta ou indiretamente para a realização
deste trabalho, meus eternos agradecimentos.
6
SUMÁRIO
LISTA DE SÍMBOLOS E ABREVIATURAS .....................................................i
LISTA DE FIGURAS..........................................................................................iii
LISTA DE TABELAS..........................................................................................v
RESUMO.............................................................................................................vi
ABSTRACT .......................................................................................................vii
1 INTRODUÇÃO.................................................................................................1
1.1 Contextualização.............................................................................................1
1.2 Relevância do Estudo......................................................................................2
1.3 Objetivos.........................................................................................................3
2 REFERENCIAL TEÓRICO..............................................................................4
2.1 Poluição Atmosférica......................................................................................4
2.2.1 Classificação...............................................................................................4
2.2.2 CO...............................................................................................................5
2.2.3 MP
10
............................................................................................................6
2.2 Dispersão da poluição atmosférica .................................................................7
2.3 Limites legais..................................................................................................9
2.4 Danos da poluição atmosférica.....................................................................12
2.5 Valores Extremos..........................................................................................14
2.5.1 Aplicação dos Valores Extremos..............................................................14
2.5.2 Séries Temporais - Conceitos...................................................................17
2.5.2.1 Estacionaridade.......................................................................................18
2.5.2.2 Teste de tendência..................................................................................19
2.5.2.3 Teste de Sazonalidade.............................................................................21
2.5.2.4 Teste Gráfico Para a Variância. ..............................................................22
2.5.2.5 Função de Autocorrelação ......................................................................22
7
2.5.3 Pontos Além do Limiar – Blocos...............................................................23
2.5.3 Teoria da probabilidade aplicada aos Valores Extremos...........................25
2.5.3.1 Algumas definições.................................................................................25
2.5.3.2 Justificativa ao uso dos valores extremos...............................................27
2.5.3.3 Teorema de Fisher-Tippett......................................................................28
2.5.3.4 Domínio da Atração do Máximo............................................................30
2.5.3.5 Distribuição Generalizada de Valores Extremos....................................30
2.5.3.5.1 Estimação de parâmetros para a DGVE...............................................33
2.5.3.5.2 Método de Newton-Raphson...............................................................43
2.5.4 Teste da Razão de Verossimilhança ..........................................................44
2.5.5 Medidas da qualidade do ajuste...............................................................46
2.5.6 Probabilidade de Ocorrência.....................................................................47
2.5.7 Tempo de Retorno ...................................................................................48
2.6 Valor ao Risco (VaR) ...................................................................................49
3 MATERIAIS E MÉTODOS............................................................................54
3.1 Material.........................................................................................................54
3.2 Métodos ........................................................................................................55
3.2.1 Análise Exploratória................................................................................. 55
3.2.2 Estimação dos Parâmetros........................................................................56
3.2.3 Teste da Razão de Verossimilhança .........................................................56
3.2.4 Validação dos modelos.............................................................................56
3.2.5 Valor ao Risco ..........................................................................................57
4 RESULTADOS E DISCUSSÃO.....................................................................58
4.1 Série histórica referente ao monóxido de carbono........................................58
4.1.1 Escolha do tamanho do bloco e estimação dos parâmetros..................... 59
4.1.2 Verificando a variância, a tendência e a sazonalidade..............................62
4.1.3 Estimando os parâmetros..........................................................................63
4.1.4 Validando o modelo..................................................................................66
8
4.1.5 Calculando o VaR.....................................................................................67
4.2 Série histórica referente ao material particulado...........................................68
4.2.2 Verificando a variância, tendência e sazonalidade ................................... 73
4.2.3 Estimando os parâmetros..........................................................................74
4.2.4 Validando o modelo..................................................................................77
4.2.5 Calculando o VaR......................................................................................79
5 CONCLUSÕES...............................................................................................81
5.1 Série de concentrações do Monóxido deCarbono (CO)................................81
5.2 Série de concentrações do Material Particulado (MP
10
)..............................81
REFERÊNCIAS BIBLIOGRÁFICAS ...............................................................83
9
i
LISTA DE SÍMBOLOS E ABREVIATURAS
CETESB Companhia Ambiental do Estado de São Paulo
CO Monóxido de Carbono
CONAMA Conselho Nacional do Meio Ambiente
DG Distribuição Gumbel
DGVE Distribuição Generalizada de Valores Extremos
GVE Generalizada de Valores Extremos
EMV Estimador de Máxima Verossimilhança
IBAMA Instituto Brasileiro de Meio Ambiente e dos Recursos
Naturais Renováveis
i.i.d Independente e identicamente distribuído
K-S Kolmogorv-Smirnov
Max Máximo
MDA Maximum Domain of Attraction
Min Mínimo
ML Maximum likelihood
MP
10
Material particulado com dimensões menores que 10
micrômetros
POT Peakes Over Threshold
ppm Partes por milhão
SO
2
Dióxido de Enxofre
TVE Teoria de Valores extremos
v.a Variável Aleatória
VaR Valor ao Risco
3
/mg
μ
Micrograma por metro cúbico
ii
LISTA DE FIGURAS
FIGURA 1 Distribuição Generalizada de Valores Extremos com parâmetro de
curva maior que zero, representando uma Fréchet; com parâmetro
de curva igual a zero, representando uma Gumbel; e com
parâmetro de curva menor que zero representando uma Weibull.
....................................................................................................31
FIGURA 2 Representação gráfica do método de Newton-Raphson..................44
FIGURA 3 (a) Série histórica - observações horárias - da Concentração de CO
no centro de São Paulo em de Jan. 1997 a Dez. de 2007;
(b) Função de Autocorrelação para a v.a. Concentração de CO; (c)
Série de 945 máximos CO - blocos de 100 observações; (d)
Função de Autocorrelação para a v.a. 945 Máximos de CO........60
3
/gm
μ
FIGURA 4 (a) Série de 281 máximos CO - blocos de 356 observações; (b)
Função de Autocorrelação para a v.a. 281 Máximos de CO.........61
FIGURA 5 (a) Amplitude X Média para v.a. 281 máximos de CO; (b)
Periodograma para v.a. 281 máximos de CO................................62
FIGURA 6 (a) Histograma relativo a todos os dados 94500 observações
horárias; (b) Histograma relativo aos 281 máximos de CO..........64
FIGURA 7 Probabilidades e quantis para DGVE ajustada para v.a. CO com
n=356............................................................................................66
FIGURA 8 Densidade amostral da v.a. Máximos de CO, n=356 e Densidade da
D.G.V.E. ajustada. ........................................................................67
FIGURA 9 (a) Série histórica - observações horárias - da Concentração de MP10
no centro de São Paulo em de Jan. 1997 a Dez. de 2007;
(b) Função de Autocorrelação para a v.a. Concentração de MP10;
(c) Série de 945 máximos MP10 - blocos de 100 observações; (d)
Função de Autocorrelação para a v.a. 945 Máximos de MP10. ..70
3
/gm
μ
FIGURA 10 (a) Série de 281 máximos – blocos de 356 observações - de MP10
no centro de São Paulo em de Jan. 1997 a Dez. de 2007;
(b) Função de Autocorrelação para a v.a. 281 Máximos de
MP10; (c) Série de 100 Máximos MP10 - blocos de 945
3
/gm
μ
iii
iv
observações; (d) Função de Autocorrelação para a v.a. 100
Máximos de MP10......................................................................72
FIGURA 11 (a) Média X Amplitude da v.a. 100 Máximos de MP10; (b)
Periodograma para v.a. 100 Máximos de MP10.........................73
FIGURA 12 (a) Histograma referente a todas as observações da v.a.
Concentração de MP10; (b) Histograma referente a v.a. 100
Máximos de MP10......................................................................75
FIGURA 13 (a) Probabilidade observada - Probabilidade estimada (PP-Plot) e
(b) Quantil observado - Quantil estimado (QQ-Plot) para D.
Gumbel ajustada para v.a. MP10 com n=945............................1
FIGURA 14 (a) Densidades empírica e amostral; (b) Função acumulada da DG
ajustada e Fn(x) para o teste de K-S. ..........................................78
v
LISTA DE TABELAS
TABELA 1 EMV e respectivos Erros Padrões, para DGVE e DG ajustadas para
v.a. CO........................................................................................65
TABELA 2 Níveis de risco e Valores ao Riscos para v.a. Máximos de CO......68
TABELA 3 EMV e respectivos Erros Padrões, para DGVE e DG ajustadas para
v.a. MP10....................................................................................76
TABELA 4 Níveis de risco e Valores aos Riscos para v.a. Máximos de MP10.79
vi
RESUMO
MARTINS JÚNIOR, Hernani. Análise de valores extremos para dados de
poluição atmosférica na cidade de São Paulo. 2010. 88 p. Dissertação
(Mestrado em Estatística e Experimentação Agropecuária) - Universidade
Federal de Lavras, Lavras, MG.
1
Elevados índices de poluição atmosférica têm piorado continuamente a
vida das populações das grandes cidades. Sendo assim, faz-se necessário um
rigoroso controle destas variáveis. Esta dissertação busca modelar os eventos
extremos de séries de poluentes atmosféricos em São Paulo. Para isso, é
utilizada a metodologia de valores extremos aplicada a séries temporais
estacionarias e independentes. Os parâmetros da distribuição generalizada de
valores são estimados via Método da Máxima Verossimilhança, cuja solução de
sistema de equações de verossimilhança é dada por métodos iterativos de
solução. A adequabilidade do modelo é testada pelo teste de Kolmogorov-
Smirnov. Uma vez ajustado um modelo, este, bem como as estimativas de seus
parâmetros são utilizados para cálculo do VaR, Valor ao Risco, que é uma
medida de risco muito utilizada no mercado financeiro. Esta aplicação pode
dizer se o uso do VaR é útil na monitoração destas variáveis atmosféricas.
Palavras-chave: poluição atmosférica, valores extremos, distribuição
generalizada de valores extremos, VaR, testes de aderência.
1
Orientadora: Thelma Sáfadi
vii
ABSTRACT
MARTINS JÚNIOR, Hernani. Extreme values analysis applied to
atmospheric pollution data of São Paulo city. 2010. 88 p. Dissertation (Master
of Statistics and Agricultural Experimentation) - Federal University of Lavras,
Lavras, MG.
1
High levels of air pollution have steadily worsened the lives of people in
big cities. Therefore it is necessary a rigorous control of these variables. This
work tries to model the extreme events of a series of air pollutants in Sao Paulo.
For this is the methodology of extreme values applied to stationary time series
and independent. The distribution parameters are estimated by Maximum
Likelihood Method for the solution of equations likelihood is given by iterative
methods of solution. The suitability of the model is tested by the Kolmogorov-
Smirnov test. Once you set a template, this, as well as estimates of its parameters
are used to calculate the VaR, Value at Risk, which is a risk measure commonly
used in the financial market. This application can tell whether the use of VaR is
useful in monitoring these atmospheric variables.
Keywords: air pollution, extremes values, generalized extreme value
distribution, VaR, significance test.
1
Adviser: Thelma Sáfadi– UFLA
1
1 INTRODUÇÃO
1.1 Contextualização
Não faz tanto tempo assim, simplesmente falar sobre o aquecimento
global soava algo infundado e extemporâneo. Hoje, ainda que os céticos
resistam às evidências, trata-se de um fenômeno que, de fato, representa uma
ameaça real à vida no planeta terra tal como a conhecemos. Cientistas veem para
os próximos quinze anos um desfecho esperado para daqui cinqüenta anos. O
aquecimento global avança de forma assustadora, em um processo que se
retroalimenta e não dá sinais de que vai parar.
Mayer (1999), apresenta o problema da poluição atmosférica como uma
constante. Está presente em quase todas as megacidades como conseqüência
(principalmente) da queima de combustíveis por fontes móveis.
Devido ao fato de as grandes cidades abrigarem boa parte da população
mundial, esta informação é crucial. Em suma, pode-se dizer que a poluição
atmosférica está presente onde há grande número de pessoas, potencializando o
seu efeito na saúde pública.
Outro motivo preocupante é que a alta concentração de gases poluentes é
grande responsável pelo efeito estufa, pois impedem a saída das ondas de calor
em direção ao espaço. Um processo que começou no século dezenove, a partir
da revolução industrial. A partir daí o homem começou a andar de automóveis, a
consumir mais, a extrair petróleo e queimá-lo como fonte de energia para a
manutenção das cidades superpopulosas.
A despeito do tão alardeado efeito estufa, qualquer que seja o poluente,
ele afeta diretamente a saúde humana, que deve ser o foco de toda e qualquer
política pública. Com o processo de urbanização, seguido do processo de
verticalização das cidades, agravado pelo uso em massa de veículos, as cidades
modernas se tornaram um verdadeiro formigueiro humano. Industrialização
2
pesada, elevada densidade demográfica associada ao uso intensivo de
combustíveis fósseis acaba por gerar um grande acúmulo de poluentes na
atmosfera em uma pequena região geográfica. Isto afeta diretamente a saúde de
milhares de pessoas que desfrutam de um mesmo contexto geográfico.
O Conselho Nacional do Meio Ambiente (CONAMA) é atualmente o
órgão responsável por legislar a respeito dos limites máximos de poluentes
atmosféricos. Os índices tolerados, indicados por institutos de pesquisas
conjuntamente a agências reguladoras, têm, portanto viés técnico e buscam
propiciar melhores condições de vida à população. Estes níveis devem servir de
baliza ao poder público na elaboração do seu planejamento estratégico.
1.2 Relevância do Estudo
O estudo em questão é importante por tratar dos valores máximos de
poluição na cidade de São Paulo. A poluição tem importância crucial, à medida
que aumenta, limita a qualidade de vida daqueles a ela expostos.
É um caso típico em que estatísticas como média e moda não são tão
apropriadas uma vez que não é interesse saber o valor mais provável ou o valor
mais freqüente do evento, já que o problema reside no valor máximo ou em
valores acima de um determinado limite.
Ademais, ao se analisar o evento puramente, os máximos, objeto do
interesse, ficariam obliterados ou mascarados pelo grande número de
observações, já que se situariam à cauda da distribuição que consensualmente
apresenta pouca informação a respeito dos máximos.
Em um contexto de preocupação ecológica e de esforço conjunto para
mitigar o impacto ambiental da ocupação antrópica, a modelagem de extremos é
de grande valia para a implementação de políticas publicas para o setor
industrial, setor de transporte, ou mesmo no que diz respeito à matriz energética.
3
Servindo também como referência para a adoção de medidas, sejam elas
penalizadoras ou compensatórias.
1.3 Objetivos
Este trabalho objetiva estudar a Teoria dos Valores Extremos e avaliar sua
aplicabilidade na gestão de variáveis climáticas, especificamente índices de
poluição (CO e MP
10
) na cidade de São Paulo.
Uma vez ajustada uma distribuição para os valores extremos pretende-se
utilizá-la para cálculo do Valor ao Risco, VaR, como uma nova aproximação
para esta medida de risco.
4
2 REFERENCIAL TEÓRICO
2.1 Poluição Atmosférica
A poluição atmosférica é um dos aspectos da degradação ambiental. No
Brasil, começou a ser problema a partir dos anos cinqüenta (século XX), como
conseqüência do processo de industrialização e já nos anos oitenta era
considerada um dos maiores problemas de determinadas cidades, Mayer (1999).
Segundo Andrade (1996), a concentração de poluentes na atmosfera
depende de dois fatores. Depende da emissão, condicionada principalmente por
fatores socioeconômicos e depende também das condições atmosféricas locais
principalmente campo de vento e estrutura vertical da atmosfera que facilitam ou
dificultam a dissipação destes poluentes.
2.2.1 Classificação
Conforme Colombini (2008), os poluentes atmosféricos são classificados
quanto à maneira de emissão, quanto à origem e quanto ao tipo de poluente.
Quanto à maneira de emissão, tem-se: Poluentes Primários, poluentes emitidos
diretamente na atmosfera como CO e SO
2
; e Poluentes Secundários que são os
que se formam após reação entre poluentes primários, a exemplo do ozônio
formado por uma reação fotoquímica a partir de óxidos de nitrogênio. Quanto à
origem, tem-se: Poluentes Internos e Externos. Os Poluentes Internos são
aqueles oriundos da combustão de madeira, da atividade culinária, da construção
civil e organismos em geral, fazem parte deste grupo os óxidos de carbono,
hidrocarbonetos e poeiras orgânicas. Os Poluentes Externos são aqueles que têm
origem em fontes industriais, urbanas ou agrícolas. Neste grupo se encontram os
sulfurados, óxidos de nitrogênio, material particulado e benzeno. Quanto ao tipo,
tem-se: Poluentes gasosos como benzeno, sulfurados e hidrocarbonetos de
5
cadeia curta; Poluentes particulados como MP
10
(particulado grosso), MP
2,5
(particulados finos) e MP
0,1
(particulados ultrafinos).
Para o estudo em questão, abordaremos aspectos relacionados a somente
dois poluentes atmosféricos, a saber, CO e MP
10
.
2.2.2 CO
O CO se caracteriza como um gás, levemente inflamável, incolor, inodoro
e muito perigoso devido a sua alta toxicidade. É produzido por uma reação
química em condições de pouco oxigênio (Combustão Incompleta) e altas
temperaturas de materiais ricos em carbono como o Petróleo e seus derivados. O
CO tem como principal fonte de emissão a queima de hidrocarbonetos, seja de
origem fóssil como o carvão mineral e o petróleo, seja de origem vegetal como o
carvão vegetal e o etanol. Este último grupo constitui parte dos combustíveis
renováveis, já que o carbono liberado na atmosfera na forma de CO já fora
outrora capturado por uma dada planta. Por outro lado o grande problema dos
combustíveis fósseis é que ele representa um incremento nos índices de CO
atuais, já que libera no ambiente, um carbono que estava aprisionado em jazidas
subsolares.
O CO pode ser incrementado a partir da destruição de ecossistemas em
equilíbrio. As florestas têm em sua constituição grande quantidade de carbono
que se destruídas acabam por liberá-lo no ambiente. No Brasil, por exemplo,
metade das emissões totais de gases do efeito estufa é objeto do
desflorestamento.
O processo biológico de liberação de CO é chamado de combustão
energética, onde hidrocarbonetos como glicose, a nível mitocondrial, são
quebrados em moléculas menores e menos energéticas, o CO. A a energia
6
resultante é aproveitada para as atividades biológicas. Portanto a vida animal é
também um processo que libera CO na atmosfera.
A degradação ambiental é tipicamente um processo quantitativo. Todos os
componentes ditos “poluidores” existem na natureza, entretanto o que fá-los
nocivos é a concentração em que se encontram em determinadas regiões. Por se
apresentarem em grandes concentrações, os mecanismos biológicos naturais de
absorção não são capazes reequilibrar o sistema. Em um grande centro urbano
como São Paulo, ainda que todo o combustível utilizado seja de origem vegetal
(renovável), ainda assim, haverá necessidade de forte controle ambiental, porque
serão milhares de toneladas de CO depositadas em uma região relativamente
pequena, que por sua vez indispõe de mecanismos da absorção.
A alta concentração deste gás passa então a limitar a atividade humana,
pois é considerado um asfixiante crônico, uma vez que compete com os sítios da
hemoglobina destinados ao oxigênio no processo de trocas gasosas nos pulmões,
desta forma, está relacionado com problemas respiratórios e cardiovasculares,
uma vez que diminui a quantidade de oxigênio aos tecidos humanos
2.2.3 MP
10
O MP
10
(Material Particulado) é assim denominado por constituir a
parcela das partículas de tamanho entre 2,5 e 10 micrômetros (micrômetro, a
milionésima parte de um metro). São também chamadas de partículas inaláveis,
devido à facilidade de aspiração e conseqüente deposição nas cavidades
pulmonares, Companhia Ambiental do Estado de São Paulo - CETESB (2009).
O material particulado é uma mistura de diferentes subclasses de
poluentes. Seu tamanho e composição química dependem dos mecanismos de
formação da composição atmosférica e das variáveis climáticas. Existem
variações nessa composição tanto dentro quanto entre grandes cidades e entre
7
áreas rurais e urbanas. Em São Paulo, por exemplo, 41% do total do material
particulado têm relação com as fontes móveis, enquanto 59% da indústria,
Colombini (2008).
Segundo o supracitado autor, são produzidas mecanicamente pela quebra
de partículas maiores durante a atividade industrial; em rodovias, provenientes
do solo (pó de estrada, freios e pó de pneu); escombros de construções;
processos agrícolas e material biológico, como pólen e bactérias. Quando
inaladas, estas partículas. Estas partículas quando inaladas depositam-se nas vias
aéreas superiores dado seu maior tamanho, partículas menores podem adentrar
em vias aéreas inferiores, com diâmetros menores que 2,5 micrômetros.
2.2 Dispersão da poluição atmosférica
A condição atmosférica de uma região urbana assume condição
específica, dadas suas características próprias.
Conforme Oke et al. (1999), a pavimentação da superfície provoca uma
mudança no padrão de absorção da energia solar, mudança no balanço
energético das cidades. A energia emitida sobre a cidade não é mais convertida
em biomassa sendo então é absorvida e refletida em grande parte na forma de
calor. Grande parte destas mudanças deve-se às propriedades térmicas dos
materiais empregados na superfície.
O padrão cromático da região urbana é alterado, ocasionando menor
refletância luminosa e maior refletância calorífica. Outro aspecto afeto à
temperatura é o fato das cidades indisporem de mecanismos de
evapotranspiração que lançando grandes quantidades de água na atmosfera
melhoram o equilíbrio térmico do ambiente, Lombardo (1985).
Rotach (1999), afirma que a verticalização das cidades provoca um
aumento da rugosidade superficial e conseqüente diminuição da velocidade e
8
penetração dos ventos, que além de ser um mecanismo de equilíbrio térmico,
seria também um agente dissipador dos poluentes atmosféricos.
Todos estes fatores, juntos, fazem da condição climática de uma região
urbana o que os especialistas chamam de ilha de calor. Isso significa que a
temperatura (mínima, média, máxima) é maior nas cidades que nas adjacências
regionais em que inserida, Lombardo (1985).
Sengundo Monteiro (2003), com a criação das Ilhas de Calor, ocorre uma
mudança no padrão pluviométrico. Os índices pluviométricos não
necessariamente diminuem, mas têm seu comportamento alterado. As chuvas
passam a ser mais intensas e menos freqüentes, fato que proporciona enchentes
maiores e mais freqüentes.
Mas o mais importante no que tange à poluição atmosférica é que com a
diminuição da freqüência das chuvas o problema da poluição atmosférica é
agravado, já que a precipitação é um dos mais eficientes mecanismos naturais de
despoluição atmosférica. Este fato explica um dos porquês de os mais elevados
índices de poluição ocorrerem no inverno (tipicamente seco, para o caso de São
Paulo).
Em condições normais, os poluentes lançados na atmosfera são
transportados pelo ar por advecção, ou seja, misturam-se ao ar que à medida que
se aquece se torna menos denso e através de correntes de convecção migra para
as camadas superiores da atmosfera, dissipando por lá os poluentes. O ar frio,
por sua vez mais denso, desce para a superfície do solo, reiniciando o processo.
A advecção e as precipitações são os mais importantes mecanismos de
purificação atmosférica. Em condições climáticas específicas (principalmente no
inverno), o ar superficial se torna mais frio que o das camadas superiores (fato
que se deve em parte ao rápido resfriamento das superfícies pavimentadas), e
conseqüentemente mais denso, não migrando para as camadas superiores. O ar
9
das camadas superiores permanece mais quente e menos denso, não migrando
para as camadas inferiores da atmosfera. Assim, uma camada de ar fica
aprisionada por vários dias em uma região e vai se saturando de poluentes
atmosféricos, elevando-os a níveis críticos. Este fenômeno é chamado de
Inversão Térmica e sempre está associado à níveis críticos de poluentes
atmosféricos, já que impede a dissipação destes (Monteiro, 2003).
2.3 Limites legais
O estabelecimento de limites máximos de poluição atmosférica surge na
segunda metade do século vinte como forma de conter a progressiva piora da
qualidade do ar. Surge como medida paliativa a diversos problemas que
acometeram residentes de regiões altamente poluídas (Colombini, 2008).
Este mesmo autor apresenta um breve histórico a respeito da gravidade de
se conviver com altas concentrações de poluentes atmosféricos. O primeiro caso
registrado de problemas com poluição atmosférica foi em Meuse River, na
Bélgica em 1930. Do dia 1 ao dia 5 de dezembro de 1930, uma intensa névoa
pairou sobre um vale local provocando sessenta mortes, o que representou uma
mortalidade dez vezes maior que o normal, além de centenas de casos de
doenças respiratórias e agravamento de insuficiência cardíaca. Em outro vale
industrial, desta vez em Donora na Pensilvânia, em 1948, uma nuvem de
poluentes industriais provocou algum distúrbio de saúde em quatorze mil
moradores, quatrocentas internações e vinte óbitos. O mais dramático caso
de poluição atmosférica ocorreu na Inglaterra, em Londres. No inverno de 1952,
uma estagnada massa de ar com alta concentração de dióxido de enxofre e
particulados pairou sobre a cidade por quatro ou cinco dias. Foi o bastante para
quatro mil óbitos, grande parte por problemas respiratórios e cardiovasculares.
10
Todos os episódios supracitados tiveram em comum um acúmulo
repentino de poluentes atmosféricos, fato que se deveu a inversões térmicas que
impediram a dissipação transfronteiriça dos poluentes. Isto ilustra como a
concentração de poluentes está associada a condições climáticas, que ora
facilitam ora dificultam a dissipação de poluentes e a conseqüente diminuição de
sua concentração num dado local. As condições climáticas dissipadoras são
variáveis difíceis, senão impossíveis de serem controladas. Assim, querendo-se
baixar níveis de poluição, resta baixar os níveis de emissão.
O caso londrino serviu de impulso para a decisão de diversos países no
âmbito do controle da poluição atmosférica. Em 1955 o congresso americano
liberou milhões de dólares para a pesquisa sobre o custo humano da poluição
atmosférica. Em 1956, o congresso londrino determinou que autoridades locais
monitorassem áreas de grande concentração de poluentes e determinasse
medidas mitigadoras e de redução de emissão (Colombini, 2008).
Ficara claro que a poluição atmosférica fora grande causadora de
problemas de saúde, principalmente respiratórios e cardiovasculares. Com o
passar dos anos, os mecanismos de regulação de poluição atmosférica ficaram
mais rígidos e se exigiu dos poluidores cada vez mais ações no intuito de manter
o ar limpo.
No Brasil, também houve casos assombrosos relacionados ao poder
destruidor da poluição atmosférica. Na década de oitenta, a cidade de Cubatão,
por exemplo, já foi conhecida pelo codinome de Vale da Morte. Foi por muitos
anos o município brasileiro campeão nacional em doenças respiratórias. Em seis
meses, no período de outubro de 1981 a abril de 82, nasceram 1.868 crianças: 37
estavam mortas; outras cinco apresentavam um terrível quadro de
desenvolvimento defeituoso do sistema nervoso; três nasceram com anencefalia
e duas tinham um bloqueio na estrutura de células nervosas. Uma combinação
11
letal de altas taxas de emissão, nenhum controle legal e condições locais que
dificultavam a dissipação de poluentes. Um exemplo triste dos malefícios da
poluição atmosférica.
Somente anos mais tarde, através da portaria 348 de 14/03/1990 e da
resolução 003 CONAMA de 28/06/1990, o Instituto Brasileiro de Meio
Ambiente e dos Recursos Naturais Renováveis – IBAMA estabeleceu os padrões
nacionais da qualidade do ar.
Alguns índices brasileiros são baseados em recomendação da Organização
Mundial da Saúde. No caso do Material Particulado MP
10
(padrão secundário),
são tidos como aceitáveis à saúde humana concentrações médias de até 150
microgramas por metro cúbico, considerando-se um único dia amostrado e de
até 50 microgramas por metro cúbico considerando-se uma média anual. A
Legislação brasileira não estabelece índices de controle para partículas menores
que 2,5 micrômetros, PM
2,5
.
Para o CO, a concentração máxima admitida é 40.000 microgramas (40
mg) por metro cúbico, independentemente se padrão primário ou secundário.
Embora a legislação brasileira estabeleça limites de segurança e mesmo
que de forma semelhante, diversos países o façam, é consenso entre muitos
pesquisadores que mesmo níveis abaixo dos limites legais já são capazes de
causar danos à saúde humana. Desta forma, espera-se que num futuro próximo
aconteça uma revisão para baixo dos atuais índices. Demandar-se-á então,
efetivo esforço científico e político no objetivo de diminuir os níveis de poluição
atuais no intuito de melhorar a qualidade de vida das populações das grandes
cidades. Os índices de poluição atmosférica brasileiros podem ser encontrados
na Resolução CONAMA 03/1990.
12
2.4 Danos da poluição atmosférica
A poluição atmosférica gera uma enorme degradação da qualidade de vida
da população, provocando uma série de doenças respiratórias, cardiovasculares e
neoplasias. Barbosa (1990) afirma que essas três categorias de morbidade
compõem as principais causas de morte nos grandes centros urbanos. Além
disso, ainda acarretam um decréscimo no sistema imunológico do indivíduo,
tornando-o mais susceptível às infecções agudas.
Os mais afetados pela poluição são principalmente crianças e idosos, além
de pessoas predispostas a problemas respiratórios como bronquite e asma
(Miraglia, 2002). Aos não predispostos, os danos causados pela poluição se atêm
à diminuição da carga imunológica, deixando-os mais vulneráveis a outras
enfermidades. Vale ressaltar que cerca de 15% da população da cidade de São
Paulo é composta por crianças e idosos, uma expressiva fatia em um total de
mais de dez milhões de habitantes.
Martins et al. (2002) comprovam haver forte correlação entre o número de
atendimentos provocados por doenças cardiovasculares e respiratórias e os
níveis de CO e MP10. Outro fato importante abordado pelo referido trabalho é
que MP10 é um poluente com positiva correlação com a maioria dos poluentes,
CO, O3, SO2 e outros. Este fato dá suporte à escolha da variável MP10 como
objeto de estudo do presente trabalho.
Gouveia et al. (2003) afirmam que um simples aumento de dez
microgramas por metro cúbico de MP
10
e um PPM de monóxido de carbono
estão associados a um aumento das internações infantis por doenças respiratórias
na ordem de 7%. Em se tratando de idosos o aumento foi de 2%. Este estudo foi
realizado na cidade de São Paulo.
Em trabalho sobre o custo humano da poluição, Esteves et al. (2004) diz
que os maiores geradores de poluição atmosférica nos grandes centros são as
13
fontes móveis em circulação nas rodovias. No caso da cidade de São Paulo,
especificamente, 90% da emissão de poluentes é proveniente de fontes móveis.
Em que Fontes Móveis é um termo que designa os meios de transportes que
circulam pela cidade: leves de passageiros, leve comercial e veículo pesado.
Neste contexto de incontestáveis malefícios da poluição atmosférica,
muitos estudos se firmam com o objetivo de postular soluções para o problema.
O estudo realizado por Esteves et al. (2004) propõe o uso de um sistema que
acople as informações produzidas pelos órgãos de controle ambiental às
informações de saúde e utilizar técnicas de análise que expliquem a relação entre
poluentes e morbi-mortalidade. Outro autor que descreve a importância de uma
abordagem multidisciplinar sobre a poluição atmosférica é Oke (2006). A
criação do sistema tem como objetivo fornecer elementos e respaldar a
determinação de políticas públicas nacionais, otimizando a vigilância da
qualidade do ar e a observação da tendência dos indicadores sanitários. Esteves
et al. (2004) afirmam que 10% das internações de crianças por doenças
respiratórias e 9% das mortes de idosos tinham íntima relação com as
concentrações atmosféricas de material particulado (MP
10
).
No Brasil há diversos grupos que se dedicam ao estudo da poluição
atmosférica. São universidades, institutos de pesquisa ou órgãos públicos como
o caso da CETESB em São Paulo. E são usadas diversas metodologias.
Andrade (1996), analisando a qualidade do ar de Lisboa, utiliza como
mensuração da qualidade do ar o número de dias em que o limiar legal é
ultrapassado e os respectivos percentis usados para a verificação dos níveis
encontrados de poluição do ar. Não há nenhuma estimativa do erro para o
trabalho, uma análise puramente de monitoração.
14
2.5 Valores Extremos
2.5.1 Aplicação dos Valores Extremos
A teoria dos valores extremos (TVE) foi desenvolvida em Fisher &
Tippett (1928), que à época perceberam serem três as distribuições, as que
melhor representavam a distribuição de valores extremos, definiu-as como:
TipoI, TipoII e Tipo III, (Gumbel, Fréchet e Weibull, respectivamente). Surgiu
como uma ferramenta para pequenas amostras e num contexto de valores
tendendo aos limites (inferiores e superiores) de distribuições já conhecidas à
época. Por este fato, mais tarde elas foram cunhadas por distribuições
assintóticas. A forma geral destas três distribuições é conhecida como
Distribuição Generalizada dos Valores Extremos foi postulada mais tarde, por
Gnedenko (1943). Posteriormente, em Jenkinson (1955), vê-se o
desenvolvimento de metodologia para casos especiais da Distribuição
Generalizada de Valores Extremos.
A teoria de valores extremos teve seu uso sempre associado à climatologia
e engenharia. Estudos clássicos envolvendo as distribuições de valores extremos
e seu uso em hidrologia podem ser vistos em Gumbel (1958). Weibull e Fréchet
estudaram profundamente estas distribuições. Historicamente, foi empregada
para se mensurar variáveis climáticas em pontos de máximos e de mínimos, ou
seja, valores extremos, que geralmente eram pretendidos nas engenharias da
época. A partir dos anos 80, a Teoria de Valores Extremos teve seu uso
ampliado para a área dos mercados de capitais como ferramenta de mensuração
de riscos. Hoje em dia, ela é utilizada nas mais diversas áreas, inclusive nas
ciências médicas sob o enfoque de tempo de falha para um determinado evento.
Katz et al. (2002) afirmam que embora a teoria de valores extremos tenha
sido elaborada há muito tempo, ainda existe um vasto campo de estudos a ser
15
explorado, principalmente devido à grande possibilidade de uso em diversas
áreas da ciência. E se a teoria de valores extremos se desenvolver em um
ambiente multidisciplinar, o resultado deverá ser metodologias adequadas, boa
ciência e boas políticas publicas.
Embora a estacionaridade da série seja uma pressuposição a ser satisfeita
na metodologia de valores extremos, Leadbetter et al. (1988) fazem uma boa
revisão sobre o uso da TVE para dados não estacionários, metodologia
desenvolvida por eles próprios em 1983.
Galambos (1978) descreve o uso da TVE quando os dados são
independentes, mas não são identicamente distribuídos.
Embora na maioria dos casos a TVE é aplicada satisfazendo algumas
pressuposições, utilizando-se de metodologias adequadas pode-se aplicar a TVE
quando estas condições não sejam satisfeitas.
Utilizada em diversas áreas do conhecimento, teoria de valores extremos
tem hoje um enorme gama de aplicação. Leadbetter et al.(1983) desenvolveram
trabalhos significativos no campo da fadiga de materiais, já Weibull utilizou-a
intensivamente na indústria naval. Vivanco (1994) utilizou a distribuição de
valores extremos no campo da corrosão de materiais. É utilizada em ciências
biomédicas, para intervalos de tempo entre dois eventos. É utilizada em Análise
de Sobrevivência e Resistência de Materiais. No entanto, o seu uso
primeiramente se popularizou no campo da climatologia como ferramenta para
cálculo de eventos climatológicos extremos.
Jenkinson (1955) respalda a aplicação de distribuições de extremos para
dados meteorológicos.
Utilizando dois métodos de estimação de parâmetros, Beijo et al. (2003)
buscaram modelar precipitações máximas através da Teoria de Valores
Extremos. Beijo et al. (2005) utilizaram a metodologia de valores extremos para
16
descrever o comportamento das precipitações máximas em Lavras, Minas
Gerais, objetivando encontrar tempos de retornos para as mesmas.
Já Bautista (2002), fez uso da Distribuição Generalizada de Valores
Extremos ao descrever a variável Vento Máximo em Piracicaba. Por outro lado,
Sangisolo (2008), ajustando diversas distribuições de extremos para dados de
precipitação, temperatura máxima e mínima e velocidade máxima de ventos em
Piracicaba, São Paulo observou que a distribuição Gumbel melhor se ajustou aos
dados de temperatura e precipitação, enquanto a distribuição Weibull foi melhor
no ajuste das máximas velocidades de vento.
A distribuição de valores extremos também aplica-se a dados ambientais,
como relatado por Thas et al. (1997), citado por Bautista (2002), em que
ressaltam a importância da distribuição de valores extremos para a modelagem
de concentração de poluentes em cursos de água. Estes estudos serviram de base
para estabelecer níveis de controle e planos de manejo da qualidade da água
destes cursos.
Piegorsch et al. (1998), relatam a aplicação da teoria de valores extremos
a dados de concentração do ozônio troposférico com o objetivo de monitorar os
níveis deste gás.
Testando diferentes aproximações para distribuição de extremos e
analisando dados diários de concentração ozônio e dióxido nitrogênio em
Munich, Alemanha, Küchenhoff e Thamerus (1996), encontraram resultados
satisfatórios no uso de distribuições empíricas de extremos na modelagem de
valores extremos destes poluentes.
Já no âmbito do presente estudo, Sharma et al. (1999) expõem a teoria de
valores extremos como uma boa alternativa no estudo de concentração de
poluentes urbanos e o fazem para dados de poluição atmosférica em Nova Délhi,
Índia. E Medici et al. (2000) fizeram uso da distribuição de valores extremos
para níveis máximos de concentração de monóxido de carbono na cidade de São
Paulo. Em ambos os casos, a conclusão foi que em se considerando um tempo
de retorno aproximadamente de seis meses, ocorrerão valores duas vezes mais
elevados que o máximo admitido para um único dia, segundo os padrões legais
brasileiros.
Moritz (1997) faz uma aplicação bem sucedida da TVE a dados de
distúrbios ambientais. Katz (2002) o faz para dados hidrológicos, analisando
diferentes métodos de estimação (PWM – Probability Weighted Momentos e
ML – Maximum Likelihood).
2.5.2 Séries Temporais - Conceitos
Uma série temporal é definida como um conjunto de observações de uma
mesma variável aleatória (v.a.) em diferentes instantes. Certamente em se
tratando de uma mesma v.a., espera-se que esta tenha um comportamento típico.
Comportamento tal que quase sempre é objeto de estudo. Este comportamento
típico quando regido por leis probabilísticas, configura um processo estocástico,
segundo Morettin & Toloi (2004).
Definição de processo estocástico: Seja T um conjunto arbitrário. Um
processo estocástico é uma família
{(), }
Z
Zt t T
=
∈
tal que para cada
t
,
T∈
()
Z
t
é uma variável aleatória. É uma família de v.a. definidas num mesmo
espaço de probabilidade
(,,)AP
Ω
. Como para qualquer
,()tTZt
∈
é uma
variável aleatória definida sobre
Ω
, temos que
()
Z
t
é uma função de dois
argumentos, , conforme Morettin & Toloi (2004).
(, ), ,Ztw t T w∈∈Ω
17
Então, através de um processo estocástico busca-se um modelo para a
série temporal. Este modelo pode ser obtido com um nível qualquer de
significância que deixe de explicar uma pequena parcela de valores aberrantes
existentes ao longo da série. Se o foco é a série como um todo, estes pontos
aberrantes não descritos pelo modelo não influenciam significativamente no
conjunto de resultados. No entanto se o foco estiver voltado para os valores
extremos, o modelo obviamente pecará por não explicitá-los, havendo assim por
bem de se utilizar metodologia apropriada. Neste ínterim se encontra a
metodologia de valores extremos, objeto do presente estudo.
2.5.2.1 Estacionaridade
A estacionaridade é uma das pressuposições a serem cumpridas na análise
clássica de valores extremos. Entretanto, Naess & Gaidai (2009) definem
métodos para séries não estacionárias. Contudo, não é este o foco deste trabalho.
Uma série é dita estacionária quando não apresenta tendência, nem
sazonalidade e possui variância finita. Peculiaridades a respeito da
estacionaridade podem ser vistas em Bueno (2008). Então define-se
estacionaridade (fraca) como o atendimento destas três condições
simultaneamente:
a)
2
()
t
Ex <∞
b)
() ,paratodo
t
Ex t
μ
=∈
c)
()( )
ttj
Ex x
j
μ
μγ
−
−−=
Da primeira condição, tem-se que o segundo momento não centrado deve
ser finito. A segunda condição indica média constante ao longo da série. A
terceira condição indica variância constante para todo o período de tempo e que
a autocovariância não depende do tempo, depende apenas da distância entre as
observações, Bueno (2008).
Para se verificar estas condições são feitos alguns testes, como os que
descritos abaixo:
18
2.5.2.2 Teste de tendência
Na metodologia de séries temporais, um dos procedimentos mais
utilizados é o chamado Decomposição Clássica. A decomposição clássica
consiste na modelagem de cada um dos componentes da série. Uma série
temporal pode ser composta de: Tendência, Sazonalidade e Resíduo. Casos bem
marcantes podem ser observados graficamente. Entretanto, este procedimento
não possui boa precisão. Assim, testes foram desenvolvidos para verificar a
existência destes componentes, dentre os mais importantes, tem-se: o Teste do
Sinal (ou Teste de Cox-stuart), o teste baseado no coeficiente de correlação de
Spearman e ainda o Teste das Seqüências.
A tendência pode ser positiva ou negativa. Positiva se ao longo da série, a
média aumenta e negativa, se ao longo da série, a média diminui. Ela pode ser
modelada através de uma equação linear, ou desejando somente retirá-la, pode-
se fazê-lo mediante a série de diferenças.
Uma descrição detalhada destes testes pode ser obtida em Morettin &
Toloi (2004). O teste do sinal por ser o mais utilizado e cuja metodologia é mais
simples é descrito a seguir:
Primeiro passo: Dividir a série em duas subséries. Logo, a série
Z
é
dividida em
i
Z
e
ic
Z
+
, em que
2
N
c
=
se o número de observações da série for
par e
1
2
N
c
+
=
se o número de observações for ímpar.
Segundo passo: Pareiam-se as duas subséries, comparando-as duas a duas
(observações). Se
i
Z
for maior que
ic
Z
+
,
atribui-se a esta comparação o sinal -;
se
i
Z
for menor que
ic
Z
+
,
atribui-se o sinal +; eliminam-se os empates.
19
Terceiro passo: comparar estatisticamente o número de sinais positivos e
negativos. Seja o número de sinais positivos, compara-se se o número de
sinais positivos é significativamente maior que o número de sinais negativos. Se
o número de pares for
,
utiliza-se a distribuição binomial; se o número de
pares for
,
então pode-se usar a aproximação normal para esta distribuição.
2
T
20<
20>
Sob as hipóteses:
0
1
: ( ) ( ), : não existe tendência;
: ( ) ( ), : existe tendência.
iic iic
iic iic
HPZZPZZ i
HPZZPZZ i
++
++
<=> ∀
<≠> ∀
Valores grandes de indicam que os sinais positivos são mais prováveis
que os sinais negativos. Assim, rejeitamos
2
T
0
H
se em que
representa o quantil da distribuição binomial com parâmetros n e p, em que n é o
número de pares, e p é meio (devido a existência de 2 eventos, sinais positivos e
sinais negativos),
2
Tn≥−t
t
(,12)bin n
.
Constatada a tendência, esta pode ser retirada via métodos paramétricos
ou via métodos não paraméticos. No caso dos métodos paramétricos, faz-se a
modelagem desta tendência e subtrai-se de cada observação um valor respectivo.
No caso não paramétrico, comumente usa-se fazer a diferença entre duas
observações subseqüentes. Para uma explicação mais detalhada a respeito de
como se retirar a tendência de uma série pode ser vista em Morettin & Toloi
(2004).
20
2.5.2.3 Teste de Sazonalidade
Para se testar a sazonalidade, comumente se usa o teste de Fisher que
embora proposto para determinar o maior período, presta bem a este fim, dada
sua fácil aplicação.
Foi proposto por Priestley (1989) e usado para testar a presença de
sazonalidade determinística, que é baseado na análise do periodograma, uma
função dependente das funções seno e cosseno.
O periodograma é uma descrição dos valores observados numa realização de
uma série através da sobreposição de ondas sinusoidais com várias freqüências.
A aplicação prática mais óbvia desta decomposição é a de servir de instrumento
à identificação de componentes cíclicas ou periódicas.
A função periódica é dada por:
()
2
11
22 2
cos
nn
pi t t
tt
ii
I
fatasen
nn n
ππ
==
⎡⎤
⎛⎞⎛
=
⎢⎥
⎜⎟⎜
⎝⎠⎝
⎢⎥
⎣⎦
∑∑
t
⎞
⎟
⎠
(2.1)
Com
1
0 e 1,..., .
2
i
f
tn<< =
(
)
p
i
If
é a intensidade da freqüência
i
f
.
Sob as hipóteses:
0
1
: não existe sazonalidade;
: existe sazonalidade.
H
H
A estatística do teste é dada por:
2
1
max
p
N
p
p
I
g
I
=
=
∑
(2.2)
Em que
p
I
é o valor do periodograma dado pela equação 2.1, no período e
é o número de observações da série. A estatística de Fisher (
p
N
z
α
) é dada por:
21
1
1
1
n
Z
n
α
α
−
⎛⎞
=−
⎜⎟
⎝⎠
(2.3)
em que
2
N
n =
e
α
é o nível de significância do teste. Se
gZ
α
>
, então
rejeita-se
0
H
, ou seja, a série tem período . p
2.5.2.4 Teste Gráfico Para a Variância.
Outra pressuposição importante em diversas áreas estatísticas é a
constância da variância. Para verificar isto, utiliza-se de um método gráfico, em
que se confronta a amplitude de intervalos da série e suas respectivas médias. A
obtenção de uma reta formada pelos pontos indica variância constante.
2.5.2.5 Função de Autocorrelação
Pode ser usada para medir correlação ao longo de uma série. Por outro
lado, indica independência quando de uma correlação nula.
A função de autocorrelação para um processo estacionário é definida
como:
0
,
τ
τ
γ
ρ
γ
τ
=
∈
(2.4)
Possui as mesmas propriedades de
τ
γ
. No entanto, tem-se que
0
1
ρ
=
.
Definições e propriedades de
τ
γ
(chamada função de autocovariância) podem
ser encontradas em Morettin & Toloi (2004).
22
23
2.5.3 Pontos Além do Limiar – Blocos
Considerando uma amostra, haverá apenas um máximo e um mínimo em
questão e obviamente não podemos estimar parâmetros com uma única
observação. Muitos métodos podem ser utilizados para resolver este problema.
Dois método podem definir pontos máximos que venham a constituir os
valores da distribuição de máximos. O primeiro deles é chamado de POT da
sigla em inglês (Peakes Over Threshold) ou, em português, Pontos Além do
Limiar. O segundo é chamado Método dos Blocos.
O Método dos Pontos Além do Limiar considera como valores máximos
todos aqueles que ultrapassarem um determinado valor, tido como limiar ou
valor limite. O grande problema deste método é justamente o estabelecimento do
Limiar, que deve variar entre a medida da variância e do viés. Aumentando o
número de observações máximas, ou seja, um valor limite menor, estaremos
acrescentando à amostra valores do centro da distribuição que, embora
contribuam com menor variância, penalizam com maior viés. Aumentando o
limiar, estaremos diminuindo o viés, mas em contrapartida aumentando a
variância. Vale lembrar que neste último caso, teremos uma diminuição de
elementos na amostra dos máximos, o que diminuirá a consistência das
estimativas obtidas através dela.
Existem inúmeras maneiras de se estimar o limiar. O mesmo pode ser
estimado por métodos gráficos ou através de estimadores, sendo o Estimador de
Hill (ou desdobramentos dele) o mais citado. A estimação do limiar não se
encontra no centro deste estudo já que o POT não será o método utilizado para
amostragem de máximos neste trabalho. Entretanto, há de se ter em mente que o
Limiar sempre estará associado ao índice de cauda que é útil em diversas
distribuições. Um estudo detalhado a este respeito pode ser visto em Dress et
al. (1998).
Método dos Blocos: Segundo Tsay (2002), um dos métodos mais usados é
o método dos Blocos, que consiste em dividir a amostra em subamostras,
retirando destas o valor máximo e submetendo estes à teoria dos valores
extremos.
Supondo que haja
observações avaliadas ng
1
{}
ng
j
j
x
=
. Então, dividimo-
las em subamostras não sobrepostas para cada conjunto de observações. O
que matematicamente é dado por:
g
n
112213(1)1
{ ,..., ,..., ,..., ,..., }
nn n n n g n ng
x
xx x x x x x
++ −+
⏐ ⏐ ⏐...⏐
Para aplicarmos a teoria dos valores extremos para cada subamostra (que
são subconjuntos dos dados no tempo) é necessário que seja suficientemente
grande, já pode variar de acordo com a conveniência do estudo. O
pressuposto de independência dos máximos de cada período deve ser adotado
neste caso.
g
n
Embora a independência seja uma forte pressuposição que deva ser
amparada, Embrechts et al. (1997) desenvolveram extensões da teoria de valores
extremos para dados correlacionados, dados dependentes. Não é o caso do
presente trabalho.
Com a amostragem de máximos, reduz-se o problema da dependência à
medida que aumentamos o tamanho de , ou seja, o comprimento das
subamostras. Este processo é chamado de independência assintótica, ou seja,
estando em um contexto de correlação, à medida que aumentamos a distância
entre as observações, a correlação diminui, tendendo a zero e caracterizando a
independência. No entanto, em um aumento excessivo, corre-se o risco de perda
de valores extremos, já que pode haver mais de um extremo em uma mesma
subamostra. Estas duas posições antagônicas fazem da escolha de
n
um
problema.
n
24
Quando é suficientemente grande,
n
(
)
()
()
max n
n
Fx
Fx
β
α
−
=
(com
n
β
fator de locação e
n
α
fator de escala), segue a distribuição de valores extremos e
um conjunto de valores mínimos ou máximo das subamostras
,
{1,...,
ni
}
x
ig⏐ =
pode ser visto como uma amostra formada pelos extremos em observações.
Este conjunto de valores extremos
,
{
ni
}
x
são os dados usados para estimar
os parâmetros da distribuição dos valores extremos. Parece claro que as
estimativas obtidas dependerão do tamanho de .
n
2.5.3 Teoria da probabilidade aplicada aos Valores Extremos
2.5.3.1 Algumas definições
Variável Aleatória: Uma variável aleatória
X
em um espaço de
probabilidade ( ) é uma função real definida no espaço
Ω tal que
,,PΩ A
[
]
Xx≤
é um evento aleatório para todo
x
∈
.
:X
Ω
→
é variável
aleatória se
[
]
Xx≤
pertencer a
A
.
Função de Distribuição: A função de distribuição da variável aleatória
X
representada por ou simplesmente
X
F
F
é definida por:
() ( ),
X
Fx PX xx
=
<∈
Que possui as seguintes propriedades (também chamadas de Axiomas):
i) Se
(
)
(
)
,ouseja
x
yFxFy F≤⇒ ≤
é não decrescente.
ii) Se
(
)
(
)
então , ou seja
nn
x
xFxFx↓↓F
é contínua à direita
25
iii) Se
(
)
(
)
então 0. Se então 1
nnnn
xFxxF↓−∞ ↓ ↑+∞ ↑x
, logo
podemos escrever
(
)
0eF(+ )=1F −∞ = ∞
A definição de variável aleatória, bem como prova destes axiomas podem ser
encontradas em Mood et al. (1974), em Cox & Hinkley (1974), em James (1981)
e em Magalhães (2006).
Variável Discreta: A variável aleatória
X
é discreta se toma um número
finito ou enumerável, ou seja, se existe um conjunto finito ou enumerável
{
}
(
)
{
}
12 12
, ,... tal que , ,...xx X xx
ω
⊂∈
ω
∀∈Ω
. A função
()
i
p
x
é
definida por e é chamada de função de
probabilidade de
() ( )
, 1,2,...,
ii
px PX x i===
X
.
A função acumulativa de uma v.a. discreta é dada pela soma de suas
probabilidades uma vez que se trata de um conjunto enumerável. Entretanto se a
v.a. é contínua, a probabilidade em um dado ponto é nula, tende a zero. Neste
caso, surge a figura da função de densidade de probabilidade, que por sua vez,
ajuda a definir uma v.a. contínua.
Variável contínua: A variável aleatória
X
é (absolutamente) contínua
se existe uma função
(
)
0fx≥
tal que:
()
() ,
x
X
Fx ftdt x
−∞
=
∀∈
∫
Em que
f
é função de densidade de probabilidade de
X
.
Cálculo de probabilidades: Assim, o entendimento de função
acumulativa fica mais fácil. Em caso de v.a. discretas
(
)(
:
i
Xi
ix x
Fx PXx
≤
==
)
∑
26
e para v.a. contínuas . A probabilidade de um dado evento
é dada através de como se segue:
() ()
x
X
Fx ftdt
−∞
=
∫
X
F
(( , ]) ( ),
(( , )) 1 ( ),
(( , ]) ( ) ( ).
PxFx
Px Fx
Pab Fb Fa
−
∞=
∞=−
=−
Uma visão detalhada destas distribuições, bem como cálculos de probabilidades,
podem ser vistos em James (1981).
2.5.3.2 Justificativa ao uso dos valores extremos
Os valores extremos trazem em si duas características: intensidade e
freqüência. São eventos intensos, representam os valores críticos de uma série,
ao mesmo tempo estes valores críticos são muito pouco freqüentes, ressaltando o
aspecto caudal dos valores extremos. De forma alegórica, é como ver através de
uma lupa a calda da distribuição de uma dada variável aleatória.
A Teoria dos Valores Extremos é desenvolvida com base nas n
observações de uma série. Considerando
X
um conjunto de observações, a
máxima observação de um subconjunto de
X
é . Da mesma forma a
observação mínima é dada por .
()
i
max X
()
i
min X
Utilizando como exemplo uma situação em que se deseja conhecer o
comportamento dos máximos e considerando que as observações sejam
independentes com uma função de distribuição acumulada
comum e que
o conjunto de observações
()Fx
é[ ]
X
I,S
, em que
I
é o limite inferior e é o
limite superior. Assim a função de distribuição conjunta de , denotada
por
é obtida por:
S
()
i
max X
()
max
Fx
27
[
]
() P
max i
Fx Xx=≤
12
( ) P( , ,..., )
max n
Fx XxXxXx=<< <
, pela independência
1
() P( )
n
max j
j
Fx Xx
=
=
∏
<
⎤
⎦
1
() ( )
n
max j
j
Fx Fx
=
⎡
=
⎣
∏
, pela distribuição comum
[
]
() ()
n
max
F
xFx=
(2.5)
Na prática, a Função de Distribuição Conjunta é desconhecida e
conseqüentemente, é desconhecida. Todavia, se
n
vai para infinito,
torna-se degenerada, isto é, se
()Fx
()
max
Fx
()
max
Fx () 0
max
Fx→
x
I
≤
e
se
() 1
max
Fx→
x
S≥
. Se a função de densidade conjunta se degenera, não possui valor
prático. Então a teoria de Valores Extremos se concentra em encontrar duas
seqüências,
{}
n
β
que indica locação da série e
{}
n
α
que é um fator de escala da
série. Importante ressaltar que as constantes normalizadoras não são nem média,
nem variância. Mais adiante veremos que em condições especiais estas
estatísticas podem ser usadas para encontrar as constantes normalizadoras
{}
n
α
e
{}
n
β
.
2.5.3.3 Teorema de Fisher-Tippett
Segundo Gnedenko (1943), se existe uma seqüência
0
n
α
>
e outra
{}
n
β
∈ℜ
, quaisquer, de tal forma que:
28
(
)
()
max n
d
qualquer
n
Fx
F
β
α
−
⎯⎯→
(2.6)
A expressão acima equivale dizer que, utilizando o artifício da
normalização, fazendo com que
(
)
()
max n
n
Fx
β
α
−
convirja em distribuição para
uma função não degenerada, quando vai para infinito. Tem-se então
qualquer
F
n
{}
n
α
e
{}
n
β
como constantes normalizadoras. (para máximos) é de
um dos tipos abaixo:
qualquer
F
Tipo I: Gumbel
(2.7)
( ) exp{ },
x
xex
−
Λ= − ∈ℜ
Tipo II: Fréchet
0se 0, 0
()
{}se0,
x
x
exp x x
α
α
α
α
−
≤>
⎧
Φ=
⎨
0
−
>>
⎩
(2.8)
Tipo III: Weibull
{( )}se 0, 0
()
0se 0, 0
exp x x
x
x
α
α
α
α
⎧
−
−≤
Ψ=
⎨
>>
⎩
>
o
(2.9)
Uma vez possuind
()x
podemos facilmente obter
()F
f
x
por
derivação.
29
30
m
main Attraction ou a sigla em inglês MDA).
2.5.3.4 Do ínio da Atração do Máximo
Outro teorema importante é o do Domínio de Atração do Máximo
(Maximum Do Diz que para
qualquer
F
pertencente ao domínio de atração do máximo de F
ξ
, é válida a
nn
aproxima
Fx F
ção:
()
n
ξ
βα
⋅+ ≈
. É uma forma reversa de se olhar para o
teorema de Fisher-Tippet. Significa dizer que se existem seqüências de locação e
escala de tal forma que haja convergência para
F
ξ
, isso indica que a função
F
ξ
original pertence ao Domínio de Atração do Máximo MDA(
).A
demon k (19 .
2.5.3.
stração desses dois teoremas pode ser encontrada em Gneden o 43)
5 Distribuição Generalizada de Valores Extremos
A distribuição de valores extremos possui três parâmetros:
ξ
,
n
β
e
n
α
.
Estes parâmetros são referentes à Curva, Locação e Escala, respectivamente.
Uma forma conveniente de representar estas distribuições é através de
Distribuição Generalizada de Valores Extremos - DGVE, ou Generalized
Extreme Value Distribuition – GEV. Obviamente, a DGVE é uma distribuição
que p
m-se ainda um parâmetro de
curva que, na verdade, define qual subtipo de curva tem a DGVE.
que Distribuição Generalizada de Valores Extremos
representa uma família de distribuições:
ossui maior número de parâmetros. Além dos parâmetros de locação e
escala, presentes nas supracitadas distribuições, te
Assim temos
1
,se>0
() ,Fx
ξ
ξ
ξ
Φ
⎧
⎪
1
se 0
,se 0
ξ
ξ
ξ
−
=
Λ
⎨
⎪
=
Ψ
<
⎩
(2.10)
31
Que pode ser visualizada pela na Figura 1, em que para determinados valores de
ξ
tem-se diferentes tipos de curvas.
-100 -50 0 50 100
0. 0.005 0.010 0.015 0.020 0.025000
x
Densidade GVE
Frechét GVE(0.13,20,1)
Gumbel GVE(0.13,20,0)
Weibull GVE(0.13,20,-0.5)
FIGURA 1 Distribuição Generalizada de Valores Extremos com parâmetro de
resentando uma Gumbel e com parâmetro de
curva menor que zero representando uma Weibull.
curva maior que zero, representando uma Fréchet; com parâmetro de
curva igual a zero, rep
32
A função densidade de probabilidade de uma Distribuição Gener
de Valores Extremos é dada por:
alizada
11
1
(; , , exp
n
fx
α
αβ
⎠
) 1 1
n
nn n
xx
ξ
ξξ
α
ξ ξ
ββ β
⎛⎞
+
−−
⎜⎟
⎝
⎧
⎫
⎡⎤⎡⎤
⎛ ⎛⎞
−
⎞
−
⎪
⎪
−
=+ +
⎨
⎬
⎢⎥⎢⎥
⎜⎟ ⎜⎟
⎝⎠ ⎝⎠
⎣⎦⎣⎦
⎪
⎪
⎩⎭
)
Defin
(2.11
ida em
n
n
x
β
α
ξ
−∞ < < −
, para
0
ξ
<
e em
n
n
x
β
α
ξ
−
<<∞
, para
+
0
ξ
>
.
Pode-se ainda definir a Função de Distribuição Acumulada,
F
ξ
como:
()
{
}
()
()
{}
em que 1 0
exp exp ,
x x
x
ξ
ξ
⎪
=+>
⎨
−−
⎪
⎩
1
exp 1 , se 0x
ξ
ξξ
−
⎧
−+ ≠
se 0
F
ξ
=
(2.12)
Substituindo
x
na expressão acima pela transformação de escala e
locação, tem-se a GVE dada por:
()
1
;,
exp 1 , se 0
em que 1 0
n
n
x
Fx
β
α
ξ
⎪
⎝⎠
−
⎪
⎪⎪
⎩⎭
=+>
⎨
exp exp , se 0
n
β
⎨⎬
⎪
⎜⎟
⎪⎪
n
n
n
x
x
ξ
ξαβ
α
ξξ
β
α
ξ
−
⎧
⎧⎫
⎛⎞
−
⎪⎪
⎪
−+ ≠
⎨⎬
⎜⎟
⎧⎫
⎪
⎛⎞
−
⎪⎪
−− =
⎝⎠
a
conforme pode ser visto na Figura 1. Por exemplo, a distribuição Gumbel é um
caso particular de distribuição GVE. Uma Gumbel corresponde ao limite de uma
⎪
⎩⎭
⎩
(2.13)
A Distribuição GVE é uma form geral de três outras distribuições,
33
DGVE, cujo parâmetro de
curva
ξ
tende a zero. Assim, quando
()
,,
0, ~F Gumbel
ξαβ
,
ξ
α
β
→
. Cuja função de densidade de probabilidade
para máximos é dada por:
1
(; , ) exp exp exp
nn
nn
nn n
ββ β
xx
fx
αα
αβ
⎧⎫
⎡
⎤
⎛⎞ ⎛⎞
−−
⎪⎪
=− −−
⎨⎬
⎢
⎥
⎜⎟ ⎜⎟
⎝⎠ ⎝⎠
⎪⎪
⎣
⎦
⎩⎭
Com
(2.14)
x
−∞ < < +∞
. E função de distribuição acumulada para máximos dada
por:
(; , ) exp exp
n
nn
n
x
Fx
α
αβ
β
⎡
⎤
⎛⎞
−
=−−
⎢
⎥
⎜⎟
⎝⎠
⎣
⎦
(2.15)
2.5.3.
quais
na teo
este método são
mati
5.1 Estimação de parâmetros para a DGVE
Segundo Vivanco (1994), a distribuição de valores extremos pode ser
caracterizada pelos parâmetros clássicos Média, Mediana, Moda, entre os
ria dos valores extremos a moda exerce um papel muito importante.
O fato de a moda ter papel relevante na distribuição de extremos não é
por acaso. As distribuições de valores extremos tratam de distribuições
assimétricas e, neste caso, a moda (o valor mais freqüente), representa o máximo
da função. Isso nos aponta para um método de estimação que tipicamente está
associado a este parâmetro, é o Método da Máxima Verossimilhança, que
veremos a seguir. Além do mais os parâmetros obtidos via
esti vas não viesadas e eficientes, daí a predileção por ele.
Segundo Smith (1985), os métodos baseados na função de
verossimilhança são preferíveis devido à teoria destes estimadores ser bem
compreendida e poder facilmente ser modificada para incorporar modelos mais
complexos. Na mesma obra, tem-se que devido aos limites da distribuição GVE
34
o
or este método não são necessariamente satisfeitas, como por exemplo, para o
caso da distribuição Weibull. Assi
ando
dependerem de seus parâmetros, as condições de regularidade para a estimaçã
p
m, os seguintes resultados foram obtidos:
0,5
ξ
>−
, os EMV são completamente regulares;
a) qu
b) quando
0,51
ξ
−< <−
, os EMV existem mas não são
regulares;
c) quando
1
ξ
<−
,os EMV não existem.
Outro problema concernente à estimação dos parâmetros da distribuição
GVE através do método da máxima verossimilhança, descrito por Hosking
(1985), é que, utilizando-se métodos computacionais, pode surgir falta de
convergência no uso do algori
tmo de Newton-Raphson devido ao não
cump
Sen
1985), esta sit ção crítica de
rimento das condições de regularidade. Esta constatação foi corroborada
por Martins & Stendinger (2000).
do assim, este problema inviabilizaria o uso do método da máxima
verossimilhança. Entretanto, segundo Smith ( ua
0,5
ξ
<−
é extremamente rara para dados ambientais e que, de forma geral,
considerando-se dados reais, geralmente temos
0,5 0,5
ξ
−
<<
.
Hosking (1985) também afirma que devido a esta falta de convergência
para o algoritmo de Newton-Raphson na estimação dos parâmetros, preferir-se-
ia o Método dos Momentos L ao invés do Método da Máxima Verossimilhança,
principalme
nte para amostras menores que 100. Como no presente trabalho
utilizo
tradicional método de Newton-Raphson com o método Quasi-Newton,
u-se de amostras maiores ou iguais a 100, esta informação perde
relevância.
Smith (1988) faz um estudo comparando dois métodos numéricos para
estimação de parâmetros via método da máxima verossimilhança. Comparando o
encontrou que este segundo é melhor que o primeiro por utilizar-se de derivadas
de segunda ordem aproximadas pelo próprio algoritmo. Em meio a tantas
nuances, o Método da Máxima Verossimilhança, auxiliado pelos métodos
iterativos, figura como o principal método de estimação para a distribuição
GVE. Como ponto de partida para os métodos iterativos, Smith (1988) faz uso
da média e variância amostrais para os parâmetros
e
μ
σ
da DGVE pelo fato
haver
eficiente somente quando o índice de cauda,
certa relação entre eles em determinadas situações.
Katz et al. (2002), quando comparam o Método dos Momentos ao Método
da Máxima Verossimilhança, concluem que o método dos momentos é mais
1
ξ
, é menor que zero (tipicamente
comu as,
{
m em dados financeiros) e em pequenas amostr
}
, 15,16,...,100
i
xi=
.
Assumindo que o conjunto de máximos
,
{}
ni
x
segue a distribuição
generalizada dos valores extremos, cuja função de densidade de probabilidade
de
(
)
,
()
ni n
n
x
fx
β
α
de densidade de probabilidade como uma jun
−
=
, então podemos facilmente encontrar a seguinte função
ção das derivadas das Equações
(2.11) e (2.15), que são funções acumuladas:
()
() ()
11
1
,,
,
,,
1
1exp1
1
exp exp 0
ni n ni n
n
nn n
ni
ni n ni n
n
nn n
xx
se k
fx
xx
se k
ξξ
ξβ ξβ
αα α
ββ
αα α
−
⎧
⎧⎫
⎡⎤⎡⎤
−−
⎪
⎪⎪
+−+
⎢⎥⎢⎥
⎨⎬
⎪
⎢⎥⎢⎥
⎪
⎪⎪
⎣⎦⎣⎦
=
⎨⎩
⎪
⎧⎫
−−
⎡⎤
⎪⎪
⎪
−=
⎨⎬
⎢⎥
⎪
⎪⎪
⎣⎦
⎩⎭
⎩
0≠
⎭
(2.16)
35
Onde
()
,
10
ni n
n
x
ξβ
α
−
+>
se
0
n
k
≠
. O subscrito é adicionado aos
parâmetros, indicando que as estimativas destes parâmetros dependem da
escolha de
n
.
n
Sob o pressuposto de independência, a função de máxima verossimilhança
dos extremos dos sub conjuntos é:
(2.17)
()
()
,1 , ,
1
,..., , , log
g
nngnn ni
i
lx x fx
ξα β
=
⎛⎞
⏐=
⎜
⎝⎠
∏
⎟
As estimativas obtidas são não viesadas, assintoticamente normais e de
variância mínima.
Outros métodos de aproximação paramétrica eventualmente são
utilizados, como é o caso do Método de Regressão por Mínimos Quadrados, que
embora consistentes, as estimativas obtidas são menos eficientes que as obtidas
através do método da Máxima Verossimilhança.
Como foi dito, os valores de uma amostra de máximos podem ser obtidos
através de duas metodologias: Pontos Além do Limiar e Blocos. Uma vez de
posse dos ‘valores extremos’, busca-se modelá-los na forma de uma distribuição
apropriada. A estimação dos parâmetros, por sua vez, pode ser feita por diversos
métodos, destacando-se o método da Máxima Verossimilhança com o auxilio de
métodos iterativos para resolução do sistema de equações.
Seja uma seqüência de variáveis aleatórias independente e
identicamente distribuída (i.i.d.) com distribuição de probabilidade GVE e uma
amostra
1
,...,
n
XX
1
{ ,..., }
n
x
x
de observações. Atendida a pressuposição de independência
entre as observações, a função de verossimilhança é a que se seque:
36
11
1
1
1
(,,) () 1 exp 1
n
n
in in
nn i
i
i
nn n
xx
Lfx
ξ
ξξ
ββ
βαξ ξ ξ
αα α
⎛⎞
+
−−
⎜⎟
⎝⎠
=
=
⎧⎫
⎧
⎫
⎧
⎫
⎡⎤ ⎡
⎛⎞ ⎛⎞
−−
⎤
⎪
⎪⎪⎪ ⎪
==+ −+
⎪
⎨
⎬⎨⎨ ⎬
⎢⎥ ⎢
⎜⎟ ⎜⎟
⎝⎠ ⎝⎠
⎣⎦ ⎣
⎬
⎥
⎦
⎪
⎪⎪⎪ ⎪
⎩⎭
⎩⎭
⎩⎭
∑
∏
⎪
(2.18)
que para
0
ξ
<
, assume valores diferentes de zero se todos os valores
de
(1,2,...,
i
)
x
i= n
forem menores que
n
n
α
β
ξ
−
, ou seja,
max( )
n
ni
x
α
β
ξ
−>
e para
0
ξ
>
, assume valores diferentes de zero se todos os valores
de
(1,2,...,
i
)
x
i= n
forem maiores que
n
n
α
β
ξ
−
, ou seja,
min( )
n
ni
x
α
β
ξ
−<
.
Caso contrário,
(,,)0
nn
L
β
α
ξ
=
.
A função Log-verossimilhança é dada pelo logaritmo da função de
verossimilhança.
[
]
1
11
1
1
(,,)ln(,,)
1
ln ln 1 1
1
ln ln 1 1
nn nn
nn
in in
n
ii
nn
n
in in
n
i
nn
lL
xx
n
xx
ξ
ξ
βαξ βαξ
ββ
ξ
αξξ
ξα α
ββ
ξ
αξξ
ξα α
−
==
−
=
=
⎡
⎤⎡ ⎤
⎛⎞ ⎛⎞
⎛⎞ − −
+
=− − + − +
⎢
⎥⎢ ⎥
⎜⎟ ⎜⎟
⎜⎟
⎝⎠
⎝⎠ ⎝⎠
⎣
⎦⎣ ⎦
⎧⎫
⎡⎤⎡⎤
⎛⎞ ⎛⎞
⎛⎞ − −
+
⎪⎪
=− − + −+
⎨⎬
⎢⎥⎢⎥
⎜⎟ ⎜⎟
⎜⎟
⎝⎠
⎝⎠ ⎝⎠
⎣⎦⎣⎦
⎪⎪
⎩⎭
∑∑
∑
(2.19)
37
Para
max( )
n
ni
x
α
β
ξ
−>
se
0
ξ
<
e
min( )
n
n
i
α
x
β
ξ
−<
0
se
ξ
>
, caso
contrário
(,,)
nn
l
β
α
ξ
não existe.
Obtendo as derivadas parciais de primeira ordem em relação aos
parâmetros da Equação (2.18), obtêm-se três equações que formam um sistema
de equações (Equação (2.20)), que se solucionado, fornece estimativas para os
parâmetros da distribuição. As estimativas obtidas são chamadas estimativas de
Máxima Verossimilhança para os parâmetros. O sistema obtido é o que se segue.
()
()
()()
1
ˆ
1
1
ˆ
2
1
1
ˆ
2
1
ˆ
1
1
0
ˆˆ
ˆ
ˆ
1
1
0
ˆˆ
ˆˆ
1
1ln
ˆˆ
ˆ
ˆ
n
i
i
nn
in i
n
i
nn i
n
in in
ii
i
ni
ni
h
xh
n
h
xx
hh
h
h
ξ
ξ
ξ
ξ
αα
αξ
αα
ββ
α
ξξα
−
=
−
=
−
=
⎧
⎛⎞
⎪+
⎜⎟
0
−
=
⎪
⎜⎟
⎜⎟
⎪
⎝⎠
⎪
⎪
⎛⎞
⎡⎤
⎪
⎜⎟
−+−
⎢⎥
⎪
⎜⎟
⎢⎥
⎪
⎣⎦
−+ =
⎨
⎜⎟
⎪
⎜⎟
⎪
⎜⎟
⎝⎠
⎪
⎪
⎧⎫
⎡⎤
−−
⎛⎞
⎪
⎪⎪
⎢⎥
−−−
⎜⎟
⎨⎬
⎪
⎜⎟
⎢⎥
⎪⎪
⎪
⎝⎠
⎣⎦
⎩⎭
⎪
⎩
∑
∑
∑
=
(2.20)
Onde
ˆ
ˆ
1.
ˆ
in
i
n
x
h
β
ξ
α
⎛⎞
−
=+
⎜⎟
⎜⎟
⎝⎠
O sistema de equações obtido, Equação (2.20), não possui solução
analítica, então para solucioná-lo é necessário utilizar-se de métodos numéricos.
Segundo Vivanco (1994), o procedimento iterativo de Newton-Raphson é
apropriado, dada sua rápida convergência.
38
Neste procedimento, é necessário arbitrar valores iniciais para
,,
nn
β
α
ξ
,
arbitra-se também um valor para a diferença mínima entre a penúltima e última
aproximação. Neste caso, adotou-se como limite o valor e 0,001, cuja
interpretação é que a última aproximação é 0,001 vezes menor que a penúltima.
O procedimento é parado e a última aproximação é chamada Aproximação por
Máxima Verossimilhança para os parâmetros.
Não necessariamente todas as estimativas precisam ser arbitradas, uma
vez de posse de alguma estimativa, outras podem ser obtidas analiticamente.
Leadbetter et al. (1983), tecem sugestões práticas para o arbítrio de parâmetros.
Para o caso de dados de poluição, por exemplo, o fator de posição (
n
β
) deve ser
suficientemente grande de forma que a quantil negativo da distribuição seja
mínimo, já que todos os dados são positivos. Outras observações são feitas a
respeito do fator de escala (
n
α
), quanto ao fator de curva (
ξ
) os cuidados a
serem tomados já foram descritos citando Smith (1985) e Hosking (1985).
Classicamente o parâmetro de curva
ξ
era calculado intuitivamente, via
Método de Gumbel, de acordo com a natureza dos dados. Mas em Pickands
(1975), foi provado que o parâmetro de curva pode ser calculado. Este mesmo
autor desenvolve metodologia para o cálculo do índice de calda de distribuições.
Quase simultaneamente (8 meses mais tarde), foi publicado o artigo A Simple
General Approach to Inference About the Tail of a Distribution Hill (1975) em
que é descrito uma metodologia para se calcular índices de caudas de
distribuições. Estes dois autores emprestam o nome a dois estimadores de
índices de caudas, o Índice de Hill e o Índice de Pickands. Embora tenham
desempenhado papel crucial na TVE e apesar de serem muito confiáveis, estes
estimadores são pouco utilizados atualmente devido ao surgimento de métodos
iterativos para a resolução da Equação (2.20).
39
Como ponto de partida para o processo iterativo, pode-se utilizar
E( )
X
para o fator de posição
n
β
,
Var( )
X
para fator o fator de escala
n
α
. Para o
parâmetro de curva
ξ
será adotado um
0
0,5 0,5
ξ
<
<
, na tentativa de evitar
uma eventual falta de convergência do Newton-Raphson, conforme descrito por
Hosking (1985).
Conforme Bautista (2002), considerando a função de densidade de
probabilidade da distribuição GVE, tem-se que o primeiro momento centrado na
origem e o segundo momento centrado na média dados por:
()
()()
2
2
2
E( ) 1 1 , se 1, e
1
Var( ) 1 2 1 , se
2
n
n
n
X
X
α
βξ ξ
ξ
α
ξξξ
ξ
=+ Γ−− <
⎡⎤
⎣⎦
⎡⎤
=Γ−−Γ− <
⎣⎦
(2.21)
conforme Bautista (2002), sendo
k
o momento da Distribuição, o
momento existe se
ésimok −
1
k
ξ
<
. Os seguintes valores iniciais podem ser
dados por:
()()
()
()
()()
()
()(
)
0
00
2
0
2
00
0
0
2
0
0
2
00
2
0
0
2
00
,
12 1
11
11
12 1
11
12 1
n
nn
S
x
xS
S
x
ξ
α
ξξ
ξ
βα
ξ
ξ
ξ
ξξ
ξ
ξ
0
0
ξ
ξ
ξξ
=
Γ− −Γ −
Γ− −
=− ⋅
Γ− −
=− ⋅
Γ− −Γ −
=− Γ− −⎡⎤
⎣⎦
Γ− −Γ −
(2.22)
40
Considerando que o histograma dos extremos é assimétrico à esquerda, arbitrou-
se um
0, 0,15
ξ
ξ
>=
, então se tem:
0
0
0.45756
0.6102
n
n
x
S
S
β
α
=
−⋅
=⋅
(2.23)
A distribuição GVE é relativamente pouco usada, já que pode ser desdobrada em
distribuições mais simples como Gumbel, Fréchet e Weibull. Estas três
distribuições possuem menor número de parâmetros, portanto, fica mais fácil
estimá-los e inferir a partir delas. Vivanco (1994) faz um profundo estudo a
respeito da distribuição Gumbel e esta distribuição tem especial importância
dentre as três por representar a Distribuição GEV, cujo parâmetro de curva é
igual a zero,
0
ξ
=
. A função de densidade de probabilidade da Gumbel é dada
a seguir:
1
(; , ) exp exp
nn
nn
nn n
xx
fx
ββ
βα
αα α
⎡
⎤
⎛⎞⎛⎞
⎛⎞ ⎛⎞
−−
=− −−
⎢
⎥
⎜⎟⎜⎟
⎜⎟ ⎜⎟
⎜⎟⎜⎟
⎢
⎥
⎝⎠ ⎝⎠
⎝⎠⎝⎠
⎣
⎦
(2.24)
A função de verossimilhança da distribuição Gumbel será:
()
1
11
1
1
(,;) exp exp
1
exp exp
,; log exp
n
nn
nn
i
nn n
nn
in in
n
ii
nn
n
in
nn n
i
n
xx
Lx
xx
x
lxn
ββ
βα
αα α
ββ
αα
β
βα α
α
=
==
=
⎧⎫
n
α
⎡
⎤
⎛⎞⎛⎞
⎛⎞ ⎛⎞
−−
⎪⎪
=−−−
⎢
⎥
⎜⎟⎜⎟
⎨⎬
⎜⎟ ⎜⎟
⎜⎟⎜⎟
⎢
⎥
⎝⎠ ⎝⎠
⎝⎠⎝⎠
⎪⎪
⎣
⎦
⎩⎭
⎡
⎤
⎛⎞⎛⎞
⎛⎞ ⎛⎞
−−
=−−−
⎢
⎥
⎜⎟⎜⎟
⎜⎟ ⎜
⎜⎟⎜⎟
⎟
⎢
⎥
⎝⎠ ⎝⎠
⎝⎠⎝⎠
⎣
⎦
⎛⎞
−
=− − − −
⎜⎟
⎝⎠
∏
∑∑
∑
1
n
in
i
n
x
β
α
=
⎛⎞
−
⎜⎟
⎝⎠
∑
(2.25)
em que
(
)
,;
nn
l
βα
x
representa o logaritmo de
(
)
,;
nn
L
βα
x
, derivando
(
)
,;
nn
l
βα
x
n
em relação a
e
n
β
α
temos o sistema com a as respectivas
derivadas:
41
()
()
1
11
,;
1
exp
,;
11
exp
n
nn
in
i
nnn n
nn
nn
in in in
ii
n nnnnn n
lx
x
n
lx
xx
n
βα
β
βαα α
βα
x
β
ββ
αααααα α
=
==
∂
⎛⎞
−
=+ −
⎜⎟
∂
⎝⎠
∂
⎛⎞ ⎛⎞⎛⎞
−−
=− + +
⎜⎟ ⎜⎟⎜⎟
∂
⎝⎠ ⎝⎠⎝⎠
∑
∑∑
−
(2.26)
Igualando-as a zero obtém-se:
1
11
ˆ
1
exp 0
ˆˆ ˆ
ˆˆ
11
exp 0
ˆˆ ˆ ˆ ˆ ˆ
n
in
i
nn n
nn
in in in
ii
nn n n n n
x
n
xxx
n
β
αα α
ββ
αα α α α α
=
==
⎧
⎛⎞
−
ˆ
β
−
+=
⎪
⎜⎟
⎜⎟
⎪
⎝⎠
⎨
⎛⎞ ⎛⎞⎛⎞
−−−
⎪
−+ + =
⎜⎟ ⎜⎟⎜⎟
⎪
⎜⎟ ⎜⎟⎜⎟
⎝⎠ ⎝⎠⎝⎠
⎩
∑
∑∑
(2.27)
O sistema de equações acima (Equação (2.27)) não possui solução
analítica Portanto, como ponto de partida para o método iterativo de Newton-
Raphson, utilizaremos o primeiro e segundo momentos para
e
nn
β
α
respectivamente.
0
2
2
0
()
E( )
()
Var( )
6
X
t
X
t
Mt
X
t
Mt
X
t
22
β
γα
π
α
=
=
∂
=
=+
∂
∂
==
∂
(2.28)
γ
representa a Constante de Euler e equivale a .
0,5772157
Logo, os valores iniciais são dados por:
0
0
6
0,45005 e
6
0,77970
n
n
xsx s
ss
βγ
π
α
π
=−⋅ ⋅≅− ⋅
=⋅≅ ⋅
(2.29)
Que correspondem aos limites da Equação (2.22) quando
0
0
ξ
→
.
42
2.5.3.5.2 Método de Newton-Raphson
O método de Newton-Raphson é um dos muitos métodos iterativos de
solução de equações do tipo
() 0fx
=
e é necessário que
f
seja contínua e
tenha derivadas em todos os pontos.
Este método é largamente utilizado devido sua simplicidade e rápida
convergência. A partir de um valor inicial
0
x
no gráfico de
f
, obtém-se um
valor conseguinte
1
x
como sendo um ponto no eixo
x
de interseção à reta
tangente de
f
em
0
x
(ou seja,
0
'|
x
f
). Assim:
()
(
)
(
)
()
00
010
01 0
tan ' em que
'
f
xf
fx x x
x
x
xf
β
== =−
−
x
Em um segundo momento, toma-se
(
)
()
1
21
1
'
f
x
xx
f
x
=−
, em um terceiro momento
toma-se
3
x
pela mesma fórmula e assim por diante.
O mesmo algoritmo pode ser obtido se resolvida algebricamente a
seguinte série de Taylor:
()
(
)
(
)
(
)
11
'0
nnnnn
fx fx x x f x
++
≈
+− =
Graficamente, fica fácil a visualização do exposto acima. Observe-se a
Figura 2 abaixo:
43
FIGURA 2 Representação gráfica do método de Newton-Raphson.
Não é difícil intuir (pela
Figura 2) que este método apresenta rápida
convergência. O método Quasi-Newton é uma pequena variação do método de
Newton-Raphson. A diferença é que ao invés de se usar a função e sua derivada
(
() ()
e '
nn
f
xfx
), faz-se o uso da primeira derivada e da segunda derivada
(
() ()
' e ''
nn
f
xfx
).
Uma apresentação completa, incluindo a natureza e a estimação do erro
destes métodos, pode ser vista em Kreyszig (2006).
2.5.4 Teste da Razão de Verossimilhança
A escolha do modelo é o passo seguinte à estimação dos parâmetros. Na
verdade, uma vez estimados os parâmetros, submete-se o modelo a testes que
confirmem sua acuidade.
Um dos testes utilizados para definir qual o tipo da Distribuição GVE, é o
Teste da Razão de Máxima Verossimilhança como descrito a seguir.
44
De acordo com Mood et al. (1974), seja
1
( ,..., )
n
x
x
uma seqüência de
observações. Os máximos da Função de Log-verossimilhança da GVE, resultado
da Equação (2.18) e da Gumbel, resultado da Equação (2.24) são dados por
, que são os vetores das estimativas de máxima
verossimilhança. A estatística do teste é tem distribuição
ˆ
()e(
GVE G
lM lM
ˆ
)
RL
T
2
χ
com 1 grau de
liberdade e é dada por:
()
(
)
(
)
(
)
ˆˆ ˆ ˆ
22
RL G GVE GVE G
TlMlM lMlM
⎡⎤⎡⎤
=− − = −
⎣⎦⎣⎦
(2.30)
De modo a obter uma estimativa mais acurada, Hosking (1984) fez
pequena modificação no teste e obteve uma nova estatística, como segue:
*
2,8
1
RL RL
T
n
⎛⎞
=−
⎜⎟
⎝⎠
T (2.31)
A interpretação do teste decorre primariamente da distribuição da
estatística, que como foi dito tem distribuição
2
χ
com 1 grau de liberdade.
Sob as hipóteses:
0
1
:0
:0
H
H
ξ
ξ
=
⎧
⎨
≠
⎩
(2.32)
Temos que se , em que
2
(,1)RL
T
α
χ
≥
α
é o nível de significância do teste,
rejeita-se
0
H
ao referido nível de significância.
Através do teste da Razão de Verossimilhança, pode-se inferir sobre um
ou outro tipo de distribuição possível, daí o motivo de constá-lo no presente
trabalho.
45
2.5.5 Medidas da qualidade do ajuste
Distribuições ajustadas são geralmente validadas por testes de aderência
como Kolmogorov-Smirnov e Qui-Quadrado. O uso desta metodologia pode ser
constatado em diversos autores como Bautista (2002), Beijo (2003) e Sangissolo
(2008).
O teste de Qui-quadrado é baseado em diferenças entre freqüências
observadas e freqüências esperadas. Entretanto, diversas críticas são feitas a este
teste no que diz respeito à natureza da hipótese a ser testada. Outro fato é que a
distribuição de qui-quadrado é tipicamente contínua e são demandados ajustes
quando sua aplicação é feita para dados discretos ou distribuições observadas,
quando as observações são agrupadas em classe. Além do mais, o número de
classes bem como o tamanho da classe influenciam diretamente no poder do
teste. Uma grande discussão a respeito deste teste é encontrada em Cochran
(1982). Este mesmo autor diz que o teste de Qui-quadrado é uma ferramenta
poderosa em uma análise exploratória e apresenta como alternativa no teste de
qualidade de ajuste para distribuições de freqüência o Método de Kolmogorov.
Sendo assim, este último método parece mais apropriado para o trabalho em
questão.
Em Verzani (2005) pode-se obter a metodologia do teste Kolmogorov-
Smirnov. Para uma amostra de uma variável aleatória, tem-se que é gerada
uma distribuição empírica. A probabilidade de um número aleatoriamente
escolhido na amostra ser menor ou igual a
i
X
x
é o número de dados menores que
x
na amostra dividido por . Para esta usamos a notação :
n
n
F
{
}
:
()
i
n
PiX x
Fx
n
≤
=
(2.33)
46
Para uma população com função de densidade acumulada
F
, espera-se
que esteja bem próximo de
n
F
F
, mas quão próxima deve estar é uma grandeza
que merece atenção. Tem-se então duas funções de
x
e defini-se a distância
entre elas como a maior das distâncias:
máximo em de ( ) ( )
n
D
xFxFx=−
(2.34)
Segundo Verzani (2005) sob, somente, a pressuposição de continuidade de
F
,
tem distribuição amostral conhecida. Tem a chamada Distribuição de
Kolmogorov-Smirnov, fato que pode ser observado para quaisquer distribuições,
desde que sejam contínuas. A partir deste fato, pode-se construir um teste de
significância e testes de aderência utilizando-se da estatística .
D
D
Assumindo que é uma amostra i.i.d. de uma distribuição contínua com
função distribuição acumulada
i
X
F
, e toma-se a partir de uma distribuição
empírica, então a significância do teste é dada por:
n
F
0
:() (), :() ()
nAn
H
Fx F x H Fx F x
=
≠
(2.35)
Grandes valores de implicam rejeição da hipótese nula e conseqüentemente
na aceitação de hipótese alternativa.
D
2.5.6 Probabilidade de Ocorrência
Para obter probabilidades de ocorrência, deve-se ter em mente o tamanho
do bloco (subamostra da série). Caso o bloco seja constituído das observações
semanais, poder-se-á calcular probabilidades de ocorrência semanais, caso o
bloco seja constituído das observações de uma quinzena, poder-se-á calcular
probabilidades de ocorrência quinzenais e assim por diante.
47
A probabilidade de ocorrência poderá ser obtida para qualquer
1
min{ ,..., }
n
x
xx>
, em que
1
{ ,..., }
n
x
x
representa o conjunto dos máximos. E
pode ser dada pela expressão abaixo:
() ()
1
ˆ
ˆ
ˆ
ˆ
11exp
ˆ
GVE GVE
n
GVE
MM
ñ
x
PX x F x
ξ
β
ξ
α
−
=
⎧
⎫
⎡⎤
⎛⎞
−
⎪
⎪
>=− =− −
⎢
⎜⎟
⎥
⎨
⎬
⎜⎟
⎢⎥
⎝⎠
⎪
⎪
⎣⎦
⎩⎭
(2.36)
E quando a probabilidade é dada através da cumulativa de Gumbel:
ˆ
0
ξ
→
() ()
ˆ
ˆ
11expexp
ˆ
GG
n
G
MM
n
x
PX x F x
β
α
=
⎧
⎫
⎛⎞
⎛⎞
−
⎪
⎪
>=− =− − −
⎜
⎜⎟
⎟
⎨
⎬
⎜⎟
⎜
⎝⎠
⎟
⎪
⎪
⎝⎠
⎩⎭
(2.37)
Em que
x
(unidades de poluição) é o limite acima do qual se deseja calcular a
probabilidade de ocorrência de um evento para o intervalo (bloco) respectivo.
2.5.7 Tempo de Retorno
Sendo
A
um evento qualquer, que pode ser tido neste estudo como a
ocorrência de um valor
x
da variável aleatória
X
, o tempo intervalar de
ocorrência de
x
é dado pela variável aleatória T e o valor médio de T é
denotado por
τ
e denominado Tempo de Retorno. Em termos práticos, quer
dizer que: se ocorreu um evento de intensidade
x
, quando tempo (
τ
) deve-se
esperar para que o evento de intensidade
x
ocorra novamente?
Esta metodologia é muito utilizada para medir tempos de retorno de
variáveis climáticas, ver Tucci (2001). Ao se conhecer, por exemplo, o tempo de
retorno de uma chuva máxima pode-se dimensionar a secção de um canal ou a
altura de uma ponte de forma mais apropriada.
A probabilidade do evento
A
ocorrer é dada por
(
)(
1PA Fx=−
)
e o
tempo de retorno deste evento é dado pela expressão:
48
() ()
11
1PA Fx
τ
==
−
(2.38)
Para o caso da GVE, o tempo de retorno (
p
x
), função de
τ
é obtido pela
solução da seguinte expressão.
(
)
ˆ
1
p
x
f
Mdx p
=
−
∫
(2.39)
Em que
1
p
τ
=
, o que implica:
(
)
(
)
1
p
F
xp
=
−
(2.40)
Que se invertida gera:
() ()
{
}
1
11ln1
n
pn
xF p p
ξ
α
β
ξ
−
−
=−=−−−−
⎡
⎤
⎣
⎦
(2.41)
Considerando
0
ξ
≠
e para
0
ξ
=
, fazendo uso da cumulativa de Gumbel tem-
se:
() ()
{
}
1
1lnln1
pnn
x
Fp p
βα
−
=−=− −−
⎡
⎤
⎣
⎦
(2.42)
A estimativa
ˆ
p
x
referente ao tempo de retorno
p
x
pode ser obtida com a
substituição das estimativas de máxima verossimilhança de
,,
nn
β
α
ξ
na
Equação (2.41) ou pela substituição das estimativas de máxima verossimilhança
de
,
nn
β
α
Equação (2.42).
2.6 Valor ao Risco (VaR)
O termo Valor ao Risco (VaR) foi cunhado na econometria. Utilizado
principalmente no mercado de ações, mede em termos percentuais o risco de se
investir em determinadas carteiras de ações. Por definição, VaR é o p-quantil da
distribuição do log da variação do preço.
49
50
É uma medida do risco e é procurada tanto por corretores de ações quanto
por investidores, permitindo aos que trabalham no mercado de ações calcularem
seus riscos.
O risco é proporcional ao ganho. Ora, se o objetivo é obter ganhos mais
parcimoniosos, obviamente incorre-se em riscos menores. Se, por outro lado,
intentam-se ganhos maiores, os riscos inerentes serão igualmente maiores.
O mercado acionário é caracterizado por alta liquidez e, neste contexto, é
mais interessante trabalhar com variações ao invés de se trabalhar com valores
absolutos. Assim, o Var foi desenvolvido com base nos retornos diários de ações
e não sobre os valores absolutos, já que estes podem apresentar tendências ao
longo de uma série. Entretanto as variações periódicas refletem a perda ou o
ganho e conseqüentemente o risco.
Ao trazer esta metodologia para a análise de dados de poluição há de se
fazer algumas alterações, entre elas o fato de que para dados de poluição mais
importante é o valor absoluto que o valor das variações em certo período. No
âmbito da poluição atmosférica a variação diária é importante, mas mais
importante ainda é o valor atingindo após algum período de acumulação, que
eventualmente venha a ultrapassar limites legais.
Souza (1999) em estudo sobre valor ao risco para séries financeiras, sob a
ótica de valores extremos, deixa claro que o uso da Teoria de Valores Extremos
é muito apropriada para o calculo de VaR para situações de risco no mercado
financeiro. Afirma que a teoria de valores extremos é sobretudo útil quando não
se conhece a distribuição dos retornos. Diz a respeito dos retornos devido ao fato
do VaR ser basicamente utilizado para medidas de risco no mercado financeiro,
sobre a série de retornos.
Kellezi & Gilli (2000) ilustra como a teoria de valores extremos pode ser
usada para modelar riscos caudais em lucros diários do Crédit Suisse. Segundo
51
ele, as estimativas obtidas são extremamente robustas, então de grande utilidade
para previsões.
Segundo Silva (2006), o risco operacional pode ser obtido através da
modelagem estocástica, aplicando a teoria dos valores extremos. Este estudo
apresenta medidas de risco (VaR) para uso de instituições financeiras, a partir de
distribuições de extremos empíricas.
Jorion (1996) faz duras críticas ao VaR, sustentando que as metodologias
convencionais para cálculo do VaR pressupõem normalidade (ou aproximação
normal) dos dados. Esta pressuposição acaba por não se atendida quando se trata
principalmente de dados financeiros que tipicamente constituem distribuições de
caudas pesadas. Métodos não paramétricos não fazem nenhuma pressuposição a
respeito da distribuição dos dados, mas por outro lado apresentam outros
problemas como o fato de não poderem ser utilizados no cálculo de quantis fora
da amostra. A teoria dos valores extremos vem de encontro a este problema já
que provê distribuições mais apropriadas para os valores extremos que, por sua
vez, são mais importantes para efeito de risco que valores centrais. Segundo
Kellezi & Gilli (2000), auxiliam sobremaneira os gerentes de risco na previsão
de grandes perdas.
A grosso modo a utilização do Var a dados de poluição seria o equivalente
a dizer qual a probabilidade (ou o risco) de se ultrapassar certo valor legalmente
arbitrado. Atualmente, quando se quer discorrer sobre o nível de poluição de
certo local, muitos autores utilizam-se da contagem do número de dias em que
os poluentes ultrapassam níveis críticos. Esta contagem pode representar de
certa forma uma medida de risco, porém difícil será estudá-la estatisticamente.
Assim, a Teoria de Valores Extremos parece apropriada para estimar
quantis e probabilidades, portanto, o Var. Resta saber qual o limite a partir do
qual consideraremos calda, ou mesmo se os limites legais para níveis de
poluição atmosférica podem servir de base para a obtenção do índice de cauda
da distribuição. Por outro lado, interessa saber o que fazer ao se considerar
níveis de probabilidade maiores, fato que implicaria uma entrada no interior da
distribuição, e onde a TVE, a princípio, não pode ser bem aplicada.
Através da metodologia de valores extremos, pode-se obter
,e
nn
β
α
ξ
,
como parâmetros de locação, escala e curva para
{
}
,ni
x
. Substituindo as
estimativas na função de distribuição da GVE, pode-se obter quantis que por sua
vez permitirão calcular o VaR de acordo com o nível de probabilidade desejada
e relativo a diferentes períodos de tempo. Uma discussão mais aprofundada pode
ser vista em Tsay (2002). Este procedimento vai ser descrito a seguir.
Seja o nível de risco que se admita ocorrer e
*
P
*
n
x
, o valor limite da
variável em questão para que se incorra em .
*
P
()
1
*
*
*
exp 1 se 0
exp exp se 0
nn
n
nn
n
x
P
x
ξ
ξβ
ξ
α
β
ξ
α
⎧
⎡⎤
⎛⎞
−
⎪
⎢⎥
⎜⎟
−
−≠
⎪
⎢⎥
⎜⎟
⎪
⎢⎥
⎝⎠
=
⎣⎦
⎨
⎪
⎡⎤
⎛⎞
⎛⎞
−
⎪
−
−=
⎢⎥
⎜⎟
⎜⎟
⎜⎟
⎪
⎢⎥
⎝⎠
⎝⎠
⎣⎦
⎩
(2.43)
Onde é sabido que
()
,
10>
ni n
n
x
ξβ
α
−
−
0
se
ξ
≠
. Reescrevendo a função:
()
()
1
*
*
*
1s
ln
exp se 0
nn
n
nn
n
x
P
x
ξ
ξβ
ξ
α
β
ξ
α
⎧
⎡⎤
−
⎪
⎢⎥
e0
−
+≠
⎪
⎪
⎢⎥
⎣⎦
=
⎨
⎪
⎡⎤
⎛⎞
−
⎪
−
−=
⎢⎥
⎜⎟
⎪
⎝⎠
⎣⎦
⎩
(2.44)
52
Assim, pode-se obter os quantis:
()
{
}
()
*
1ln1 se
ln ln 1 se 0
n
n
n
nn
P
x
P
ξ
α
βξ
ξ
βα ξ
∗
∗
⎧
⎡⎤
+−−− ≠
⎪
⎣⎦
=
⎨
⎪
⎡⎤
−−− =
⎣⎦
⎩
0
(2.48)
Para uma probabilidade , o quantil
*
P
*
n
x
da equação 2.48 é tido como o VaR
baseado na teoria de valores extremos.
A íntima relação entre o máximo de um bloco e os valores observados da
série original pode ser observada a seguir:
()
(
)
()
**
,
11 1
n
n
ni n t n
PPxx Pxx Fx
∗
⎡⎤
=− ≤ =− ≤ =−
⎡
⎤
⎣
⎦
⎣⎦
(2.49)
Esta relação entre probabilidades ajuda a obter o VaR para qualquer posição em
{
}
,ni
x
dado por:
()
{
}
()
1ln se
VaR=
ln ln se 0
n
n
nn
nP
nP
ξ
α
βξ
ξ
βα ξ
⎧
0
+
−− ≠
⎡⎤
⎣⎦
⎪
⎨
⎪
−− =
⎡⎤
⎣⎦
⎩
(2.50)
53
54
3 MATERIAIS E MÉTODOS
3.1 Material
Para o estudo em questão fez-se o uso dados de poluição atmosférica da
cidade da São Paulo cuja estação de monitoramento escolhida foi a Centro. Este
controle é feito pela CETESB, um órgão de controle ambiental do estado de São
Paulo. O período da série compreende o período de Janeiro de 1997 a Dezembro
de 2007, constituindo-se de cerca de 95000 observações horárias.
Primeiramente, o que norteou a escolha da cidade de São Paulo foi o fato
de ela ser a maior cidade brasileira e uma das maiores do mundo. Sendo assim,
espera-se haver, como de fato há, uma grande concentração demográfica e,
conseqüentemente, grande emissão de poluentes, dada a ocupação antrópica
intensa.
Em segunda hora, a escolha da estação Centro se balizou no fato de que
uma grande cidade tem uma condição climática própria, configurando o que
chamam de Ilhas de Calor que, por sua vez, dificultam ou impedem a dissipação
transfronteiriça da poluição. Se a dissipação é dificultada a acumulação é
favorecida. Assim, espera-se que a Estação Centro esteja próxima ao centro da
ilha de calor e que tenha maiores máximos em se tratando de níveis de
poluentes, portanto, merece atenção especial.
São diversas as variáveis climáticas monitoradas, e dentre elas duas foram
escolhidas: CO e MP
10
. Esta escolha se deu primeiramente pela importância
destes poluentes na mensuração da qualidade do ar e, em segundo plano, por
constituírem séries mais completas, fato que dá mais consistência ao estudo.
55
3.2 Métodos
Os métodos utilizados para a análise dos dados estão sistematizados
abaixo.
3.2.1 Análise Exploratória
Uma vez definidas as variáveis objeto do estudo, CO e MP
10
, fez-se uma
análise exploratórias destes dados. Submeteu-se estas séries a testes de tendência
e a natureza da variância das Séries foi analisada. Foi utilizado o Teste de Cox-
Stuart ou comumente chamado de Teste do Sinal para verificar a tendência das
séries, este procedimento é descrito na seção 2.5.2.2.
Foi utilizado o Teste de Fisher, conforme seção 2.5.2.3, para verificar
possível sazonalidade.
Foi utilizado o método gráfico para verificar a homogeneidade da
variância, conforme descrito na seção 2.5.2.4.
Os três testes supracitados foram definidos conforme metodologia descrita
em Morettin & Toloi (2004). O objetivo destes testes foi averiguar a
estacionaridade da série, já que esta é uma das pressuposições a serem atendidas
pela metodologia utilizada neste trabalho.
A independência da série foi verificada através da função de
autocorrelação e foi a busca pela independência que norteou a escolha do
tamanho do bloco. A função de autocorrelação está descrita na seção 2.5.2.5.
Com um conhecimento prévio da série, aplicou-se às séries a metodologia
dos valores extremos no intuito de, a partir de uma série original, obter uma série
de máximos. O método utilizado para determinação dos extremos foi o Método
dos Blocos, da forma descrita na seção 2.5.3.
Como a metodologia utilizada pressupõe independência, essa
pressuposição foi verificada a través da função de autocorrelação. A partir da
56
série original, foi-se aumentado o tamanho dos blocos no intuito de eliminar a
correlação entre máximos subseqüentes e finalmente obter uma série não
correlacionada.
Para cálculos e gráficos, foi utilizado o Programa R, na versão 2.8.1 de
2008.
3.2.2 Estimação dos Parâmetros
Uma vez de posse dos ‘valores extremos’, buscou-se modelá-los na forma
de uma distribuição apropriada. A estimação dos parâmetros se deu através do
método da Máxima Verossimilhança, conforme descrito na seção 2.5.3.5.1,
intitulada Estimação de Parâmetros para a DGVE. Como ferramenta para
resolução do sistema de equações fez-se uso de métodos iterativos. O método
então utilizado foi o algoritmo de Quase-Newton o qual é descrito na seção
2.5.3.5.2.
3.2.3 Teste da Razão de Verossimilhança
Embora não fosse necessário, no intuito de tentar diminuir o número de
parâmetros a serem estimados pelo método iterativo, utilizou-se o testa da razão
de verossimilhança entre a DGVE e a Gumbel, intentando discernir a respeito do
parâmetro de curva. O referido teste é descrito na seção 2.5.4.
3.2.4 Validação dos modelos
Após a estimação dos parâmetros, comparou-se a distribuição empírica à
distribuição da amostra através do teste de Kolmogorov-Smirnov, como
sugerido pela literatura consultada. O teste de Kolmogorv-Smirnov é descrito na
seção 2.5.5.
3.2.5 Valor ao Risco
Através da metodologia de valores extremos, pôde-se obter
, e
nn
αβ ξ
,
como parâmetros de escala, locação e de curva para
{
}
i
x
. Substituindo as
estimativas na função de distribuição GVE, pôde-se obter quantis que por sua
vez permitiram calcular o VaR de acordo com o nível de significância desejada e
relativo a diferentes períodos de tempo. Estes procedimentos foram feitos
consoante a seção 2.6 onde se encontra a descrição da metodologia para o
cálculo do VaR.
57
58
4 RESULTADOS E DISCUSSÃO
4.1 Série histórica referente ao monóxido de carbono.
Observando a série de monóxido de carbono (CO) conforme Figura 3 (a),
vêem-se picos sazonais e uma pequena tendência negativa. Testes apropriados
foram aplicados para verificar a existência de sazonalidade e tendência.
O teste de Fisher não detectou nenhuma sazonalidade na série. Entretanto,
é possível observar um comportamento cíclico e uma tendência decrescente para
os níveis de CO. O ciclo anual pode ser explicado pela alternância entre períodos
chuvosos e períodos secos, fato que contribui para uma menor e maior
acumulação de poluentes na atmosfera respectivamente.
Utilizou-se o teste de tendência Cox-Stuart que detectou uma pequena
tendência negativa. Esta tendência foi modelada e retirada da série a fim de
homogeneizar sua média ao longo das observações.
A série em questão possui forte correlação entre as observações e esta
constatação pode ser feita a partir da Figura 3 (b), que apresenta poucos lags fora
do intervalo de confiança para a independência.
Em busca do atendimento do pressuposto de independência, aumentou-se
o tamanho dos blocos. Desta forma, os “máximos” amostrados estariam mais
distantes entre si, portanto, menos correlacionados.
Todas estas transformações visam a atender ao pressuposto de
estacionaridade da série, que é um dos requisitos da metodologia de extremos a
ser utilizada.
59
4.1.1 Escolha do tamanho do bloco e estimação dos parâmetros
Pode ser observada uma correlação fortíssima visto que há poucos lags
dentro de intervalo de confiança para independência, Figura 3 (b).
Com o objetivo de eliminar a correlação, aplicou-se o seguinte
procedimento à série Concentração de CO:
Dividiu-se primeiramente a série em blocos de 100 observações,
correspondendo a cerca de 4 dias, já que em 4 dias são colhidas 96 observações.
Ou seja, a cada 100 observações, retirou-se a observação máxima para compor a
amostra dos máximos.
Esta nova série pode ser visualizada na Figura 3 (c), onde cada bloco de
tempo representa um intervalo de 100 observações. Analisando a independência
destes dados, através da função de autocorrelação descrita na Figura 3 (d), na
qual observa-se ainda uma forte correlação, embora tenha diminuído em relação
à função de autocorrelação expressa na Figura 3 (b).
Como descrito no referencial teórico, à medida que se aumenta o tamanho
do bloco, os máximos vão ficando mais distantes e conseqüentemente menos
correlacionados, caracterizando a independência assintótica. Portanto, espera-se
que ao aumentar o tamanho dos blocos, diminua-se a correlação entre os
máximos de cada bloco.
Na Figura 3 (a), o bloco é constituído de uma única observação, ou seja,
tem-se a série completa. Na Figura 3(b), o bloco é constituído de 100
observações. Neste caso, tem-se uma série de um máximo a cada 100
observações, ou seja, 945 máximos.
0 20000 40000 60000 80000
0 5 10 15 20
Blocos (de tempo)
(a)
concentraçãoes de CO
0 1020304050
0.0 0.2 0.4 0.6 0.8 1.0
lags
(b)
autocorrelação
Blocos (de tempo)
(c)
concentraçãoes de CO
0 200 400 600 800
5101520
0 5 10 15 20 25 30
0.0 0.2 0.4 0.6 0.8 1.0
lags
(d)
autocorrelação
FIGURA 3 (a) Série histórica - observações horárias - da Concentração de CO
no centro de São Paulo em de Jan. 1997 a Dez. de 2007;
(b) Função de Autocorrelação para a v.a. Concentração de CO; (c)
Série de 945 máximos CO - blocos de 100 observações; (d) Função
de Autocorrelação para a v.a. 945 Máximos de CO.
3
/gm
μ
Como pôde ser observado, não se verificou a independência em uma série
de 945 máximos. Então se tomou por medida do Bloco um intervalo de duas
60
semanas, ou seja, a cada duas semanas retirou-se a observação máxima para
constituir a amostra dos máximos. Neste caso a série de máximos obtida foi de
281 observações (Figura 4 (a)) e como nos casos anteriores, analisou-se a
independência destas observações através de uma função de autocorrelação que
pode ser vista na Figura 4 (b).
Blocos de tempo
(a)
concentraçãoes de CO
0 50 100 150 200 250
5 101520
0 5 10 15 20
0.0 0.2 0.4 0.6 0.8 1.0
lags
(b)
autocorrelação
FIGURA 4 (a) Série de 281 máximos CO - blocos de 356 observações; (b)
Função de Autocorrelação para a v.a. 281 Máximos de CO.
Na Figura 4 (b), apesar de apresentar alguns lags fora do intervalo ainda
assim considerou-se não correlacionados os dados, já que o número de lags fora
do intervalo não excede o limite de 10% do número total de lags. Neste caso
tem-se que este conjunto de máximos pode ser considerado independente ou
fracamente correlacionado, o que segundo a metodologia não apresenta
empecilho à aplicação da metodologia de valores extremos. Assim, este conjunto
de dados, esta série de 281 máximos referentes à concentração de CO na
atmosfera foi considerado apto para a aplicação da teoria de valores extremos tal
qual foi concebida, pressupondo independência ou fraca correlação.
61
Esta seqüência de funções em diversos conjuntos de máximos corrobora o
que a Teoria de Valores Extremos diz a respeito de Independência Assintótica,
ou seja, na medida em que se aumenta o tamanho de e retiramos um máximo
deste grupo, aumenta a distância entre eles e por outro lado, diminuímos a
correlação. Assim quanto maior for , mais provável será a independência.
n
n
4.1.2 Verificando a variância, a tendência e a sazonalidade
Atendida a pressuposição de Independência, resta verificar se a variância
é ou não constante. O que pode ser verificado graficamente na Figura 5 (a).
O teste expresso Figura 5 (a) consiste em dividir a série da v.a. 281
máximos de CO em subconjuntos de 20 em que se mediu a amplitude e a média
de cada subconjunto. A Figura 5 (a) expressa amplitude em função de média e o
resultado de um modelo linear amplitude em função da média é uma reta
praticamente horizontal, característica da variância constante.
Pelo teste de Fisher não foi constatada sazonalidade, não houve nenhum
período sobremaneira marcante, fato que pode ser observado na Figura 5 (b).
8.0 8.5 9.0 9.5 10.0 11.0
051015
Média
(a)
Amplitude
Valores do Periograma
0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
0
50
100
150
200
0
5
0
1
0
1
5
2
0
Frequência
(b)
FIGURA 5 (a) Amplitude X Média para v.a. 281 máximos de CO; (b)
Periodograma para v.a. 281 máximos de CO
62
Pelo teste de Cox-Stuart, buscou-se analisar a tendência. O teste de Cox-
Stuart é dado a seguir:
Dividiu-se a série em duas partes e obteve-se 140 pares, dos quais 80
foram negativos e 57 foram positivos. Devido ao número de pares ser superior a
30, foi considerada a aproximação à distribuição normal:
(
)
T~ 70,35N
.
Sob
0
:
H
não existe tendência e
1
:
H
existe tendência, obteve-se:
57 70
2,02
35
calc
Z
−
==−
comparando-o com
(0,05)
1, 96
tab
Z
=
rejeitou-se
0
H
, ou seja, existe uma tendência, lembrando que este teste é caracterizado pela
bilateralidade.
Sendo assim, foi necessário retirar a tendência da série de forma a atender
o pressuposto de estacionaridade do processo estocástico. Dentre as maneiras de
se retirar a tendência optou-se pelo método paramétrico.
4.1.3 Estimando os parâmetros
Uma vez que este conjunto de 281 máximos (relativos a um máximo a
cada duas semanas) satisfez ao pressuposto de independência, à pressuposição
da variância constante e à pressuposição de estacionaridade, a ele pode ser
aplicada a teoria de valores extremos. Colocando-os em um histograma obteve-
se a seguinte representação conforme Figura 6 (b).
Comparando este hitograma, Figura 6 (b), com o histograma referente a
todos os dados, representado pela Figura 6 (a) observou-se um deslocamento à
direira no eixo das abscissas.
Além do deslocamento à direita, pôde-se ver um aumento da dispersão da
massa de dados, configurando o que a literatura chama de degeneração da
função ou não convergência em distribuição.
63
Concentração de CO
(a)
Frequência
0 5 10 15 20
0 1000 2000 3000 4000
Concentração de CO
(b)
Frequência
5101520
0 5 10 15 20 25 30
FIGURA 6 (a) Histograma relativo a todos os dados, 94500 observações
horárias; (b) Histograma relativo aos 281 máximos de CO
Na estimação dos parâmetros para a modelagem dos dados expressos na
Figura 6 (b) foi utilizado o Método da Máxima Verossilhança.
Para calcular os valores dos parâmetros da distribuição de máximos,
obitidos a partir do sistema de equações de verossimilhança, foi utilizado o
procedimento iterativo de Quasi-Newton, que é um método de solução
númerico, já que o sistema de equações de verossimilhança não possui solução
análitica.
Os estimadores de máxima verossimilhança (EMV) para os parâmentros
da DGVE e da DG, bem como o erro padrão destes são apresentados na Tabela
1.
64
TABELA 1 EMV e respectivos Erros Padrões, para DGVE e DG ajustadas para
v.a. 281 máximos de CO.
DGVE (convergência em 26 ciclos) DG (convergência em 18 ciclos)
Parâmetros Erro Padrão Parâmetros Erro Padrão
2,1374
n
α
=
0,1140
2,237
n
α
=
0,1080
8,1626
n
β
=
0,1481
8,286
n
β
=
0,1401
0,1051
ξ
=
0,0551
Foi feito o teste da Razão de Verossimilhaça para escolha do tipo de
Distribuição GVE. O teste foi feito primeiramente entre a Log-verossimilhança
da Gumbel e a Log-verossimilhança da GVE com o objetivo de avaliar se
ξ
era
igual ou diferente de zero. É importante ressaltar que o teste da Razão de
Verossimilhança não necessariamente precisaria ser feito, já que o método
interativo usado para a solução do Sistema de Equações de Verossimilhança é
eficiente ao calcular todos os parâmetros de uma só vez. Ainda assim intentou-se
reduzir o número de parâmetros a serem estimados mediante o teste da Razão
Verossimilhanças.
A estatística do teste da Razão de Verossimilhança (Equação 2.31) foi:
. Sabe-se que esta estatística tem distribuição
*
0,0999
RL
T =
2
χ
com um grau
de liberdade. Portanto, sendo , rejeita-se
*2
(0,05;1)
0,0999 0,0039
RL
T
χ
=>=
0
H
.
Assim, tem-se pelo teste da razão de verossimilhança que
ξ
é diferente de zero.
Sendo assim, o modelo escolhido foi o referente à DGVE (
2,1374
n
α
=
,
8,1626
n
β
=
e
0,1051
ξ
=
).
65
4.1.4 Validando o modelo
Após estimados os parâmetros, tomou-se algumas medidas pra
visualização do desempenho do modelo. O modelo se mostrou robusto na
explicação do comportamento dos dados. Na Figura 7, são apresentados gráficos
de probabilidade-probabilidade (PP-Plot) e Quantil-Quantil (QQ-Plot). Através
destas figuras, pode-se ver o bom ajuste do modelo.
0.
0
0.
2
0.
4
0.
6
0.
8
1.
0
0.
0
0.
2
0.
4
0.
6
0.
8
1.
0
Probabilidade-
probabilidade
estima
do
5
10
15
20
25
10
20
30
40
Quantil-quantil
estimado
Ob
ser
va
do
Ob
ser
va
do
FIGURA 7 Probabilidades e quantis para DGVE ajustada para v.a. CO com
n=356.
Comparando graficamente as densidades das distribuições estimadas e
observadas, Figura 8, pode-se ver que a densidade observada (linha pontilhada)
está bem próxima da densidade estimada (linha cheia) do modelo ajustado.
Esta análise visual, embora dê uma idéia da adequabilidade do modelo
ajustado, não serve de referência para a validação do modelo, para tanto se
analisa a estatística de Kolmogorov-Smirnov.
66
5101520
0.00 0.05 0.10 0.15
Concentração de CO
(a)
Densidade
Dist amostral
Dist empírica
5101520
0.0 0.2 0.4 0.6 0.8 1.0
x
(b)
F(x)
Fn(x)
Acum empírica
FIGURA 8 Densidade amostral da v.a. Máximos de CO, n=356 e Densidade da
A estatística do teste de Kolmogov-Smirnov para a Gumbel ajustada foi D
= 0,04
D.G.V.E. ajustada.
9 e p-valor = 0,5101, indicando a aceitação de
0
H
para o teste, ou seja,
() ()Fx F x=
. Quanto ao teste de Kolmogorov-Smirnov para DGVE, obteve-se
-valor = 0.5452, indicando a aceitação de
n
D = 0.0477, p
0
H
, porém com um p-
valor ainda maior. Este contraste confirma o que já di o teste de razão de
verossimilhanças: o modelo ajustado pela DGVE é mais eficiente que o ajustado
pela Gumbel.
zia
4.1.5 Calculando o VaR
TVE foi obtido a partir da Equação 2.50, com os
seguin
O VaR baseado na
tes resultados:
67
68
TABELA 2 Níveis de risco e Valores aos Riscos para v.a. Máximos de CO.
P VaR
0,1 0,24
0,2 1,12
0,3 1,81
0,4 2,44
0,5 3,06
0,6 3,72
0,7 4,48
a Tabela 2, pode-se observar o comportamento do VaR ante diversos
níveis
4.2 Série histórica referente ao material particulado
do ou MP
10
, verifica-se
que c
N
de risco. Na medida em que aumenta o risco (P) o valor a este risco
(VaR
P
) tende ao limiar legal, 4,00 unidades. Pode-se observar que na suposição
de um risco de 70% tem-se, ultrapassado, o limiar legal.
Analisando a série referente ao material particula
ada bloco é composto por somente uma observação(Figura 9 (a)). Não se
vê uma tendência decrescente como se viu no caso do CO, embora a
sazonalidade anual ainda possa ser vista. Aqui há dois aspectos a se considerar.
O primeiro é que a alternância entre estações secas e chuvosas confere uma
69
4.2.1 Escolha do tamanho do bloco e estimação de parâmetros
. Pode-se ver
pela f
série independente, aumentou-se o tamanho
do bl
sazonalidade à poluição atmosférica, confirmando o que já foi dito a respeito da
estação seca proporcionar uma maior concentração de poluentes na atmosfera.
De fato, é nesta estação que ocorrem os maiores índices de poluição e
conseqüentemente padrões de qualidade de ar mais baixos. O segundo é que as
fontes emissoras de material particulado são mais difíceis de serem controladas,
daí a dificuldade de se reduzir os níveis de poluentes.
Os dados referentes a MP
10
são fortemente correlacionados
unção de autocorrelação dos dados, Figura 9 (b), haja vista uma longa
seqüência de lags (todos) fora do intervalo de confiança para a independência
(representado pelo tracejado azul).
Com o intuito de obter uma
oco, que constituído de uma observação na Figura 9 (a), passou a ser
constituído de 100 observações na Figura 9 (c). Entretanto, este aumento no
tamanho do bloco não bastou para se obter uma série independente, a respectiva
função de autocorrelação é expressa na Figura 9 (d) e mostra uma forte
correlação.
0 20000 40000 60000 80000
0 50 150 250
Blocos (de tempo)
(a)
concentração de MP10
0 1020304050
0.0 0.2 0.4 0.6 0.8 1.0
lags
(b)
autocorrelação
Blocos (de tempo)
(c)
concentração de MP10
0 200 400 600 800
100 150 200 250 300
0 5 10 15 20 25 30
0.0 0.2 0.4 0.6 0.8 1.0
lags
(d)
autocorrelação
Figura 9 (a) Série histórica - observações horárias - da Concentração de MP
10
no
centro de São Paulo em de Jan. 1997 a Dez. de 2007; (b)
Função de Autocorrelação para a v.a. Concentração de MP
3
/gm
μ
10
; (c) Série
de 945 máximos MP
10
- blocos de 100 observações; (d) Função de
Autocorrelação para a v.a. 945 Máximos de MP
10
.
As observações da série original de concentração de MP
10
são observações
horárias. Portanto, ao considerar um bloco de tamanho 100, fala-se de um bloco
70
71
compreendendo todas as observações de um período de quatro dias. Ao se fazer
a amostragem dos máximos, este intervalo não foi suficiente para tornar as
observações subseqüentes não correlacionadas que viriam a constituir uma série
independente.
Assim, na busca de uma série independente, aumentou-se ainda mais o
tamanho do bloco, o qual passou a se constituir de 356 observações, o que
compreenderia um intervalo de duas semanas. Esta nova série, com 281
máximos de MP
10
, (blocos de 356 observações) pode ser observada na Figura 10
(a) e sua respectiva função de autocorrelação pode ser observada na Figura 10
(b).
Assim aumentou-se o bloco para 945 observações, ou seja, cada bloco
compreendendo um intervalo de 945 observações, o que corresponde a algo em
torno de quarenta dias. Ao se fazer a amostragem de máximos, obteve-se,
portanto, 100 observações. Esta série constituída de 100 máximos pode ser
observada na Figura 10 (c) e a respectiva função de autocorrelação pode ser
observada na Figura 10 (d).
Neste caso, com uma série de 100 máximos, alcançou-se a independência.
Foi necessário um bloco maior para esta consecução, fato que mostra uma
correlação de memória mais longa para a variável MP
10
.
Blocos de tempo
(a)
concentração de MP10
0 50 100 150 200 250
150 200 250 300
0 5 10 15 20
0.0 0.2 0.4 0.6 0.8 1.0
lags
(b)
autocorrelação
Blocos de tempo
(c)
concentração de MP10
0 20 40 60 80 100
200 250 300
0 5 10 15 20
-0.2 0.2 0.4 0.6 0.8 1.0
lags
(d)
autocorrelação
Figura 10 (a) Série de 281 máximos – blocos de 356 observações - de MP
10
no
centro de São Paulo em de Jan. 1997 a Dez. de 2007; (b)
Função de Autocorrelação para a v.a. 281 Máximos de MP
3
/gm
μ
10
; (c)
Série de 100 Máximos MP
10
- blocos de 945 observações; (d) Função
de Autocorrelação para a v.a. 100 Máximos de MP
10
.
Sendo assim, à série apresentada na Figura 10 (c), tida como
independente, aplicou-se testes para verificar se a variância e a média da série
72
são constantes a fim de atender ao pressuposto de estacionaridade. Somente
assim, estaria a série, apta a que se aplicasse a teoria clássica de valores
extremos.
4.2.2 Verificando a variância, tendência e sazonalidade
Agora buscando verificar a homogeneidade da variância fê-lo tomando a
variável aleatória 100 Máximos de MP10 e analisando-lhe média e amplitude,
oito a oito observações. A variância foi tida como constante, ou seja, a mesma
ao longo de todas as subparcelas constituídas de 8 máximos cada, tal resultado
pode ser visto na Figura 11 (a).
Analisando a sazonalidade, fez-se através do teste de Fisher, em que não
se constatou a presença de sazonalidade. O periodograma que subsidiou este
teste é dado pela Figura 11 (b), pode-se ver através dele que não há nenhum
valor do periodograma que seja sobremaneira marcante sobre os demais.
Valores do periodograma
0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
0
2000
4000
6000
8000
10000
12000
0
2000
4000
6000
8000
10000
12000
Frequência
(b)
200 210 220 230 240
60 80 100 120 140
Média
(a)
Amplitude
FIGURA 11 (a) Média X Amplitude da v.a. 100 Máximos de MP
10
; (b)
Periodograma para v.a. 100 Máximos de MP
10
.
73
Analisando a tendência, fez-se através do teste de Cox-Stuart. Dividui-se
a série em duas partes e obteve-se 50 pares, dos quais 28 foram negativos e 22
foram positivos. Devido ao número de pares ser superior a 30, foi considerada a
aproximação à distribuição normal:
(
)
T~ 25;12,5N
Sob
0
:
H
não existe tendência e
1
:
H
existe tendência, obteve-se;
22 25
0,85
12,5
calc
Z
−
==−
. Comparando o módulo de
calc
Z
com
aceitou-se
(0,05)
1, 96
tab
Z =
0
H
, ou seja, não existe tendência.
Não houve correlação nem tendência, e sendo independente, a série,
expressa na Figura 10 (c), foi considerada como atendendo ao pressuposto de
estacionaridade e foi utilizada para estimação dos parâmetros da Distribuição
Generalizada de Valores Extremos.
4.2.3 Estimando os parâmetros
O histograma destes dados mostra claramente a degeneração de função de
máximos quando
tende ao infinito. O histograma dos dados originais está
representado na Figura 12 (a).
n
74
Concentração de MP
(a)
Frequência
0 50 100 150 200 250 300
0 500 1000 1500
Concentração de MP10
(b)
Frequência
200 250 300
02468
FIGURA 12 (a) Histograma referente a todas as observações da v.a.
Concentração de MP
10
; (b) Histograma referente a v.a. 100
Máximos de MP
10
.
À medida que amostramos os máximos, a sua distribuição tende ao
infinito. Ao comparar a Figura 12 (b) que representa o histograma dos máximo,
nota-se um deslocamento à direita do eixo das abscissas, quando comparada à
Figura 12 (a) que representa os dados originais. No histograma referente a todos
os dados, vê-se um intervalo que vai de zero a trezentos enquanto que no
histograma referente aos 100 máximos temos um intervalo nas abscissas
variando entre cento e cinqüenta e trezentos e cinqüenta.
Outro aspecto afeto à amostragem de máximos é o alargamento horizontal
da distribuição, aumentando a variância entre os dados. Fato que também pode
ser observado na figura 12.
A Figura 12 (b) representa os extremos escolhidos para a aplicação de
TVE. Na estimação dos parâmetros, foi utilizado o Método da Máxima
Verossilhança auxiliado pelo procedimento iterativo Quasi-Newton, um método
numérico utilizado na resolução do sistema de equações de verossimilhança, o
75
qual não posui solução analítica. As estimativas obtidas são apresentadas na
Tabela 3, com seus respectivos erros.
TABELA 3 EMV e respectivos Erros Padrões, para DGVE e DG ajustadas para
v.a. MP
10
.
DGVE (convergência em 34 ciclos) DG (convergência em 7 ciclos)
Parâmetros Erro Padrão Parâmetros Erro Padrão
29,2437
n
α
=
2,4486
28,6
n
α
=
2,237
206,1479
n
β
=
3,3527
205,11
n
β
=
3,018
0,0659
ξ
=−
0,0839
Foi feito o teste da Razão de Verossimilhaça para escolha do tipo de
Distribuição GVE. O teste foi feito primeiramente entre a Log-verossimilhança
da Gumbel e a Log-verossimilhança da GVE com o objetivo de avaliar se
ξ
era
igual ou diferente de zero.
A estatística do teste da Razão de Verossimilhança (Equação 2.31) foi:
. Sabe-se que esta estatística (assintoticamente) tem distribuição
*
0,0402
RL
T =−
2
χ
com um grau de liberdade. Portanto, sendo
, aceita-se
*2
(0,05;1)
0,0402 0,0039
RL
T
χ
=− < =
0
H
. Assim, tem-se pelo teste da
razão de verossimilhança que
ξ
é igual de zero. Do teste da Razão de
Verossimilhança, aceitou-se
ξ
igual a zero. Logo, estes dados melhor se
ajustam à distribuição Gumbel.
A escolha da distribuição Gumbel poderia ser feita através da observação
dos EMV’s e seus respectivos erros. Ao observar o parâmetro
0,0659
ξ
=
−
e
76
seu respectivo erro , pode-se construir um intervalo de confiança (IC)
para este parâmetro, que será:
0,0839=
IC:( 0,0659 0,0839) ( 0,0659 0,0839)
ξ
−− <<−+
, este intervalo de
confiança aponta para uma possível distribuição Gumbel, pois compreende o
valor
0
ξ
=
, que caracteriza esta distribuição.
4.2.4 Validando o modelo
Após estimados os parâmetros, fez-se algumas medidas para visualizção
do desempenho do modelo. O modelo se mostrou robusto na explicação do
comportamento dos dados, fato que pode ser observado na Figura 13 na qual são
apresentados gráficos de Probalidade Observada X Probabilidade Estimada (PP-
Plot); e Quantis Observados X Quantis Estimados (QQ-Plot). Nestes testes
gráficos com quantis, espera-se uma reta entre o observado e o estimado para
quando os modelos estiverm bem ajustados, fato que pode ser observado tanto
na Figura 13 (a) quanto na Figura 13 (b). Esta análise visual embora dê uma
idéia da adequabilidade do modelo ajustado, não serve de referência para a
validação do modelo.
77
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Probabidade-Probabilidade
Observado
(a)
150 200 250 300
150
200
250
300
350
400
Quantil- Quantil
Estimado
(b)
ob
ser
va
est
im
ad
FIGURA 13 (a) Probabilidade observada - Probabilidade estimada (PP-Plot) e
(b) Quantil observado - Quantil estimado (QQ-Plot) para D.
Gumbel ajustada para v.a. MP
10
com n=945.
Na Figura 14 (a), também pode-se ver graficamente o bom desempenho
do modelo. A densidade observada (linha pontilhada) está bem próxima da
densidade estimada (linha cheia), no modelo ajustado.
150 200 250 300 350
0.000 0.004 0.008
Concentração de MP10
(a)
Densidade
Dist amost
Dist empír
150 200 250 300
0.0 0.2 0.4 0.6 0.8 1.0
x
(b)
F(x)
Fn(x)
Acum empírica
FIGURA 14 (a) Densidades empírica e amostral; (b) Função acumulada da DG
ajustada e Fn(x) para o teste de K-S.
78
A eficiência do modelo conforme referencial teórico é bem mensurada
através do teste de Kolmogorov-Smirnov. A estatística do teste Kolmogorov-
Smirnov é dada pela maior distância entre as distribuições empírica e amostral,
como pode ser observado na Figura 14 (b). Sendo assim este teste foi aplicado à
v.a. em questão, obtendo-se a seguinte estatística: D = 0,0499, p-valor = 0,9646.
Este resultado leva à aceitação da hipótese nula:
() ()
n
Fx F x
=
.
Com o modelo validado, suas estimativas podem ser usadas através de
diversas ferramentas, como forma de inferir a respeito dos dados originais, como
é feito com o VaR a seguir.
4.2.5 Calculando o VaR
O VaR para concentração de MP
10
baseado na TVE foi obtido a partir da
Equação 2.50, com os seguintes resultados, Tabela 4.
TABELA 4 Níveis de risco e Valores aos Riscos para v.a. MP
10
.
P
VaR ( )
3
/gm
μ
0,2 -69,01
0,3 -9,47
0,4 46,53
0,5 103,77
0,6 166,38
0,7 240,06
79
A observação desta tabela (4) mostra que o nível crítico (VaR) do
poluente em questão ( ) deve estar entre um P maior que 0,6 e menor
que 0,7. Mais precisamente, a uma probabilidade de 57,51%, entenda-se risco de
57,51%,atingindo, assim, o limiar legal para este poluente.
3
150 /gm
μ
80
5 CONCLUSÕES
5.1 Série de concentrações do Monóxido deCarbono (CO)
A Teoria de Valores Extremos através da Distribuição Generalizada de
Valores Extremos se mostrou uma ferramenta poderosa na análise estatística
desta série.
Foi ajustado um modelo para descrever o comportamento dos Máximos
desta série, que pode também ser usado em diversas aplicações como tempo de
retorno, probabilidade de ocorrência e valor ao risco. O referido modelo
apresentou bom ajuste aos dados, fato corroborado pelo teste de Kolmogorov-
Smirnov.
Especificamente, no que diz respeito ao VaR, foram obtidos resultados
interessantes, podendo-se inferir da DGVE para os dados originais e assim ter
uma idéia dos riscos envolvidos, como, por exemplo, o de um habitante de uma
grande cidade (como nesse caso São Paulo) estar exposto a índices nocivos de
poluição.
Para o exemplo estudado obteve-se que o risco de um habitante de São
Paulo à exposição de monóxido de carbono é de 63,88%, considerando-se o
limite legal ( ). Isto dá idéia do nível de exposição de 12 milhões de
brasileiros, a este poluente.
3
40 /gm
μ
5.2 Série de concentrações do Material Particulado (MP
10
)
A Teoria de Valores Extremos através da Distribuição Generalizada de
Valores Extremos se mostrou uma ferramenta poderosa na análise estatística
desta série.
81
Foi ajustado um modelo para descrever o comportamento do Máximos
desta série que por sua vez pode ser usado em diversas aplicações, como tempo
de retorno, probabilidade de ocorrência e valor ao risco. O referido modelo
apresentou bom ajuste aos dados, fato corroborado pelo teste de Kolmogorov-
Smirnov.
Especificamente, no que diz respeito ao VaR, foram obtidos resultados
interessantes, podendo-se inferir da DG para os dados originais e assim ter uma
idéia do risco envolvidos, como, por exemplo, o de exposição a índices nocivos
de poluição aos quais o habitante de uma grande cidade (nesse caso São Paulo)
está exposto.
Para o exemplo estudado obteve-se que o risco de um habitante de São
Paulo à exposição de MP
10
, considerando-se o limite legal ( ) é de
57,51%. Isto dá idéia do nível de exposição de 12 milhões de brasileiros, a este
poluente.
3
150 /gm
μ
82
83
REFERÊNCIAS BIBLIOGRÁFICAS
ANDRADE, H. A. Qualidade do ar em Lisboa. Finisterra: Revista Portuguesa
de Geografia, Lisboa, v. 31, n. 61, p. 43-66, 1996.
BARBOSA, S. R. C. S. Industrialização, ambiente e condições de vida em
Paulínia, SP, As representações de qualidade ambiental e de saúde para
médicos e pacientes. 1990. 299 p. Tese (Doutorado em Ciências Sociais) -
Instituto de Filosofia e Ciências Humanas, Universidade Estadual de Campinas,
Campinas.
BAUTISTA, E. Z. A distribuição generalizada de valores extremos no
estudo da velocidade máxima do vento em Piracicaba, SP. 2002. 47p.
Dissertação (Mestrado em Estatística e Experimentação Agropecuária) - Escola
Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo,
Piracicaba.
BEIJO, L. A.; MUNIZ, J. A.; CASTRO, P. N. Tempo de retorno das
precipitações máximas em Lavras (MG) pela distribuição de valores extremos
tipo I. Revista Ciência e Agrotecnologia, Lavras, v. 29, n. 3, p. 657-667,
maio/jun. 2005.
BEIJO, L. A.; MUNIZ, J. A.; VOLPE, C. A.; PEREIRA, G. T. Estudo da
precipitação máxima em Jaboticabal (SP) pela distribuição de Gumbel utilizando
dois métodos de estimação dos parâmetros. Revista Brasileira de
Agrometeorologia, Santa Maria, RS, v. 11, n. 1, p. 141-147, 2003.
BUENO, R. L. S. Econometria de séries temporais. São Paulo: Cengage
Learning, 2008. 299 p.
COCHRAN, W. G. Contribuitions to statistics. New York: J. Willey, 1982.
COLOMBINI, M. P. Poluição atmosférica e seu impacto no sistema
cardiovascular. Revista Einstein, São Paulo, v.6 n. 2, p. 221-226, 2008.
COMPANHIA AMBIENTAL DO ESTADO DE SÃO PAULO. Disponível em
<
www.cetesb.sp.gov.br>. Acesso em: 09 nov. 2009.
84
COX, D. R.; HINKLEY, D. V. Teoretical statistical. London: Chapman and
Hall, 1974.
DRESS, H.;DE HAAN, L.; RESNICK, S. How to make a hill plot. Rotterdam:
Erasmus University Rotterdam, 1998.
EMBRECHTS, P. C.; KLÜPPELBERG; MIKOSCH, T. Modelling extremal
events for insurance and finance. Berlin: Springer, 1997.
ESTEVES, G. R. T.; ARAÚJO, P. D.; MARQUES, C. P. B.; SANTO, A. M. R.
Fontes renováveis de energia para veículos 20 com células a combustível. In:
SIMPÓSIO BRASILEIRO DE PESQUISA ENERGÉTICA, 2004, Itajubá.
Anais... Itajubá: Universidade Federal de Itajubá. 2004, p. 1-20.
FISHER, R. A.; TIPPETT, L. H. C. Limiting forms of the frequency distribution
of largest or smallest member of a sample. Proceedings of the Cambridge
Philosophy Society, Cambridge, v. 24, p. 180–190, 1928.
GALAMBOS, J. The asymptotic theory of extreme order statistics. New
York: J. Wiley, 1978. 349 p.
GNEDENKO, B. V. Sur la distribution limité du terme d’une série aléatoire.
Annals of Mathematics, Lawrenceville, v. 44, p. 423 - 453, Jul. 1943.
GOUVEIA, N.; MENDONÇA, G. A. e S.; LEON, A. P. de; CORREIA, J. E. de
M.; JUNGER, W. L.; FREITAS, C. U. de; MARTINS, L. C.;
GIUSSEPE, L.; CONCEIÇÃO, G. M.S.; MANERICH, A.; CUNHA-CRUZ, J.
Poluição do ar e efeito na saúde nas populaçãoe de duas grandes metrópoles
brasileiras. Epidemiologia e Serviços de Saúde, Brasília, v. 12. p. 29-40. 2003.
GUMBEL, E. J. Statistics of extremes. New York: Columbia University, 1958.
375 p.
HILL, B. M. A Simple general approach to inference about the tail or a
distribuition. Annals of Statistics, Hayward, v. 3, p. 1163-1174, 1975.
HOSKING, J. R. M. Algorithm AS 215: maximum-likelihood estimation of the
parameters of the generalized extreme-value distribution. Journal of the Royal
Statistical Society . Series C . Applied statistics, London, v. 34, p. 301-310,
1985.
85
HOSKING, J. R. M. Testing whether the shape parameter is zero in the
generalized extreme value distribution. Biometrika, London, v. 71, p. 367-374,
1984.
HOSKING, J. R. M.; WALLIS, J. R.; WOOD, E. F. Estimation of the
generalized extreme value distribution by the method of probability-weighted
moments. Technometrics, Washington, v. 27, p. 251-261, 1985.
JAMES, B. R. Probabilidade: um curso em nível intermediário. Rio de
Janeiro: Instituto de Matemática Pura e Aplicada, 1981. 304 p.
JENKINSON, A. F. The frequency distribution of the annual maximum (or
minimum) values of meteorological elements. Quarterly Journal of the Royal
Meteorology Society,Berks, v. 81, p. 159-171, 1955.
JORION, P. Value at risk: the new benchmark for controlling derivatives
risk. Chicago: Irwin, 1996.
KATZ, R. W.; BRUSH G. S.; PARLANGE, M. B. Statistics of extremes:
modeling ecological disturbances source. Ecology, Washington, v. 86, n. 5, p.
1124-1134, May, 2005.
KATZ, R. W.; PARLANGE, M. B.; NAVEAU, P. Statistics of extremes in
hydrology. Advances in Water Resources,
Southampton, n. 25, p. 1287-1304.
2002.
KËLLEZI, E.; GILLI M. Extreme value theory for tail-related risk measures.
Switzerland: University of Geneva, 2000. 27 p.
KREYSZIG, E. Advanced engineenrig mathematics. 9. ed. Singapore: Wiley,
2006. 1245 p.
KÜCHENHOFF, H.; THAMERUS, M. Extreme value analysis of Munich air
pollution data. Environmental and Ecological Statistics, Munich, v. 3, p. 127-
141, 1996.
MARTINS, L. C.; LATORRE, M. R. D. O.; CARDOSO, M. R. A.;
GONÇALVES, F. L. T.; SALDIVA, P. H. N.; BRAGA, A. L. F.
Air pollution and emergency room visits due to pneumonia and influenza in São
Paulo, Brazil. Revista Saúde Pública, São Paulo, v. 36, n. 1, p. 88-94, 2002.
86
LEADBETTER, M. R.; LINDGREEN, G.; RÓOTZEN, H. Extremes and
related properties of random sequences and processes. New York: Springer-
Verlag, 1983. 336 p.
LEADBETTER, M. R.; RÓOTZEN, H. Extremal theory for stochastic
processes. Annals of Probability, Hayward, v. 16, p. 431-478, 1988.
LOMBARDO, M. A. Ilha de calor nas metrópoles: o exemplo de São Paulo.
São Paulo: Hucite, 1985.
MAGALHÃES, M. N. Probabilidade e variáveis aleatórias. 2. ed. São Paulo:
Edusp. 2006. 428 p.
MARTINS, E. S.; STENDINGER, J. R. Generalized maximum-likelihood
generalized extreme-value quantile estimators for hydrologic data. Water
Resources Research, Washington, v. 36, p. 737-744, 2000.
MAYER, H. Air pollution in cities. Atmospheric Environment, Oxford, v. 33,
p. 4029-4037, 1999.
MIRAGLIA, S. G. K., O ônus da poluição atmosférica sobre a população do
município de São Paulo: uma aplicação do Método Daly; estimativa em anos
de vida perdidos e vividos com incapacidades. 2002. 126 p. Tese (Doutorado em
Medicina) - Universidade de São Paulo, São Paulo.
MONTEIRO, C. A. de F.; Mendonça, F. (Org.). Clima urbano. São Paulo:
Contexto, 2003.192 p.
MOOD, A. M.; GRAYBILL, F. A.; BOES, D. C. Introduction to the theory of
tatistics.3. ed. New York: J. Wiley, 1974. 564 p.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. São Paulo:
E. Blücher, 2004. 535 p.
MORITZ, M. A. Analyzing extreme disturbance events: fire in Los Padres
National Forest. Ecological Applications, Tempe, v. 7, n. 4, p. 1252-1262, Nov.
1997.
NAESS, A.; GAIDAI, O. Estimation of extreme values from sampled time
series. Structural Safety, Amsterdam, v. 31, n. 4, p. 325–334, July 2009.
87
OKE, T. R.; SPRONKEN-SMITH, R. A; JAHUREGUI, E; GRIMMOND, C. S.
B. The energy balance of central Mexico City during the dry season.
Atmospheric Environment, Oxford, v. 33, p. 3919-3930, 1999.
OKE, T. R. Towards better scientific communication in urban climate.
Theoretical and Applied Climatology, Viena, v. 84, p. 179-190. 2006.
PICKANDS, J. Statistical inference using extreme order statistics. Annals of
Statistics, Hayward, v. 3, n. 1, p. 119-131, 1975.
PIEGORSCH, W. W.; SMITH, E. P.; EDWARD, D.; SMITH, R. L. Statistical
advances in environmental science. Statistical Science, Hayward
, v. 13, n. 2, p.
186-208, 1998.
PRIESTLEY, M. B. Spectral analysis and time series. London: Academic
Press, 1989. 407 p.
ROTACH, M. W. On the influence of the urban roughness sublayer on
turbulence and dispersion. Atomospheric Enviroment, Oxford, v. 33, p. 4001-
4008, 1999.
SANSIGOLO, C. A. Distribuições de extremos de precipitação diária,
temperatura máxima e mínima e velocidade do vento em Piracicaba, SP. Revista
Brasileira de Agrometeorologia, Santa Maria, RS, v. 23, n. 8, p. 341-346,
2008.
SHARMA, P.; KHARE, M.; CHAKRABARTI, S. P. Application of extreme
value theory for predicting violations of air quality standards for an urban road
intersection. Transportation Research, Oxford, v.23, p.133-139, 1999.
SILVA, J. V. M. Modelagem estocástica em risco operacional - aplicando a
teoria de valores extremos. 2006.74 p. Dissertação (Mestrado em Gestão
Econômica de Negócios) – Universidade de Brasília, Brasília.
SMITH, R. L. Forecasting records by maximum likelihood. Journal of the
American Statistical Association, New York, v. 83, n. 402 p. 331- 338, June
1988.
SMITH, R. L. Maximum likelihood estimation in a class of nonregular cases.
Biometrika, London, v. 72, p. 67-92, 1985.
88
SOUZA, L. A. R. Valor em risco em épocas de crise. 1999. 104 p. Dissertação
(Mestrado em Economia Aplicada) – Universidade de São Paulo, São Paulo.
TSAY, R. S. Analysis of financial time series. Chicago: Wiley, 2002. 448 p.
TUCCI, C. E. M. (Org.). Hidrologia: ciência e aplicação. 2. ed. Porto Alegre:
UFRGS, 2001. 943 p.
VERZANI, J. Using R for introductory statistic. São Paulo: Chapman &
Hall/CRC, 2005. 414 p.
VIVANCO, M. J. F. Análise de valores extremos no tratamento estatístico da
corrosão de equipamentos. 1994. 107 p. Dissertação (Mestrado em Estatística)
- Universidade Estadual de Campinas, Campinas.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
