Revisão Integrada — O Fio Probabilístico das Aulas 1–4

Aula 5 — Distribuição, Verossimilhança e Risco: o que as Quatro Primeiras Aulas Tinham em Comum

Marcos M. Raimundo — Instituto de Computação, UNICAMP

2026-08-31

Abertura — Amarrando os Quatro Fios

Da Aula 4 para Hoje

A Aula 4 prometeu: a próxima aula seria regressão linear, mínimos quadrados como MLE gaussiana.

Antes disso — uma pausa. Beta+limiar, Naive Bayes, árvores, CV/Bootstrap parecem quatro assuntos distintos.

Não são. Todos usam a mesma estrutura de três peças, anunciada desde o slide 1 do curso: distribuição → verossimilhança → decisão fundamentada em risco.

Roteiro — Cinco Perguntas

1. O que as quatro aulas tinham em comum, por trás da fachada de “algoritmos diferentes”?

2. Como “qual é o formato dos dados?” aparece disfarçada em Beta, Naive Bayes e árvore?

3. Por que “maximizar verossimilhança” \(=\) “minimizar impureza/erro”?

4. Por que nunca observamos o risco de verdade, só o estimamos?

5. Que peça falta, e é isso que a Aula 6 resolve?

O Fio Condutor de Hoje

Pima Indians Diabetes: 768 pacientes, 8 atributos clínicos, alvo binário (diabético/não).
Nenhuma aula anterior usou exatamente este dataset — Aula 1: Beta sintética; Aulas 2 e 4: Breast Cancer Wisconsin; Aula 3: California Housing.

Hoje: o mesmo par (Glicose, IMC) atravessa as quatro lentes, uma de cada vez — para deixar visível o que muda entre elas, e o que não muda.

N após limpeza: 752  (diabéticos: 264, não-diabéticos: 488, prevalência: 35.1%)

O Dado, Limpo

Removidos códigos de ausência (Glucose==0, BMI==0).
Restam 752 pacientes: 264 diabéticos, 488 não-diabéticos.
Prevalência real: 35,1% — guardar esse número para o Bloco 1.

Bloco 1 — Distribuição e Decisão (revisão da Aula 1)

Aula 1, em síntese: duas populações sintéticas, \(\text{Beta}(2,5)\) vs. \(\text{Beta}(6,3)\), prioris \(95\%/5\%\).

Resposta intuitiva da turma — corte no cruzamento das condicionais — estava errada.

Corte correto: cruzamento das conjuntas \(p(x\mid\mathcal{C}_k)\pi_k\). Mesma lição na triagem médica: sensibilidade \(90\%\) + prevalência \(1\%\) \(\Rightarrow\) só \(23\%\) de chance de doença.

Hoje: mesma máquina, dado real — Glicose do Pima, por diabético/não-diabético.

Beta ajustada | não-diabético: a=3.49, b=4.50   |   diabético: a=3.18, b=1.78
priori real: pi(não-diabético)=0.649, pi(diabético)=0.351

O Ajuste, sobre Dado Real

\(\text{Beta}(3{,}49,\,4{,}50)\) — não-diabético; \(\text{Beta}(3{,}18,\,1{,}78)\) — diabético.
Ajuste por scipy.stats.beta.fit — mesmo MLE da Aula 1 (sem forma fechada; estatísticas suficientes \(\sum\ln x_n,\ \sum\ln(1-x_n)\), não a média).

Priori real: \(\pi(\text{não-diab.})\approx 0{,}649\), \(\pi(\text{diab.})\approx 0{,}351\) — assimétrica, mas bem menos extrema que os \(95\%/5\%\) sintéticos da Aula 1.

t_cond = 134.2 mg/dL -> 81 alarmes falsos + 116 escapes = 197 erros
t_conj = 148.3 mg/dL -> 37 alarmes falsos + 157 escapes = 194 erros

O Corte se Desloca — Mas Pouco

\(t_{\text{cond}} = 134{,}2\) mg/dL \(\to\) \(81\) alarmes falsos \(+\) \(116\) escapes \(=\) 197 erros.

\(t_{\text{conj}} = 148{,}3\) mg/dL \(\to\) \(37\) alarmes falsos \(+\) \(157\) escapes \(=\) 194 erros.

Mesmo princípio da Aula 1 (\(x\in\mathcal{R}_A \iff p(x,\mathcal{C}_A)>p(x,\mathcal{C}_B)\)) — mas com prioris \(65/35\) (não \(95/5\)), o ganho é modesto, não uma virada dramática. Diferença de magnitude, não de mecanismo.

Se a prevalência de diabetes nesta população fosse exatamente \(50\%\), o que aconteceria com a distância entre o cruzamento das condicionais e o cruzamento das conjuntas?

Dica: pense no papel exato que \(\pi_k\) desempenha na equação \(p(x,\mathcal{C}_k) = p(x\mid\mathcal{C}_k)\,\pi_k\) quando \(\pi_A=\pi_B\).

Prioris, Cruzamentos e o Caso Real

□ Se a prevalência real fosse exatamente \(50\%/50\%\), o cruzamento das condicionais e o cruzamento das conjuntas coincidiriam exatamente, e a distinção entre os dois deixaria de ter qualquer efeito prático.
□ Como a razão de prioris hoje (\(65/35 \approx 1{,}86\)) é muito menor que a da Aula 1 (\(95/5 = 19\)), o deslocamento do corte hoje é necessariamente menor em termos absolutos de mg/dL, mas o argumento matemático que o produz é o mesmo.
□ Num exame de triagem para uma doença ainda mais rara que a prevalência de \(1\%\) usada no exemplo da DLFC — digamos, \(0{,}01\%\) — o efeito “sensibilidade alta não implica probabilidade pós-teste alta” ficaria ainda mais pronunciado, não menos.
□ Já que o corte pela conjunta reduziu o número total de erros (\(197 \to 194\)), ele necessariamente reduziu tanto o número de alarmes falsos quanto o número de escapes, individualmente.

Prioris, Cruzamentos e o Caso Real — Resposta

Dica

✔ Com \(\pi_A=\pi_B\), a ponderação \(p(x\mid\mathcal{C}_k)\,\pi_k\) vira só um fator comum \(\pi \cdot p(x\mid\mathcal{C}_k)\), e comparar conjuntas volta a ser exatamente comparar condicionais — os dois cruzamentos coincidem.
✔ A magnitude do deslocamento (em mg/dL, ou em erros totais evitados) depende da razão de prioris; o mecanismo — ponderar cada densidade pela frequência da sua classe — é idêntico em qualquer razão.
✔ Prevalência ainda menor \(\Rightarrow\) priori \(p(D)\) ainda menor no denominador de Bayes \(\Rightarrow\) a probabilidade pós-teste cai ainda mais em relação à sensibilidade nominal, exatamente na mesma direção do exemplo dos \(23\%\).
✗ O corte pela conjunta trocou uma coisa pela outra: caiu o número de alarmes falsos (\(81\to37\)) mas subiu o número de escapes (\(116\to157\)); só o total caiu. Reduzir o total nunca garante reduzir as duas parcelas.

Voltando à pergunta: com prioris iguais, os dois cruzamentos colapsam num só — é a assimetria de classes, e só ela, que os separa.

Se a Prevalência Fosse 50%? — Retomando

Dica

(Agora responda: o que sobra da distinção condicional/conjunta quando as duas classes são igualmente frequentes?)

Bloco 2 — Independência e Teoria da Decisão (revisão da Aula 2)

Aula 2, em síntese: de \(1\) variável para \(d\); de um limiar para teoria da decisão completa (\(\rho(a\mid x) = \sum_k L(k,a)\,p(\mathcal{C}_k\mid x)\)).

Ponte: Naive Bayes \(\Rightarrow\) \(p(\mathbf{x}\mid\mathcal{C}_k) = \prod_i p(x_i\mid\mathcal{C}_k)\) — independência condicional assumida.

No Breast Cancer Wisconsin: correlação intra-classe \(0{,}64\)/\(0{,}22\) \(\Rightarrow\) preço de \(2\) pontos percentuais (\(85\%\) vs. \(87\%\)).

Hoje: acrescentar IMC à Glicose no Pima, repetir a mesma comparação.

correlação Glicose x IMC | não-diabético: 0.123   |   diabético: 0.057
acurácia cov. plena: 0.7646   |   acurácia Naive Bayes (diagonal): 0.7646

O Preço é dos Dados, Não do Método

Correlação Glicose \(\times\) IMC: \(0{,}123\) (não-diab.) e \(0{,}057\) (diab.) — bem mais baixa que os \(0{,}64/0{,}22\) do Breast Cancer Wisconsin.

Acurácias: covariância plena \(=\) diagonal (Naive Bayes) \(=\) \(76{,}46\%\), idênticas até a 4ª casa decimal.

“Classifica bem, estima mal” (Domingos & Pazzani, 1997) — no Breast Cancer o preço foi \(2\) pontos; aqui foi zero. O preço da independência é do dado, não do método.

Teoria da decisão (Aula 2): custo de escape \(>\) custo de alarme falso em triagem \(\Rightarrow\) limiar ótimo \(\ne 0{,}5\), via \(\rho(a\mid x)=\sum_k L(k,a)\,p(\mathcal{C}_k\mid x)\).

Se Glicose e IMC fossem perfeitamente correlacionados dentro de cada classe (\(\rho=1\)), a Gaussiana de covariância plena e o Naive Bayes ainda coincidiriam?

Dica: pense no que a covariância diagonal literalmente descarta, e no que sobra quando ela descarta tudo que existe para descartar.

Naive Bayes: Quando a Independência Custa Caro

□ Se Glicose e IMC fossem perfeitamente correlacionados (\(\rho=1\)) dentro de cada classe, a Gaussiana diagonal (Naive Bayes) descartaria uma informação real e relevante, ao contrário do caso desta aula onde \(\rho\approx0\).
□ Num problema com \(100\) atributos em que apenas dois são fortemente correlacionados entre si e os outros \(98\) são praticamente independentes uns dos outros, o Naive Bayes pagaria um preço de acurácia comparável ao preço pago quando todos os \(100\) atributos são fortemente correlacionados entre si.
□ Num sistema de recomendação que assume, para simplificar, que o interesse de um usuário por “filmes de ação” e por “filmes com efeitos especiais” são condicionalmente independentes dado o gênero preferido do usuário, o mesmo tipo de preço de correlação ignorada se aplica, mesmo fora do domínio médico desta aula.
□ Como a suposição de independência do Naive Bayes é sempre uma simplificação da realidade, conclui-se que ela sempre reduz a acurácia do classificador em relação a um modelo de covariância plena, ainda que por uma margem pequena.

Naive Bayes: Quando a Independência Custa Caro — Resposta

Dica

✔ Com \(\rho=1\), a covariância diagonal ignora toda a estrutura de dependência real que existe entre as duas variáveis — o preço da suposição de independência seria máximo, não nulo como no caso de hoje.
✗ O preço de correlação ignorada concentra-se nos atributos correlacionados; ter \(98\) atributos independentes ao lado dos \(2\) correlacionados não piora o preço pago por ignorar a correlação desses dois — é aproximadamente o mesmo problema em miniatura, não amplificado por atributos irrelevantes ao efeito.
✔ Mesma estrutura (independência condicional assumida entre atributos, dado uma variável latente), fora do domínio médico — a mecânica de “classifica razoavelmente, estima mal a conjunta” se transfere.
✗ O caso desta aula (Glicose/IMC) é uma contraprova direta: correlação quase nula \(\Rightarrow\) preço de acurácia zero, não “pequeno mas sempre presente”. O preço pode ser genuinamente nulo, não apenas pequeno.

Voltando à pergunta: com \(\rho=1\), a covariância diagonal jogaria fora exatamente a informação que faz a diferença — as duas abordagens deixariam de coincidir.

Correlação Perfeita? — Retomando

Dica

(Agora responda: com \(\rho=1\), o que exatamente a covariância diagonal descarta?)

Bloco 3 — Partição Gulosa e Verossimilhança Categórica (revisão da Aula 3)

Aula 3, em síntese: sem família paramétrica — o dado escolhe a partição, greedy, split por split.

Tese central: reduzir impureza \(=\) maximizar verossimilhança. Para folha categórica, \(\hat p_{\tau k} = n_{\tau k}/N_\tau\) maximiza \(\ell_\tau(\hat p_\tau) = -N_\tau H(\hat p_\tau)\).

Árvore do California Housing (regressão, \(5\) folhas) tornou isso concreto.

Hoje: árvore pequena de classificação (não regressão) sobre Glicose+IMC — conexão entropia/Gini/MLE ainda mais direta.

|--- Glicose <= 123.50
|   |--- class: 0
|--- Glicose >  123.50
|   |--- Glicose <= 154.50
|   |   |--- IMC <= 41.65
|   |   |   |--- class: 0
|   |   |--- IMC >  41.65
|   |   |   |--- class: 1
|   |--- Glicose >  154.50
|   |   |--- class: 1

N treino=526, N teste=226
acurácia treino=0.7738, acurácia teste=0.7522

A Árvore, Split por Split

\(4\) folhas: acurácia treino \(77{,}4\%\), teste \(75{,}2\%\) — guardar para o Bloco 4.
Folha A (Glicose \(\le 123{,}5\)): \(n=302\), \(\hat p(\text{diab.})=17{,}2\%\).
Folha D (Glicose \(>154{,}5\)): \(n=93\), \(\hat p=78{,}5\%\).
Faixa intermediária dividida pelo IMC: folha B (\(\hat p=39{,}7\%\)) vs. folha C (\(\hat p=93{,}3\%\), mas \(n=15\) — cautela com folhas pequenas).

Raiz: H=0.648 nats, Gini=0.456, erro bruto=0.352
Após split: H=0.551 nats (IG=0.097), Gini=0.369 (ganho=0.087), erro bruto=0.272

Impureza Cai — Nas Três Medidas

\(H\): \(0{,}648 \to 0{,}551\) nats (\(IG=0{,}097 = I(S;\mathcal{C})\), notação da Aula 3).

Gini: \(0{,}456 \to 0{,}369\) (ganho \(0{,}087\)). Erro bruto: \(35{,}2\% \to 27{,}2\%\).

Aqui as três métricas concordam — diferente do contraexemplo da Aula 3 (\(IG=0{,}216\) vs. \(0{,}131\) nats com erro bruto empatado em \(0{,}25\)).

Contraste geométrico com o Bloco 2: árvore \(=\) fronteira axis-aligned; elipses Gaussianas podem inclinar livremente — a limitação estrutural que a Aula 3 nomeou ao final.

Um médico usa a regra manual “Glicose acima de 140 mg/dL \(\Rightarrow\) suspeita de diabetes” — isso é, estruturalmente, uma árvore de decisão? Se for, por que a árvore do algoritmo é “melhor” (ou não é)?

Dica: pense no que faz algo ser uma árvore de decisão — é o algoritmo de ajuste, ou a forma da regra final?

Árvore, Impureza e a Regra do Médico

□ A regra manual do médico (“Glicose \(>140 \Rightarrow\) suspeita”) é estruturalmente uma árvore de decisão degenerada, com uma única folha de decisão e nenhum critério de impureza envolvido na sua escolha.
□ Se um split greedy reduzisse a impureza de uma folha, mas o split seguinte (dentro da mesma sub-árvore) só fosse vantajoso se combinado com um terceiro split ainda não considerado, o algoritmo guloso da Aula 3 identificaria essa combinação de qualquer forma, porque avalia globalmente todos os splits futuros antes de escolher o atual.
□ Num sistema de recomendação de crédito que decide “aprovar automaticamente” só quando o escore de crédito supera um limiar único, a mesma lógica de “regra de um único corte” do médico se aplica, com a mesma limitação de não capturar interações entre atributos.
□ Como o algoritmo guloso da árvore encontrou um split com \(IG\) positivo na raiz, conclui-se que esse split individual é necessariamente parte da árvore de profundidade ilimitada (sem limite de folhas) que minimizaria globalmente a impureza total.

Árvore, Impureza e a Regra do Médico — Resposta

Dica

✔ Uma regra de corte único é o caso degenerado de uma árvore com uma folha de decisão — só que ajustada “à mão”, sem otimizar impureza sobre dados, e sem nenhuma folha alternativa.
✗ É exatamente a miopia gulosa que a Aula 3 apontou como limitação: o algoritmo escolhe o melhor split imediato, sem simular combinações futuras — pode perder uma combinação de splits que só compensa em conjunto.
✔ Mesma limitação estrutural (corte único, sem interação entre atributos), transferida para outro domínio — crédito em vez de diagnóstico.
✗ Um split com \(IG>0\) na raiz é ótimo localmente, não necessariamente parte da árvore globalmente ótima — a busca gulosa não garante otimalidade global, mesma advertência da Aula 3.

Voltando à pergunta: sim, é uma árvore degenerada — mas sem o processo de ajuste por impureza que dá à árvore do algoritmo a chance de encontrar um corte melhor do que um número “redondo” escolhido a olho.

A Regra do Médico — Retomando

Dica

(Agora responda: o que a árvore do algoritmo tem que a regra manual do médico não tem?)

Bloco 4 — Estimando o Risco que Nunca Observamos (revisão da Aula 4)

Aula 4, em síntese: \(\hat R(\theta)\) enviesado para baixo; Breast Cancer: treino \(100\%\) na profundidade \(6\), teste no pico em \(92{,}98\%\) (profundidade \(5\)).

CV \(=\) simulação de amostragem repetida de \(P(X,Y)\). Honestidade: LOOCV (\(89{,}4\%\)) abaixo de \(5\)-/\(10\)-fold (\(\sim92\)–\(93\%\)) nessa amostra específica.

CV escolheu árvore de \(4\) folhas empatando com \(19\) folhas em \(91{,}8\%\); regra de \(1\) desvio-padrão \(\to\) \(2\) folhas, custo real de \(1{,}7\) p.p. (\(90{,}1\%\)).

Bootstrap \(\ne\) CV: pergunta diferente. IC\(_{95\%}\): \([87{,}7\%,95{,}9\%]\) (teste) e \([88{,}9\%,93{,}6\%]\) (treino reajustado).

Hoje: o mesmo arsenal, sobre a árvore de \(4\) folhas do Bloco 3.

CV 5-fold: [0.755 0.714 0.695 0.695 0.705]  média=0.7128  dp=0.0221
split único (teste): 0.7522
Bootstrap (reamostra teste): média=0.7522  IC95=[0.6903,0.8097]
Bootstrap (reamostra+reajusta treino): média=0.7433  IC95=[0.6924,0.7788]

Um Único Número Nunca Basta

CV \(5\)-fold: \(71{,}3\%\pm2{,}2\%\) (formato obrigatório da Aula 4: média \(\pm\) desvio).

Split único de teste: \(75{,}2\%\) — perto do topo da faixa dos \(5\) folds (\(69{,}5\%\)–\(75{,}5\%\)). Não é “CV errada”: é um sorteio favorável de uma distribuição.

Bootstrap teste (modelo fixo): incerteza de medição — IC\(_{95\%}=[69{,}0\%,81{,}0\%]\).

Bootstrap treino+reajuste: incerteza do procedimento — IC\(_{95\%}=[69{,}2\%,77{,}9\%]\). Perguntas relacionadas, não idênticas.

A média de CV (\(71{,}3\%\)) ficou abaixo da acurácia do nosso split único de teste (\(75{,}2\%\)). Isso significa que o split de teste foi “escolhido a dedo” ou está errado de algum jeito?

Dica: pense na CV como cinco sorteios de uma distribuição, e o split de teste como um sexto sorteio independente da mesma distribuição.

CV, Split Único e o que “Discrepância” Significa

□ Se a acurácia do split único estivesse dentro da faixa observada nos cinco folds de CV, isso por si só já seria evidência de que o split de teste não foi selecionado de forma tendenciosa.
□ No limite em que o conjunto de teste tivesse infinitos pontos, a acurácia medida nele convergiria para o risco esperado verdadeiro \(R(\theta)\), e a distância entre essa acurácia e a média de CV desapareceria.
□ Numa pesquisa eleitoral por amostragem, duas pesquisas com metodologias igualmente corretas podem legitimamente divergir por alguns pontos percentuais só por acaso de amostragem — a mesma lógica estatística que explica a diferença entre CV e o split único desta aula.
□ Como a CV usa \(5\) vezes mais “medições” do que um único split de teste, a média de CV é sempre mais próxima do risco esperado verdadeiro do que qualquer split único poderia ser, em qualquer amostra particular.

CV, Split Único e o que “Discrepância” Significa — Resposta

Dica

✔ Estar dentro da faixa observada é compatível com “não foi escolhido a dedo” — é a assinatura de um sorteio comum, não incomum, da mesma distribuição de acurácias.
✔ Com teste infinito, a variância amostral do estimador de teste vai a zero, e ele converge para \(R(\theta)\) — a mesma lógica de “mais dados, menos ruído” que explica o desvio-padrão da CV encolher com \(N\) maior.
✔ Mesma mecânica estatística (ruído de amostragem finita produzindo divergência legítima entre estimativas igualmente válidas), fora do domínio de aprendizado de máquina.
✗ “Mais medições” reduz a variância da média de CV em relação a uma única medição, mas não torna a média de CV automaticamente mais próxima do risco verdadeiro nesta amostra particular — em qualquer sorteio específico, o número com menos ruído teórico ainda pode, por acaso, estar mais distante da verdade do que um número mais ruidoso.

Voltando à pergunta: não, a discrepância é o comportamento esperado de dois sorteios independentes da mesma distribuição de acurácias — nenhum dos dois precisa estar “errado”.

CV Abaixo do Split Único? — Retomando

Dica

(Agora responda: o split de teste foi “escolhido a dedo”, ou é só ruído de amostragem?)

Bloco 5 — Síntese: As Quatro Peças, Uma Estrutura

O Mapa Completo

	Distribuição	Verossimilhança	Decisão/Risco
Aula 1	Beta por classe	log-momentos (sem forma fechada)	cruzamento das conjuntas
Aula 2	Gaussiana (\(\Sigma\) diag./plena)	\(\prod_i p(x_i\mid\mathcal{C}_k)\)	risco posterior \(\rho(a\mid x)\)
Aula 3	categórica por folha	MLE \(=-N_\tau H(\hat p_\tau)\)	partição greedy por IG
Aula 4	amostra i.i.d. de \(P(X,Y)\)	\(\hat R(\theta)\) por fold/réplica	\(R(\theta)\) estimado, não observado

A coluna do meio se disfarça: “minimizar entropia” e “minimizar soma de quadrados” são maximizar verossimilhança.

Cuidado de notação: \(k\) \(=\) índice de classe (Aulas 1–3) \(\ne\) \(k\) \(=\) número de folds (Aula 4). \(\lambda\)/custo \(=\) multiplicador de custo assimétrico (Aula 2) \(\ne\) penalidade de custo-complexidade (Aulas 3–4). Colisão de símbolos, não erro — mas vale nomear.

A Aula 6 vai construir regressão linear com sua própria distribuição, verossimilhança e decisão. Isso significa que regressão linear “é a mesma coisa” que uma árvore de decisão, só escrita com notação diferente?

Dica: pense na diferença entre “usar os mesmos ingredientes” e “fazer o mesmo prato”.

Mesma Estrutura, Técnicas Diferentes

□ Se dois algoritmos compartilham a mesma estrutura de três peças (distribuição, verossimilhança, decisão), isso implica que eles vão sempre produzir a mesma fronteira de decisão sobre o mesmo dado.
□ No limite em que a distribuição assumida por um modelo está completamente errada (por exemplo, assumir Beta quando os dados são multimodais e não têm nada a ver com Beta), a etapa de verossimilhança ainda maximiza alguma coisa, mas o resultado da etapa de decisão pode ser sistematicamente ruim, mesmo com a maximização executada “corretamente”.
□ Um estudante que aprende primeiro a estrutura de três peças desta aula, antes de ver o algoritmo específico de regressão linear na Aula 6, deveria ser capaz de prever que existirá algo desempenhando o papel de “distribuição assumida” ali também — mesmo sem ainda saber qual é.
□ Como as quatro aulas revisadas hoje compartilham a mesma estrutura de três peças, conclui-se que a escolha de qual distribuição assumir (Beta, Gaussiana, categórica, i.i.d. de \(P(X,Y)\)) é um detalhe secundário que pouco afeta o resultado final de cada técnica.

Mesma Estrutura, Técnicas Diferentes — Resposta

Dica

✗ Compartilhar a estrutura (três peças) não implica compartilhar a distribuição assumida, a forma da verossimilhança, ou a regra de decisão específica — os “ingredientes” são análogos, o “prato” final é diferente em cada aula.
✔ É exatamente o erro de “qual das três peças está errada?” citado desde o slide 1 do curso: a maximização pode estar tecnicamente correta e o resultado ainda ser ruim, porque a peça errada foi a suposição distributiva, não o processo de ajuste.
✔ Reconhecer a estrutura antes do conteúdo específico é a competência que esta aula pretende deixar — antecipar “vai existir uma peça assim” é, precisamente, o que significa ter entendido o padrão, não só as quatro instâncias dele.
✗ A escolha da distribuição assumida é, ao contrário, a peça que a Aula 1 chamou de “quase sempre a que está errada” quando um modelo falha — ela é central, não secundária, para o resultado final.

Voltando à pergunta: mesmos ingredientes (distribuição, verossimilhança, decisão), pratos diferentes — reconhecer a receita não elimina a diferença entre os pratos.

Mesma Estrutura? — Retomando

Dica

(Agora responda: compartilhar a estrutura torna as quatro técnicas intercambiáveis?)

Fechamento

O que Aprendemos Hoje

Mesma estrutura de três peças em toda aula: distribuição \(\to\) verossimilhança \(\to\) decisão/risco.
“Qual é o formato dos dados?” reaparece como parâmetros de Beta, fatoração de independência, ou proporção categórica.
Maximizar verossimilhança \(=\) minimizar impureza — identidade algébrica, não analogia (\(-N_\tau H(\hat p_\tau)\)).
\(R(\theta)\) nunca é observado; CV simula amostragem repetida, Bootstrap quantifica a incerteza remanescente.

Próxima aula: Regressão Linear — mínimos quadrados como máxima verossimilhança sob ruído gaussiano, o mesmo princípio agora sobre um modelo paramétrico contínuo.