probability_tables.py — distribuições calibradas

Arquivo: persona_db/seeds/probability_tables.py

Classes e faixas etárias

SOCIAL_CLASSES = ["A", "B1", "B2", "C1", "C2", "D_E"]
AGE_BANDS = [(0, 4), (5, 9), …]

Mobilidade social

SOCIAL_MOBILITY_MATRIX é a matriz 6×6 pais → filhos, renormalizada defensivamente na importação para que toda linha some exatamente 1. É a mesma estrutura usada por SocioeconomicEngine — mantê-las coerentes é responsabilidade de quem recalibra.

Mortalidade

def mortality_qx(age: int, sex: str) -> float: ...

Tábua de vida fictícia construída a partir de $q_x$ no primeiro ano (0,055 masculino / 0,047 feminino), com idade máxima 110. MORTALITY_TABLE guarda o vetor por sexo; gen_00_pessoa acumula $\sum q_x$ para decidir esta_vivo e sortear a data de óbito.

Incidência de doenças

DISEASE_BY_AGE_SEX: dict[str, dict[str, dict[str, float]]]
def disease_incidence(disease: str, age: int, sex: str) -> float: ...

Complementa o hazard paramétrico de HealthEngine com uma tabela empírica por faixa etária e sexo.

Criminalidade

CRIME_BY_PROFILE: dict[str, dict[str, dict[str, float]]]
def crime_rate(crime: str, sexo: str, idade: int) -> float: ...

Faixas usadas: 15-19, 20-29, 30-44, 45+. Serve de taxa base por tipo de crime, enquanto o CriminalEngine aplica o modelo logístico individual.

Emprego

EMPLOYMENT_RATES: dict[str, dict[str, dict[str, float]]]
def employment_rate(sector: str, education: str, age: int) -> float: ...

Combina uma base por setor (_SECTOR_EMPLOYMENT_BASE), um bônus por escolaridade (_EDU_BOOST) e um fator etário (_AGE_EMPLOYMENT_FACTOR). Setores: aberto, agro, comércio, construção, educação, saúde, indústria, tecnologia, financeiro e público.

Distribuição de renda (curva de Lorenz)

_GINI = 0.52
INCOME_DIST = _lorenz_curve(_GINI, 100)
def income_share_percentile(p: float) -> float: ...

A curva é derivada analiticamente do coeficiente de Gini alvo (0,52) e discretizada em 100 pontos. income_share_percentile(p) devolve a fração da renda total acumulada até o percentil $p$ — usada para posicionar patrimônio e consumo de forma desigual, como no Brasil real.

Ancestralidade → traços

ANCESTRY_TO_TRAITS: dict[str, dict[str, dict[str, float]]]
def trait_probs(ancestry: str, trait: str) -> dict[str, float]: ...

Mapeia a ancestralidade fictícia da persona (europeia, africana, indígena, asiática, mista) em distribuições de probabilidade para traços fenotípicos como cor de pele, olhos e cabelos. O GeneticEngine usa essas distribuições apenas como prior: quando há pais conhecidos, a herança mendeliana prevalece.

:::caution Simplificação consciente Ancestralidade não determina fenótipo de forma determinística, e as categorias usadas aqui são rótulos ficcionais grosseiros, escolhidos para produzir variabilidade plausível no dataset. Não tome esses números como afirmações biológicas ou demográficas. :::

Recalibrando

1. Altere a constante ou a função geradora da tabela.
2. Rode python3 -m pytest persona_db/tests/statistical -q — os testes de distribuição comparam agregados com faixas esperadas em $N = 1000$.
3. Atualize MATH_MODELS.md e a página do motor correspondente nesta documentação.
4. Lembre-se: a mudança invalida datasets anteriores gerados com a mesma semente.