Aula 3 Flashcards
O que é modelagem?
Processo de criação de um modelo (construído na linguagem matemática e computacional) que representa um fenômeno ou processo biológico. Além disso na modelagem tentamos inferir predições e possíveis observações do modelo. Um modelo deve ter a habilidade de nos mostrar novas observações que n conseguiriam ser observadas de outra forma. Podemos fazer predições e extrapolações.
Quais as características importantes para modelagem?
Deve ser simplificado, conter as informações essenciais sobre o processo, foco nos aspectos primários de interesse e numa representação que contenha todas as propriedades importantes do processo. Deve ter um propósito definido, para que tenham as respostas certas para as perguntas certas. Requer expertise técnica e criatividade. A maioria dos modelos usa tanto o lado computacional quanto matemático.
Quais as fases da modelagem?
- Objetivos, informações disponíveis, e exploração inicial. 2. Seleção do modelo 3. Desenho do modelo 4. Análise e diagnose do modelo. 5. Uso e aplicação dele.
Como se caracteriza a fase 1?
Definir o propósito do modelo e pesquisar e entender as informações que vão ser colocadas nele.
Escalabilidade:
É necessário que os modelos possuam escalas apropriadas tanto para tempo quanto espaço e nível organizacional. A força de um modelo se dá na sua habilidade de explicar um fenômeno de um nivel por outro de um nível menor. Um modelo pode usar de 2 a 3 niveis de organização enquanto outros podem pular niveis. A escala é determinada pelas informações disponíveis e pelas perguntas que são feitas.
Disponibilidade de dados:
Não só dados quantitativos são importantes para o processo de modelagem, mas também dados qualitativos ou semi quantitativos.
O que é o over-fitting?
Tentar encaixar em um mesmo modelo diversas variáveis e parâmetros específicos, levando à restrição de escalabilidade. Modelo que é muito específico, serve apenas para uma situação ou condição específica. Além disso, o modelo tem poucos dados experimentais para suportar sua condição.
Variabilidade nos dados:
Leva a uma limitação quanto às predições sobre o processo estudado, que acabam sendo não confiáveis.
Por que é melhor modelar com dados ruins do que muito bons?
Os dados ruins nos fornecem muito mais amplitude para resolução do problema e permite a utilização de um modelo inferior. Hipóteses refutadas são tão ou mais valiosas quanto as confirmadas.
Como é o processo de insight de um modelo?
Primeiro, surgem diversas questões sobre o processo que se deseja estudar. Para delimitar essas questões é necessário colocar limitações do que é o foco do seu estudo (automaticamente excluir certos aspectos do processo). Então as questões são refeitas, para focar apenas nos aspectos essenciais ao propósito do seu modelo.
O que são modelos correlativos?
Correlaciona de forma simples e direta uma quantidade a outra. Um exemplo é a regressão linear e não linear. Tipo de modelo menos complexo, mas que quando a predição é errada o modelo não consegue explicar o por quê. Não explica a causalidade do problema, apenas relaciona parâmetros. O modelo posteriormente deve ser validado por experimentação, pois ele por si só não é explicação do processo ou problema.
O que são modelos explanatórios?
Relaciona observações ou resultados de um experimento com os processos biológicos e mecanismos que levaram esse processo a ser estudado. Tipo de modelo mais complexo. Permite compor um modelo conceitual ou matemático na forma de cadeias de causa e efeito. Requer mais inputs e suposições.
O que são modelos dinâmicos?
O modelo dinâmico permite a quantificação das mudanças no modelo ao longo do tempo. Considera de forma mais específica o problema e suas variáveis ao longo do tempo. Podem ser discretos ou contínuos. Discretos: mostram uma resolução limitada de tempo, normalmente leva a EDO’s. Contínuos: mostra o tempo exato. Se selecionamos intervalos de tempo pequenos, os discretos se aproximam dos contínuos.
O que são modelos estáticos?
Somente as influências de uma variável na outra são exploradas. É a exploração da dependência de uma variável sobre a outra. A princípio, ignoram mudanças. Ex de uso: para caracterizar propriedades de redes grandes.
Para que servem as aproximações?
A real e exata descrição de processos e sistemas em um modelo não existe realmente. Logo precisamos de aproximações, que são muito úteis para representações simplificadas da realidade em um modelo. Uma aproximação possível é não incluir as considerações espaciais no modelo = espacialmente homogêneo. São boas para aumentar a chance de escalabilidade.
