Made available in DSpace on 2016-04-25T19:20:24Z (GMT). No. of bitstreams: 1 Fabiano de Oliveira Mina.pdf: 1438012 bytes, checksum: 353d26d5873fa7aec6980e2cd3956e33 (MD5) Previous issue date: 2012-10-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This study, work under the Nicholas of Cusa s De Docta Ignorantia, aims to present an epistemology apophatic (denial knowledge) aiming at "function of denial", contributing to discussions relevant to the Theory of Knowledge, justified by the material produced little bias in this epistemological author and this work is compared to others in Brazil. Therefore, contributing to the appreciation of the Department of Religious Sciences. Fundamentally it is a theoretical analysis of the first two books in this same work, analyzing the limits of reason (ratio) before the intuition (intellectus), under the concepts Absolute Maximum, Privative Universe and Concrete Maximum, the relationship between Creator (One) and creature. The creation (explicatio) contained in God (complicatio) inevitably requires an "apophatic dialectic" that assumes the paradoxalidades in and of the world. Therefore, a Apophatic Philosophy". This requires that we become "ignorant scholars" / Esta dissertação, sob a obra De Docta Ignorantia de Nicolau de Cusa, tem como objetivo apresentar uma epistemologia apofática (conhecimento via negação) com vistas na função da negação , contribuindo para discussões pertinentes à Teoria do Conhecimento, justificado pelo pouco material produzido nesse viés epistemológico desse autor e obra se comparado a outros no Brasil. Portanto, contribuindo também para apreciação do Departamento de Ciências da Religião. Fundamentalmente é uma análise teórica dos dois primeiros livros dessa mesma obra, analisando os limites da razão (ratio) diante da intuição (intellectus), sob os conceitos Máximo Absoluto, Universo Privativo e Máximo Concreto, na relação entre Criador (Uno) e criatura. A criação (explicatio), contida em Deus (complicatio), inevitavelmente exige uma dialética apofática que assume as paradoxalidades no e do mundo. Portanto, uma Filosofia Apofática . Para isso é necessário que nos tornemos doutos ignorantes

O aprendizado muitas vezes se encontra vinculado à idéia de que é necessário superar o estado de desconhecimento, de não-saber, para alcançar o saber enquanto instância almejada. No presente trabalho, estudamos o conceito de douta ignorância desenvolvido por Nicolau de Cusa por acreditar que ele encerra uma dimensão essencialmente pedagógica que se revela na importância que esse filósofo do século XV dá ao não-saber. Para ele, a busca pelo conhecimento está inteiramente alicerçada na ciência que o homem alcança de sua própria ignorância. É o saber de seu não-saber que permite que o ser humano construa, de forma progressiva, o conhecimento. A concepção de conhecimento à qual subjaz uma imagem dinâmica de ser humano como a que encontramos em Nicolau de Cusa retorna em pensadores contemporâneos. Bachelard, por exemplo, no século XX, reafirma a positividade dos erros, defendendo a sua importância na construção do saber científico e no processo de aprendizagem. Aquilo que, no discurso comum, era apontado apenas como intercorrência a ser evitada, passa a ser revalorizado, resgatando uma tradição que acreditamos ter em Nicolau de Cusa um expoente fundacional. Nosso trabalho busca apresentar uma abordagem positiva desses dois elementos constitutivos do aprender o não-saber e o erro , considerados parte de um processo que entra em movimento quando o professor permite que o aluno exercite o ato de formular perguntas: na formulação de uma pergunta está contido o potencial de ir além de um saber já adquirido, de superar dificuldades ou erros. A pergunta abre a perspectiva do conhecimento e aponta para o que ainda está por ser alcançado. Ela é, assim, um veículo para a continuidade do aprendizado. / Learning finds itself many times tied to the idea that it is necessary to surmount the state of ignorance, of unknowing, in order to achieve knowledge as a yearned instance. In the present work, we studied the concept of learned ignorance developed by Nicholas of Cusa due to our belief that it contains an essential pedagogic dimension which reveals itself in the importance this philosopher from the XV century confers to the unknown. According to him, the search for knowledge is entirely based on the science man acquires of his own ignorance. It is the knowledge of what is unknown that allows the human being to build knowledge progressively. The conception of knowledge to which underlies a dynamic image of the human being reassembles in contemporary thinkers. In the XX century, Bachelard, for instance, reaffirms the mistake positivity, defending its importance to the construction of scientific knowledge in the process of learning. What, in the common discourse, was cited merely as intercurrence starts to be revalued, recovering a tradition we believe has in Nicholas of Cusa a founding exponent. Our work aims to present a positive approach of these two learning constitutive elements the unknown and the mistake considered, in this tradition, part of a process that begins its movement when the teacher allows the student to practice the act of formulating questions: within the formulation of a question is contained the potential to go beyond an acquired knowledge, to surmount difficulties or mistakes. The question widens the perspective of knowledge and indicates what is yet to be achieved. It is, therefore, a means for the resumption of learning.

Nesta tese apresentam-se desenvolvimentos metodológicos para analisar dados com omissão e também estudos delineados para compreender os resultados de tais análises. Escrutinam-se análises de sensibilidade bayesiana e clássica para dados com respostas categorizadas sujeitas a omissão. Mostra-se que as componentes subjetivas de cada abordagem podem influenciar os resultados de maneira não-trivial, independentemente do tamanho da amostra, e que, portanto, as conclusões devem ser cuidadosamente avaliadas. Especificamente, demonstra-se que distribuições \\apriori\\ comumente consideradas como não-informativas ou levemente informativas podem, na verdade, ser bastante informativas para parâmetros inidentificáveis, e que a escolha do modelo sobreparametrizado também tem um papel importante. Quando há omissão em variáveis explicativas, também é necessário propor um modelo marginal para as covariáveis mesmo se houver interesse apenas no modelo condicional. A especificação incorreta do modelo para as covariáveis ou do modelo para o mecanismo de omissão leva a inferências enviesadas para o modelo de interesse. Trabalhos anteriormente publicados têm-se dividido em duas vertentes: ou utilizam distribuições semiparamétricas/não-paramétricas, flexíveis para as covariáveis, e identificam o modelo com a suposição de um mecanismo de omissão não-informativa, ou empregam distribuições paramétricas para as covariáveis e permitem um mecanismo mais geral, de omissão informativa. Neste trabalho analisam-se respostas binárias, combinando um mecanismo de omissão informativa com um modelo não-paramétrico para as covariáveis contínuas, por meio de uma mistura induzida pela distribuição \\apriori\\ de processo de Dirichlet. No caso em que o interesse recai apenas em momentos da distribuição das respostas, propõe-se uma nova análise de sensibilidade sob o enfoque clássico para respostas incompletas que evita suposições distribucionais e utiliza parâmetros de sensibilidade de fácil interpretação. O procedimento tem, em particular, grande apelo na análise de dados contínuos, campo que tradicionalmente emprega suposições de normalidade e/ou utiliza parâmetros de sensibilidade de difícil interpretação. Todas as análises são ilustradas com conjuntos de dados reais. / We present methodological developments to conduct analyses with missing data and also studies designed to understand the results of such analyses. We examine Bayesian and classical sensitivity analyses for data with missing categorical responses and show that the subjective components of each approach can influence results in non-trivial ways, irrespectively of the sample size, concluding that they need to be carefully evaluated. Specifically, we show that prior distributions commonly regarded as slightly informative or non-informative may actually be too informative for non-identifiable parameters, and that the choice of over-parameterized models may drastically impact the results. When there is missingness in explanatory variables, we also need to consider a marginal model for the covariates even if the interest lies only on the conditional model. An incorrect specification of either the model for the covariates or of the model for the missingness mechanism leads to biased inferences for the parameters of interest. Previously published works are commonly divided into two streams: either they use semi-/non-parametric flexible distributions for the covariates and identify the model via a non-informative missingness mechanism, or they employ parametric distributions for the covariates and allow a more general informative missingness mechanism. We consider the analysis of binary responses, combining an informative missingness model with a non-parametric model for the continuous covariates via a Dirichlet process mixture. When the interest lies only in moments of the response distribution, we consider a new classical sensitivity analysis for incomplete responses that avoids distributional assumptions and employs easily interpreted sensitivity parameters. The procedure is particularly useful for analyses of missing continuous data, an area where normality is traditionally assumed and/or relies on hard-to-interpret sensitivity parameters. We illustrate all analyses with real data sets.

Nesta tese apresentam-se desenvolvimentos metodológicos para analisar dados com omissão e também estudos delineados para compreender os resultados de tais análises. Escrutinam-se análises de sensibilidade bayesiana e clássica para dados com respostas categorizadas sujeitas a omissão. Mostra-se que as componentes subjetivas de cada abordagem podem influenciar os resultados de maneira não-trivial, independentemente do tamanho da amostra, e que, portanto, as conclusões devem ser cuidadosamente avaliadas. Especificamente, demonstra-se que distribuições \\apriori\\ comumente consideradas como não-informativas ou levemente informativas podem, na verdade, ser bastante informativas para parâmetros inidentificáveis, e que a escolha do modelo sobreparametrizado também tem um papel importante. Quando há omissão em variáveis explicativas, também é necessário propor um modelo marginal para as covariáveis mesmo se houver interesse apenas no modelo condicional. A especificação incorreta do modelo para as covariáveis ou do modelo para o mecanismo de omissão leva a inferências enviesadas para o modelo de interesse. Trabalhos anteriormente publicados têm-se dividido em duas vertentes: ou utilizam distribuições semiparamétricas/não-paramétricas, flexíveis para as covariáveis, e identificam o modelo com a suposição de um mecanismo de omissão não-informativa, ou empregam distribuições paramétricas para as covariáveis e permitem um mecanismo mais geral, de omissão informativa. Neste trabalho analisam-se respostas binárias, combinando um mecanismo de omissão informativa com um modelo não-paramétrico para as covariáveis contínuas, por meio de uma mistura induzida pela distribuição \\apriori\\ de processo de Dirichlet. No caso em que o interesse recai apenas em momentos da distribuição das respostas, propõe-se uma nova análise de sensibilidade sob o enfoque clássico para respostas incompletas que evita suposições distribucionais e utiliza parâmetros de sensibilidade de fácil interpretação. O procedimento tem, em particular, grande apelo na análise de dados contínuos, campo que tradicionalmente emprega suposições de normalidade e/ou utiliza parâmetros de sensibilidade de difícil interpretação. Todas as análises são ilustradas com conjuntos de dados reais. / We present methodological developments to conduct analyses with missing data and also studies designed to understand the results of such analyses. We examine Bayesian and classical sensitivity analyses for data with missing categorical responses and show that the subjective components of each approach can influence results in non-trivial ways, irrespectively of the sample size, concluding that they need to be carefully evaluated. Specifically, we show that prior distributions commonly regarded as slightly informative or non-informative may actually be too informative for non-identifiable parameters, and that the choice of over-parameterized models may drastically impact the results. When there is missingness in explanatory variables, we also need to consider a marginal model for the covariates even if the interest lies only on the conditional model. An incorrect specification of either the model for the covariates or of the model for the missingness mechanism leads to biased inferences for the parameters of interest. Previously published works are commonly divided into two streams: either they use semi-/non-parametric flexible distributions for the covariates and identify the model via a non-informative missingness mechanism, or they employ parametric distributions for the covariates and allow a more general informative missingness mechanism. We consider the analysis of binary responses, combining an informative missingness model with a non-parametric model for the continuous covariates via a Dirichlet process mixture. When the interest lies only in moments of the response distribution, we consider a new classical sensitivity analysis for incomplete responses that avoids distributional assumptions and employs easily interpreted sensitivity parameters. The procedure is particularly useful for analyses of missing continuous data, an area where normality is traditionally assumed and/or relies on hard-to-interpret sensitivity parameters. We illustrate all analyses with real data sets.