GERMANO DE ALBUQUERQUE ANDRADE TESE SUBMETIDA...
Transcript of GERMANO DE ALBUQUERQUE ANDRADE TESE SUBMETIDA...
UM MODELO MARKOVIANO PARA SIMULAÇÃO
DE VAZÕES DIÁRIAS
GERMANO DE ALBUQUERQUE ANDRADE
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS
PROGRAMAS DE PÕS-GRADUAÇÃO DE ENGENHARIA DA UNIVE~
SIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS RE
QUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
MESTRE EM CIÊNCIA (M. Se.)
Aprovada por:
Prof. Dirceu~ado Olive Presidente
Cl~~L,, i~ Prof. Nelson Maculan FTI
I
Prof. Rui Carlos V. da Silva
~~f fc ÚJ_..Y, ~ r, ..õãõ/zardo R.H.Araujo J
RIO DE JANEIRO ESTADO DA GUANABARA - BRASIL
SETEMBROJDEiq972 ' . .-
-
SUMÁRIO
Pesquisa de um modelo para simular vazoes diárias,
com base na teoria das cadeias de Markov.
Para esse fim, a sucessao histórica das vazoes
analisada como processo de la. e 2a. ordem, sendo que, em
~
e
am-
bos os casos determina-se a ergodicidade da cadeia e sua dis -
tribuição estacionária.
Analisa-se um ajustamento teórico para as linhas
das matrizes markovianas, usando-se os Índices de Pearson é e
testando-se as distribuições gama, normal e lognormal.
São observados separadamente os períodos ,!;seco" e
"molhado" do ano hidrológico e as séries simuladas são compar~
das com as históricas correspondentes, com a finalidade de in
dicar o processo melhor ajustável ao período observado.
ABSTRACT
Research of a model to simulate dayly flows under the
base of Markov's chains theory.
To reach this goal, a historie sucession of mentioned
flows is analysed as a first and second order process prevailing
\. . . . that, for both cases, the~cha1n,ergod1c1ty is determined and its
·- . " "~ ~-
stationary distribution is observed.
A theoretic adjustment for markovian matrix lines is
analysed through Pearson's indexes, drying out gama, normal and
lognormal distributions.
Dry and wet periods of the hydrologic year are observed
separately, while simulated series are compared with the corres
ponding histories in arder to point out the best adjustable
process for the period under analysis.
INDICE
I. INTRODUÇÃO
1.1 - Considerações gerais
1.2 - métodos empregados na pesquisa de Modelos Hidrológicos
l. 3 - Objetivos
II. PROCESSOS ESTOCÁSTICOS
2.1 - Generalidades
2.2 - Classificação dos Processos Es tocásticos
2.3 - Aplicação as Séries Hidrológicas
2.4 - Distribuição de Probabilidade Condicional no lR n
2.5 - Processos Markovianos de la e 2a. ordem
2.6 - Probabilidade de Transição em n-Etapas
2.7 - Vetor distribuição de Probabilidade
III. CONSTRUÇÃO DOS MODELOS HIDROLÕGICOS
3.1 - Formação das matrizes de transição
3.2 - Observações sobre as matrizes de transição.
3.3 - Sucessão Hidrológica corno Cadeia Irredutível
.{.,(,,(,
pg.
l
2
3
4
5
5
6
10
13
14
17
29
31
3.4 - Cálculo da Distribuição Estacionária da série de Vazões
3.5 - Testes da Distribuição das li nhas das Matrizes de Transição
3.6 - Resultados e Conclusões dos testes
3.7 - Simulação através dos Modelos de la. e 2a. ordem
IV. ESTUDO COMPARATIVO DAS SÉRIES REAIS E SIMULADAS
V. APfNDICE
4.1 - Séries reais e simuladas
4.2 - Diagramas
4.3 - Conclusões
4.4 - Considerações finais
VI. BIBLIOGRAFIA
,lv
32
36
39
44
46
47
51
52
AGRADECIMENTOS
O autor agradece a todos que contribuíram direta ou
indiretamente para a realização desse trabalho.
À COPPE, nas pessoas dos Professores Fernando Luiz
Lobo B. Carneiro, Chefe do Programa de Engenharia Civil, Rui Car
los Vieira da Silva, Chefe da Área de Hidráulica, Dirceu Machado
Olive pela orientação e João Lizardo R. H. Araujo, pelas suges -
tões no trato com as Cadeias de Markov.
À Universidade Federal da Paraíba, nas pessoas dos
Professores Serafim Rodrigues Martinez, Vice-Reitor, Vitoriano
Gonzales y Gonzales e Newton Maia, respectivamente Direior e Che
fedo Departamento de Hidráulica da Escola de Engenharia.
À Escola Técnica Federal da Paraíba nas pessoas do
Diretor, Professor Itapoan Botto Targino e do Chefe do Departa -
mento de Mecânica, Professor José Maria Fonsêca.
Particularmente agradece a Maria de Lourdes de Al -
meida pelo serviço datilográfico.
F( • )
. p ( . )
P·. lJ
P· ºk lJ
P~n) l
p. ~n) lJ
11. (n) l
{n) 11 •• lJ
PRINCIPAIS SÍMBOLOS USADOS
Função distribuição de probabilidade
Função de probabilidade
Estado da cadeia markoviana relativo ao tempo t
Probabilidade de transição para o estado j dado o
estado i, em uma etapa
Probabilidade de transição para o estado k dados
(i j), em uma etapa
Probabilidade absoluta ou marginal dei no instan
te n
Probabilidade absoluta ou marginal de i,j no ins
tante n
Vetor distribuição de probabilidade no instante n
(processo de la. ordem)
Vetor distribuição de probabilidade de ( ij) ,po ,in~.
tante n (processo de 2a. ordem)
Espaço amostral das vazões reais
Evento aleatório relativo ao instante t
n-ésima realização do processo
1.
I. INTRODUÇÃO
1.1 - CONSIDERAÇÕES GERAIS
O planejamento e desenvolvimento de projetos
hidráulicos necessitam fundamentalmente do conhecimento das sé
ries históricas hidrometeorolÓgicas, sendo de suma importância
para esses projetos, aquela que caracteriza o regime do rio · ·OU
seja, a sequência das vazões relativas ao tempo.
A análise de sequências desse tipo (denomin~
das séries temporais) pode determinar a estrutura do processo
hidrológico, permitindo averiguar as características do fenôme
no gerador da série [a]. Assim pode-se obter uma representação
matemática (ou modelo matemático) para o fenômeno, que permiti-
rã reproduzÍ-lo, resultando uma série temporal simulada.
constituirá a meta dessa pesquisa.
Isso
As vantagens dessas representações matemáti
cas, evidenciam-se pelo grande número de modelos existentes no
campo da hidrologia, nos quais os pesquisadores procuram otimi
zar os processos adotados e assim, conseguir de maneira racio -
nal, realizar a simulação ou a previsão das séries hidromete.oro·
2 .
lógicas, isto é, "a formulação das inferências a respeito do
comportamento futuro dos fatos que constituem a matéria em estu
do", (ref. [7]).
1. 2 - MfTODOS EMPREGADOS NA PESQUISA DE MODELOS HIDROLÕGICOS
Segundo BHUIYA [a] , há tres formas de cons
truir modelos hidrológicos:
1. através de esquemas paraméticos usando
funções empíricas características das
condições particulares da bacia;
2. através de esquemas puramente probabi
lísticos, nos quais o processo é consi
derado como estocástico;
3. combinando esquemas paramétricos e pro
babilÍsticos de forma que o processo
seja constituído pela soma de duas com
ponentes - uma paramétrica e outra es
tocástica.
A segunda forma será utilizada nessa pesqui-
sa onde consideraremos a sequência de vazões diárias como um
processo estocástico.
3.
1. 3 - OBJETIVOS
São objetivos do presente trabalho:
1. Elaboração e programaçao, em computador digital,
de um algorítmo que modele uma série hidrológica (série das va
zoes diárias), por cadeias de Markov de la. e 2a. ordem.
2. Verificação da propriedade irre·dutível da ca-
deia e determinação da sua distribuição estacionária.
3. Pesquisa de uma distribuição teórica para as sé
ries de frequência formadoras da matriz de transição correspon -
dente ao processo adotado.
4. Simulação do período observado através dos mode
los de la. e 2a. ordem, construídos com dados dos rios Juquiá
(SP) e Grande (MG).
5. Estudo comparativo dos modelos, visando verifi -
car se descrevem adequadamente o processo físico e qual deles se
ajusta melhor aos dados. Subsidiariamente, análise de um número
modesto .de simulações, visando sua futura utilização em proble -
mas de planejamento.
4.
II. PROCESSOS ESTOCÁSTICOS
2.1 - GENERALIDADES
2.1.1 - Definição
Denomina-se processo estocástico aos fenômenos se
quenciais cuja evolução é determinada por leis probabilisticas.
Considerando o evento aleatório l;t relativo ao ins
tante t, as sequências {l;t' t f T} formam uma familia de reali
zações do processo, tendo a particularidade de apresentar suces
soes distintas para cada periodo de observação. Assim sendo,
· {l;t} é uma variável aleatória n-dimensional.
2.1.2 - Caracterização
O processo estocástico é caracterizado pelo conjun-
to de funções
F(x1 , ... ,xn' t 1 , ... ,tn) =
= Pr[l;t ;; x1,· .. ' l;t ;; xn] 1 n
n f 1N , t 1 , ... , tn f T
que representam a familia das funções distribuição de probabili-
5.
2.2 - CLASSIFICAÇÃO DOS PROCESSOS ESTOCÁSTICOS
1, Segundo a estrutura de · {st}, o processo estocás
tico pode ser:
a) Estacionário se o conjunto de funções distribui
ção n-dimensionais for invariante com uma trans
lação no tempo, ou seja se:
F(x1 , ... ,xn,t1 , ... ,tn)=F(x1
, ... ,xn,t1
+1õ, •••
. . . , t + G) n
para qualquer t 1 , t 1 +G, ... , tn,tn +~ E' T.
b) Segundo a natureza do sistema relativamente ao
espaço amostral.{xt} e ao período de observação
T, classifica-se esses processos como:
• i. continuo no espaço e no tempo
ii. contínuo no espaço e discreto no tempo
iii. discreto no espaço e no tempo
iv. discreto no espaço e contínuo no tempo
2. 3 - APLICAÇÃO ÀS SÉRIES HIDROLÕGICAS
No· caso particular das vazoes diárias, numa dada s~c
çao de um rio, consideraremos a sucessão histórica como um pro -
cesso discreto no espaço e no tempo, sendo
6.
{xt} = · {x I O ~ x ~ m}
T = {O, 1, 2, .. }
Como tais sucessoes sao sabidamente correlacionadas,
foi aplicada a teoria das cadeias de Markov, fazendo-se maiores
considerações sobre essa técnica, nos capítulos seguintes.
2.4 - DISTRIBUIÇÕES DE PROBABILIDADE CONDICIONAL NO IRn
Se a variável aleatória ~t assume somente valores
discretos ou seja se o espaço amostral é constituído dos valores
l. . r II+ ( . O 1 ) e J= ,, ••• ,n J
T = 1,2, ... ,n podemos construir a fun-
ção denominada "função de probabilidade n-dimensional" represent~
da por
(2.1)
que dá uma completa descrição da distribuição de ~t [14] .
A p(i1 , ... ,in) satisfaz as seguintes condições:
1. o $ p(i1,· .. ,in) t 1
2. ~ 4 p(i1,···,in) = 1 ( 2 . 2 ) 11 l n
X ~i n n
7 .
Sendo F(x1 , ... ,xnl a função distribuição de proba
bilidade da citada variável aleatória.
Aplicando o conceito de distribuição de probabili
dade marginal ou absoluta de cada variável aleatória podemoses
crever:
p. = Pr[,; 1 =i1l = ? ? ? p(i1,···,inl ].l ]. 2 ]. 3 l.n
P. = Pr [,; 2 =i 2] = l ? ? p(il' ... ,inl ].2
il ]. 3 ]. n
l i n-1
p ( i 1 ' ... 'in l
Este conceito pode ser estendido a duas ou
variáveis aleatórias ou seja:
p, . . =Pr[t;1=i1,· .. ,t; -l=i -1] = 1 1' 1 2' ... ' 1 n-l n n
( 2. 3)
mais
8.
(2.4)
Como as distribuições condicionais são rigorosamen
te relacionadas às distribuições n-dimensionais [2], podemoses
crever:
e aplicando a definição de probabilidade condicional temos:
p(ili1,···,i 1>= n n-
= p(i1,···,i) n.
7
Donde se conclui que:
p(i li1,··. ,i 2).p(i lil', ... ,i ·. 1) n n- n n-
- ........... • .......... .
=
( 2 . 5 )
)
= •••••••••••••••••
= pil. p(i2li1) .
p(i3 I il ,i2) •...• p(in I il, ... ,in-1)
Em termos diretos de probabilidade teremos:
Pr[,; 1 = i 1 , ... , sn = in] =
= Pr[,; 1 = il] Pr[,; 2 = i2ls1 = i1J .
Pr[,; 3 = i 3 ls 1 = il, s2 = i2J
. Pr[sn = in ls1 = il, ... , sn-1 = in-1]
9 •
( 2. 6)
(2.7)
Nas aplicações práticas, em geral é complexa a dete~
minação das funções condicionais da (2.7) [sJ. Dois casos entre
tanto facilitam seu emprego.
1. Quando nao há dependência estocástica entre os e
lementos de ·{,;t}, temos os processos independentes nos quais:
Pr[,; 1 = i 1 , ... ,sn = in] = Pr[,; 1 = i 2] .
. Pr[,; 2 = i 2] ..... Pr[,;n = in]
ou seJa a probabilidade da cadeia e igual ao produto das probabi
lidades absolutas dos eventos.
10.
2. No caso contrário, ou seja, quando há dependência
entre os elementos de {;t} sendo a sucessao discreta no espaço e
no tempo, temos os processos markovianos nos quais
Pr[; 1 = i 1 , ... , ;n = in] = Pr[; 1 = i 1]
Pr[;2
= i2
1;1 = i 1]. Pr[; 3 = i 3 1;1 = i 2 ,; 2 = i 2J .... Pr í~n = i I F s=i . , .... f. = i J L"' n "!1-s n-s · n-1 n-1
( 2 . 8 )
isto é, a probabilidade da cadeia é igual ao produto das probabi
lidades condicionais até a ordem s (s = 1,2, ... ,m).
No item que se segue, analisaremos os processos de
la. e 2a. ordem com mais detalhes.
2.5 - PROCESSOS MARKOVIANOS DE la. e 2a. ORDEM
2.5.1 - Processos markovianos de la. ordem sao aque
les nos quais o estado atual só depende do estado imediatamente
anterior.
= Pr r~n - i 1 ~ - i ] L, - n "n-1 - n-1
Dessa forma, todas as evoluções de estados podem ser
representadas pela probabilidade condicional
( 2. 9)
11.
onde i, j representam qualquer estado de S. Nisso reside a gran
de vantagem dos processos markovianos dado as si.mplificações decor
rentes.
A p .. denominada probabilidade de transição em uma l.J
etapa, significa a "chance" de evolução do processo markoviano do
estado i para o estado j em um instante ou etapa e é tal que:
1. O ~ P· · ~ 1 l.)
r 2. l
j=l p. . = 1
l.)
V i,j s
Vi
Os elementos pij podem ser arranjados em forma de ma
triz de ordem r, denominada matriz de transição do processo e re
presentada por JP •
P11 P12 Pir
P21 P22 P2r
(2.10) IP = ( p .. ) =
l.)
Prl Pr2 Prr rxr
A matriz que atende as condições 1 e 2 é denominada
matriz estocástica de forma que toda matriz de transição temes
sa classificação.
12.
2.5.2 - Processos de 2a. ordem
São aqueles nos quais o estado atual depende do co
nhecimento de dois estados anteriores. Considerando o instante
t e i, j, k f S e aplicando um raciocínio análogo ao do item an
terior, podemos escrever:
(2.11)
A representação matricial desse processo (ver BAR -
TLET [13] ) tem a seguinte forma:
11 12 lr 21
11 o
12 o o o
lr o o o o
21 o
2r o o o o
rl Prl2 ... o
rr o o o o
2r
o
o
o
o
o
o
rl
o
o
o
P2r1 ...
o
p 1 ... rr
rr
o
o
o
o
(2.12)
2 2 r xr
13.
Onde os pares de Índices, indicam estados associa-
dos ou seja:
Pijk = Pij, jk = Pr [jk i ij] (2.13)
Por essa razao sao nulos os elementos cujos Índi -
ces centrais sao diferentes.
Essa notação é de grande importância para operar
matricialmente os processos de 2a. ordem, como veremos nos capf
tulos seguintes.
2.6 - PROBABILIDADE DE TRANSIÇÃO EM N-ETAPAS
Define-se probabilidade de transição em n-etapas,
a evolução do processo markoviano do estado i para o estado j
(processo de la. ordem) ou (i j) para o estado k (processo de
2a. ordem) apos n transições.
Em linguagem formal
P f j ) = Pr [,; t + n = j I F; t = i J
Pij~n) = Pr[F;t+n = kjF;t+l = J, F;t = i]
Admitindo-se que a cadeia independe do instante t
14.
podemos escrever:
(n) r~ . p. "k = Pr Ls = J l.J n
(2.14)
onde tomamos o instante inicial t = O
2.7 - VETOR DISTRIBUIÇÃO DE PROBABILIDADE
Sejam os vetores formados pela probabilidade margJ.
nal (Pr[E;t= i.]) t E' T,i. E' S. J J
Para t = O temos o vetor distribuição inicial dado
por:
enquanto para t = ri temos o vetor distribuição no instante n ou
seja:
Em linguagem mais compacta:
rr ~ n) ].
= (P~n)) = ]. ' ... ' (2.15)
Do conceito de distribuição marginal para dois es
tados, podemos escrever:
15.
ou sob a forma de componentes:
t p<_o). l J Pjk j
Através de raciocínio idêntico chega-se a expressao
p (n) = k
r p, (n-1) J J
(2.16)
ou seja o vetor distribuição de probabilidade no instante n é o
produto matricial do vetor distribuição no instante anterior pe
la matriz de transição em uma etapa.
Para os processos de 2a. ordem o vetor distribuição
de probabilidade do par (i j) no instante n sera:
1T •• J. J
(n) = (P (n) 11 P
(n) p (n) p (n) p (n)) ,· 12 ' · · · ' lr ' 21 ' · · · ' rr
ou em função da matriz de transição pijk e sob a forma de compo
nentes:
ra:
P.~n) = J.J l
k P
(n-1) ki
(2.17)
A distribuição absoluta do estado j nesse caso se-
p~n) = J
P. ~n) J.J
(2.18)
16.
As equaçoes (2.16) e (2.18) permitirão calcular as
distribuições estacionárias dos processos adotados. No parágr~
fo 3.4 trataremos desse assunto.
17.
III. CONSTRUÇÃO DOS MODELOS MARKOVIANOS
3.1 - FORMAÇÃO DAS MATRIZES DE TRANSIÇÃO
Inicialmente admitimos a sucessao de vazoes como um
processo discreto no espaço e no tempo e devido a dependência es
tocásticas dessas séries, pudemos utilizar a teoria vista no ca
pítulo anterior, ou seja tratar essas sequências como cadeias
markovianas.
Com a finalidade de obter melhor uniformidade na
distribuição das vazões históricas, tomou-se para espaço amos
tral de~ses eventos, o conjunto:
no qual
sendo
· {xt} = {a, b, ... , m, n}
a= avmin
b = ªª
n = am
vmax = an
O conjunto de estados {S} = {1,2, ... ,r} associa- se
ponto a ponto a {xt} de forma que:
18.
vrnin ~ 1 ~ a
a < 2 ~ b
m < r ~ vrnax
Foram observados separadamente os períodos "seco" e
"molhado" do ano d'água empregando-se 25 anos de observações
dos rios Juquiá (SP) e Grande (MG). Assim, determinou-se 24 se
quências {~t} com 180 elementos cada uma. Para atender a tabe
la de Sturges (ref. [7]) para 180 pontos, utilizamos 8 interva
los de classe de forma que tomou-ser= 8 para o conjunto de es
tados.
As matrizes markovianas foram construídas conside -
rando-se as primeiras 23 sequências {~t}, de acordo com os _i:;e.:.
guintes algorítmos:
1. Para o processo de la. ordem, os elementos p .. l.J
sao dados, aproximadamente, pela expressão (ver exemplos na
TAB. 3.1.1):
P·. l.J "" f ..
l.J = fa(i, j)
r }: fa(i,j) j
( 3 .1)
para qualquer i fixado e j = 1,2, ... ,r sendo fa, a frequência
absoluta de transição do estado i para o estado j em uma etapa.
19.
2. Para os processos de 2a. ordem, aplicamos um re
curso que resultou em grande economia de "memória" ou seja, tra
tamos a (2.11) como tri-dimensional. Nessa hipótese a matriz de
transição (2.12) foi arranjada em eixos tri-ortogonais da forma
indicada na fig. 3.1.
Pode-se observar que nessas condições a ordem matri
cial é r x r x r ou seja a "área de memória" a ocupar sera mui
to menor do que aquela necessária para (2.12).
O ponto genérico p .. k traduz a probabilidade da cal.J
deia "evoluir" de (i j) para k em uma etapa.
Os valores p .. k sao calculados pelo processo das l.J
frequências relativas e neste caso, a exemplo do anterior, a pr~
habilidade aproximada será (ver exemplo na TAB.3.1.2):
Pijk ct f ijk = fa(i,j,k)
r Lfa<i,j,k) k=l
para cada i, j fixados e k = 1, 2, ... , r.
(3.2)
o
r ---------r-- ----------- --?I / ,, ,..' 1
., , 1 / 1 / r•I / 1 / 1 / ,,.,'1 / ,,
/ / / , / ., "' 1 ., 1 / ,
/ r-2 ,/ / 1 / ,r------ -~---"--..Â..----- -- ,
/ 1Pa&,/ .," 1 .11P Srr /
1 ío;/1 'I' / 1 / / / ,
; i--------t---V--..,----~---r---t / 1 1pu.rt1 1 ., ,
1 parr-1
/ 1/ 1,,, .,. 1 •• , J,,', 1, / t-------- --r.-----r,,--~---•
; 1 Pn,.a ; < , 1 Parr-a ; L t "" , ,
,
1 ;I
, 1
1 1 1
' 1 ,l
1 1
A :----------, ------ - -t---:,-;"'ir~r' , ' : ' 1 1 / I /4 1 / ' 1 ~----------J. ______ iT_J.,.:'--- .. p· , 1, , 1
1 :------ - --tpg-;11- - 1-i:~-!. - - - ,iPa~•" ,, '1 .__ ________________ 1 ____ .,.J.',.,.9 _.,:_ , .... ., 1
t---- ---rPs;.--1-----,---,+, ... , .,;,,ª 1 1 , ' 1 " , 1 1 1 , , , , r--2 --;pa;,--i-.,----,--...t,.,.,,/ 1 / "/1/ ,.. _____ ---- ---------:l.-----..... ·e .. ,, / /
1 .-------- ----=;e -,---/..1'---J ' ,I 1 , , / 1 /- , / / ..,___ ·------------------ .... -P,,a,' , 1 1 / / 1 • / I ,. 2 1 " / :--- ·r--t -------------------------,P,.,..,,' 1 I //
- ----- - - ---------- --- - -- - - -- _y
FIC.. J.1
20.
21.
É importante observar que processos de ordem mais e
levada, podem ser também considerados, desde que a linguagem de
programação empregada possa operar com blocos de quatro ou mais
Índices como no nosso caso, no qual utilizamos o Fortran G no
IBM 360/40 do NCE/UFRJ que opera "matrizes" de até sete Índices~
Nos processos práticos como o nosso, nao acontecem
transições de estados "distanciados" como (i) para (i+k), (k
grande) ou o caso contrário. A observação das matrizes de fre-
quência absoluta dos dados dos rios Juquiá e Grande comprovam es
sa afirmativa (tabelas TAB 3.1/1,2,3 a seguir).
1 Nota do Prof. Nelson Maculan Filho - COPPE/UFRJ.
22.
RIO JUQUIÃ - OUT/MAR
ESTADOS J
I 1 2 3 4 5 6 7 8
1 169 50 9 o o o o o
2 57 790 169 36 3 1 o o
3 o 197 591 157 31 3 o o
4 o 4 201 484 124 34 o o
5 o o 11 166 268 76 7 o
6 o o o 11 103 202 39 o
7 o o o o 3 41 96 6
8 o o o o o o 5 19
1 RIO GRANDE ABR/SET -
ESTADOS J
I 1 2 3 4 5 6 7 8
1 17 5 14 o o o o o o
2 14 850 22 o o o o o
3 o 28 929 34 o o o o 4 o o 47 798 27 o o o
5 o o o 38 333 8 o o 6 o o o o 10 71 2 o
7 o o o o o 3 17 o 8 o o o o o o 1 18
TAB. 3.1.1 - MATRIZ DE TRANSIÇÕES (PIJ)
23.
RIO JUQUIÁ - OUT/MAR
ESTADOS K
I J 1 2 3 4 5 6 7 R
1 1 109 33 8 o 1 o o o
1 2 1 29 11 2 o o o o
1 3 o 1 4 3 1 o o o
1 4 o o o o o o o o 1 5 o o o o 1 o o o
1 6 o o o o o o o o
1 7 o o o o o o o o 1 8 o o o o o o o o
2 1 37 9 1 o o o o o 2 2 43 556 107 25 3 1 o o
2 3 o 25 83 4 2 8 2 o o
2 4 o 1 5 11 12 5 o o ~
2 5 o o 1 o o 2 o o
2 6 o o o o o 1 o o 2 7 o o o o o o o o
2 8 o o o o o o o o
3 1 o o o o o o o o
3 2 2 141 41 7 o o o o 3 3 o 126 376 79 15 o o o
3 4 o o 43 68 40 10 o o
3 5 o o 3 5 10 9 1 o
3 6 o o o 1 o 1 1 o
24.
RIO JUQUIÃ - OUT/MAR
ESTADOS K
I J 1 2 3 4 5 6 7 8
3 7 o o o o o o o o
3 8 o o o o o O', o o
4 1 o o o o o o o o
4 2 o 3 o o o o o o 4 3 o 39 129 32 4 1 o o
4 4 o o 102 335 57 16 o o
4 5 o o 1 36 62 28 3 o
4 6 o o o 1 4 19 10 o
4 7 o o o o o oc o o 4 8 o o o o o o o o
5 1 1 o o o o o o o 5 2 o o o o o o o o
5 3 o 1 7 3 o o o o 5 4 o 1 50 95 21 2 o o 5 5 o o 4 88 168 29 2 o
5 6 o o, o 1 16 54 5 o
5 7 o o o o o o 6 1
5 8 o o o o o o o o
6 1 o o o o o o o o 6 2 o o o o o o o o
6 3 o o o o o o o o 6 4 n 1 4 <; l n n n
=
RIO JUQUIÁ - OUT/MAR
ESTADOS K
I
6
6
6
6
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
J 1 2 3 4 5 6
5 1 o 2 39 54 9
6 o o o 6 70 113
7 o o o o o 10
8 o o o o o o
1 n o ro o o o ? n n o n n n
~ o o o o o o
4 o o o o o o
5 o o o 2 L. o
6 o o o 2 16 22
7 o o o o 3 32
8 o o o o o o
1 o o o o o o
2 o o o o o o
3 o o o o o o
4 o o o o o o
5 o o o o o o
6 n n o o o o
7 o o o o o 1
8 o o o o o o
TAB. 3.1,2 - MATRIZ DE TRANSIÇÕES (PIJK)
RIO JUQUIÁ
2 5.
7 8
1 o
20 o
27 2
o o
o o o n
o o
o o
o o 3 o
60 3
o 6
º" o
o o
o o
o o
o o
o o 5 o 6 13
26.
RIO GRANDE - OUT/MAR
ESTADOS K
I J 1 2 3 4 5 6 7 8
1 1 70 10 1 1 o o o o
1 2 o 13 o o o o o o
1 3 o o 3 o o o o o 1 4 o o o 1 o o o o
1 5 o o o o o o o o
1 6 o o o o o o o o 1 7 o o o o o o o o
1 8 o o o o o o o o 2 1 5 3 1 o o o o o 2 2 9 211 41 o o o o o
2 3 1 3 38 3 o o o o 2 4 o o o o o o o o 2 5 o o o o o o o o
2 6:, o o o o o o o o
2 7 o o o o o o o o
2 8 o o o o o o o o 3 1 1 o o o o o o o
3 2 o 35 2 o o o o o 3 3 o 34 480 56 o o o o
3 4 o o 5 54 3 1 o o 3 5 o o 1 o o o o o
3 6 o o o o o o o o
27.
RIO GRANDE - OUT/MAR
ESTADOS K
I J 1 2 3 4 5 6 7 8
3 7 o o o o o o o o 3 8 o o o o o o o o 4 1 o o 1 o o o o o 4 2 o o o o o o o r, O
4 3 o o 52 4 1 o o o 4 4 1 o 52 687 63 2 o o
.
4 5 o o . o 11 50 10 o o 4 6 o o o 3 o 4 o o 4 7 o o o o n n n o 4 8 o o o o ' o o o o 5 1 o o o o o o o o 5 2 o o o o o o o o 5 3 o o 1 o o o o o 5 4 o o o 66 5 2 o o 5 5 o o o 63 559 44 1 o 5 6 o o o o 5 49 2 o 5 7 o o o o 1 o o o 5 8 o o o o o o o o 6 1 o o o o o o o o 6 2 o o o o o o o o 6 3 o o o o o o o o 6 4 o o o 2 o 2 o o
RIO GRANDE - OUT/MAR
ESTADOS K
I
6
6
6
6
7
7
7
7
7
7
7
7
8
8
8
8
8
8
8
8
J l 2 3 4 5 6 7
5 o o o o 57 l o
6 o o o 2 52 337 17
7 o o o o o 7 13
8 o o o o o o o
l o o o o o o o
2 o o o o o o o
3 o o o o o o o
4 o o o o o o o
5 o o o o o l o
6 o o o o l 18 l
7 o o o o o 13 44
8 o o o o o o o
l o o o o Oé o o
2 o o o o o o o
3 o o o o o o o
4 o o o o o o o
5 o o o o o o o
6 o o o o o o o
7 o o o o o o 2
8 o o o o o o 2
...... ~ i::: ·, .. . ) ... ! ~' • .,; j- ... ,,,,
TAB. 3.1.3 - MATRIZ DE TRANSIÇÃO (PIJK)
( RIO GRANDE)
28.
8
o
o
o
o
o o
o o
o o
2
2
o
o
o
o o o
o 19
29.
3. 2 - OB.SERVAÇÃO SOBRE 'AS MATRIZES DE TRANSIÇÃO
Analisando as matrizes segundo os exemplos das tab~
las TAB. 3.1/1, 2, 3 podemos fazer as seguintes observações:
1. A matriz de la. ordem, apresenta valores consid~
ráveis nas evoluções dos estado (i) para os estados (j) = (i-2),
(i-1), (i), (i+l) e (i+2) sendo muito pequena ou nula a ocorren
cia de evoluções para os demais estados. Isso se deve ao fato
de não haver grandes alterações nas vazões diárias dos rios a
qui analisados.
2. A matriz de 2a. ordem só apresenta valores consi
deráveis nas transições do estado (i) para os estados (j) = (i-1)
(i) (i+l) e (k) = (i-2), (i-1), (i), (i+l) e (i+2). Dai se con
clui que as variações bruscas atendendo aos limites referidos no
item 2, dificilmente ocorrem por três dias consecutivos e que os
picos de cheia são atingidos ou decrescem de forma lenta.
3. Em ambos os casos citados, o maior valor de Fi
corresponde ao elemento p .. (i = j) e p. "k (i = j = k). l.J l.J
4. Do item 1 constatamos que nem todos os estados
se comunicam na matriz de uma etapa. Foi verificado entretanto,
que na 3a. etapa, isso deixa de ocorrer (todos são comunicantes)
3 O •.
de forma que podemos tratar a cadeia como irredutível e pesqui
sar uma distribuição estacionária Única para a mesma.
5. Para o processo de 2a. ordem, surge uma dificul
dade; alguns pares de estado nunca ocorrem. Temos assim, na ma
triz de transição, linhas e colunas correspondentes nulas, ou se
ja:
Se (i j) nao ocorre temos
P··k = Pk·· = O para todo k. J.J J.J
Devemos então, eliminar estas linhas e colunas; um
modo prático de efetuar isto é dar probabilidade inicial zero a
esses pares de estados.
Isso nao afeta os resultados pois a probabilidade
... ~ ""!.2. \ -,· r-,-i;.;.' 'r'' '•. ~ ... na n-esima etapa sera:
para todos os pares (i j) que nao ocorrem.
Testando a matriz assim reduzida, esta mostrou-se
irredutível donde a distribuição estacionária é Única.
31.
3.3 - SUCESSÃO HIDROLÕGICA COMO CADEIA IRREDUTÍVEL DE MARKOV
Consideremos o comportamento do vetor distribuição
de probabilidade absoluta P~n) para n grande. J
Se
lim n~
P~n) J
= u. J
j t s
onde
gÓdica.
u. é um vetor constante, diz-se que a cadeia é erJ
Da mesma fórma para
lim n~
p~i:1) l. J
= u .. l.J
no caso de processo de 2a. ordem.
i ,j ( s
Considerando então a cadeia como ergÓdica e fazen
do n~00 nas equaçoes:
(n) P· =
J
(n) p ..
l.J
obtemos os vetores
=
, (n-1) l pk k
í k
u. l.
u .. l.J
= l k
32.
( 3 • 3)
uk. · pk · ' l. l.J (3.4)
Um vetor que satisfaz a equaçao (3.3) é denominado
vetor distribuição estacionária do processo de la. ordem; satis
fazendo a (3.4), tem-se o vetor distribuição estacionária do
processo de 2a. ordem. Neste ponto, a cadeia atinge a denomin~
qa distribuição limite que é Única nos processos markovianos
irredutíveis como o aqui tratado.
3.4 - CÁLCULO DA DISTRIBUIÇÃO ESTACIONÁRIA DA SÉRIE DE VAZÕES
A fim de operar as equaçoes (3.3) e (3.4) tomou-se
para vetor distribuição inicial
onde
ordem.
(o) 1T •
l.
1 p. = - (n = numero de estados) no processo de la. l. n
Para o processo de 2a. ordem levando em conta os
pares (i j) que nao ocorrem o vetor distribuição inicial será:
(o) 1T • • =
l.J
33.
Sendo
para as linhas nulas e
p. ~ o) = l l.J s ( 3. 5)
no caso contrário, onde s ~
= numero de pares de estados que ocor-
rem.
Consideramos estacionários os vetores
a. l.
= p~n) l.
e a .. l.J
= P~i:1) tais que: l.J
IP~n) - P~n-l)I ~ 0.001 l. l.
IP~i:i> - p~i:i- 1 >1 ~ 0.001 l.J l.J
respectivamente para os processos de la. e 2a. ordem.
(3.6)
Neste Último, a distribuição estacionária absoluta
~
de acordo com (2.18) e
r a. = l a ..
J i=l l.J (3.7)
Os resultados obtidos para os vetores distribuição
estacionária, compõem a tabela TAB. 3.4 a seguir. Observa-se
que estes vetores são muito próximos para as duas distribuições
34.
em cada período observado, como era de se esperar.
A Última linha da tabela se refere ao número deite
raçoes necessárias para atingir a estacionaridade. Em todos os
-casos o valor de n e menor no processo de 2a. ordem como se veri
fica na tabela referida.
35.
RIO JUQUIÁ RIO GRANDE
ESTADOS OUT/MAR ABR/SET OUT/MAR ABR/SET
PIJ PIJK PIJ PIJK PIJ PIJK PIJ PIJK
1 0.045 0.039 0.081 0.083 0.016 0.014 0.061 O. 06.
2 0.221 0.217 0.281 0.294 0.074 0.077 0.306 0.308
3 0.227 0.235 0.347 0.348 0.188 0.190 O. 312 0.314
4 0.212 0.222 0.162 0.156 0.280 0.281 0.223 0.222
5 0.140 0.145 0.075 0.068 0.239 0.238 0.076 0.073
6 0.098 0.094 0.032 0.030 0.155 0.154 0.015 0.016
7 0.044 0.039 0.015 0.015 0.029 0.029 0.003 0.002
8 0.009 0.006 0.003 0.003 0.015 0.013 0.001 0.000
valor de n 28 23 39 34 34 31 89 85
TABELA 3.4 - DIST. ESTACIONÁRIA
36.
3.5 - TESTES DA DISTRIBUIÇÃO DAS LINHAS DAS MATRIZES DE TRANSIÇÃO
Determinadas as frequências absolutas das evoluções
do estado i (processo de la. ordem) ou (i j) (processo de 2a. or
dem) para qualquer dos outros estados, formam-se séries de fre
quência Fi correspondentes as linhas da matriz markoviana para as
quais pesquisamos uma distribuição teórica.
Assim, a simulação da sequência histórica se
através de um modelo probabiÍÍstico conhecido.
faria
Com essa finalidade os seguintes testes foram reali-
zados:
3.5.l - Teste da Normal
Calculados os coeficientes de assimetria e curtose
da sériee(X., F.), através do método dos momentos, verificou-se a · 1 1
simetria e o achatamento da curva. Admitindo-se um erro de 10%,
a curva seria normal se
[ASj ~ 0.1
jCURTI ~ 0.1
e neste caso a frequência relativa teórica é dada por:
3 7.
1 exp lãir 0 x
1 [- ½ (x::x rJ ( 3. 8)
onde ux e ºx sao respectivamente a média e o desvio padrão da
série particular analisada, calculados a partir do primeiro e
segundo momento.
3.5.2 - Teste da Lognormal
Se o logaritmo da variável aleatória tem uma dis
tribuição normal e se essa variável apresenta uma distribuição
assimétrica positiva, tem-se a denominada distribuição lognor -
mal.
Com base nessa definição, consideraremos lognormais
as séries de frequência para as quais se tenha:
AS > O
j ASL j ~ O. 1
j CURTL 1 ~ O • 1
Onde AS é o coeficiente de assimetria da variável aleatória;
~ - . . ~
ASL, essa mesma caracteristica,-, relativa ao logaritmo desta va
riável e CURTL o coeficiente de curtose da variável logarítmiz~
da.
38.
As frequências relativas teóricas para este caso,
sao dadas por:
ra as quais
é inteiro.,
l l = V(logx) lã-rr"
2
[ - .!_(logx - E(logx)) J 2 V(logx)
( 3. 9)
3.5.3 - Teste da distribuição gama
Terão distribuição gama as séries de frequência pa-
k = [E(X)] 2 V(X)
,
Como a distribuição gama tende assintoticamente pa
ra a distribuição normal quando k cresce [31 consideraremos esse
tipo de distribuição se:
sendo
dadas por:
(k - Cl) ~ 4
(l = E(X) V(X)
Neste caso as frequências relativas teóricas serao
k-1 -ax X e (k-1)!
39.
(3.10)
3.6 - RESULTADO E CONCLUSÕES DOS TESTES
Foram analisadas, de acordo com a teoria exposta em
3.5, todas as linhas das matrizes de la. ordem e as linhas prin
cipais das matrizes de 2a. ordem ou seja as linhas (i, i-l)(i,i)
e (i, i+l) que apresentam valores consideráveis (ver TAB. 3.1.1
. e TAB. 3.1.2). Nas tabelas TAB. 3.6.1, 3.6.2 e 3.6.3 se encon -
-tram •os valores dos quatro primeiros momentos centrados na
dia, dos parâmetros desvio padrão, coeficiente de assimetria
me-
e
curtose para as variáveis X e logx (relativas aos estados)
da distribuição sugerida para cada linha analisada.
além
Podemos observar que as séries de frequência nao
.obedecem a nenhuma distribuição teórica pesquisada. Em vista
disso, empregamos funções empíricas para as simulações tratadas
nesse trabalho, como está descrito no parágrafo 3.7.
RIO JUQUIÁ -SÉRIE DE MOMENTOS X FREQUÊN-CIA la.or. 2a.or ..,a. ar. 4a. or DP AS CURT
1 1.183 0.162 0.126 0.147 0.403 1. 934 2. 5 9:
2 2.058 0.173 0.066 0.233 0.416 0.916 4. 77:
3 3.066 0.235 0.165 0.641 0.485 1.444 8. 54:
4 3. 9 3 3 0.329 0.140 O. 70 9 0.573 0.741 3. 54:
5 4.883 0.521 0.152 1. 005 0.722 0.403 O. 6 9,
6 6.644 0.547 0.076 0.746 0.740 0.189 -o. 51]
7 6.633 0.485 0.047 0.618 0.696 0.140 -0.377
8 7.571 0.244 r-0. 034 0.064 0.494 ..-0.288 t-1.916
TAB. 3.6.1 - PARÂMETROS DAS LINHAS PIJ
ABR/SET
LOG(X)
DP AS
2.593 1. 771
0.211 t-l.052
0.157 r-0.231
0.144 r-0.111
0.148 r().138
0.111 r-0. O 6 8
0.105 r-0 .123
- -
CURT
1. 353
5.363
4.258
1. 317
0.468
-0.370
0.248
-
DISTRIBUIÇÃO
SUGERIDA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
ç o
RIO GRANDE - ABR/SET SÉRIE DE
MOMENTOS X LOG( X) DISTRIBUIÇÃO FREQUÊN-CIA
la.or. 2a.or. 3a.or. 4a.or DP AS CURT DP AS CURT SUGERIDA .
1 1. 074 0.068 : O; 051 0.054 0.261 ,3:25: 8.580 0.181 : 3; 2 52 8.580 EMPIRICA
2 2.009 0.040 o. oo · 0.040 0.201 O. 9 7. 21.510 0.108 -2.835 2 8599 EMPIRICA
3 3.006 0.062 0. 0 Ü 1 0.062 0.250 o. 311 12.960 0.086 -1. 592 14 .72 O EMPIRICA
4 3.977 0.084 -0.017 0.083 0.290 -0.69! 8 •. 672 - EMPIRICA - -5 4.920 0.115 -o. 05. 0.100 0.339 -1. 311 4.604 EMPIRICA - - -6 5.903 b.135 -0.056 0.115 0.367 -1. 132 3.295 EMPIRICA - - -
.7 6.850 J.12~ -0.089 0.078 0.357 -1.960 1. 843 - EMPIRICA - -8 7.947 ).049 -0.044 0.042 O. 2 2 3 -4.006 14D05 - - - EMPIRICA
TAB. 3.6.2 - PARÂMETROS DAS LINHAS PIJ
JUQUIÁ ,,
RIO - OUT/MAR SÉRIE DE MOMENTOS X LOG(X) DISTRIBUIÇÃO FREQUÊN-CIA SUGERIDA
1 1. 350 0.413 0.587 1. 615 0.642 2.213 6.461 0.370 1. 352 0.636 EMPIRICA
2 2.325 0.359 0.219 Q.497 0.599 1. 019 0.860 0.247 0.070 1.543 EMPIRICA
3 1. 234 0.221 0.193 0.275 0.470 1. 848 2.593 0.305 1.560 0.811 EMPIRICA
4 2.172 0.368 0.360 1.111 0.607 1. 608 5.171 0.266- -0.195 2.893 EMPIRICA
5 3. 243 0.671 o. 3 3 7 1.658 0.819 0.613 0.674 0.253 -o J.4 6 --0.118 EMPIRICA
6 2.277 0.294 0.230 O. 413 0.542. 1.441 1. 759 0.216 0.697 1.766 EMPIRICA
7 2.971 0.443 0.160 0.762 0.666 0.542 0.872 0.226 --OJ.91 -o.o 6 6 EMPIRICA
8 4.105 0.752 0.238 1.358 0.867 0.265 1-n s oi n ?11 ln nni l..n _qii; EMPIRICA
9 3.019 O. 46 7 0.226 1. 034 0.684 0.706 1. 726 0.226 --0.157 0.201 EMPIRICA -
10 3. 974 O .436 0.196 0.832 0.660 0.679 1. 364 0.163 0.041 0.384 EMPIRICA
11 4.969 O. 614 0.118 0.995 0.783 0.245 -0.36 2 0.158 -OJ.24 --0.399 EMPIRICA
12 3. 84 O 0.465 0.102 0.697 0.683 0.324 0.219 0.179 --0.2 O 3 0.001 EMPIRICA
13 4.783 0.437 0.036 0.638 0.661 0.126 0.332 0.140 --0 .3 4 3 0.365 EMPIRICA
14 5.828 0.299 -o.o O 9 0.370 O. 54 7 -0.555 1.130 - - - EMPIRICA
SÉRIE DE FREQUÊN-CIA la.or.
15 4.660
16 5.703
17 6.794
18 5.604
19 6.642
20 -~( 1 21 -'
22 7.684
RIO JUQUIÃ - OUT/MAR
MOMENTOS X LOG(X)
7a.or. 3a.or. 4a.or. DP AS :::URT DP AS
J.601 -0.310 2.469 0.775 .... 0.664 3.823 - -J.457 -0.035 0.598 0.676 -0.115 -0.14 - -p.265 -0.033 0.211 0.515 i-0.24: o.ao - -p.471 ,-Q.053 0.635 0.686 -o. 16 l -o .141 - -
.352 r0.118 0.392 0.593 -0.565 O. 16' - -- - - - - - - -
- - - - - - - -J. 216 r-0.079 J.076 0.464 -0.792 -1.13' - -
TAB. 3.6.3 - PARÂMETROS DAS LINHAS PIJK
~URT
------
--
DISTRIBUIÇÃO
SUGERIDA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
EMPIRICA
AMOST.INSUFIC.
AMOST.INSUFIC.
EMPIRICA
.je w .
44.
3.7 - SIMULAÇÃO ATRAVÉS DOS MODELOS DE la. e 2a. ORDEM
3.7.1 - Modelo de la. ordem (PIJ)
Construída a matriz markoviana a partir das frequê~
cias de transição de estados, utilizando-se as 23 primeiras se
quências dos períodos "seco" e "molhado" do ano hidrológico, to
ma-se a função de probabilidade acumulada
sendo it o estado de partida, correspondente ao primeiro dia da
24a. sequência histórica (a ser simulada). Através da subrotina
RANDU gera-se um número aleatório r no intervalo [o ,1] o qual,
segundo o esquema seguinte, fornece o estado simulado it+l"
Q..___ _____ _,_ _______ Estados
45.
~
O processo e repetido tomando-se a
(n = 2,3, ... ) (3.11)
3.7.2 - Modelo de 2a. ordem (PIJK)
Segundo as mesmas considerações do item anterior, to
ma-se a função das frequências relativas acumuladas
sendo it-l e it os estados de partida correspondentes aos
primeiros dias do período a simular.
dois
Determinado o estado it+l (simulado), repete-se o es
quema utilizando a função
(3.12)
No Apêndice se encontram os diagramas de blocos e
listagens respectivas dos programas relativos a cada processo a
qui tratado.
IV. ESTUDO COMPARATIVO DAS SÉRIES REAIS
E SIMULADAS
4.1 - SÉRIES REAIS E SIMULADAS
46.
Com a finalidade de comparar os resultados obtidos
através dos modelos descritos no item anterior, com as sequên -
cias reais de cada período observado, utilizou-se ,curvas de
frequência relativa acumulada de cada série .. tomada.
Para os dados reais, considerou-se uma curva de
... . . . - ... frequencias de estados, relativa a todas as repetiçoes do peri~
do ao longo dos 25 anos e outra relativa a Última ou seja, a se
Quanto aos dados simulados, tomou-se a frequência
média de 15 repetições do período simulado.
Todos esses resultados foram plotados juntamente
com as curvas de distribuição estacionária, formando os diagra
mas·D-4.2/1,2,3,4 que se seguem.
1 • O
O. 8
0.6
0.4
O. 2
1. o
O. 8
O. 6
0.4
O. 2
1 • O
O. 8
O. 6
0.4
O. 2
+
2 3 4
•
2 3 4
X
• 2 3 4
• • . .
_ V.ü,-t:. e4,t;ac.. PIJ
5
+
5
5
+ SêlÚe S-i.mul. PIJ
6 7 8
- V-i.4-t:. E4-t:ac.. PIJK + S ê11.-i.e S-i.mul. PIJK
6 7 8
_V,i,4,t;.25 ano4 + V-i.4t. e4-t:ac.. PI J
, V-i.4Z.E4tac.. PIJK x V-i.4-t:. 6 me4e4
6 7 8
D-4.2.1 - RIO JUQUIÁ - OUT/MAR
47.
1 • O
O. 8
0.6
0.4
O. 2
1 • O
O. 8
O. 6
O. 4
O. 2
1 • O
O. 8
O. 6
O. 4
O. 2
1
1
D-11.2.2 -
+
+
2 3 4
2 3 4
+
X
+
X
2 3 4
RIO JUQUIÁ
•
5
5
5
Vi4t. E4tae. PIJ + sé~ie Simul. PIJ
6 7 8
Vi4t. E4tae. PIJK
+ sé~ie Simul. PIJK
6 7 8
- Vi4t. 25 Q/!04
+ Vi4t. E4tae. PIJ • Vi4t. E4tae. PIJK X Vi4t. 6 me4 e4
6 7 8
- ABR/SET
118.
1 • O
0.8
0.6
0.4
O. 2
1 • O
O. 8
O. 6
O. 4
O. 2
1 • O
0.8
0.6
O. 4
O. 2
2
2
2
D-4.2.3 - RIO
+
+
3 4
3 4
t X
"
3 4
GRANDE
s
s
• .. X
s
+
v.u,t. Ea ta.e.. PIJ + Sê1t.i.e S.i.mul. PIJ
6 7 8
_V.i.a:t. Ea:ta.c.. PIJK +Sêlt.i.e S.i.mul. PIJK
6 7 8
V.La ;t. 25 a.noa + V.La:t. E ata.e. • PIJ • V.i.a;t. E ata.e.. PIJK x V.i.a:t. 6 meaea
6 7 8
- OUT/MAR
49.
1. o
O. 8
O. 6
0.4
O. 2
1 • O
O. 8
0.6
0.4
O. 2
1. o
O. 8
0.6
0.4
O. 2
1
1
D-4.2.4
+
2
+
2
X
2
-
+
...
3 4
+
3 4
...
í
~
.3 4
RIO GRANDE -
...
5
5
+
5
Vi4t. E4tac. PIJ + Sé/Úe. Simu.l. PIJ
6 7 8
- Vi4t. E4tac. PIJK + Sél!Á.e. Simu.l. PIJK
6 7 8
- Vi4t. 25 ano4 + Vi4t. E4tac. PIJ • Vi4t. E4tac . PIJK X Vi4t. 6 me.4 e.4
6 7 8
ABR/SET
5 O.
51.
4.3 - CONCLUSÕES
A análise dos diagramas 4.2/1,2,3,4 permite as se
guintes conclusões:
1. As distribuições estacionárias se aproximam bas
tante da distribuição de 25 anos, comprovando que as séries de
vazões diárias, se comportam como processos markovianos. Vale
observar que essa aproximação é muito melhor para o rio Juquiá
do que para o rio Grande. Um estudo mais detalhado das razoes
disto foge no entanto, as finalidades deste trabalho.
2. Em ambos os processos, a frequência relativa me
dia das séries simuladas, tende para a distribuição estacioná -
ria admitindo-se então que as 15 simulações tomadas sao sufici
entes para alcançar um bom ajustamento. Nota-se também que o
desvio é mais acentuado para o rio Grande. Isto se liga a len
tidão da convergência para a distribuição estacionária (aproxi
madamente o dobro das iterações requeridas para o rio Juquiá no
pior caso), e deve ser levado em consideração em qualquer simu
lação para fins de planejamento.
3. O processo de 2a. ordem dá melhor ajustamento
em relação aos dados reais para,todos os períodos observados ou
seja, as vazões dos rios aqui estudados, comportam-se melhor co
52.
mo processo desta ordem.
4.4 - CONSIDERAÇÕES FINAIS
Esse estudo permite simular vazoes diárias de perí2
dos variados, sendo suficiente, para isso, alterar as condições
iniciais, relativas ao período observado (ver Apêndice).
Seu emprego segundo [2] é conveniente a modelos pa
ra operaçao de reservatórios podendo ser Útil também a complemen
tação de séries históricas.
A fim de facilitar a compreensao dos programas uti
lizados, àqueles que desejarem utilizar esse estudo, apresenta
mos os Apêndices A e B contendo respectivamente os diagramas de
blocos e listagens correspondentes.
FORMACAO DE ESTADOS
PERIODO OBSERVADO
CONDIÇOES INICIAIS
LAG 1 = 2 73 PERC=1.35 NEST=B NDSMU=180
LEITURA DAS
VAZOES REAIS
SEQUENCIA DAS VAZOES PER~O OBSERVADO
N 3 = O N4 = O N ANOS=NANOS-1
N =1, NANOS
1 4 5
53.
N1 =(N-1) • 365 + LAG1
N3= N 3 + 1
N 3 = O
54.
)--- N 2 = N1 + NDSMU
N1 = N1 + 1 N2 = N11- NDSMU.
1 = N1,N2
145
N4=N4+1 Q(N4)= Q(I)
MAXIMOS E MINI MOS
VAZOES. REAIS
NO =N4
NV=1
I=1,NO
115
S(l)=Q(I)
All,1) = Q(I)
SUBROUTINE
TALLY
VAZÓES
MINIMA E MAXIMA
FORMAÇAO DOS
ESTADOS
LA G 2';,~ E S T
LAG3=NEST-1
55.
Al (1 )=PERC~VM I N(1
A1(1l=PERC,tA1 CI-1 l
ESTADQ.S E VAZOES
CORRESPOND.
SEQUENCIA DE
ESTADOS
1 =1 ,LAG2
10
A2 ( 1 ) = FLOA T( 1)
56.
w
TRANSICAO DE ESTADOS PIJ K
l=l, LAG J=1,LAG2 '1-----
K=11LAG2
SNU,Jl=0. ,__ ___ _J
P(I J,Kl=-0.
11 = o NANOS=NANOS-1
12=1, NAN 849
1 I= 11 + 1 QUl= Q( 11 l
LDADO=NDOBS-
58.
-SIMULA Ç A O PI J K
ESTADOS PARTIDA
N5=N4-NDOBS L=Q(N5+1l M=Q(N5+2l
MATRIZ MARKOVIA
= 1,LAG J = 1,LAG2 >------,
= 1 LAG '
SN( 1,Jl=SN(l,J l+P( 1,J,Klt----~
1= 1, LAG2 r----~ J=1,L AG2
K=\LAG2
P(l,J,Kl=P(l,J K l/SN(l,J l
60.
I=1,LAG2 J=1,LAG2
. K=1, LAG2
P 1 ( I,J 1K l = O.>------~
l-=1,LAG2 J:1
7 LAG2
K=1 1 LAG2 >--------1
K1 = K
KK:1, K1
P1 ( l,J, K) == P1 ( l ,J,K J + P ( 11 J ,KK)>--~
61.
L1=L1+1 SIMUL (L1l=A1 (N) FES(Nl:FES(Nl+1 L=M . M=N
DADOS SIMULADOS
I::1,NEST
FE S (1 ):: FES (1 J / NDSMU t-------'
FREQ. REL.
EST. SIM UL.
63.
64.
~ , TESTES DE DISTRIBUlç.OES JEORICAS
l =1,NES T
X< 1 l = 1 XL{ll =ALOG{X{lll
N SE RS-2?>------------,
CALLEXIT
LINHA
DA MATRIZ
I=1,NEST
F T OT = FT OT + F R EQ{ 1 l t------'
~ NUMERO FTOT-10 )-.:__-----j lNSUF. DE
PONTOS
GO TO 803
MOMENTOS
I=1,LAG2 >------
RMO(Kl"RMO(Kl1-FRE:Q(ll X(1J1-~
02=1, /FTOT RMO(Kl== Q2il<RMO(Kl
XMED == RMO(Kl
RM O (K b O.
l=:1 1 LAG2
RMO(Kl= RMO!Kl+FR EQ!I l/'FT or..:1X'!1 l.:XME:Dlo· K i---~
65.
DP=SQRT(RMO( 2 ll AS=RMO(3l/ op, .. 3 CURT= (RMO!<íl/OP..-<íl
AS-0.1
K :::.1 RMO(Kl:0.
I=1,LAG2
<
RMO(Kl=RMOIKl+FREQ(ll * XL(l l
66.
D IS T.
NORMAL
GO TO S03
RMO(KJ:J, / FT OT.,.RMOO<J XMEDL= RMO(Kl
RMO(Kl=O.
1= 11 LA G2 >------------...-.
RM O (Kb RMO (KJ+ F R EQ (1 )/ FTOT( XL ( 1 J-XMEDL J,11"' K
DPL=SQRT ( RMOL( 2 JJ ASL=RMOL (3)/ DPU•*3 CURTLco.(RMOL( J/DPL>r..;,.4)-3
D IS T.
LOGNORMAL
GO TO 803
67.
RK=RMO(1),,..,.2 / RMO (2) RA=RM O (1 )/ RMO (2)
<
1 F I X ( R Kl -4 ,-....::~s._ __ __,
D IS T.
EM PI RICA
~O TO 803)
D IS T.
GAMA
GO TO 803
68.
69.
C PRCCESSO OE SEGUNDA ORDEM C FORMACAC CA SERIE CE ESTADOS e
CIMENSION C(9140l,Al(lOl,A2(101,P(l0,10,10l CIMENSJON SN(10,101,Pl(10,10,10l,S1MUL(l85.l,FES(l01 ClMENS!ON A(4600,ll,S(46COl,TOTAL(ll,AVER(ll,SD(ll,VMIN(ll D IMENS ION VMAX Ili
e C RIC GRANDE C PERICCO OBSERVACC - ABR/SET e C CONCJCOES INICIAIS
PERC=l.35
e e
LAG1=90 I\EST=8 I\DCBS=l82 NDSMU=l80 I\Al\·CS=ZS NAEIS=6
C LEITURA CAS VAZOES REAIS e
I\CADO=NANOS*365+NABIS I\MES=l2*NANOS I=O 1\ A= 1 DO 100 N=l,NMES f\A=NA+I f\B=NA+l5 I\C=NA+l6 tlD=NA+30
l 00 R E A O ( 8 , 1 O 5 1 1 Q I J l , J=NA, N B l , 1 , 1 Q ( J l , J =NC , NO 1 105 FORMAT(l6X,16F4.0,/,12X,I2,2X,16F4.0I e C SERIE CGS PERJOCOS OBSERVADOS e
1\3=0 t\4=0 NANOS=f\At\CS-1 CC 145 N=l,NANCS tll=(N-ll*365+LAG1 N3=N3+ l IFIN3-41132,132,131
131 J\'3=0 I\Z=Nl+NOOBS GOTO 133
132 Nl=Nl+l l\2=Nl+NOOBS
133 f\l=Nl+l CO 145 I=Nl,NZ l\4=N4+1 Q(N4l=C'(ll
145 CONTINUE e C CETERMINACAO 00 MINIMO E MAXIMO DAS VAZOES C REAIS DO PER!OCO OBSERVADO e
r-!O=N't !\V=l CO 115 I=l ,NO S(IJ=Q(II
115 All,l)=QCIJ CALL GALLYCA,S,TOTAL,AVER,SD,VMIN,VMAX,NO,NV) WRITE(S,120} VMIN(ll,VMAX(ll
70.
120 FCRMAT(20X,'VAZOES EXTREMAS DO PERIOOO OBSERVA00 1 ,//,20X, *'VMIN=',F6.0,10X,'VMAX=',F6.01
e C FORMACAO DOS ESTADOS 00 PER!ODO OBSERVADO e
LAG2=1\EST LAG3=NEST-l Al(ll=PERC*VMIN(l.) CD 9 I=2,LAG2
9 Al(ll=PERC*Al(J-ll W R IT E ( 5 , 1 1 1 l ( I , A 1 ( l l , I = 1 , L /1 G 2 )
111 FORMAT(///,10X,'ESTAD0S',5X,'VAZOES CORRESPONDENTES',//, *Cl3X,12,13X,F6.0,/ll
e C PASSAGEM DA SERIE OE VAZOES PARA A DE ESTADOS e
CD 130 l=l,L/IG2 13C /l2(IJ=FLO/IT(l)
CC l't2 !=1,N't 00 135 J=l,LAG3 !F(QCll-Al(Jl)l't0,140,135
135 CONTINUE 140 Ç(J)=A2(J) 142 CONTINUE
C ALGORITIMO DAS FREQUENCIAS DE ESTADOS - PlJK c C ESTADOS DE PARTIDA
N5=N4-l\'CGBS L=QIN5+1) 1"=Q{N5+2) \;RlTE{S,lC6)L,M
106 FGRMAT{/,2CX,'ESTAOO L=',15,SX,'ESTAOO M=',151 DO 150 I=l,LAG2 DO 150 J=l,LAG2 SN{I,J)=O. DO 150 K=l,L/lG2
150 F{l,J,Kl=O. II=O NANOS=N./>NOS-1 CO 849 12=1,N/lNOS CC 848 J=l,NOOBS I l=II+l C(Jl=i;(IIl
848 CONTINUE LDADO=NDCBS-2 00 850 N=l,LCACO !=O
805 I=I+l IF{C!Nl-Il81C,810,8C5
810 J=O 815 J=J+l
IFIQ(N+l)-Jl830,830,815 830 K=O 835 K=K+l
IF{Q(N+2)-Kl84G,840,835 840 P(I,J,Kl=P(J,J,Kl+l 850 CONTINUE 849 COI\TINUE
wR lT E { 5 , 8 5 5 l ( ( { P ( 1 , J , K l , K = 1 , LA G 2 l , J = l , LA G 2 l , I = l , L AG 2 l
71.
855 FORMAT{///,20X, 1 FREQUENCIA DAS TRANSICOES',//,(10X,8F6.0,/)J
C s1,uLACAO ATRAVES DO MODELO DE 2A. ORDEM - PIJK e C CALCULO DA ,ATRIZ MARKOVIANA e
CO 215 l=l,LAG2 DC 215 J=l,LAG2 CO 215 K= 1, LAG2
215 SN!I,Jl=SN(l,Jl+P(I,J,Kl DC 260 I=l,LAG2 CO 260 J=l,LAG2
J l F l SN ( I ,J) l 245,240,245
240 GC TO 260 245 DO 250 K=l,LAG2 2 5 C F ( I , J , K l = P l I , J , K l / SN ( I , J l 260 CONTINUE C DADOS REAIS DO PERIODO OBSERVADO e
l\5=N5+2 CO 87 8' I=N5, N4 CO 876 J=l,LAG2 IF( IFIX(Q( Il )-J)877,877,87é
876 CONTINUE 877 Q!I)=Al(.JJ 878 COf\TINUE
WRITE!5,901JII,QIIJ,I=N5,N4l 901 FCRMAT!'l',40X,'VAZOES REAIS 1 ,///,5(5X,I4,F8.0,7Xll e
IX=l CC 300 I=l,LAG2 DO 300 J=l,LAG2 CO 300 K=l,LAG2
300 Pl(I,J,K)=O. DO 315 I=l,LAG2 CO 315 J=l,LAG2 IF(SN!I,Jl )315,315,310
310 CO 314 K=l,LAG2
CQ 314 KK=l,Kl Pl( I,J,KJ=Pl( I,J,K)+P( I,J,KKJ
314 CONTINUE 315 CQNTINUE
72.
C SIMULACAO OE 15 PERIODOS - PIJK e
CO 362 IJ=l, 15 ll=O CO 316 I=l,NEST
316 FES(Il=O, CO 360 I=l,NOSMU CALL RANDU(IX,IY,YFL) IX=IY Xl=YFL CO 335 N=l,LAG2 IF(Pl!L,M,NJ-Xll335,340,340
335 CCNTINUE 340 Ll=Ll+l
e
SIMULILll=AllNJ L =M
C FREQUENCIA DOS ESTADOS SIMULADOS FES(~)=FESINJ+l.
360 CONTINUE e C SAIOA CDS DADOS SIMULADOS e
WRITE15,365J(K,SIMULIK),K=l,NOSMU)
73.
365 FORMAT('l',40X,'VAZOES SIMULADAS',///,5(5X,I4,F8.0,7Xl) CO 361 1=1,NEST
361 FES(I)=FES(l)/FLOAT(NDSMUJ WRITE!5,13l)(K,FES(Kl,K=l,NESTJ
131 FORMAT(///,20X, 1 FREQ. RELATIVA DOS ESTADOS SIMULADOS', *//,(30X,J3,5X,F6.3))
362 CONTII\UE CALL EXIT ENC
C ALGORITI~O DAS FREQUENCIAS DE ESTADOS - PIJ .e C ESTADOS OE PARTIDA
N5=N4-I\DOBS l=Q(N5+ll WRITE(5,106ll
106 FCRMAT(/,20X,'ESTACO L=',151 DC 30 I=l,LAG2 SN{Il=O. DC 30 J=l,LAG2
30 PI [.,J)=O. II=O ~AI\CS=NANOS-1 CO 849 12=1,NANCS CC 848 J=l,NDOes II=Il+l Q(Jl=Q{ll]
8'18 CONTINUE LDACC=NDOBS-1 CO 850 N=l,LCACO I=O
805 [.=[+l IF(Q(Nl-!)810,810,805
810 J=O 815 J=J+l
IF(Q(N+ll-JJ830,830,815 830 P(I,Jl=P{I,Jl+l 850 CCI\TII\UE 849 CONTINUE
WRITEl5,855J{{P{l,Jl,J=l,LAG2l,I=l,LAG2l
74.
855 FDRMAT{///,ZOX,•FREQUENCIA DAS TRANSICOES',//,110X,8F6.0,/ll
C SIMULACAC ATRAVES CO MODELO DE lA. ORDEM - PIJ c C CALCULC DA MATRIZ MARKOVIANA c
DC 80 1=1,LAG2 CO 80 J=l,LAG2
80 SN(ll=SN(Il+P(I,Jl CC 85 I=l,LAG2 IF(SN( I l )85.,85,83
83 CO 85 J=l,LAG2 P(l,Jl=P(I,J)/SNlll
85 CONTINUE c C DADOS REAIS DO PERIODO SIMULADO e
~5=N5+2 DC 878 I=N5,N4· CD 876 J=l,LAG2 l F ( I F IX l Q ( I l l - J l 877,877, e 7 é
876 CONTINUE 877 ~(ll=Al(Jl 878 CONTINUE
WRITE(5,90ll(I,Q(I),I=N5,N4) 901 FORMAT('l',40X,'VAZOES REAIS',///,5(5X,I4,F8.0,7X)l
l X= 1 DO 6 I=l,LAG2 CC 6 J=l,LAG2
é Pl(I,Jl=O. CD 12 I=l,LAG2 IF(SN( Il 112, 12,7
7 CC 12 J=l,LAG2 Jl=J CO 11 KK=l,Jl
11 PllI,:Jl=Pl(I,J)+P(I,KKl 12 CCNTINUE
75.
C SIMULACAO CE 15 PERIODOS - PIJ e
CO 28 IJ=l,15 CC 13 I=l,NEST
13 FES ( I J=O. Ll=O CC 26 I=l ,NOSMU CALL RMiCU(IX,IY,YFL) IX=IY XI=YFL CC 17 J=l,LAG2 IF(Pl(l,J)-Xlll7,21,21
17 COl\'TINUE 21 ll=ll-+l
e
SIMUL (Ll l=Al!J l L=J
C FREQUENCIA DOS ESTADOS SIMULADOS FES(Jl=FES(Jl+l.
26 CONTINUE e C SAICA CCS CADOS SIMULACOS e
WRITE(5,365)(K,SIMUL(Kl,K=l,NCSMU)
76.
365 FORMAT('l',40X,'VAZOES SIMULADAS',///,5(5X,I4,F8.0,7X)l CG 27 I=l,NEST
27 FES(Il=FES(Il/FLOAT(NOSMU) WRITE(5,131J(K,FES(Kl,K=l,NESTl
131 FORMAT(///,20X, 1 FREQ. RELATIVA DOS ESTADOS SIMULADOS', *//,(30X,I3,5X,F6.3))
28 CONTINUE CALL EXIT EI\C
I
C TESTES ESTATISTICOS DAS DISTRIBUICOES TEORICAS c
FTGT=O. CO 234 I=l,LAG2
234 FTCT=FTOT+FREQ(Il IF(FTCT-10.1236,236,238
23é WRITE(S,237) 237 FGRMAT(/,2CX,'NUMERO INSUFICIENTE DE PONTOS•)
GOTO 803 c C CALCULO DOS MOMENTOS DA LINHA PIJK{Nl e C PRIMEIRO MOMENTO 238 K= l
RMO(KJ=O. Cü 240 I=l,LAG2
240 RMO(KJ=RMO(XJ+FREQ(Il*Xlll (;2=1./FTCT RMCIK)=C2*Rí'O(Kl XMED=RMO(Kl
C SEG., TER., E QUARTO MOMENTOS CC 245 K=2,4 RMO(K)=O. CC 245 I=l,LAG2 RMC(Kl=RMD(K)+FREQ(ll/fTOT*(X(Il-XMEDl**K
245 CONT !11:UE WRITE(5,256)(!,RMO{Il,I=l,4l
256 FORMAT(/,30X,'MOMENTOS',//(20X,I4,5X,El4.7,/ll c C CALCULO DOS COEF. CE ASSIMETRIA E CURTOSE e
OP=SQRT(RM0(2ll IF(ABS(OPJ-0.01)257,257,259
257 GOTO 410 259 AS=RMC(3J/OP**3
CURT=(RM0(4l/DP*~41-3 hRITE(5,260lDP,AS,CURT
77.
260 FCRMIT(/,10X, 1 CESV.PA0=',El4.7,5X,'COEF.ASSIM=',El4.7,5X, *'CCEF.CURT=',El4.7l
C TESTE 00 TIPO CE OISTRIBUICAO c C PRIMEIRO TESTE - DISTRIBUICAO NORMAL
IF(ABS(AS)-0.11261 1 261,262 261 1F(ABS(CURT)-O.ll280,280,2é2 C SEGUNCO TESTE - CISTRIBUICAO LOGNORMAL 262 IF(AS-0.1)273,272,272 C PRIMEIRO MOMENTO CE LOG(X) 272 K=l
RMOL(Kl=O. CC 710 1=1,LAG2
710 RMOL(K)=RMOL(KJ+FREQ{Il*XL{I) RMOL(Kl=l./FTOT*RMOL(K) XMEDL=RMOL(KJ
C SEG., TER. E QUARTO MOMENTO DE LGG{Xl CC 715 K=2,4 Rl'CL( K) =O .• 00 715 I=l,LAG2 RMCL(Kl=RMOL!Kl+FREQ{ll/FTOT*{XL(Il-XMEDLl**K
715 CONTINUE CPL=SQRT{RMOL(2ll IF(ABS(DPLJ-0.01)410,410,718
718 ASL=RMOL(3l/OPL**3 CURTL=(RMOL(4J/OPL**4l-3. WRITE(5,720)0PL,ASL,CURTL
78.
720 FCRMAT(/,20X,'CPL=",El4.7,5X,•ASL=',El4.7,5X,'CURTL=',El4.7l IF(ABS(ASL)-0.11730,730,273
730 IF(ABS(CURTL)-0.1)290,290,273 C TERCEIRO TESTE - DISTRIBUICAO GAMA 273 RK=RMO(ll**2/RM0(2l
RA=RMC(ll/RMG(2l IF(RK-1.)410,275,275
275 IF{IF!X(RK)-4)300,300,410 410 WRITE(S,415) 415 FORMATl/,20X,'0!STRIBUICAO EMPIRICA•)
EC TO 803 . 280 WRITE(5,28ll 281 FORMATl/,20X,'CISTRIBUICAO NORMAL')
GC TO 803 290 WRITE(5,29ll 291 FORMAT(/,20X,'CISTRIBUICAO LOGNORMAL'l
GOTO 803 300 WRITE15,30ll 301 FORMAT(/,20X,'CISTRIBUICAO GAMA')
GC TO 803 900 CALL EXIT
ENC
C CISTRIBUICAO ESTACIONARIA - PIJK e
e
CIMENSION 0(10,10,10),P(lO,lOJ,Pl(lO,lOl CIMENSION S(10,10l,P2(10l
C . RIO JUÇUJA - S.P. C PERICCC OBSERVADO - ABR/SEJ e
~EST=8 l"=~ESJ
C l"ATRIZ f'/ARKOVIANA REA0(8,15l(((D(I,J,Kl,K=l,Ml,J=l,Ml,I=l,M)
15 FORl"AT(8F5.0l CO 20 I=l,M CC 20 J=l ,11
S( I,Jl=O. CC 20 K=l,1",
20 S(l,Jl=S<I,Jl+CII,J,Kl e C VETOR OISTRIBUICAO INICIAL e
SOf'A=O. CC 24 I=l,P CD 24 J=l ,M IFIS( I,J l 123,22, 23
22 P(!,Jl=O. GC 10 24
23 P{I,J)=l. SOPA=SOt-'A+l.
24 COll:TINUE CC 25 I=l,fv CC 25 J=l,1"
25 PII,Jl=PCI,Jl/SGMA üO 26 I=l,1" P2(ll=O. CC 26 J=l,M
26 P2(Il=P21Il+P(J,Il WRITE(5,27){P2(Il,I=l,Ml
79.
27 FORMAT(////,15X,'VETOR OISTRIBUJCAO JNICIAL',//,5X,8F6.3l CO 30 I=l,M CC 30 J=l,M. IF[S( I,Jl )30,30,28
28 CD 29 K=l,M 29 CII,J,K)=DII,J,Kl/S(I,J) 30 CONT I 11:UE
80.
C CALCULC DA MATRIZ DIST. ESTACIONARIA e
40
45
50
55
56
75
60
65
8C
N=l CC 45 I=l,M CD 45 J=l,M Fl(I,Jl=O. CONTINUE CC 50 I=l,M ao so J= 1,,, CC 50 K=l,t' Pl!I,Jl=Pl!I,Jl+P(K,ll*D(K,I,JJ CC 55 1=1,1< CC 55 J=l,t' IF ( A B S ( P l ! I , J l -P ( I, J l l- O • O O 11 5 5, 5 5, 60 CONTINUE CC 56 1=1,M P2(I)=0. CC 56 J=l,i" P2{ I l=P2{ I J+Pl!J, I l
•
WRITE(5,75 lN, (P2( II, I=l,Ml FGRMATl////,5X,'VETOR OISTRIBUICAO ESTACIONARIA - GER.',12,
*//,5X,8F6.3) GOTO 80 CO 65 I=l,~'. CO 65 J=l,M F(J,Jl=Pl!I,Jl ~=l\+l GO TO 40 CALL EXIT ENC
_ 81 i; . _ _. - - ~-
VII. BIBLIOGRAFIA
1. MACHADO, Dirceu - "Modelos estocásticos para análise e simu
lação de sequências hidrológicas" - Tese de Mestrado, COPPE
1970.
2. KARTVELISHVILI - "Theory of stochastic processes in hydrol9.
gy and river regulation" - Israel Program for Scientific
Translations, Jerusalem, 1969.
3. NAYLOR, T. H. ;BALINTFY, J.L.; BENDICK, D. S. and CHU, K. -
"Computer simulation techniques".
4. MACHADO, Dirceu - "Notas de aula de Hidrologia Estocástica"
COPPE, 1971.
5. CLARKE, A. B.; DISNEY, R.L. - "Probability and Randon pro
cesses for engineers and scientists~ John Wiley, 1970.
6. QUIMPO, Rafael - "Stochastic analysis of daily ri ver flows •;
Colorado States University, Ph.D., 1966.
7. TORANZOS, F. I. - "Estatística", Ed. Mestre Jou, 1969.
8. BHUIYA, R. K. - "Stochastic analysis of periodic hidrologic
processes", Journal of the Hydraulics Division ASCE, July,
1971.
9. DUMAS, A. J. and MOREL-SEYTOUX, H. J. - "Statiscal discrimi
nation of chance in daily runoff", Hydrology Papers, Colora
do States University, August, 1969.
.•82. ,.,. - ,.:ic
10. WOLD, H.O.A. - "Series cronologicas estacionaris'' - Univer
sidad de Locknow, 1950.
11. NATALAS, N.C. - "Autocorrelation of rainfall and stream
flow minimums", Geological Survey Professional Paper, 1963.
12. MEYER, P. L. - "Probabilidade - AplicaçSes i Estatfstica" -
Ao Livro Técnico, 1969.
13. BARTLETT - "Introduction to stochastic processes" - Cambrid
ge, 1962.
14. GHOSH, B. K. - "Sequential tests of statistical Hypotheses",
Addison-Wesley, 1970.
15. MELLO, J. M. - Tese de Mestrado, COPPE, 1969.
16. CHUNG, K. L. - "Markov Chains with stationary transition pr,2_
babilities", Stanford University, 1967.
17. MACHADO, Dirceu - "ConsideraçSes sobre um modelo estocásti
co de simulação hidrológica", Congresso de Hidrologia, Por
to Alegre, 1972.