Escolar Documentos
Profissional Documentos
Cultura Documentos
Decisões e Segurança em
Engenharia Geotécnica
PEF-5837
1
Informações gerais
• Horário das aulas
Quintas-feiras das 8:30 às 11:30
• Livro texto principal:
Benjamin, J.R. e Cornell, C.A. -
Probability, Statistics, and Decision for
Civil Engineers. McGraw-Hill, 1970 (mais
de um exemplar, em Inglês e Espanhol, em
reserva na Biblioteca)
2
Informações gerais (cont.)
• Avaliação
– Teste de uma hora e meia em 28/10/99 (35%)
– Exame final de duas horas em 2/12/99 (65%)
– Exercícios praticamente em todas as aulas, em
geral do livro do B&C (não recebem nota, mas
são essenciais)
– Projeto depende da dinâmica da classe (15%; se
houver, o exame final passa a 50%)
3
Internet
• E-mail
– Waldemar Hachich: whachich@usp.br
– Secretaria de Pós-Graduação: pefpg@edu.usp.br
• Página Web
– sempre que possível, informações das aulas, dos
exercícios e do projeto estarão em um “link” em
http://www.lmc.ep.usp.br/people/whachich
4
Primeira aula (30/9/99)
• Relevância da disciplina: alguns exemplos
• Estatística vs. Teoria das Probabilidades
• Inferência estatística
• Análise de Decisões
• Segurança
5
Relevância: exemplos
• Estabelecimento de critérios de segurança
• Estabelecimento de probabilidades de ruína
(seguros!)
• Estabelecimento de critérios de amostragem para
Planos de Auditoria
• Decisão quanto à cravabilidade de estacas
“offshore”
• Comparação de processos de investigação do
subsolo
• Retroanálise probabilística
6
Evolução dos critérios de
segurança
• Empirismo • Minimização de custos
• Racionalismo – inicial
• Incrementalismo – esperado
(“observational
method”)
7
Probabilidade e Estatística: dois
lados de uma mesma moeda
• Probabilidade: o • Estatística: o lado
aspecto dedutivo da inferencial
aleatoriedade • Estimativas dos
• Modelos probabilistas parâmetros dos
e seus parâmetros modelos, a partir de
(jamais conhecidos!) amostras
• “Propriedades” das
(Lindley, D.V. - Introduction to Probability and
amostras Statistics from a Bayesian viewpoint.
Cambridge Univ. Press, 1970)
8
Estatística vs. Teoria das
Probabilidades
(Barmett, V. -
Comparative
Statistical
Inference.
Wiley, 1973)
9
Estatística e Análise de Decisões
• Estatística: descritiva • Análise de Decisões:
• Descrição de uma prescritiva
situação prática • Sugestão de ação a ser
utilizando um modelo tomada em uma
probabilista situação prática de
incerteza
10
Estatística clássica e Bayesiana
• Clássica • Bayesiana
– Todas as informações – Dados (amostras) são
quanto à aleatoriedade parte das informações
estão contidas nos disponíveis
dados (e só neles) – Inferências e tomadas
– “Dados falam por si de decisões devem
próprios” processar igualmente
as informações
anteriores à
amostragem
11
Probabilidades
• Interpretações • Definição axiomática
– Clássica (contorna a questão
– Frequentista das interpretações):
– Objetiva – 1 ≥ P[A] ≥ 0
– Subjetiva – P[S] = 1
– P[A∪B] = P[A] + P[B]
se A∩B = ∅
– (A e B: eventos)
– S: espaço amostral
12
Para a segunda aula (6/10/99)
• Estudar • Resolver
– Capítulo 1 do B&C – Exercício 1.9 do B&C
– Capítulo 2 do B&C até
a pág. 69
13
Segunda aula (6/10/99)
• Estatísticas de • Pano de fundo
amostras – exercício 1.9 (B&C)
• Modelos probabilistas – decisão face a
incertezas
• Variáveis aleatórias
– diferentes conceitos de
discretas e contínuas probabilidades
14
B&C 1.9 - Decisão frente a incerteza
• Estruturação do processo decisório: árvore de
decisão
• Avaliação de conseqüências
• Estimação de probabilidades
– Histogramas vs. distribuição de freqüências acumuladas
– Com e sem modelo probabilista
• Critério de decisão (por exemplo, minimização do
custo esperado)
15
B&C 1.9 - Capacidade e custo
(avaliação das conseqüências)
Altura da Capacidade Custo
3
ensecadeira (m) (m /s)
3 200 $15.600
4,5 550 $18.600
16
B&C 1.9 - Estruturação da decisão:
árvore de decisão
Sucesso:
Nó do $ 15.600
D≤ 200 m3/s
acaso
(1-P[R| H1])
H1=3 m Fracasso:
C=200 m3/s D>200 m3/s
P[R| H1] $ 45.600
Sucesso: $ 18.600
H2=4,5 m D≤ 550 m3/s
C=550 m3/s (1-P[R| H2])
Nó de
decisão
Fracasso:
D>550 m3/s
P[R| H2] 17
$ 48.600
B&C 1.9 - Demanda:
série histórica
Série histórica de vazões
2000
Vazões (m /s)
1500
3
Máximas
1000
anuais
500
0
1910 1920 1930 1940 1950 1960 1970
Ano
18
Estatísticas da amostra
19
B&C 1.9 - Demanda:
Histograma(s)
13 intervalos 10 intervalos
12 12
10 10
8 8
6 6
4 4
2 2
0 0
Mais
150
450
750
1050
1350
1650
1950
200
600
1000
1400
1800
n = 44
k = 1 + 3,3 log n
8 intervalos (Sturges, 1926) 7 intervalos
12 k = 6,4 12
10 10
8 8
6 6
4 4
2 2
0 0
Mais
250
500
750
1000
1250
1500
1750
2000
Mais
300
600
900
1200
1500
1800
2100
20
B&C 1.9 - Demanda:
estimação de probabilidades
Freqüências acumuladas
1
0,9
0,8
0,7
Freqüência
0,6
0,5
0,4
0,3
0,2
0,1
0
200 550
0 500 1000 1500 2000
3
Vazões máximas anuais (m /s)
21
B&C 1.9 - Critério de decisão
Custos $ 15.600
esperados 0,045
$44.236
H1=3 m
C=200 m3/s 1-0,045 =
0,955
$ 45.600
H2=4,5 m $ 18.600
0,273
C=550 m3/s
Nó de $40.418
decisão
1-0,273 =
0,727 22
MELHOR DECISÃO $ 48.600
Conveniência de um modelo
40
1,000
35 0,800
30
Freqüência
25 0,600
Modelo linear
t (kPa)
20
Mohr-Coulomb 0,400
15
10
0,200
Modelo de
5 extremos tipo I
0 0,000
0 50 100 150 200 250 0 1000 2000 3000
s (kPa) 3
Vazões máximas anuais (m /s)
23
Estimação de probabilidades com
modelo
Freqüências acumuladas
1,000
0,800
Freqüência
0,600
0,400
0,200
H1=3 m
C=200 m3/s 1-0,016 =
0,984
$ 45.600
H2=4,5 m $ 18.600
0,225
C=550 m3/s
Nó de $41.865
decisão
1-0,225 =
MELHOR DECISÃO 0,775 25
(não mudou) $ 48.600
B&C 1.9 - Influência do tempo?
• Tempo de exposição ao perigo
• Eventuais tendências no tempo (correlação?)
Série histórica de vazões
2000
Vazões (m /s)
1500
3
Máximas
1000
anuais
500
R2 = 0,0002
0
1910 1920 1930 1940 1950 1960 1970
Ano 26
Para a terceira aula (14/10/99)
• Rever • Resolver
– Capítulo 1 do B&C – Exercícios 2.4 e 2.9 do
• Estudar B&C
– Capítulo 2 do B&C até
a pág. 100
27
Terceira aula (14/10/99)
• Fontes de incerteza
• Eventos aleatórios
• Relações entre eventos
• Axiomas da Teoria das Probabilidades
• Probabilidade condicional
• Independência
• Teorema de Bayes
28
Fontes de incerteza
• Variabilidade natural (intrínseca)
• Desconhecimento de todas as causas e
efeitos (de modelo)
– y = f (x1, x2, x3, ..., xi-1, xi, xi+1, xi+2, ..., xn )
função determinista aleatoriedade
• Falta de dados (de parâmetros)
29
Espaço amostral
• Espaço amostral: conjunto S de todos os
possíveis resultados de um experimento
• Ponto amostral: ponto associado a um e um
só resultado de um experimento
• Evento: conjunto de pontos amostrais no
espaço amostral S de um experimento
30
Tipos de espaço amostral
• Definições operacionais (e seu refinamento)
dependem da aplicação específica
• Espaços amostrais discretos (“estado” do
semáforo em um cruzamento)
• Espaços amostrais contínuos (comprimento
de onda da luz emitida por cada uma das
lentes do semáforo)
• Variáveis aleatórias são funções definidas
no espaço amostral do experimento 31
Tipos de eventos
• Simples • Complementares
– SPT = 10 – A: SPT ≤ 5
• Compostos – AC: SPT > 5
– SPT ≤ 5
AC
A
S A ∪ AC = S
32
Relações entre eventos
• Mutuamente exclusivos: A ∩ B = ∅
– A: SPT > 10
– B: SPT < 5 A B
• Coletivamente exaustivos: A ∪ B = S
– A: SPT < 10
– B: SPT > 5 A B
33
Partição de um espaço amostral
• Eventos mutuamente exclusivos e
coletivamente exaustivos:
– Ai ∩ Aj = ∅ para quaisquer i e j
– ∪ Ai = S para todos os i
A1 Ai
An
34
Axiomas da Teoria das
Probabilidades
• 1 ≥ P[A] ≥ 0 • A e B: eventos
• P[S] = 1 • S: espaço amostral
• P[A∪B] = P[A] + P[B] • P[E] = probabilidade
se A∩B = ∅ do evento E
35
Probabilidade da união
• P[A] = P[A ∩ B] + P[Ao] P[B] = P[A ∩ B] + P[Bo]
B
A
Bo
A∩B
Ao
40
Quarta aula (21/10/99)
• Teorema da probabilidade total
• Teorema de Bayes
• Modelos probabilistas
• Variáveis aleatórias discretas e contínuas
41
Teorema da probabilidade total
• Aj : partição do espaço amostral
• P[B] = Σ P[B ∩ Aj]
A1 B Aj
B ∩ Aj
An
30 0,6
40 0,1
43
B&C pág. 65 - Qualidade do
ensaio
Estado
Amostras 20 30 40
z1 0,7 0,2 0,0
z2 0,3 0,6 0,3
z3 0,0 0,2 0,7
1,0 1,0 1,0
44
B&C pág. 65 - Ensaios de
diferentes qualidades
Estado
Amostras 20 30 40
z1 0,7 0,2 0,0
z2 0,3 0,6 0,3
z3 0,0 0,2 0,7
1,0 1,0 1,0 Ensaio perfeito
45
B&C pág. 65 - Atualização
• P[estado | amostra] = P[estado] . P[amostra | estado]
(Teorema de Bayes) P[amostra]
• P[Ej | zi] = P[Ej] . P[zi | Ej] / P[zi]
• P[zi] = ?
• P[B] = Σ P[B | Aj] . P[Aj] para todos os j
(Teorema da probabilidade total)
• P[zi] = Σ P[zi | Ej] . P[Ej] para todos os j
46
B&C pág. 65
• Planilha
47
Variáveis aleatórias
• Variável aleatória: função definida no
espaço amostral
• 1 ponto amostral (evento simples) ⇒
⇒ um valor da variável aleatória
• Escolhas “naturais”
• Descrição do comportamento da variável:
lei probabilista
• Distribuição de probabilidade da v.a.
48
Distribuições de variáveis
aleatórias discretas
• Função probabilidade (variável discreta)
• Função distribuição (discreta)
• Propriedades dessas funções (decorrentes
dos axiomas da Teoria das Probabilidades)
• Histograma vs. Função probabilidade
• Curva de freqüências acumuladas vs.
função distribuição
49
Distribuições de variáveis
aleatórias contínuas
• Função densidade de probabilidade
(variável contínua)
• Função distribuição (contínua)
• Propriedades dessas funções (decorrentes
dos axiomas da Teoria das Probabilidades)
50
Distribuições conjuntas
28
5 21,5
4 15,5
10
3
5,5
2 5,5 1,5
1 15,5
0 28
0
45
90
5
0
5
0
5
13
18
22
27
31
51
Outras distribuições associadas às
distribuições conjuntas
• Distribuições marginais
• Distribuições condicionais
52
Para a quinta aula (28/10/99)
• Rever • Resolver
– Capítulo 1 do B&C – Exercício 2.40
– Capítulo 2 do B&C até – Exercício 2.32
a pág. 134 – Exercício 2.36c
• Estudar
– Capítulo 2 do B&C até
o final
53
Quinta aula (28/10/99)
• Distribuições de variáveis (discretas e
contínuas)
• Média, variância e coeficiente de variação
das distribuições
• Distribuições derivadas
– Método direto
– Simulação (Monte Carlo, por exemplo)
– Método dos momentos
54
Para a quinta aula (4/11/99)
• Rever • Resolver
– Capítulo 2 do B&C até – Exercício 2.10
a pág. 134 – Exercício 2.32
• Estudar – Exercício 2.36c
– Capítulo 2 do B&C até
o final
55
Sexta aula (4/11/99)
• Média, variância e coeficiente de variação
das distribuições
• Distribuições derivadas
– Método direto
– Simulação (Monte Carlo, por exemplo)
– Método dos momentos
56
Para a sétima aula (11/11/99)
• Rever e estudar • Resolver
• Capítulo 2 do B&C até – Exercício 2.43
o final
– Exercício 2.47
– Exercício 2.50
57
Décima aula (2/12/99)
• Amostragem
• Estimação
– Método dos momentos
– Método da máxima verossimilhança
• Estimativas vs. estimadores
• Propriedades dos estimadores
– tendência
– eficiência
– consistência
58
Amostragem aleatória
59
Momentos da amostra
n
1
x = ∑ xi ⋅ • Média amostral
(medida de
i =1 n tendência central)
( )
n 2
1
s =∑
2
X xi − x ⋅ • Variância amostral
i =1 n (medida de
dispersão)
60
Momentos da população (modelo)
∞
mX = ∫
−∞
x .f X ( x ).dx • Média (medida
de tendência
central)
∞
σ = ∫ ( x − m X ) .f X ( x ).dx
2
X
2
−∞ • Variância
(medida de
dispersão)
61
Exemplo 1: População Normal (Gauss)
2
1 ( x −a )
1 −
2 b X ~ N (a , b )
f X (x) = ⋅e
b. 2π
Resistência de um material dúctil =
mX = a = m soma das resistências de cada uma das fibras
1 ( x −m)
2 • Dois
1 −
2 σ X ~ N (m, σ) parâmetros
f X (x) = ⋅e
σ. 2π – a, b ou
1 ( x −m)2 – m, σ ou
1 − ⋅
f X (x) = ⋅e 2 σ2 X ~ N ( m, σ 2 ) – m, σ2
2πσ2
62
Exemplo 2: População Exponencial
λt T ~ EX (λ )
f T ( t ) = λ.e
Tempo entre carros sucessivos
1
mT =
Passagem de carros segue modelo Poisson
(vide item 3.2 do B&C)
λ
1 • Um único
σT = 2
2
parâmetro
λ – λ
63
Estimação: método dos momentos
• Igualar momentos da amostra m̂ X = x
aos correspondentes da
população (tantos quantos σ
ˆ 2
X = s 2
X
forem os parâmetros do etc.
modelo probabilista)
• Deduzir estimativas dos
â = ... m̂ = ...
parâmetros (resolver m
equações a m incógnitas; b̂ = ... ou
σˆ 2
= ...
m = número de parâmetros do
modelo)
λˆ = ... λˆ = ... 64
Estimação: exemplo 1 (Normal)
• Igualar momentos da amostra
aos correspondentes da m̂ X = x
população (tantos quantos
forem os parâmetros do ˆσ 2X = s 2X
modelo probabilista)
• Deduzir estimativas dos
parâmetros (resolver m â = m̂ = m̂ X = x
equações a m incógnitas; b̂ = σˆ = σˆ X = s 2X
m = número de parâmetros do
modelo)
65
Estimação: exemplo 2 (exponencial)
• Igualar momentos da amostra
aos correspondentes da
população (tantos quantos m̂ T = t
forem os parâmetros do
modelo probabilista)
• Deduzir estimativas dos
parâmetros (resolver m ˆλ = 1 = 1
equações a m incógnitas; m̂ T t
m = número de parâmetros do
modelo)
66
Estimativas vs. estimadores
• Estimativas • Estimadores
– valores – regras
– constantes – variáveis aleatórias
– após a amostragem – antes da amostragem
propriamente dita
( x1, x2, x3, ..., xn) (X1, X2, X3, ..., Xn)
x X
sX SX
67
Para a décima primeira aula
(9/12/99)
• Continuar folheando o • Resolver
cap. 3 do B&C – Exercício 4.18
• Rever e estudar – Exercício 4.41
• Capítulo 4 do B&C até – Exercício 4.42
a página 396
68
Décima primeira aula (9/12/99)
• Estimação clássica
• Estimação bayesiana
• Retroanálise probabilista
69
Estimação
• Estimação clássica
– Estimação pontual
• Método dos momentos
• Método da máxima verossimilhança
– Estimação por intervalos
• Intervalo de confiança
• Teste de hipótese
• Estimação bayesiana
70
Estimadores da variância
n
1 n
1
S2 = ⋅ ∑ ( X i − X ) 2 = *2
S = ⋅ ∑ (X i − X ) 2 =
n i =1 n − 1 i =1
1 n
= ⋅ ∑ ( X i − 2X i X + X 2 ) =
2
n i =1
1 n 2 n
1 n 2
= ⋅ ∑ Xi − ⋅ X ⋅ ∑ Xi + ⋅ ∑ X =
2
n i =1 n i =1 n i =1
1 n
= ⋅ ∑ Xi − 2 ⋅ X 2 + X 2 =
2
n i =1
1 n 1 n
S = ⋅ ∑ Xi − X 2 ⋅ ∑ Xi − X 2
2 2 *2 2
S =
n i =1 n − 1 i =1
71
Estimadores tendenciosos
[ ] 1 n
[ ] [ ]
E S = ⋅ ∑ E Xi − E X 2 =
2
n i =1
2
1 n
n i =1
( 2
) (
= ⋅ ∑ Var[X i ] + E[X i ] − Var[X ] + E[X ] =
2
)
σ 2X 2
1 n 2
(
= ⋅ ∑ σ X + m X −
n i =1
2
) + m X =
n
σ 2
1 n
= σ 2X + m 2X − X + m 2X = *2
S = ⋅ ∑ (X i − X ) 2
n n − 1 i =1
[ ]
ES =
2 n −1 2
σX [ ] 2
E S* = σ 2X
n
72
Distribuições de estimadores
(distribuições amostrais)
• Estimador de mX: m̂ X = X (média amostral)
– média do estimador: mX
– desvio padrão do estimador: σX/n
– distribuição do estimador: Normal (teorema do
limite central)
X ~ N(m X , σ X / n )
m̂ X ~ N(m X , σ X / n )
73
Estimação por intervalos
Intervalo de confiança
• Utilizar distribuição amostral
– escrever desigualdade probabilista
– rearranjar a desigualdade para isolar o
parâmetro de interesse
– substituir na desigualdade o valor observado da
estatística da amostra
74
Estimação por intervalos
Teste de hipótese
• Utilizar distribuição amostral
• Construir intervalo de confiança
• Nível do teste é a probabilidade do evento
complementar ao intervalo de confiança
75
Estimadores de máxima
verossimilhança
f T ( t ) = λ.e − λt
1
mT =
λ
1
σT = 2
2
λ
f T ( t | λ ) = λ.e λt
n
−λ ∑ ti
L(λ | t1 , t 2 ,..., t n ) = λ .e
n i =1