Instituto Tecnológico de Aeronáutica

Apresentação em tema: "Instituto Tecnológico de Aeronáutica"— Transcrição da apresentação:

1 Instituto Tecnológico de Aeronáutica
Reflexões sobre Probabilidade, Estatística e Modelamento Matemático Por: Armando Z. Milioni Instituto Tecnológico de Aeronáutica São José dos Campos, SP Agosto 2012 1 1

2 Resumo do que fizemos Jogamos 30 dados ao mesmo tempo 2 2

3 Resumo do que fizemos Jogamos 30 dados ao mesmo tempo
Definimos que o resultado de cada dado seria: Sucesso, para os casos {4, 5 e 6} Fracasso, para os casos {1, 2 e 3} 3 3

4 Resumo do que fizemos Jogamos 30 dados ao mesmo tempo
Definimos que o resultado de cada dado seria: Sucesso, para os casos {4, 5 e 6} Fracasso, para os casos {1, 2 e 3} Fizemos isso 30 vezes 4 4

5 Resumo do que fizemos Jogamos 30 dados ao mesmo tempo
Definimos que o resultado de cada dado seria: Sucesso, para os casos {4, 5 e 6} Fracasso, para os casos {1, 2 e 3} Fizemos isso 30 vezes Notamos que (em média, aproximadamente) Um (qualquer) dos 30 lançamentos tinha o dobro ou mais de Sucessos do que outro lançamento (qualquer). Um dos 30 lançamentos tinha 20 ou mais Sucessos Um dos 30 lançamentos tinha 10 ou menos Sucessos 5 5

6 Resumo do que fizemos Jogamos 30 dados ao mesmo tempo
Definimos que o resultado de cada dado seria: Sucesso, para os casos {4, 5 e 6} Fracasso, para os casos {1, 2 e 3} Fizemos isso 30 vezes Notamos que (em média, aproximadamente) Um (qualquer) dos 30 lançamentos tinha o dobro ou mais de Sucessos do que outro lançamento (qualquer). Importante: isso ocorre por obra “do acaso” 6 6

7 Substitua o que fizemos conforme abaixo
Ao invés de 30 lançamentos, 30 pessoas Habilitações semelhantes e treinamentos idênticos 7 7

8 Substitua o que fizemos conforme abaixo
Ao invés de 30 lançamentos, 30 pessoas Habilitações semelhantes e treinamentos idênticos Ao invés de 30 dados, 30 dias de “teste” 8 8

9 Substitua o que fizemos conforme abaixo
Ao invés de 30 lançamentos, 30 pessoas Habilitações semelhantes e treinamentos idênticos Ao invés de 30 dados, 30 dias de “teste” Resultados individuais a cada dia de teste: Sucesso, com probabilidade 50% Fracasso, com probabilidade 50% 9 9

10 Substitua o que fizemos conforme abaixo
Ao invés de 30 lançamentos, 30 pessoas Habilitações semelhantes e treinamentos idênticos Ao invés de 30 dados, 30 dias de “teste” Resultados individuais a cada dia de teste: Sucesso, com probabilidade 50% Fracasso, com probabilidade 50% Ao término do período Alguém terá 20 ou mais Sucessos, o dobro de outro alguém, que terá 20 ou mais Fracassos 10 10

11 Autor: Leonard Mlodinow
O exemplo que acabamos de estudar é uma variação de um problema analisado no livro “O Andar do Bêbado” Autor: Leonard Mlodinow 11 11

12 ESTE CURSO É SOBRE: “A MODELAGEM E A COMPREENSÃO DO ACASO” PORTANTO:
12 12

13 Ainda para compreender este Curso
Algumas curiosidades (erros) da mídia Modelamento matemático: 10 mandamentos 13 13

14 14 14

15 15 15

16 16 16

17 17 17

18 18 18

19 19 19

20 20 20

21 21 21

22 SE ESSES EXEMPLOS APARECEM NA MÍDIA, QUE SEGURANÇA TEMOS
PERGUNTA NATURAL: SE ESSES EXEMPLOS APARECEM NA MÍDIA, QUE SEGURANÇA TEMOS DE QUE RACIOCÍNIOS SEMELHANTES NÃO APAREÇAM, POR EXEMPLO EM RELATÓRIOS TÉCNICOS? 22 22

23 E ESTATÍSTICA QUE NOS PERMITEM COMPREENDER O ACASO E SEPARÁ-LO
PORTANTO: ESTE CURSO TAMBÉM É SOBRE: “OS FUNDAMENTOS DE PROBABILIDADE E ESTATÍSTICA QUE NOS PERMITEM COMPREENDER O ACASO E SEPARÁ-LO DE REAIS RELAÇÕES DE CAUSA E EFEITO” 23 23

24 “Operations Research - Principles and Practice”
Modelos Matemáticos - 10 Mandamentos Fonte: “Operations Research - Principles and Practice” Ravindran, Phillips e Solberg (várias edições) 24 24

25 1 - Don’t build a complicated model when a simple one will suffice
Modelos Matemáticos - 10 Mandamentos 1 - Don’t build a complicated model when a simple one will suffice 25 25

26 1 - Don’t build a complicated model when a simple one will suffice
Modelos Matemáticos - 10 Mandamentos 1 - Don’t build a complicated model when a simple one will suffice 2 - Beware of molding the problem to fit technique 26 26

27 1 - Don’t build a complicated model when a simple one will suffice
Modelos Matemáticos - 10 Mandamentos 1 - Don’t build a complicated model when a simple one will suffice 2 - Beware of molding the problem to fit technique 3 - The deduction phase of modeling must be conducted rigorously 27 27

28 Mandamento 3 - Fase de Dedução do Modelo
Credit Scoring Natureza do Problema Metodologia 28 28

29 29 29

30 Critério de distinção: Bons e Maus pagadores
30 30

31 31 31

32 32 32

33 33 33

34 34 34

35 Perguntas: Fronteira linear – Por que? Alternativas? 35 35

36 36 36

37 Reflexões interessantes
Muitas metodologias (análise discriminante; modelos logísticos; neurais, neuro-fuzzy, etc) Pouca discussão em torno da distinção entre bons e maus pagadores Conseqüências de um novo critério? 37 37

38 38 38

39 39 39

40 Pergunta: Para cada critério de distinção adotado, é sempre possível estabelecer a fronteira que separa as populações a partir da amostra? 40 40

41 41 41

42 42 42

43 Reflexões adicionais:
Hipótese de existência da fronteira: sempre verdadeira? O que é mais importante: O modelo? ou O critério? 43 43

44 4 - Models should be validated prior to implementation
Modelos Matemáticos - 10 Mandamentos 4 - Models should be validated prior to implementation 44 44

45 4 - Models should be validated prior to implementation
Modelos Matemáticos - 10 Mandamentos 4 - Models should be validated prior to implementation 5 - A model should never be taken too literaly 45 45

46 4 - Models should be validated prior to implementation
Modelos Matemáticos - 10 Mandamentos 4 - Models should be validated prior to implementation 5 - A model should never be taken too literaly 6 - A model should neither be pressed to do, nor criticized for failing to do, that for which it was never intended 46 46

47 7 - Beware of overselling the model
Modelos Matemáticos - 10 Mandamentos 7 - Beware of overselling the model 47 47

48 7 - Beware of overselling the model
Modelos Matemáticos - 10 Mandamentos 7 - Beware of overselling the model 8 - Some of the primary benefits of modeling are associated with the process of developing the model 48 48

49 7 - Beware of overselling the model
Modelos Matemáticos - 10 Mandamentos 7 - Beware of overselling the model 8 - Some of the primary benefits of modeling are associated with the process of developing the model 9 - A model cannot be any better than the information that goes into it (Gigo) 49 49

50 7 - Beware of overselling the model
Modelos Matemáticos - 10 Mandamentos 7 - Beware of overselling the model 8 - Some of the primary benefits of modeling are associated with the process of developing the model 9 - A model cannot be any better than the information that goes into it (Gigo) 10 - Model cannot replace decision makers 50 50

51 Latim “Probare” – provar, testar
Primeiros Fundamentos Probabilidade: Latim “Probare” – provar, testar Estatística: Latim: “Statisticum Collegium” – palestra sobre assuntos do estado 51 51

52 Introdução a Probabilidade e Estatística
População Amostra Estatística (ou. Estatística Indutiva Paramétrica, ou ainda, Inferência Estatística) 52 52

53 Instituto Tecnológico de Aeronáutica
Planejamento do Curso Por: Armando Z. Milioni Instituto Tecnológico de Aeronáutica São José dos Campos, SP Agosto 2012 53 53

54 QUATRO SEMANAS Semana 1: Fundamentos de Teoria de Probabilidade
Variáveis Aleatórias Semana 3: Variáveis Aleatórias e Estimação de Parâmetros Semana 4: Intervalos de Confiança e Teste de Hipóteses 54 54

55 Livro Texto e Avaliação
Probabilidade e Estatística para Engenharia e Ciências – Jay L. Devore Quatro séries de exercícios (grupos de 3) Exame final individual, com base nas séries 55 55

56 Fundamentos de Teoria de Probabilidade
Semana 1: Fundamentos de Teoria de Probabilidade Estatística Descritiva: Fundamentos Definição de Função Probabilidade (história) Propriedades dos Axiomas Cálculo de Probabilidades Função Probabilidade Condicional Teoremas Fundamentais e Independência 56 56

57 1 - Estatística Descritiva: Fundamentos
Medidas de Locação Média, Mediana, Média Aparada, Moda Medidas de Dispersão Desvio Padrão, Variância Histogramas 57 57

58 2 - Definição de Função probabilidade (história)
Elementos Fundamentais Experimento, Espaço Amostral, Eventos, Evento Impossível, Eventos Mutuamente Exclusivos Evolução histórica do Conceito Definições clássica e frequentista Definição Axiomática 58 58

59 3 - Propriedades da Definição Axiomática
Axioma (iii) válido para sequências finitas P(A) + P(Ac) = 1 P(A) = P(A ∩ B) + P(A ∩ Bc) P(A U B) = P(A) + P(B) – P(A ∩ B) 59 59

60 4 - Cálculo de Probabilidades
Alguns problemas clássicos Truques simples com o uso da hipótese clássica Loterias O exemplo que dá origem à V.A.Binomial Saindo dos espaços amostrais finitos O jogo de Crap 60 60

61 5 - Função Probabilidade Condicional
Definição Também é uma função probabilidade Utilidade: Probabilidade de A antes de B A solução do problema do jogo de Crap 61 61

62 6 - Teoremas Fundamentais e Independência
Teorema da Probabilidade Total Teorema de Bayes ( ) Independência Exemplos Clássicos Inpe / Satélite Exames clínicos O problema de Monty Hall 62 62