Vetores, incerteza e mudança

Introdução: por que tanta matemática aparece em inteligência artificial?

Imagine um sistema de manutenção que recebe temperatura, vibração e horas de uso de um equipamento. Ele precisa organizar essas medições, estimar risco, aprender com ordens antigas e ajustar um modelo quando erra. São quatro problemas diferentes:

1. organizar grandezas relacionadas — álgebra linear;
2. raciocinar sobre o que pode acontecer — probabilidade;
3. aprender o que os dados observados sustentam — estatística;
4. medir mudança e ajustar parâmetros — cálculo e otimização.

Essas áreas se encontram em inteligência artificial, mas não são sinônimos. Um vetor não é uma probabilidade. Uma média não é uma previsão. Uma derivada não decide o objetivo do negócio. A matemática ajuda a tornar relações explícitas; pessoas continuam responsáveis por escolher dados, unidades, métricas, limites e consequências.

Você não precisa memorizar tudo na primeira leitura. Use sempre quatro representações: uma frase comum, um desenho ou tabela, um cálculo pequeno à mão e um código que confirme o cálculo. Antes de apertar “executar”, preveja ao menos a direção do resultado.

Vocabulário antes das fórmulas

Termo	Significado em linguagem comum	Exemplo de manutenção
escalar	um único número	temperatura de 80 °C
vetor	lista ordenada de números	[temperatura, vibração, horas]
matriz	tabela retangular de números	várias regras de peso aplicadas ao mesmo vetor
atributo	característica medida de um caso	vibração do motor
parâmetro	número ajustável de um modelo	peso dado à temperatura
evento	resultado sobre o qual perguntamos	“a ordem é crítica”
população	conjunto completo de interesse	todas as OS do shopping no ano
amostra	parte observada da população	300 OS revisadas
métrica	medida usada para avaliar algo	proporção de alertas corretos
perda	número que representa o erro que o treino tenta reduzir	distância entre previsão e resultado

OS significa ordem de serviço. ERP, Enterprise Resource Planning, é o sistema empresarial que pode manter estoque, compras, ativos e ordens. Quando aparecer x², leia “x ao quadrado”. Quando aparecer ≈, leia “aproximadamente igual”.

1. Escalares e vetores: um número versus um caso

Uma temperatura isolada é um escalar. Para representar um equipamento com três atributos, podemos usar:

x = [0,80; 0,50; 0,40]
     temperatura normalizada
           vibração normalizada
                 horas normalizadas

A ordem é parte do significado. [temperatura, vibração, horas] não representa a mesma coisa que [horas, temperatura, vibração]. A dimensão é a quantidade de posições: o vetor acima tem dimensão 3.

Os valores foram normalizados para a faixa de 0 a 1. Isso evita somar diretamente 80 °C, 5 mm/s e 4.000 h como se fossem a mesma unidade. Normalizar não torna a medição correta nem remove viés; apenas muda a escala segundo uma regra que deve ser registrada.

Soma e multiplicação por escalar

Somamos vetores posição por posição:

[1, 2, 3] + [4, 5, 6] = [5, 7, 9]

Multiplicar por um escalar muda todas as posições:

2 × [1, 2, 3] = [2, 4, 6]

Vetores com dimensões diferentes não podem ser somados posição por posição. Uma biblioteca que aceita silenciosamente listas incompatíveis pode esconder um erro de modelagem.

Produto escalar: combinar atributos e pesos

O produto escalar multiplica posições correspondentes e soma os produtos. Para o vetor x = [0,80; 0,50; 0,40] e os pesos de risco w = [0,60; 0,30; 0,10]:

x · w = 0,80×0,60 + 0,50×0,30 + 0,40×0,10
      = 0,48 + 0,15 + 0,04
      = 0,67

O resultado 0,67 é um escore definido por essa regra. Não se torna automaticamente “67% de chance de falha”. Para interpretá-lo como probabilidade seria necessário um modelo probabilístico calibrado e validado.

Norma e similaridade cosseno

A norma euclidiana mede o comprimento de um vetor:

||[3, 4]|| = √(3² + 4²) = 5

A similaridade cosseno compara direção. Ela divide o produto escalar pelo produto das normas. Vetores apontando na mesma direção ficam perto de 1; perpendiculares, perto de 0; direções opostas, perto de -1.

O código abaixo é executável em Python 3 e inclui duas proteções que implementações ingênuas esquecem: dimensões iguais e vetor não nulo. A função zip forma pares de posições; sum soma os produtos desses pares.

from math import sqrt

def produto_escalar(a, b):
    if len(a) != len(b):
        raise ValueError("vetores precisam ter a mesma dimensão")
    return sum(x * y for x, y in zip(a, b))

def norma(v):
    return sqrt(produto_escalar(v, v))

def cosseno(a, b):
    denominador = norma(a) * norma(b)
    if denominador == 0:
        raise ValueError("similaridade não é definida para vetor nulo")
    return produto_escalar(a, b) / denominador

resultado = cosseno([1, 0], [1, 1])
print(f"cosseno = {resultado:.3f}")
assert round(resultado, 3) == 0.707

try:
    cosseno([0, 0], [1, 1])
except ValueError as erro:
    print(f"falha esperada: {erro}")

Saída esperada:

cosseno = 0.707
falha esperada: similaridade não é definida para vetor nulo

Em sistemas de busca, vetores chamados embeddings podem representar textos ou objetos. Cosseno alto indica proximidade segundo aquela representação; não prova equivalência factual, autorização, causalidade ou segurança.

2. Matrizes: várias combinações de uma vez

Uma matriz possui linhas e colunas. Se cada linha contém uma regra e cada coluna corresponde a um atributo, multiplicar a matriz pelo vetor produz um resultado por linha:

              temperatura  vibração  horas
risco             0,60       0,30     0,10       [0,80]     [0,67]
custo provável    0,10       0,20     0,70   ×   [0,50]  =  [0,46]
                                                   [0,40]

Uma matriz 2 × 3 tem 2 linhas e 3 colunas. Ela aceita um vetor de dimensão 3 e produz um vetor de dimensão 2. A regra geral é:

matriz m × n  multiplicada por  vetor n  produz  vetor m

Dimensões incompatíveis significam que as relações não se encaixam; não são mero detalhe de sintaxe. Além disso, os pesos precisam de interpretação. O segundo resultado acima não é custo em reais: é apenas um escore, pois a regra usa valores normalizados.

Transformações lineares combinam entradas por soma e multiplicação. Elas não modelam sozinhas toda relação curva. Redes neurais intercalam transformações lineares e funções não lineares para ampliar a capacidade. Autovalores, decomposições e projeções serão úteis mais adiante; primeiro domine ordem, dimensão, unidade e produto.

O curso de álgebra linear do Massachusetts Institute of Technology (MIT) cobre vetores, matrizes, espaços vetoriais, autovalores e outros fundamentos em sequência acadêmica completa (MIT OpenCourseWare 18.06).

3. Probabilidade: incerteza sob um modelo

Uma probabilidade é um número entre 0 e 1 atribuído a um evento segundo premissas e informações disponíveis. 0 e 1 são os extremos da escala, mas probabilidade zero não significa sempre impossibilidade lógica: em um modelo contínuo, um valor pontual pode ter probabilidade zero e ainda ser possível. Isso não é igual à frase vaga “o modelo parece confiante”.

Probabilidade condicional

P(A|B) lê-se “probabilidade de A dado B”. Por exemplo:

A = a OS é realmente crítica
B = o detector emitiu alerta
P(A|B) = probabilidade de a OS ser crítica sabendo que houve alerta

Não confunda P(A|B) com P(B|A). A segunda pergunta é “qual a chance de alerta entre as OS críticas?”. Essa troca é uma das fontes mais comuns de interpretação errada.

Taxa-base e Bayes sem mistério

A taxa-base é a frequência inicial do evento. Suponha 10.000 ordens:

• 1% são críticas: 100 críticas e 9.900 normais;
• o detector encontra 90% das críticas: 90 alertas verdadeiros e 10 críticas perdidas;
• ele alerta 5% das normais: 495 alertas falsos e 9.405 normais corretamente ignoradas.

Entre os 90 + 495 = 585 alertas, somente 90 são críticos:

P(crítica | alerta) = 90 / 585 ≈ 0,154 = 15,4%

Mesmo com sensibilidade de 90%, a maioria dos alertas é falsa porque eventos críticos são raros. A regra de Bayes formaliza essa atualização:

P(A|B) = P(B|A) × P(A) / P(B)

O cálculo não decide sozinho se 15,4% é aceitável. É preciso comparar o custo de inspecionar um falso alerta com o custo de perder uma falha real.

Matriz de confusão e métricas

	realidade crítica	realidade normal
alerta	verdadeiro positivo: 90	falso positivo: 495
sem alerta	falso negativo: 10	verdadeiro negativo: 9.405

• recall ou sensibilidade: 90 / (90 + 10) = 90%; entre os críticos, quantos encontramos?
• precisão: 90 / (90 + 495) ≈ 15,4%; entre os alertas, quantos eram críticos?
• acurácia: (90 + 9.405) / 10.000 = 94,95%; entre todos os casos, quantos acertamos?

Acurácia de 94,95% parece ótima, mas ainda esconde dez falhas críticas. A documentação do scikit-learn define essas métricas e mostra por que a escolha depende do problema (métricas e scoring). Métrica é uma decisão operacional e ética, não apenas matemática.

4. Estatística: o que uma amostra permite dizer

Probabilidade parte de um modelo e pergunta o que pode acontecer. Estatística parte de observações e pergunta o que elas sustentam sobre uma população ou processo.

Média, mediana e extremos

Considere tempos de atendimento, em horas:

[1, 2, 2, 3, 42]

A média aritmética soma e divide pela quantidade:

média = (1 + 2 + 2 + 3 + 42) / 5 = 50 / 5 = 10 horas

A mediana é o valor central após ordenar: 2 horas. Nenhuma das duas está “errada”. A média responde pelo equilíbrio do total e é sensível ao atendimento extremo de 42 horas; a mediana descreve melhor o centro típico deste conjunto. O National Institute of Standards and Technology (NIST) apresenta média e mediana como medidas de localização com propriedades diferentes (Measures of Location).

Variância e dispersão

A variância mede a média dos desvios quadráticos em relação à média. Para uma população de cinco valores:

desvios em relação a 10: [-9, -8, -8, -7, 32]
quadrados:               [81, 64, 64, 49, 1024]
variância populacional = 1282 / 5 = 256,4 horas²

A unidade fica ao quadrado. O desvio-padrão é a raiz da variância e volta à unidade original. Se os cinco valores forem uma amostra usada para estimar uma população, uma fórmula comum divide por n - 1, produzindo variância amostral 320,5. Declare qual denominador escolheu.

Percentil, distribuição e valor esperado

Um percentil é um ponto abaixo do qual fica certa proporção dos dados, mas há métodos diferentes de interpolação. Informe o método em relatórios e testes. Uma distribuição associa resultados a probabilidades ou densidades. O valor esperado é uma média teórica ponderada; não promete que cada caso ficará perto dele.

Variáveis podem ser discretas, como número de falhas, ou contínuas, como temperatura idealizada. Independência significa que conhecer uma variável não muda a distribuição da outra. Correlação zero não garante independência em geral.

Inferência, intervalo de confiança e causalidade

Uma amostra grande reduz parte da variação aleatória, mas não corrige coleta enviesada. Se o sistema registra apenas equipamentos conectados, aumentar o número desses registros não representa equipamentos offline.

Um intervalo de confiança de 95% descreve um procedimento que, sob suas premissas e em muitas amostras repetidas, cobre o parâmetro verdadeiro em cerca de 95% dos casos. Depois que um intervalo específico foi calculado por esse procedimento clássico, não se deve traduzi-lo automaticamente como “há 95% de probabilidade de o valor fixo estar aqui” (NIST, Confidence Limits for the Mean).

Correlação mostra associação, não demonstra causalidade. A hipótese nula é a afirmação de referência que o teste tenta confrontar. O valor-p mede quão extremo seria o resultado observado se essa hipótese e as premissas fossem verdadeiras; não é a probabilidade de a hipótese nula ser verdadeira (NIST, Critical values and p values). Um teste estatisticamente significativo pode ter efeito operacional irrelevante: o tamanho de efeito descreve a magnitude prática da diferença. Múltiplas comparações elevam a chance de achados falsos. Declare hipótese, população, amostragem, métrica e regra de parada antes de procurar o resultado desejado.

5. Cálculo: medir mudança local

Uma função recebe uma entrada e produz uma saída. Para f(x) = x²:

f(3) = 9
f(3,01) = 9,0601

A derivada mede a taxa local de mudança. A derivada de x² é 2x; em x = 3, vale 6. Para uma mudança pequena de 0,01, esperamos aumento aproximado de 6 × 0,01 = 0,06, próximo do aumento exato 0,0601.

Uma derivada numérica central aproxima a inclinação:

f'(x) ≈ [f(x+h) - f(x-h)] / (2h)

Se h for grande, a aproximação deixa de ser local; se for pequeno demais, o arredondamento do computador pode dominar. O curso de cálculo do MIT organiza diferenciação, aproximação e otimização com exemplos e exercícios (MIT OpenCourseWare 18.01SC).

Quando uma função depende de várias variáveis, uma derivada parcial muda uma delas mantendo as demais fixas. O gradiente reúne as derivadas parciais e aponta a direção de maior crescimento local.

6. Otimização: ajustar sem perder de vista o objetivo

Treinar um modelo geralmente significa ajustar parâmetros para reduzir uma função de perda. Considere:

L(θ) = (θ - 3)²

θ (leia “teta”) é o parâmetro. A perda é zero em θ = 3. A derivada é 2(θ - 3). A descida do gradiente atualiza:

novo θ = θ - taxa_de_aprendizado × derivada

Começando em θ = 0 com taxa 0,1:

derivada = 2(0 - 3) = -6
novo θ = 0 - 0,1×(-6) = 0,6
perda antiga = 9
nova perda = (0,6 - 3)² = 5,76

A taxa de aprendizado controla o tamanho do passo. Neste exemplo específico:

• 0,1 aproxima-se gradualmente de 3;
• 0,5 chega a 3 em um passo;
• 1,0 alterna entre 0 e 6 sem reduzir a perda;
• acima de 1,0, afasta-se e diverge.

Esses limites pertencem a esta parábola, não são regras universais. Em redes neurais, superfícies podem ter platôs, direções com escalas diferentes, regiões de sela e muitos parâmetros. Retropropagação usa a regra da cadeia para calcular gradientes eficientemente. O capítulo de otimização do Deep Learning Book distingue reduzir a perda de treino do objetivo de generalização (Goodfellow, Bengio e Courville, capítulo 8); o guia do Google mostra o ciclo iterativo e o efeito da taxa (Gradient descent).

7. Como as quatro lentes se encontram em IA

• álgebra linear representa entradas, parâmetros e transformações;
• probabilidade representa incerteza sob um modelo;
• estatística estima desempenho e incerteza a partir de amostras;
• cálculo fornece gradientes;
• otimização atualiza parâmetros.

Minimizar perda de treino não garante objetivo humano. Regressão linear ajusta uma relação linear para prever um número e pode usar erro quadrático. Em classificação, a entropia cruzada penaliza atribuir probabilidade baixa à classe correta e funciona como perda substituta. Se perder uma OS crítica custa cem vezes mais que gerar uma inspeção, uma perda uniforme pode otimizar o comportamento errado.

Treino ajusta parâmetros. Validação escolhe configuração e condição de parada. Teste estima o desempenho final depois das escolhas. Reutilizar o teste para escolher o modelo transforma-o, na prática, em validação e infla a estimativa. Sobreajuste ocorre quando o modelo aprende particularidades do treino que não se sustentam em casos novos. Regularização — penalizar complexidade —, validação cruzada e separação cuidadosa ajudam a controlá-lo, mas não corrigem rótulos injustos, finalidade errada ou população ausente.

8. Aplicação completa: priorização de manutenção integrada ao ERP

Suponha que o backend receba sensores, histórico e criticidade do ativo. Uma sequência responsável seria:

1. validar unidade, faixa, horário e origem de cada medição;
2. formar um vetor em ordem documentada;
3. aplicar transformações calculadas somente com dados de treino;
4. produzir escore ou probabilidade conforme contrato do modelo;
5. registrar a versão do modelo e os dados permitidos para auditoria;
6. comparar o resultado com uma política de negócio no servidor;
7. sugerir prioridade, sem permitir que o modelo aprove, encerre ou compre peças sozinho;
8. medir falsos positivos e falsos negativos por unidade, equipamento e período.

Se o ERP estiver indisponível, o sistema não deve inventar estoque nem confirmar uma ação externa. Se o sensor estiver ausente, “zero” só pode substituí-lo quando zero for semanticamente correto. Caso contrário, preserve o estado “ausente” e aplique a política definida.

9. Falha provocada e diagnóstico

Sintoma	Hipótese provável	Verificação	Controle
cosseno gera divisão por zero	vetor nulo	imprimir normas antes da divisão	rejeitar ou tratar ausência explicitamente
score muda após trocar colunas	ordem de atributos divergente	comparar schema e vetor	contrato único e teste de dimensão/ordem
risco dominado por horas	unidades e escalas incompatíveis	inspecionar distribuição por atributo	normalização calculada no treino
acurácia alta, falhas críticas perdidas	classe rara	abrir matriz de confusão	selecionar recall/precisão pelo custo
média muito maior que mediana	cauda ou extremo	ordenar dados e examinar histograma	publicar mais de uma medida
teste melhora a cada escolha	vazamento de teste	auditar quando o conjunto foi consultado	congelar teste até avaliação final
perda cresce e θ alterna	taxa alta	registrar parâmetro e perda por passo	reduzir taxa; conferir derivada e escala
resultado “significativo” sem utilidade	efeito pequeno ou muitas comparações	medir tamanho de efeito e protocolo	definir decisão antes da análise

Falhas de segurança incluem envenenamento de dados, inferência de atributos e exposição de pequenas populações. Não registre vetores brutos com dados pessoais por conveniência. Restrinja acesso, retenção e granularidade; avalie se um agregado permite reidentificar uma equipe pequena. Cálculo correto sobre dado coletado sem finalidade ou autorização continua sendo um sistema incorreto.

10. Critérios de aceite

Você domina o núcleo deste capítulo quando consegue:

• explicar cada posição de um vetor, incluindo ordem, unidade e faixa;
• reproduzir à mão um produto escalar de três posições e conferir em código;
• explicar por que cosseno alto não prova equivalência factual;
• reconstruir precisão e recall a partir de quatro contagens;
• justificar média ou mediana olhando para a distribuição;
• diferenciar população de amostra e treino de validação e teste;
• calcular um passo de descida do gradiente e prever se a perda deveria cair;
• provocar vetor nulo ou taxa alta, reconhecer o sintoma e explicar o controle;
• relacionar a métrica ao custo real do erro no sistema de manutenção.

11. Exercícios de recuperação e transferência

1. Calcule produto_escalar([2, 1], [3, 4]). Depois explique o que mudaria se as posições fossem trocadas em apenas um vetor.
2. Em 1.000 OS, 20 são críticas. Um detector encontra 18 e gera 49 alertas falsos. Calcule recall e precisão antes de calcular acurácia.
3. Para [2, 2, 3, 3, 30], calcule média e mediana. Qual comunica melhor o tempo típico? O que a outra ainda informa?
4. Para L(θ)=(θ-3)², parta de θ=0 e faça um passo com taxas 0,1 e 1,0. Compare as perdas.
5. Transfira o problema raro de OS crítica para fraude e depois defeito de fabricação. Quais cálculos permanecem? Quais custos e limites mudam?

Conferir respostas somente depois da tentativa

1. O produto é 2×3 + 1×4 = 10. Trocar a ordem de um lado muda quais atributos são combinados e pode invalidar o significado.
2. Recall: 18/20 = 90%. Precisão: 18/(18+49) ≈ 26,9%. Acurácia exige também os verdadeiros negativos.
3. Média 8; mediana 3. A mediana descreve melhor o centro típico, enquanto a média preserva o impacto total do extremo.
4. Com 0,1, θ=0,6 e a perda cai de 9 para 5,76. Com 1,0, θ=6 e a perda permanece 9: começou uma oscilação.
5. A matriz de confusão permanece. O custo de falso positivo, falso negativo, atraso e revisão humana muda conforme o domínio.

Conclusão

Vetores e matrizes organizam relações; probabilidade torna premissas de incerteza explícitas; estatística limita o que inferimos de amostras; derivadas e gradientes descrevem como uma perda muda; otimização ajusta parâmetros. O elo entre elas não transforma matemática em decisão automática. Antes de confiar em qualquer número, pergunte: o que cada posição significa, de qual população vieram os dados, qual erro a métrica valoriza, qual perda foi otimizada e qual evidência mostra comportamento seguro fora do treino.

O próximo capítulo transforma essas perguntas em um caderno executável. Você calculará à mão, preverá resultados, rodará Python, provocará falhas e produzirá um relatório curto que outra pessoa consegue verificar.

Fontes

• MIT OpenCourseWare — Linear Algebra, 18.06
• MIT OpenCourseWare — Single Variable Calculus, 18.01SC
• NIST — Measures of Location
• NIST — Confidence Limits for the Mean
• NIST — Critical values and p values
• scikit-learn — Metrics and scoring
• Goodfellow, Bengio e Courville — Optimization for Training Deep Models
• Google Machine Learning Crash Course — Gradient descent