1 / 19

MB751– Modelos de Previsão

MB751– Modelos de Previsão. Prof. Carlos H. C. Ribeiro carlos@ita.br tel. (012) 3947 5895 www.comp.ita.br/~carlos sala 106 IEC. Aula 1. Motivação Orientações gerais Modelos: importância e tipos. Motivação. MB751= Estudo de modelos

Download Presentation

MB751– Modelos de Previsão

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. MB751– Modelos de Previsão Prof. Carlos H. C. Ribeiro carlos@ita.br tel. (012) 3947 5895 www.comp.ita.br/~carlos sala 106 IEC

  2. Aula 1 • Motivação • Orientações gerais • Modelos: importância e tipos

  3. Motivação • MB751= Estudo de modelos • Com base nos modelos, podem ser feitas previsões baseadas em relações envolvendo: • Consumo e renda • Salários e anos de estudo, • Vendas e gastos em propaganda, • etc... • Estudaremos apenas modelos muito simples, mas muito úteis na análise de processos econômicos e relacionados à produção

  4. Motivação – Um exemplo “inconsciente” • Fonte segura lhe diz que o índice Ibovespa médio para ações da Indústria aumentará no próximo ano. • Qual a base para a afirmação? • História passada • Crença de que o índice é relacionado a outros para os quais a fonte tem indicações seguras. • Isto não é só intuição, é também construção implícita de modelo!

  5. Motivação – Um exemplo muito simples • Como o salário mensal dos pais determina a nota média dos filhos no vestibular? • Problema de interesse socioeconômico: • Definição de políticas justas para exames de admissão ao terceiro grau; • Importância do poder aquisitivo na escala social.

  6. Motivação – Um exemplo muito simples • Passo 1: obter os dados.

  7. Motivação – Um exemplo muito simples • Passo 2: visualizar os dados e analisá-los

  8. Motivação – Um exemplo muito simples • Passo 3: Gerar um modelo para os dados

  9. Detalhando um pouco: • Obtenção dos dados: • Nem sempre é fácil. Geralmente é trabalhosa. • Dados são sujeitos a erros: pais podem relatar valores inexatos de renda mensal, custos de um processo podem ser aproximados, etc. • Visualização dos dados: • Útil para seres humanos, mas nem sempre é possível (e.g., sistemas multivariável). • Geração do modelo: • Feita segundo métodos matemáticos. • É o foco deste curso.

  10. OK, mas... Para que serve o modelo? • Qual deve ser a nota para filhos de pais que ganham um salário mínimo? • Para um aumento de salário, que melhora de nota média é esperada? ?

  11. OK, mas... Para que serve o modelo? • Para um aumento de salário, que melhora de nota média é esperada? • Qual deve ser a nota para filhos de pais que ganham R$ 2.500,00 mensais? Em torno de 2,0... y x

  12. Para que serve o modelo? • O modelo serve para explicar os dados e permitir que se façam previsões consistentes a partir destes. • Em geral, medidas estatísticas de confiança no modelo devem ser fornecidas, para considerar os possíveis erros associados à obtenção dos dados. • Logo: MB751 técnicas para gerar modelos + técnicas estatísticas para avaliar os modelos

  13. Para que serve o modelo?

  14. Por que confiar na Matemática? • Modelos explícitos forçam o projetista a pensar claramente nas variáveis e relações envolvidas em um problema: confiar na intuição ou em modelos implícitos pode excluir alguma relação importante, mas não imediatamente óbvia. • Modelos explícitos e formalizados matematicamente permitem testes e validações sobre o próprio modelo. • Modelos explícitos e formalizados matematicamente permitem análise quantitativa. Não se trata de confiar cegamente na Matemática. Os modelos terão problemas, mas pelo menos poderemos estabelecer o quão válido o modelo será, considerando estes problemas.

  15. O que não queremos: previsão usando modelos jornalísticos SIMPLIFICAÇÃO EXTREMA BASEADA EM PALPITE: 27/04/2004 - 18h37 BOVESPA-Sem giro, mercado sofre com tensão internacional SÃO PAULO, 27 de abril (Reuters) - A Bovespa fechou a terça feira praticamente no zero a zero, após chegar a subir 1,8 por cento durante o pregão. Com fraco giro financeiro, o mercado de ações doméstico sentiu com intensidade o abalo provocado por ataques no Iraque e na Síria. PERSONIFICAÇÃO 28/04/2004 - 11h05Índice sucumbe a mau humor geral no 3o dia de giro fraco SÃO PAULO, 28 de abril (Reuters) - A Bovespa operava em queda nesta quarta-feira, contaminada pelo mau humor dos mercados em geral.

  16. Orientações gerais: bibliografia • Gujarati, D. N. Econometria básica, 3a. ed., Pearson Education, 2000. • Pindyck, R. S. Econometric models and economic forecasts. McGraw Hill College Div., 1995. • Sartoris, A. Estatística e Introdução à Econometria. Saraiva, 2003. • Notas de aula (slides). • Artigos e textos distribuídos pelo professor.

  17. Estrutura e avaliação: • Produtos: • Quatro listas de exercícios individuais para fixação de conceitos; • Quatro práticas desenvolvidas individualmente em sala de aula; • Um trabalho final (projeto) desenvolvido em grupos de 3 ou 4 alunos. • Métricas de avaliação: • nLx = Nota da lista x (escala 0-100) • nPx = nota da prática x (escala 0-100) • nT = nota do trabalho final (escala 0-100) • NF = nota final de curso

  18. Plano de aulas (sujeito a alterações) Semana 1 – 15 Março 2013 Semana 2 – 6 Abril 2013 Modelo linear geral Testes F, R2 e R2 corrigido Correlação parcial e multicolinearidade Coeficientes beta e elasticidades Modelo linear geral: forma matricial Uso de variáveis dummy Uso de testes t e F Regressão linear por partes Heteroscedasticidade e correlação serial • Orientações gerais • Modelos: importância e tipos • Regressão a duas variáveis • Estimadores e suas propriedades • Mínimos quadrados • Teorema Gauss-Markov • ANOVA • Testes de hipótese • Correlação

  19. Plano de aulas Semana 3 – 3 Maio 2013 Semana 4 – 22 Junho 2013 Previsão com modelos de 1 equação Forecasting incondicional Forecasting com erros correlacionados Forecasting condicional Modelos de séries temporais Modelos de extrapolação e média-móvel Suavização e ajuste sazonal • Erros em variáveis • Estimação paramétrica consistente • O problema de Identificação • Mínimos quadrados em dois estágios • Redes neurais: definição e características • TDNNs e previsão com RNAs Semana 5 – 3 Julho 2013 • Projeto final

More Related