Ética e limitações
Os dados são fictícios
Nenhum registro produzido pelo PersonaDB corresponde a uma pessoa real. Não há ingestão, anonimização, pseudonimização ou derivação de bases reais: nomes, documentos, endereços, empresas, hospitais, processos e eventos são inventados por catálogos fechados e sorteios determinísticos.
Alguns identificadores têm formato válido (por exemplo, CNPJ com dígitos verificadores corretos) justamente para exercitar validadores de sistemas consumidores. Formato válido não significa registro legítimo.
Usos adequados
- testes automatizados, QA e ambientes de staging;
- demonstrações de produto sem expor dados de clientes;
- ensino de modelagem relacional, SQL e estatística aplicada;
- benchmarks de carga e de desempenho;
- pesquisa em geração de dados sintéticos.
Usos vedados
:::danger Não faça isso
- Preencher cadastros reais, formulários oficiais ou qualquer sistema de produção de terceiros com os identificadores gerados.
- Treinar ou avaliar modelos de decisão sobre pessoas reais (crédito, contratação, policiamento preditivo, seguro) usando estes dados.
- Apresentar os números como estatísticas do Brasil ou de qualquer população real.
- Reidentificar, inferir ou insinuar correspondência entre uma persona e alguém real. :::
Limitações dos modelos
| Modelo | Limitação |
|---|---|
| Mobilidade social (Markov) | matriz 6×6 estilizada; ignora região, raça e geração |
| Escolaridade (logit) | coeficientes escolhidos por plausibilidade, não estimados |
| Salários (Mincer) | sem informalidade explícita, sem desemprego de longa duração, sem inflação salarial setorial |
| Mortalidade (Gompertz–Makeham) | hazards de doença tratados como aditivos; não reproduz a tábua do IBGE |
| Genética | modelos poligênicos simplificados (2 loci para cor de olhos); ignora epistasia e penetrância |
| Criminalidade | modelo logístico com coeficientes fictícios; não é instrumento preditivo |
| Geografia | 50 cidades e ~500 bairros procedurais; distâncias e CEPs não têm correspondência real |
| Pirâmide etária | aproximação por faixas, sem projeção demográfica |
O viés é explícito — e intencional
Vários modelos incorporam penalidades de gênero (−0,14 no log-salário), de raça (−0,11) e de classe (probabilidade de prisão modulada pela qualidade da defesa). Isso existe para que os dados sintéticos exercitem análises de equidade e testes de viés, e está documentado abertamente em cada motor.
:::caution Não naturalize os coeficientes Esses valores são parâmetros de simulação escolhidos para gerar desigualdade observável, não medidas de desigualdade real. Reportar resultados derivados deles como evidência empírica seria uma leitura equivocada do projeto. :::
Reprodutibilidade como prática ética
Como tudo é determinístico, qualquer resultado pode ser auditado: dada a semente, a âncora temporal e a versão do código, qualquer pessoa reproduz exatamente o mesmo dataset e pode inspecionar como cada número apareceu. Em dados sintéticos, isso é a melhor defesa contra conclusões não verificáveis.
Licença
O projeto é distribuído sob a licença MIT, que inclui a isenção de garantias usual. A responsabilidade pelo uso dos dados gerados é de quem os utiliza.