<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Mateus Magnus Paape on Medium]]></title>
        <description><![CDATA[Stories by Mateus Magnus Paape on Medium]]></description>
        <link>https://medium.com/@mateusmagnuspaape?source=rss-e1e7fcd6b28e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*GRfE6xuIiwsiQfnN</url>
            <title>Stories by Mateus Magnus Paape on Medium</title>
            <link>https://medium.com/@mateusmagnuspaape?source=rss-e1e7fcd6b28e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 14:55:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mateusmagnuspaape/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Regressão linear em BIRL. Data Science com FIBRA!]]></title>
            <link>https://medium.com/@mateusmagnuspaape/regress%C3%A3o-linear-em-birl-data-science-com-fibra-b6316f9c1e57?source=rss-e1e7fcd6b28e------2</link>
            <guid isPermaLink="false">https://medium.com/p/b6316f9c1e57</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[birl]]></category>
            <category><![CDATA[regression]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[arnoldc]]></category>
            <dc:creator><![CDATA[Mateus Magnus Paape]]></dc:creator>
            <pubDate>Tue, 16 Aug 2022 18:39:28 GMT</pubDate>
            <atom:updated>2022-08-16T18:39:28.653Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>HORA DO SHOW</strong></h3><p>Fala Mutante! Primeiramente, quero dizer que esse tutorial foi muito divertido de fazer e como dizem no repositório do <a href="https://birl-language.github.io/"><strong>BIRL</strong></a>: “programando em BIRL é verão todo dia!”.</p><p>Eu espero sinceramente que vocês se divirtam como eu me diverti e quem sabe até se arrisquem a implementar alguma outra palhaçada em BIRL.</p><h3>O que é BIRL?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/434/1*uEC1tcPbOCkqT1fD9aXb5w.png" /></figure><blockquote>“O <strong><em>BIRL </em></strong><em>(Bambam’s “It’s show time” Recursive Language)</em> é a linguagem de programação mais treze já inventada.”</blockquote><p>O <strong><em>BIRL </em></strong>é forma mais casca grossa de romper os problemas no mundo da programação. As regras em <strong><em>BIRL </em></strong>são todas lógicas e tem um ar motivador a cada linha de código. Alguns exemplos de código:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/818/1*QsrhUpDtdu486Tpf8OiH9g.png" /><figcaption>exemplo de hello world</figcaption></figure><p>Todo código começa com “ <strong><em>HORA DO SHOW</em></strong>” (similar ao Main() do C) e termina com o “<strong><em>BIRL</em></strong>”… A linguagem funciona sendo traduzida para “C” e compilada em um compilador próprio de C. A… não tem aquelas frescuras de identar ou inserir “{}” entre os loops e condicionais. Os comandos em BIRL vem de imperativos ditos pelo MONSTRO KLEBER BANBAN.</p><p>Você pode se arriscar em BIRL no site: <a href="https://birl-language.github.io/">https://birl-language.github.io/</a></p><p>exemplo de código em BIRL:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*jnW3cxPiQmSMcR0us-XLIw.png" /></figure><p>Algumas referências presentes no repositório para aprendermos a pensar em <strong><em>BIRL</em></strong>…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/521/1*PjlUR3EA07C5VXvyHM9pag.png" /><figcaption>Imagem retirada do repositório oficial</figcaption></figure><p>Existem mais alguns comandos como o FOR e declaração de funções que serão utilizados mais abaixo. Afinal, para o negócio crescer e ficar bom tem que ciclar, né?</p><h4><strong>ORIGENS DO BIRL</strong></h4><p>A linguagem foi baseada no MEME da gringa com a linguagem “<a href="https://lhartikk.github.io/ArnoldC/">Arnold C</a>” que é constituida de falas icônicas de Arnold Schwarzenegger no cinema. Ela funciona através de comandos como “<strong><em>TALK TO THE HAND</em></strong> “ (imprimir no console) sendo ao fim compilada em C. Podemos até dizer que o Arnold C é o TIO bombado que inspirou nossa querida BIRL DESCENDENTE na arte de construir fibra com código.</p><p>Exemplo do tio Gringo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/0*0l4Exekf-NAmtuXY.png" /><figcaption>imagem retirada do repositorio do Arnold C — <a href="https://lhartikk.github.io/ArnoldC/">https://lhartikk.github.io/ArnoldC/</a></figcaption></figure><h4>Motivação</h4><p>A ideia de resolver um problema de Data Science com o<strong><em> BIRL</em></strong> é uma provocação de leve à atribuição incorreta, não pouco frequente, as vezes inconsciente, dada de que decorar Python ou R é bom preditor de cientista de dados habilidoso. O que eu queria provar ? você pode meter o loco e copiar tudo do stakeroverflow e que se voce tem a logica na mente ou a maldade de como se virar, até em <strong><em>BIRL</em></strong> tu mata a questão…</p><p>Sim! tem que ter a memória muscular no dedo para pesquisar os rolê!</p><p>obs: fazer deploy, escalar e conectar a solução com outros sistemas em uma pipeline pode ser beeeem mais desafiador em BIRL…</p><h4><strong>Escolhendo o problema</strong></h4><p>Aqui a tarefa foi de encontrar algo que fosse interessante o suficiente para o uso de buzzwords como <strong><em>aprendizado supervisionado</em></strong> de <strong><em>machine learning </em></strong>para solução linear… e ao mesmo tempo ser fácil de implementar… já que não sou originalmente formado em tecnologia e antes de começar isso aqui eu nunca tinha nem dado um “<em>hello mutante</em>” em <strong><em>C</em></strong>.</p><p><strong>O que eu aprendi com isso</strong></p><p>Acabei tomando conhecimento de algumas coisas como inicialização de variáveis e ponteiros, método babilonico para aproximação de raiz quadrada e outras coisinhas sobre tipagem e escopo de variáveis em C… a propósito minha stack antes do exercicio era :</p><p>Python (bom), R (médio), SQL(bom) e VBA(bom). agora sou médio em BIRL também…rs</p><p>A implementação da solução foi Baseada no artigo sobre regressão linear simples disponível no wikipedia <a href="https://en.wikipedia.org/wiki/Simple_linear_regression">aqui</a>;</p><p>E se quiser ver a Implementação e testar no site oficial aqui está o link para o meu <a href="https://github.com/Mpaape/birl_datascience/blob/main/regrerss_birl_final.birl">Github</a>:</p><h4>O dataset</h4><p>Os dados são amostras de altura e peso de mulheres americanas entre 30 e 39 anos. O objetivo do exercício será construir um modelo linear que consiga predizer com o mínimo de erro o peso do indivíduo dada a sua altura.</p><p>veja o link para encontrar o dataset: <a href="https://en.wikipedia.org/wiki/Simple_linear_regression">aqui</a></p><h4>Plano de solução</h4><p>O problema é típico de regressão já que a saída é um numero discreto(até porque ninguem gosta que saiam espalhando o peso por ai)…</p><p>Iremos implementar uma regressão simples de uma variável em BIRL. Como tudo será feito a mão isso já é desafiador o suficiente. Também não faremos a divisão canônica de treino e teste de 90% treino e 10% teste ou qualquer outra… Será treinado e testado no dataset… O overfit não é uma preocupação muito plausível para soluções do tipo linear principalmente com apenas uma variável e nem 20 observações. Costumamos temer isso com modelos mais sofisticados. beijo na bunda!</p><h4>O que é Regressão?</h4><p>Resposta curta… é um método para construir a linha reta que tem a menor distância das diversas observações feitas da variável que queremos modelar.</p><p>Como exemplo de um modelo linear, o preço uber poderia ser modelado como:</p><p>Preco_corrida= R$ 3,90* (Quantidade de Quilometros rodados) + R$7.00</p><p>Existem outros fatores possíveis que podem influenciar esse preço… como por exemplo esses R$3,90 do custo do quilometro serem afetados pela oferta e demanda de motoristas em algum horário ou mesmo se esses 7 reais fixos da corrida forem na verdade a soma da comissão do motorista e do uber e isso for variável em notas de motorista e passageiro…</p><p>enfim… dá para complicar, mas na <strong>MÉDIA</strong> não errariamos por muito se assumíssemos algo como esse modelo para determinar a conta sabendo mais ou menos quantos quilometros iremos percorrer no rolê, o preço do quilometro e quanto é a saída inicial. No exemplo foi tudo chutado… nem esquenta..,</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/299/1*bhsEy79IwyPlYJ3KSy5XMQ.png" /><figcaption>Regressao Linear modelada em azul</figcaption></figure><p>A ideia é bem simples, até por isso que se chama regressão linear simples. (não é por isso não…kkkk)</p><p>Sem muito mais papo furado…</p><p>No modelo existe a premissa de que as coisas possuem uma relação linear; Ou ainda, que mesmo que não tenham e tu meter o loco, a equação <em>Y = ax + b + s</em>, seria suficiente para modelar com erros aceitáveis o nosso objetivo final.</p><p>Sejamos práticos… se tiver dúvida existem milhares de artigos frangos sobre o assunto… se vira!</p><h4>Implementando a solução</h4><p>Bom… o problema tá claro, né? vão dar a altura da monstra e tu tem que dizer quanto ela pesa com o menor erro possível. E tu não vai saber se ela toma whey, deca, trembo ou qualquer outro veneno…</p><p>Precisamos de um Formato para trabalhar com os dados e no repositório do <strong><em>BIRL</em></strong> não falam nada sobre dicionarios, dataframes, listas ou vetores… e agora…?</p><p>Temos frango, monstro, monstão trapezio, trapezio descendente….</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/978/1*ex25_AOErZ5s-Dc08HAtLA.png" /><figcaption>Tipos de dados do BIRL</figcaption></figure><p>BEM…por sorte… eles falam no<a href="https://github.com/birl-language/birl-server"> repositório</a> do server side que a linguagem é traduzida e compilada como C… bom … depois de um google rápido descobrimos que C tem arrays… então acabamos hackeado o BIRL e usando arrays para representar nossos dados… (e funcionou…). Fiquem tranquilos pois nenhum pacote de C funciona em birl… então ainda haverão implementações na raça…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*htqJQbU0KKS3xcIp2yyvdQ.png" /><figcaption>Puta sorte de existir array e funcionar no BIRL</figcaption></figure><p>Para testar se nossa array fica certinha e funciona mesmo, podemos imprimir os elementos ciclando com o loop “<strong><em>MAIS QUERO MAIS</em></strong>” que nas linguagens de frango também é conhecido como <strong>FOR…</strong>:</p><p>Entrada:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/559/1*M4v7mHM0n57lHfj88tpeXw.png" /><figcaption>Obtendo a quantidade de exemplos no nosso array</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/538/1*ifvkI9biHw2GNnRyONNK6Q.png" /><figcaption>importante ver se não tá fazendo merda</figcaption></figure><p>saída:</p><pre>&gt;&gt;&gt; Conjunto de variaveis exógenas:<br>&gt;&gt;&gt;1.470,1.500,1.520,1.550,1.570,1.600,1.630,1.650,1.680,1.700,1.730,1.750,1.780,1.800,1.830, Conjunto de variaveis</pre><pre>&gt;&gt;&gt; Conjunto de variaveis dependentes:<br>&gt;&gt;&gt;52.210,53.120,54.480,55.840,57.200,58.570,59.930,61.290,63.110,64.470,66.280,68.100,69.920,72.190,74.460,</pre><p>cálculo dos coeficientes para o modelo</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/175/1*TVciEG9LenYW36_ef_Rh0g.png" /><figcaption>Modelo da solução</figcaption></figure><p>Bom o primeiro passo do exemplo começa com o calculo dos somatórios abaixo. Vamos fazer em BIRL</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bPVlwN2lR6RALE2G2bDmjg.png" /></figure><p>FIBRANDO:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/556/1*6ZRHPVMYgjqtj_ctCy6JLg.png" /><figcaption>acumulando iterativamente as variaveis auxiliares</figcaption></figure><p>Calculamos ali o Coef_ (beta) e o intercept_(alfa)… vamos printar para ver se está certo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/595/1*3Hsx2ZmXRKRym3X---YioA.png" /><figcaption>quer ver?</figcaption></figure><p>Saída:</p><pre>&gt;&gt;&gt; O fit(NESS) para os dados é  : Y = 61.2721X  -39.0618      &gt;&gt;&gt;coef_=61.2721 intercept=-39.0618</pre><p>Bom… A solução no wikipedia está parecida o suficiente…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/393/1*Fg0nuitoph7VksSkr-poFw.png" /><figcaption>Alfa e Beta são estimados na Regressão</figcaption></figure><p>O que esses valores significam ? que a cada valor da variavel x (metros) o y(kg) em média será definido pela equação fitada, ou seja. Se a altura for 1.5m eu posso chutar com o modelo o peso em:</p><pre>peso_estimado = 1.5*(61.272) - 39.062<br>peso_estimado = 52,84 Kg</pre><p>Ou se preferir …o modelo associa para cada 10 cm a mais de altura da mutante tende a ter 6.13 kg a mais de massa… tendo como intercepto a reta partindo de -39.06.</p><p>Vale salientar que na prática o mais correto seria construir um intervalo de confiança em torno da resposta e estimar que o peso estaria dentro do intervalo com alfa% de confiança… e assim ser mais frango…BIRL@!</p><h3>avaliando a solução e o ajuste do modelo com o BIRL.</h3><p>Vamos calcular os Residuos, métricas de avaliação como MSE (Mean Square Error) , RMSE (Root Mean square Error) e o R² (coeficiente de determinação) de nosso modelo.</p><p>Para estimar a o ajuste teremos que fitar todos os valores de X com nosso modelo. Para isso, usaremos o comando “<strong><em>MAIS QUERO MAIS</em></strong>” para iterar o vetor y_pred atribuindo às suas posições o resultado do Y modelado conforme fizemos no exemplo acima.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*p5Yl_AvifrjCV5uwEg53Cg.png" /></figure><p>Agora que temos o Y_pred (ou y_chapeu) vamos calcular os resíduos da nossa previsão e a variancia do modelo em relação a média.</p><p>Equações dos Resíduos:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/329/1*rg9ocAzoqCTCZrOjwDJS3g.png" /><figcaption>medida de variancia dos dados em relação a sua média</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/272/1*zB06hwW9oSRI48sZpLXsrA.png" /><figcaption>Somatório dos erros de previsao ao quadrado</figcaption></figure><p>Fibrando:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/590/1*EDKVumK4w3RIJtsJGfxKgg.png" /></figure><p>Agora podemos calcular o R² ou coeficiente de determinação. Isto nos dirá quantos % da variancia dos dados conseguimos explicar com esse nosso modelo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/365/1*lfDo6ITQ7nfQQO7hTSiaGg.png" /><figcaption>Equação do R²</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/256/1*jNLCHdbRzlR5uPE9u_lXIg.png" /><figcaption>fibra</figcaption></figure><p>Vamos ver o valor:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*WYnBM6ZsG711frOsCkT6zw.png" /></figure><p>Saída:</p><pre>&gt;&gt;&gt; TÁ EXPLICADO COM O R²: 0.989197 DA VARIANCIA SEM VENENO</pre><p>O que parece em conformidade com o calculo da mesma regressão no Excel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/455/1*p5tAcWXKNCpzFNPpSl_qEA.png" /><figcaption>saída da regressão no excel</figcaption></figure><p>Ou seja, essa regrinha explicaria 99% da variação… uma correlação absurdamente alta! que lindo! (O R² em regressões simples também pode ser interpretado como coeficiente de correlação)</p><p>Bora ver o quanto erramos em média por predição.</p><p>Primeiro calcularemos o Erro médio quadrático e depois iremos tirar sua raiz para ter uma métrica mais interpretável de quanto estamos errando em média por previsão.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*2QQ1zBvanhuwIXJm43UCzg.png" /><figcaption>Equação do Erro Quadrático médio</figcaption></figure><p>FIBRANDO</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/581/1*iQnT36NCY2fX2HJ8xKrJ-g.png" /><figcaption>Calculando o erro quadrático médio</figcaption></figure><p>Foi fácil. BIRL É O PODER!</p><p>Ok… vamos tirar a raiz e …</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/397/1*5tZRuKxwO9GMqPttuiR1iw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/466/0*_YUrumUQhqnLPQiI.gif" /></figure><p>… não tem raiz nem exponencial implementada em BIRL!?</p><p>NÃO ROLA 2**1/2 NEM SQRT(2) !!!?</p><p>… BORA RESOLVER….</p><p>Implementrando Raiz Quadrada… ou se preferir bora chamar a nossa função de <strong><em>Quadrado Descendente </em></strong>…</p><p>*** varios googles sobre isso ***</p><p>O algoritimo utilizado para implementar foi o <a href="https://en.wikipedia.org/wiki/Methods_of_computing_square_roots#Babylonian_method">Babylonian method</a>** (Babilônia ae nós mané, já dizia o funk…)</p><p>Em suma ele consiste nos seguintes passos :</p><p>Dado um número “N” que queremos descobrir a raiz quadrada:</p><ol><li>Comece com um valor aleatorio positivo x para o chute inicial da raiz que seja menor que N</li><li>inicialize y = 1</li><li>Enquanto não Chegar na aproximação desejada (y- x &lt; diferença aceita ) faça:<br>3.1 Utilize a média de x e y para o chute <br>3.2 iguale a ancora ao numero que se quer descobrir a raiz divido por x;</li></ol><p>É ISSO, BORA IMPLEMENTAR O MÉTODO, MONSTRO</p><p>Entrada:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/664/1*mutmn9s6JNotWlKgo75xAg.png" /><figcaption>oh o home ai po</figcaption></figure><pre>&gt;&gt;&gt; Hello, World! Porra!<br>&gt;&gt;&gt; O NUMERO É 256.000000 <br>&gt;&gt;&gt; O RESULTADO DA CONTA EH 16.000000</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/0*LkYnl9M_B2ZJvidR.gif" /></figure><p>A alegria durou pouco…quando rodei o codigo para saber o resultado de um decimal a resposta deu errada e precisei rever a lógica..Exemplo…se eu quiser saber a raiz de 0.5:</p><p>chute =&gt; 0.5<br>razao = 1.0<br>entre no ciclo -&gt;( 1.0 + 0.5) /2 =&gt; 0.75<br>chute =&gt; 0.5/0.75 = 1.5 (que é maior que o numero que quero a raiz)</p><p>… algumas cabeçadas na parede depois….</p><p>entrada:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/527/1*jMaHVxLyAiQJyRy1FSd-ug.png" /><figcaption>Agora vai…</figcaption></figure><p>saída:</p><pre>&gt;&gt;&gt; Hello, World! Porra!<br>&gt;&gt;&gt; O NUMERO É 0.300000 <br>&gt;&gt;&gt; O RESULTADO DA CONTA EH 0.547723</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/319/1*wx5-1Q-GDGzB8jKhl5Of_Q.png" /><figcaption>conferindo…</figcaption></figure><p>ok… está implementado certo…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/0*DmkA2Q_6RDZvdfXK.gif" /><figcaption>DEU NEM PARA AQUECER</figcaption></figure><p>Superada a dificuldade vamos ao R<strong>MSE:</strong></p><p><strong>FIBRANDO:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*TugL-lyrfj4TLWj3i5puEg.png" /></figure><p>Após chamarmos a Quadrado descendente o resultado impresso foi:</p><pre>&gt;&gt;&gt; MSE DA REGRA: <strong>0.499371  </strong> <br>&gt;&gt;&gt; RMSE DA REGRA: <strong>0.706662</strong></pre><p>Isto é, cerca de 707 gramas de erro para cá ou para lá. Bom o suficiente para mim.</p><h3>Mas essa Regressão ai tá significante, parceiro?</h3><p>Aqui precisamos testar a hipótese de que nossos coeficientes em nossa regressão são estatisticamente diferentes de zero, ou seja, nulos. E ta,bém se nosso modelo é de um modo geral significante.</p><p>Para Testar os Coeficientes do Modelo (Alfa e Beta) costuma-se utilizar a estatistica t-student.</p><p>O teste T julga a hipótese de que nossas variáveis no modelo tem realmente significância estatística, a ideia é ver se o parametro realmente é diferente de zero para aquela variável..</p><ol><li>Calcula-se a estatistica t-student = coeficiente-0/desvio padrão.</li><li>Escolhe-se um nível de significância para o teste (normalmente 5%)</li><li>Compara a estatística t com o valor de 5% na tabela.</li></ol><p>Regra de bolso: se for maior em módulo que o valor crítico, passou!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/767/1*1umBgU7H5s-cdPWRR0do5Q.png" /><figcaption>Calculando os desvios padrão</figcaption></figure><p>Porque nos somos ratos, iremos calcular o primeiro desvio (epsilon) apenas dividindo o somatório dos residuos quadrádos por n-2 para dar uns graus de liberdade.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*eRrnYPayNm0se9K_YOKEBw.png" /><figcaption>Instanciando variáveis e calculando as variancias</figcaption></figure><p>Vamos inspecionar os resultados e comparar com o exemplo calculado.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/542/1*DCqeeZtFAjOw48cfppOcHg.png" /></figure><p>saida:</p><pre>&gt;&gt;&gt;A variancia do residuo S²: 0.5762  s_beta : 3.153901  s_alfa : 8.631848</pre><p>Tá safe, agora vamos alcular os Desvios-padrão e por fim as estatísticas t-student.</p><p>A estatística t-student pode ser calculada para o teste de nulidade assumindo-se a distribuição normal dos parâmetros como:</p><p>T = parametro/desv_padrao</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/522/1*jb2UoqQf9KHN6Df8FD6wUg.png" /><figcaption>Se nao tivéssemos implementado o Quadrado descendente estavamos na M4@$</figcaption></figure><p>Valor crítico para t-student</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/686/1*NrqnC9ya6IOF-r4Ou7x0LQ.png" /><figcaption>tabela T-student com valores críticos</figcaption></figure><p>Então na prática se nossos coeficientes tiverem estatisticas em módulo maiores que o valor crítico 2.160, asseguramos com um nível de significancia de 5% que não cagamos a regra nas Variáveis.</p><p>Escrevendo um condional, só pela alegria de usar a sintaxe vamos testar nossos coeficientes:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/593/1*2c8xKrIk5pA1GF06SANn8Q.png" /><figcaption>ELE QUE A GENTE QUER ?</figcaption></figure><p>Saída:</p><pre>&gt;&gt;&gt; A estatistica t para o coeficiente angular Beta c/ n-2 GL é: 34.501569    </pre><pre>&gt;&gt;&gt; A HIPOTESE DE NULIDADE DE BETA FOI REJEITADA! PASSAMO!   </pre><pre>&gt;&gt;&gt; A estatistica t para o intercepto c/ n-2 GL é: -13.295379    </pre><pre>&gt;&gt;&gt; A HIPOTESE DE NULIDADE DE ALFA FOI REJEITADA! PASSO</pre><p>Beleza, então nossos “pesos”, “coeficientes” , “parâmetros” utilizados no modelo que fitamos não estão aleatória causando ruído para explicar os resultados das previsões…</p><p>Existe ainda, dentro da Anova (analise de variancia) um teste para investigarmos se o modelo como um todo é ou não é estatisticamente significante. Conhecido com F-teste</p><p>Para não perder muito o aspecto prático calculamos o f-value e comparamos com os valores críticos para a tabela de 5% de significância encontrada no site: <a href="https://www.statisticshowto.com/tables/f-table/#f05">https://www.statisticshowto.com/tables/f-table/#f05</a></p><p>Nossa estatistica F :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/491/1*U1FDIrgNMwSXnSHhEgKWdQ.png" /></figure><p>saída:</p><pre>&gt;&gt;&gt; F 1190.360795</pre><p>Se testarmos a Regressão contra os resíduos com 13 graus de liberdade (n-2)</p><p>O valor na tabela para parametro de 5% de significancia:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/517/1*b-RPPEB7lBW9KKczONkPRA.png" /><figcaption>Tabela F</figcaption></figure><p>é isso… ta valendo Braço!</p><h4>CONSIDERACOES FINAIS</h4><p>O problema foi resolvido. Modelamos até o fim em BIRL e claro que poderia ser melhor. O próprio exemplo diz que o correto seria utilizar uma regressão quadrática, mas isto implicaria em implementar multiplicação de matrizes e outras operações mais custosas em BIRL sem auxílio sequer das bibliotecas de matématica existentes para o C. Imagina se brota um logaritimo? ferrou! Então fiquei satisfeito.</p><p>A… joga lá o código no site do BIRL e vê ele funcionando! bjs CUMPADE..!</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/ee1239b5abced53d71a04ccfd15a3a3b/href">https://medium.com/media/ee1239b5abced53d71a04ccfd15a3a3b/href</a></iframe><h3>Referências:</h3><ul><li><a href="https://birl-language.github.io/">BIRL - Bambam&#39;s &#39;It&#39;s show time&#39; Recursive Language</a></li><li><a href="https://en.wikipedia.org/wiki/Simple_linear_regression">Simple linear regression - Wikipedia</a></li><li><a href="https://en.wikipedia.org/wiki/Coefficient_of_determination">Coefficient of determination - Wikipedia</a></li></ul><p><a href="https://www.statisticshowto.com/tables/f-table/#f05">https://www.statisticshowto.com/tables/f-table/#f05</a></p><h3>MEUS CONTATOS</h3><p>Curtiu? Conecta comigo lá no <a href="https://www.linkedin.com/in/mateus-magnus-paape-1a96797b/">Linkedin</a> .</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b6316f9c1e57" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Por que sofremos?]]></title>
            <link>https://medium.com/@mateusmagnuspaape/por-que-sofremos-47c4e486ac5c?source=rss-e1e7fcd6b28e------2</link>
            <guid isPermaLink="false">https://medium.com/p/47c4e486ac5c</guid>
            <category><![CDATA[sofrimento]]></category>
            <category><![CDATA[pensamento]]></category>
            <category><![CDATA[filosofia]]></category>
            <category><![CDATA[rousseau]]></category>
            <category><![CDATA[dor]]></category>
            <dc:creator><![CDATA[Mateus Magnus Paape]]></dc:creator>
            <pubDate>Wed, 12 Dec 2018 20:46:00 GMT</pubDate>
            <atom:updated>2022-09-08T22:13:38.798Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*giIiE4ltgWFo-ypBxmf-DQ.jpeg" /><figcaption>imagem: Google</figcaption></figure><p>Afinal, por que sofremos? Seria esse o funesto custo de se ter paixões e sonhos?</p><p>Há um tempo atrás li o discurso de Jean Jacques Rousseau, filósofo proeminente do século das luzes, que em seu discurso: “A origem da Desigualdade entre os homens”, onde o pensador investigava a diferenças do homem no estado “natural”, selvagem, desprovido das paixões e iluminação presentes no homem contemporâneo.Curiosamente, Rousseau depois aponta que essa iluminação, capacidade de desejar além dos motivos instintivos e perenes do presente é a maior responsável por nosso sofrimento.</p><p>Nas palavras de Rousseau:</p><p>“triste de nós se fossemos forçados a convir que essa faculdade distintiva e quase ilimitada é a fonte de todas as desgraças do homem” (ROUSSEAU, 1745).</p><p>O sofrimento é fruto de nosso esclarecimento, não faz sentido a tristeza, ou o desapego à vida quando se trata do homem natural, seu instinto é da própria preservação, sendo assim: sem depressão, sofrimento e frustrações.</p><p>O Budismo prega em muitos dos seus escritos tradicionais que a iluminação tem a ver com a observação completa do momento presente, a percepção do ser. Alguns dos escritos mais utilizados nas doutrinas dos antigos mestres são vagos, com ações súbitas que auferem muito mais que palavras, como se o ensinamento só pudesse ser realmente apossado por uma mente iluminada. Existem caminhos, tradições, verdades e princípios no budismo para se alcançar a verdade, entenda-se iluminação, e muitas histórias de pessoas que a encontraram parcialmente ou inteiramente, na solidão das florestas e até em xícaras de chá.</p><p>Buda quando questionado por seus discípulos sobre o que é iluminação responde: “é o não sofrimento”. Não pretendo abusar muito da filosofia Budista para essa questão, por mais exaustivamente completa ela seja em tal matéria, não possuo propriedade para representar a sabedoria de seus praticantes.</p><p>Qual a origem do sofrimento? Somos nós? A nossa interpretação da realidade? Tem a ver com fé? Seria o sofrimento prova de amor, modo de valorizar pessoas, conquistas, pode ele absolver os pecados?</p><p>Existe uma história na Bíblia cristã, o livro de Jó, O Fiel servo temente à Deus, rico, íntegro e cujo caminho, de acordo com a bíblia, se desviava do mal. Tão logo, tudo lhe foi retirado para provar sua fé, o diabo na história apostava que Jó blasfemaria, e por hora, Deus permitiu que seu servo fosse testado e então lhes são retiradas as vestes, posses, filhos, terras e até mesmo a esperança.</p><p>Num determinado momento após tanto sofrimento que perduraram uns 40 capítulos de dor e agonia, Deus restitui em dobro todas as posses de Jó. Entre as posses, e o dobro das posses, ficou o sofrimento…A moral desta história para os cristão é de que o sofrimento é permitido, um desígnio divino, prova de fé e é até recompensado, uma história reconfortante com final feliz, apesar de toda a provação.</p><p>Coincidentemente, apesar de toda a analogia barata feita por treinadores, <em>coachs</em> e <em>personais trainers</em> à respeito de guerreiros serem esculpidos no fogo e etc, a palavra ferro pode ser escrita como um rearranjo das letras da palavra (s)ofrer.</p><p>A analogia do fogo (sofrimento) e o ferro é perfeitamente viável, embora bem desgastada. As espadas japonesas tradicionais utilizadas pelos samurais conhecidas como Katanas, são feitas a partir de uma barra de metal que é martelada e aquecida diversas vezes nas chamas acima de 700° graus Celsius. Contudo, o processo precisa ser minuciosamente equilibrado para a lamina alcançar a elasticidade almejada com a deformação da liga metálica e sua flexibilidade para evitar que a espada se quebre com facilidade, para se tornar a extensão do corpo do Samurai, não um objeto para matar, mas sim para o Samurai cortar as impurezas da mente.</p><p>A máxima: “A dor é inevitável, mas o sofrimento é opcional” combinada com a ideia de que nada é estático, tudo é impermanente, dirão os budistas, Heráclito de Éfeso falará que ninguém mergulha duas vezes no mesmo Rio, sob o argumento de as águas e o ser se modificarem.</p><p>Sofrer é se agarrar a dor? É processo passivo ou ativo?</p><p>“Há dois tipos de dor: a dor que te torna mais forte e a dor inútil, a que se reduz a sofrimento, não tenho paciência pra inutilidades.” — Frank Underwood, House of Cards.</p><p>Por Mateus Magnus Paape</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=47c4e486ac5c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>