Prof. Carlos H. C. Ribeiro [email protected]@ita.brtel. (012) 3947 5895 carloscarlossala 106 IEC...
19
Prof. Carlos H. C. Ribeiro [email protected] tel. (012) 3947 5895 www.comp.ita.br/~carlos sala 106 IEC MB751– Modelos de Previsão MB751– Modelos de Previsão
Transcript of Prof. Carlos H. C. Ribeiro [email protected]@ita.brtel. (012) 3947 5895 carloscarlossala 106 IEC...
Prof. Carlos H. C. [email protected] tel. (012) 3947 5895www.comp.ita.br/~carlos sala 106 IEC
MB751– Modelos de PrevisãoMB751– Modelos de Previsão
Aula 1
Motivação
Orientações gerais
Modelos: importância e tipos
2
Motivação
MB751= Estudo de modelos
Com base nos modelos, podem ser feitas previsões baseadas em relações envolvendo:Consumo e rendaSalários 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
3
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 passadaCrença 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!
4
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.
5
Motivação – Um exemplo muito simples
Passo 1: obter os dados.
Y (nota média do vestibular)
8.0 6.0 7.0 4.0 6.0 7.0 5.0 5.0
X (salário mensal dos pais em R$1.000,00)
21 15 15 9 12 18 6 12
6
Motivação – Um exemplo muito simples
Passo 2: visualizar os dados e analisá-los
Relação nota X renda
0,0
2,0
4,0
6,0
8,0
10,0
0 5 10 15 20 25
salário mensal dos pais
no
ta m
éd
ia n
o v
es
tib
ula
r
7
Motivação – Um exemplo muito simples
Passo 3: Gerar um modelo para os dados
Relação nota X renda
0,0
2,0
4,0
6,0
8,0
10,0
0 5 10 15 20 25
salário mensal dos pais
no
ta m
éd
ia n
o v
es
tib
ula
r
8
Detalhando um pouco:
Obtenção dos dados:Nem sempre é fácil. Geralmente é trabalhosa.Dados são sujeitos a erros: pais podem relatar valores inexatos de
renda mensal, custos de um processo podem ser aproximados, etc.
Visualização dos dados:Útil para seres humanos, mas nem sempre é possível (e.g.,
sistemas multivariável).
Geração do modelo:Feita segundo métodos matemáticos.É o foco deste curso.
9
OK, mas... Para que serve o modelo?
Qual deve ser a nota para filhos de pais que ganham um salário mínimo?
Para um aumento de salário, que melhora de nota média é esperada?
Relação nota X renda
0,0
2,0
4,0
6,0
8,0
10,0
0 5 10 15 20 25
salário mensal dos pais
no
ta m
éd
ia n
o v
es
tib
ula
r
10
OK, mas... Para que serve o modelo?
Para um aumento de salário, que melhora de nota média é esperada?
11
Relação nota X renda
0,0
2,0
4,0
6,0
8,0
10,0
0 5 10 15 20 25
salário mensal dos pais
no
ta m
éd
ia n
o v
es
tib
ula
r
x
y
4,05
2
x
y
Qual deve ser a nota para filhos de pais que ganham R$ 2.500,00 mensais? Em torno de 2,0...
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
12
Para que serve o modelo?
13
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.14
O que não queremos: previsão usando modelos jornalísticosSIMPLIFICAÇÃO EXTREMA BASEADA EM PALPITE:
27/04/2004 - 18h37BOVESPA-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.
15
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.
16
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
17
Plano de aulas (sujeito a alterações)
Semana 1 – 15 Março 2013
Orientações gerais Modelos: importância e tipos Regressão a duas variáveis Estimadores e suas
propriedades Mínimos quadrados Teorema Gauss-Markov ANOVA Testes de hipótese Correlação
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
18
Plano de aulas
Semana 3 – 3 Maio 2013
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 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
Semana 5 – 3 Julho 2013
Projeto final
19
