Séries temporais de precipitação diária de 179 estações do Estado de Santa Catarina foram utilizadas para avaliar diferentes distribuições de probabilidade. Empregou-se o conceito de distribuição mista, computando-se primeiro a probabilidade discreta de ocorrência de dias chuvosos e posteriormente testando-se o ajuste das funções densidade de probabilidade (PDF) de Pareto Generalizada (GPR), Gama (GAM) e de Valor Extremo Generalizada (GEV). Utilizou-se dados consistidos do banco de dados da EPAGRI/Ciram para o período de 2009 a 2020, mantendo-se apenas as estações com séries temporais superiores a 5 anos de dados. Intervalos de classe de 5 mm/dia foram utilizados para construir os histogramas de frequência simples. As 179 estações apresentaram um valor médio de 37,51% de dias chuvosos com desvio padrão de 5,44% e valores mínimos e máximos de 30,67% e 64,39% respectivamente. As três distribuições paramétricas avaliadas mostraram excelentes ajustes na representação dos dias chuvosos para todas as estações, apresentando valores médios e desvios do coeficiente de
determinação R2 de 0.9872 ± 0.0086 (GPR), 0.9744 ± 0.0106 (GAM) e 0.9699 ± 0.0065 (GEV). Embora os valores médios de R2 sejam próximos, a realização de testes de hipótese t para a igualdade de médias (nível de significância de 1%) revelou que as diferenças são relevantes do ponto de vista estatístico. Desta forma concluiu-se que, para o conjunto de dados analisados, a GPR é a PDF que melhor modela a distribuição de frequências das precipitações na escala diária em Santa Catarina. Utilizando-se os parâmetros estatísticos da GPR e a probabilidade de dias
chuvosos como uma representação compacta das séries temporais, realizou-se a classificação das estações por dois métodos distintos: hierárquico e k-médias. Ambos classificadores separaram em três grupos distintos as estações pluviométricas de Santa Catarina. Esses grupos apresentaram relação direta com a influência da maritimidade. A classificação foi útil para identificar diferentes comportamentos climáticos de precipitação diária. Esse método também pode ser utilizado num contexto espacial para a validação de modelos numéricos de previsão de tempo e para a identificação de séries temporais anômalas.