Disciplinas

Modelagem e Métodos para Inferência e Predição


Disciplina: EAD5917-8

Área de Concentração: 12139

Número de Créditos: 8

Carga do curso:

Teórico
(Por semana)
Prática
(Por semana)
Estudos
(Por semana)
DuraçãoTotal
42215120
Objetivos:
Em relação à disciplina, espera-se que possa:
• Propiciar uma visão geral dos métodos e técnicas para modelagem de problemas em Administração;
• Mostrar outros paradigmas de análise e resolução de problemas em Administração onde é utilizada a abordagem quantitativa através de softwares e planilhas.
Ao final do curso espera-se que o aluno:
• Tenha incorporado conceitos e métodos para modelagem de problemas em administração;
• Conheça os métodos que permitam entender o processo de inferência e predição
• Consiga utilizar e desenvolver implementação dos métodos estudados, bem como saiba escolher entre eles em momentos de necessidade na prática.

Justificativa:
A grande quantidade de informações existentes nas bases de dados e a possibilidade de utilizar essas informações para desenvolvimento de estratégias, faz da modelagem e dos métodos para inferência e predição em problemas de administração uma ferramenta básica e de grande importância. Desenvolver habilidades nessas técnicas é uma oportunidade para um crescimento tanto na área acadêmica (desenvolvimento de novas teorias através da visualização da modelagem) quanto na aplicação de resolução de problemas empresariais.


Conteúdo:
1. O que é modelagem e como desenvolver
2. Métodos Regressivos
3. Modelagem de Equações Estruturais
4. Redes Bayesianas
5. Métodos Estocásticos (Simulação

Avaliation methods:
A nota final será composta das seguintes partes:
Participação em sala de aula (desenvolvimento de exercício a serem entregues pelo sistema virtual - 20%)
Dese

Notas:
Estratégias de Ensino / Tipo de Aula:
Cada conteúdo será desenvolvido com base em um ciclo de três aulas, sendo organizado da seguinte forma: ~
1. O conteúdo é apresentado aos alunos, com discussões e leituras prévias;
2. A aplicação prática e a resolução de problemas em administração com a utilização do conteúdo anteriormente estudado;
3. Aula para apresentação e discussão de artigos ou casos identificados na literatura sobre as ferramentas estudadas

Bibliografia:
CHARNET, R., FREIRE, C.A. de L., CHARNET, E.M.R., BONVINO, H. Análise de Modelos de Regressão Linear com Aplicações. Editora UNICAMP, 2008.
DOMINGOS, P. The Master Algorithm: How the quest for the ultimate learning machine will remake our world. New YORK: basic, 2015
DUDA, R. O., HART, P. E., STORK, D.G. Pattern Classification. Second Edition 2012
GOURIÉROUX, C. Simulation Based Econometric Methods. Oxford, 1998.
HAIR Jr., J.; HULT, G; RINGLE, C. SARSTED, M. A Primer on Partial Least Squares Structural Equation Modeling. Los Angeles:Sage, 2014
JOHNSON, R.;WICHERN, D. Applied Multivariate Statistical Analysis. Prentice Hall, 2002.
KLEIJNEN, J. & GROENDENDAAL, W. VAN. Simulation: A Statistical Perspective. Wiley, 1994.
KLINE, R. B. Principles and Practice of Structural Equation Modeling, 2nd. Ed. New York: Guilford, 2005
LOMI, A. & LARSEN, E. R. Dynamics of Organizations: computational modeling and organizational theories MIT Press, 2001.
MAANI, K. E. & CAVANA, R. Y. Systems Thinking and Modelling Prentice Hall, 2000.
MILLER, T. W. Modeling Techniques in Predictive Analytics: Business Problems and Solution with R. 2014
ROSS, S. M. Simulation: Statistical Modeling and Decision Science 3a ed. Academic, 2002.
PEARL, J. Causality: Models, Reasoning and Inference. Cambridge: University Press, 2000
PIDD, M. Computer Simulation in Management Science Wiley, 1992.
PRIETULA, M. (editor) Simulating Organizations: computational models of institutions and groups MIT, 1998.
SHROFF, G. The Intelligent Web: Search, smart algorithms and big data. Oxford: University Press, 2013
SILVER, N. The Signal and the Noise: Why some predictions fail- but some don´t. New York: Penguin, 2010