Probabilidade, Estatística,

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

Custo de 3 semanas de atraso

devido a inundação do canteiro $30.000

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

Média: 886,45 m3/s

Desvio padrão: 440,89 m3/s

Coeficiente de variação: 0,497

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

Resistência de um solo Freqüências acumuladas

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

0,000 200 550

0 500 1000 1500 2000 2500
3
Vazões máximas anuais (m /s)
24
B&C 1.9 - Impacto do modelo na
decisão
Custos $ 15.600
esperados 0,016
$45.119

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

• P[A ∪ B] = P[Ao] + P[A ∩ B] + P[Bo]

• P[A ∪ B] = P[A] - P[A ∩ B] + P[A ∩ B] + P[B] - P[A ∩ B]
• P[A ∪ B] = P[A] + P[B] - P[A ∩ B]
36
 Probabilidade condicional
• P[A | B] = P[A ∩ B] / P[B]
B
A
Bo
A∩B
Ao

• P[A] = 0,4 (= 4/10) • B ocorreu ∴ P[B] = 1 (B≡S)

• P[B] = 0,5 (= 5/10) • P[B] = 5/5 = 1
• P[A ∩ B] = 0,1 (=1/10) • P[A | B] = 1/5 = 0,2
• P[S] = 1 (=10/10) 37
 Independência
• P[A | B] = P[A]
B
A
Bo
A∩B
Ao

• P[A | B] = P[A ∩ B] / P[B]

• P[A | B] = P[A]
• P[A ∩ B] = P[A] . P[B]
38
 Teorema de Bayes
• P[A | B] = P[A ∩ B] / P[B]
• P[B | A] = P[B ∩ A] / P[A]
– P[A ∩ B] = P[B ∩ A]
• P[A | B] . P[B] = P[B | A] . P[A]
• P[A | B] = P[A] . P[B | A] / P[B]

• P[estado | amostra] = P[estado] . P[amostra | estado]

P[amostra]
• Atualização bayesiana
39
 Para a quarta aula (21/10/99)
• Rever • Resolver
– Capítulo 1 do B&C – Exercício 2.22
– Capítulo 2 do B&C até
a pág. 100
• Estudar
– Capítulo 2 do B&C até
a pág. 134

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

• P[B ∩ Aj] = P[B | Aj] . P[Aj]

• P[B] = Σ P[B | Aj] . P[Aj]
42
B&C pág. 65 - Informações
anteriores
Estado Probabilidades
(resistência) anteriores
20 0,3

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

Ensaio imperfeito Estado

Amostras 20 30 40
z1 1,0 0,0 0,0
z2 0,0 1,0 0,0
z3 0,0 0,0 1,0
1,0 1,0 1,0

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

• Amostra simples de magnitude n

– simples ⇒ aleatória, cada observação é
independente de todas as outras
– magnitude n ⇒ n observações:
x1, x2, x3, ..., xn

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

σ 2X = b 2 = σ 2 (Teorema do Limite Central)

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

• O estimador escolhido deve maximizar L

76
 Para a décima segunda aula
(16/12/99)
• Prova final de 2 horas, • Resolver (ou rever)
sem consulta – Todos os exercícios
• Rever propostos
– Capítulo 1 do B&C
– Capítulo 2 do B&C
– Capítulo 4 do B&C até
a página 396
• Folhear
– Capítulo 3 do B&C
77