ABSTRACT The cities of Petrópolis (RJ) and Poços de Caldas (MG) are located in the mountain range regions of their respective states in Brazil. They frequently suffer from damage caused by heavy rains. Therefore, analyzing and predicting the occurrence of maximum rainfall for these locations is fundamental for planning activities that are vulnerable to its occurrence. The modeling of this variable is done, generally, through the generalized distribution of extreme values (GEV), which the Bayesian methodology has shown good results in estimating its parameters. Therefore, the present study aimed to fit the GEV distribution to the historical series of maximum rainfall in Petrópolis and Poços de Caldas, and to evaluate different structures of prior distributions, informative and non-informative, in predicting the maximum rainfall expected for different return times. The number of successes and precision were analyzed in order to evaluate the predictions obtained with the information from the maximum rainfall of different locations to elicit the prior distribution. To obtain the posterior marginal distributions, the Monte Carlo method via Markov Chains was used. The use of informative prior distribution based on data from Poços de Caldas was more precise and accurate to predict the maximum rainfall for Petrópolis, while for Poços de Caldas, the informative prior based on information from São João da Boa Vista (SP) provided the best results. For both locations, it is expected that, in an average time of 5 years, there will be at least one day with maximum rainfall equal to or greater than 100 mm.

Resumo As cidades de Petrópolis (RJ) e Poços de Caldas (MG) estão situadas em regiões serranas de seus respectivos estados e sofrem frequentemente com estragos provocados por fortes chuvas. Analisar e prever a ocorrência de precipitações máximas nessas localidades são fundamentais para o planejamento de atividades vulneráveis à sua ocorrência. A modelagem dessa variável é feita geralmente com distribuição generalizada de valores extremos (GEV), e a metodologia bayesiana tem apresentado bons resultados na estimação de seus parâmetros. Sendo assim, o presente estudo teve como objetivos ajustar a distribuição GEV às séries históricas de precipitação máxima de Petrópolis e Poços de Caldas e avaliar diferentes estruturas de distribuições a priori, informativas e não informativas, na predição da precipitação máxima esperada para diferentes tempos de retorno. Foram analisados o número de acertos e a precisão a fim de avaliar as previsões obtidas com as informações advindas das precipitações máximas de diferentes localidades para eliciação da distribuição a priori. A obtenção das distribuições marginais a posteriori foi realizada usando-se o método Monte Carlo via cadeias de Markov. A utilização da distribuição a priori informativa fundamentada nos dados de Poços de Caldas foi mais precisa e teve maior número de acertos para predizer as precipitações máximas para Petrópolis, enquanto para Poços de Caldas foi a priori informativa com base nas informações de São João da Boa Vista (SP). Para ambas as localidades, espera-se que, em um tempo médio de cinco anos, ocorra pelo menos um dia com precipitação máxima igual ou superior a 100 mm.

ABSTRACT The objective of this work was to predict the maximum flow of the Furnas reservoir in the dry and wet periods. The generalized distribution of extreme values (GEV) was used with parameter estimation via Bayesian inference. Data on average daily streamflows corresponding to the years 1965 to 2017 were obtained from Hidroweb, by the National Agency for Water and Basic Sanitation (Agência Nacional de Águas e Saneamento Básico – ANA), from which maximum values were extracted, by period and in each year. Accuracy and mean error of prediction of maximum streamflows were analyzed, comparing the estimates provided by the Bayesian inference, with informative and non-informative prior distributions. Information from a series of maximum streamflows from the Camargos reservoir was used to elicit the informative prior distribution. The use of prior information provided an increase in the precision and accuracy of the maximum streamflow estimates. Thus, the GEV model, with informative a priori distribution, was used to predict the return levels of Furnas maximum streamflow with their respective high posterior density intervals considering several return times.