ISMAT 22680

Modelos Matemáticos de Previsão

• ApresentaçãoPresentation

  A crescente quantidade de dados ao dispor das organizações e a sua importância para a tomada de decisões baseadas nas evidências, tornam fundamental o domínio de métodos estatísticos, bem como de recursos computacionais que os permitam implementar. Nesta Unidade Curricular (UC) abordam-se diversos métodos estatísticos, que permitem analisar relações de dependência e de interdependência entre variáveis económicas, ambientais, sociais, de marketing, entre outras, e desenvolver modelos preditivos. São frequentes as situações em que a tomada de decisões depende da análise da evolução de conjuntos de observações efetuadas ao longo do tempo (séries temporais), pelo que, abordam-se também nesta UC métodos de análise de séries temporais.  
• ProgramaProgramme

  CP1: Introdução aos modelos de previsão baseados em dados   CP2: Pré-processamento e redução de dimensionalidade dos dados Obtenção e manipulação de dados Análise de componentes principais e análise fatorial   CP3: Análise de clusters Métodos hierárquicos de análise de clusters Métodos não hierárquicos de análise de clusters   CP4: Desenvolvimento de modelos preditivos Regressão linear e regressão logística Árvores de classificação e regressão Comparação do desempenho de modelos preditivos   CP5: Séries Temporais Notação e nomenclatura Tendência e sazonalidade Médias móveis e alisamento exponencial Identificação, estimação, diagnóstico e previsão com modelos ARIMA e SARIMA   CP6: Aplicações em Gestão de Empresas com recurso a softwares de análise de dados (R e jamovi)  
• ObjectivosObjectives

  No final desta Unidade Curricular, os alunos devem ser capazes de: OA1: Identificar técnicas adequadas para a realização de previsões baseadas em dados; OA2: Criar, manipular e reduzir a dimensionalidade de dados; OA3: Aplicar técnicas de análise de agrupamentos (clustering); OA4: Desenvolver e comparar modelos preditivos de regressão e classificação; OA5: Modelar séries temporais e utilizar os modelos para fins preditivos; OA6: Utilizar softwares (R e jamovi) para o desenvolvimento de modelos e a realização de previsões; OA7: Analisar de forma crítica as previsões obtidas, tendo em conta o contexto dos problemas  
• BibliografiaBibliography

  Cowpertwait, P. & Metcalfe, A. (2009). Introductory time series with R . New York: Springer. Maindonald, J. & Braun, W. J. (2010). Data analysis and graphics using R: an example-based approach. (3rd ed.). United Kingdom: Cambridge University Press. Tabachnick, B. & Fidell, L. (2012) Using multivariate statistics . (6ª ed.) Boston: Pearson Education. Tufféry, S. (2011). Data mining and statistics for decision making . United Kingdom: John Wiley & Sons Ltd.    
• MetodologiaMethodology

  A metodologia de ensino inclui o método expositivo ( ME1) para apresentar os conteúdos necessários, o demonstrativo (ME2) para ilustrar a sua aplicação a casos práticos e o ativo (ME3) para resolução de exercícios com recurso ao computador. As aulas são complementadas com vídeos e outros recursos didáticos de apoio ao ensino-aprendizagem, preparados pela docente. A avaliação de conhecimentos é feita por avaliação contínua ou por prova escrita de exame final. A avaliação contínua inclui a realização de: - Exercícios (Minitestes no Moodle) - 20%; - Trabalho de grupo - 40%; - Teste - 40%.  
• LínguaLanguage

  Português
• TipoType

  Semestral
• ECTS

  5
• NaturezaNature

  Obrigatório
• EstágioInternship

  Não