Please use this identifier to cite or link to this item: http://monografias.ufrn.br/handle/123456789/5588
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorLucio, Paulo Sergio-
dc.contributor.authorGomes, Rafaela dos Santos-
dc.date.accessioned2018-01-15T11:25:37Z-
dc.date.available2018-01-15T11:25:37Z-
dc.date.issued2017-12-01-
dc.identifier2014020420pr_BR
dc.identifier.citationGOMES, Rafaela dos Santos. Modelo estocástico de série sintética de precipitação via amostrador de Gibbs. 2017. 54f. Trabalho de Conclusão de Curso (Graduação em Meteorologia) - Departamento de Ciências Atmosféricas e Climáticas, Universidade Federal do Rio Grande do Norte, Natal - RN, 2017.pr_BR
dc.identifier.urihttp://monografias.ufrn.br/jspui/handle/123456789/5588-
dc.languagept_BRpr_BR
dc.publisherUniversidade Federal do Rio Grande do Nortepr_BR
dc.rightsopenAccesspr_BR
dc.subjectPrecipitaçãopr_BR
dc.subjectSéries sintéticaspr_BR
dc.subjectAmostrador de Gibbspr_BR
dc.subjectsimulaçãopr_BR
dc.titleModelo estocástico de série sintética de precipitação via amostrador de Gibbspr_BR
dc.typebachelorThesispr_BR
dc.contributor.referees1Lucio, Paulo Sergio-
dc.contributor.referees2Silva, Cláudio Moisés Santos e-
dc.description.resumoO avanço da computação e da estatística tem permitido o surgimento de novos métodos de previsão de tempo e clima com uso em diversas áreas, bem como a combinação de algum deles, sempre buscando a melhor estimativa, minimizando os erros. Esse avanço deve-se principalmente ao número cada vez maior de informações disponíveis. Porém, ainda existe limitações quanto ao uso de ferramentas para a previsão ou simulação da variável precipitação pluviométrica. Ultimamente, vários métodos para simular a precipitação tem sido desenvolvidos com base em diferentes metodologias. A precipitação pluvial é uma variável dicífil de ser prevista devido o seu comportamento variante no espaço e no tempo. Diante disso, propõe-se desenvolver um modelo de simulação de séries sintéticas de precipitação, via Amostrador de Gibbs considerando as distribuições Beta, Binomial e Poisson, de forma que as séries geradas apresentem as mesmas características das séries históricas. Comparou-se o desempenho do modelo simulando o mês de janeiro e o mês de março. Na aplicação prática feita neste trabalho pode-se constatar a eficiência do Algoritmo de Gibbs. As estimativas simuladas para precipitação diária foram muito próximas dos valores observados, os menores erros, bem como a a maior correlação foram encontrados na simulação para o mês de março.pr_BR
dc.publisher.countryBrasilpr_BR
dc.publisher.departmentMeteorologiapr_BR
dc.publisher.initialsUFRNpr_BR
dc.contributor.referees3Santos, Marconio Silva dos-
Appears in Collections:Meteorologia

Files in This Item:
File Description SizeFormat 
ModeloEstocastico_Gomes_2017.pdfMonografia3.39 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons