MB751– Modelos de Previsão
Prof. Carlos H. C. Ribeiro
[email protected]
www.comp.ita.br/~carlos
tel. (012) 3947 5895
sala 106 IEC
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 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
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 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!
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$1.000,00)
21
15
15
9
12
18
6
12
6
Motivação – Um exemplo muito simples
Passo 2: visualizar os dados e analisá-los
Relação nota X renda
nota média no vestibular

10,0
8,0
6,0
4,0
2,0
0,0
0
5
10
15
20
25
salário mensal dos pais
7
Motivação – Um exemplo muito simples
Passo 3: Gerar um modelo para os dados
Relação nota X renda
nota média no vestibular

10,0
8,0
6,0
4,0
2,0
0,0
0
5
10
15
20
25
salário mensal dos pais
8
Detalhando um pouco:

Obtenção dos dados:
 Nem sempre é fácil. Geralmente é trabalhosa.
 Dados são sujeitos a erros: pais podem relatar valores inexatos de renda
mensal, custos de um processo podem ser aproximados, etc.

Visualização dos dados:
 Útil para seres humanos, mas nem sempre é possível (e.g., sistemas
multivariável).

Geração do modelo:
 Feita segundo métodos matemáticos.
 É o foco deste curso.
9
OK, mas... Para que serve o modelo?
nota média no vestibular
Relação nota X renda
10,0
8,0
6,0
4,0
2,0
0,0
0
5
10
15
20
25
salário mensal dos pais
 Qual deve ser a nota para filhos de pais que ganham um salário mínimo?
 Para um aumento de salário, que melhora de nota média é esperada?
10
OK, mas... Para que serve o modelo?
nota média no vestibular
Relação nota X renda
10,0
 Qual deve ser a
nota para filhos de
pais que ganham R$
2.500,00 mensais?
8,0
6,0
4,0
Em torno de 2,0...
y
2,0
0,0
0
5
x
10
15
20
25
salário mensal dos pais
 Para um aumento de salário, que melhora de nota média é esperada?
y 2
 0,4
x 5
11
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
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 - 11h05
Índice 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
Semana 2 – 6 Abril 2013

Orientações gerais

Modelo linear geral

Modelos: importância e tipos

Testes F, R2 e R2 corrigido

Regressão a duas variáveis

Correlação parcial e multicolinearidade

Estimadores e suas propriedades

Coeficientes beta e elasticidades

Mínimos quadrados

Modelo linear geral: forma matricial

Teorema Gauss-Markov

Uso de variáveis dummy

ANOVA

Uso de testes t e F

Testes de hipótese

Regressão linear por partes

Correlação

Heteroscedasticidade e correlação serial
18
Plano de aulas
Semana 3 – 3 Maio 2013
Semana 4 – 22 Junho 2013

Erros em variáveis

Previsão com modelos de 1 equação

Estimação paramétrica consistente

Forecasting incondicional

O problema de Identificação

Forecasting com erros correlacionados

Mínimos quadrados em dois estágios

Forecasting condicional

Redes neurais: definição e
características

Modelos de séries temporais

Modelos de extrapolação e média-móvel

Suavização e ajuste sazonal

TDNNs e previsão com RNAs
Semana 5 – 3 Julho 2013

Projeto final
19