Detail předmětu
Analýza časových řad
Akademický rok 2024/25
DA65 předmět zařazen v 7 studijních plánech
D-K-C-SI (N) / VHS zimní semestr 2. ročník
D-K-C-SI (N) / MGS zimní semestr 2. ročník
D-K-C-SI (N) / PST zimní semestr 2. ročník
D-K-C-SI (N) / FMI zimní semestr 2. ročník
D-K-C-SI (N) / KDS zimní semestr 2. ročník
D-K-C-GK / GAK zimní semestr 2. ročník
D-K-E-SI (N) / PST zimní semestr 2. ročník
Pojem stochastického procesu, m-rozměrná distribuční a rozdělovací funkce stochastického procesu, číselné charakteristiky stochastických procesů a jejich odhady, stacionární procesy, ergodické procesy.
Dekompozice časové řady na trendovou, sezónní a cyklickou složku. Odhady jednotlivých složek – regresní přístupy, klouzavé průměry, exponenciální vyrovnávání, Wintersova metoda.
Spektrální hustota a periodogram.
Lineární modely – posloupnost klouzavých součtů, autoregresní proces, smíšený proces – identifikace modelu, odhad parametrů modelu, ověřování adekvátnosti modelu.
Průběžná informace o možnosti využití statistického software STATISTICA a EXCEL při aplikacích probírané látky.
Dekompozice časové řady na trendovou, sezónní a cyklickou složku. Odhady jednotlivých složek – regresní přístupy, klouzavé průměry, exponenciální vyrovnávání, Wintersova metoda.
Spektrální hustota a periodogram.
Lineární modely – posloupnost klouzavých součtů, autoregresní proces, smíšený proces – identifikace modelu, odhad parametrů modelu, ověřování adekvátnosti modelu.
Průběžná informace o možnosti využití statistického software STATISTICA a EXCEL při aplikacích probírané látky.
Kredity
10 kreditů
Jazyk studia
čeština
semestr
zimní
Garant předmětu
Zajišťuje ústav
Způsob a kritéria hodnocení
zkouška
Vstupní znalosti
Pojmy z předmětu "DA03", "DA62" - Pravděpodobnost a matematická statistika
Základní znalosti z teorie pravděpodobnosti, matematické statistiky a lineární algebry - zákon rozdělení náhodné veličiny a vektoru, číselné charakteristiky náhodných veličin a vektorů a jejich bodové a intervalové odhady, podstata testování statistických hypotéz, řešení soustavy lineárních rovnic, inverzní matice.
Základní znalosti z teorie pravděpodobnosti, matematické statistiky a lineární algebry - zákon rozdělení náhodné veličiny a vektoru, číselné charakteristiky náhodných veličin a vektorů a jejich bodové a intervalové odhady, podstata testování statistických hypotéz, řešení soustavy lineárních rovnic, inverzní matice.
Učební cíle
Pochopit základní pojmy z teorie stochastických procesů. Vědět, co je stochastický proces a kdy je určen z pravděpodobnostního hlediska.
Vědět, co jsou číselné charakteristiky stochastických procesů a jak se odhadují.
Umět provést dekompozici časové řady, odhadnout její složky a konstruovat předpovědi.
Umět posoudit periodicitu procesu.
Umět s využitím statistických programů identifikovat Box-Jenkinsovy modely, odhadnout parametry modelu, posoudit adekvátnost modelu a konstruovat předpovědi.
Vědět, co jsou číselné charakteristiky stochastických procesů a jak se odhadují.
Umět provést dekompozici časové řady, odhadnout její složky a konstruovat předpovědi.
Umět posoudit periodicitu procesu.
Umět s využitím statistických programů identifikovat Box-Jenkinsovy modely, odhadnout parametry modelu, posoudit adekvátnost modelu a konstruovat předpovědi.
Základní literatura
CIPRA, T. Analýza časových řad s aplikacemi v ekonomii. 1. vyd. Praha: SNTL, 1986. 246 s. (cs)
BROCKWELL, P.J., DAVIS, R.A. Introduction to Time Series and Forecasting. 2nd ed. New York: Springer, 2002. 434 p. ISBN 0-387-95351-5. (en)
PAPOULIS, A. Random Variables and Stochastic Processes. 3td ed. New York: McGraw-Hill. Inc. 2021. 659 p. ISBN 0-07-366011-6. (en)
BROCKWELL, P.J., DAVIS, R.A. Introduction to Time Series and Forecasting. 2nd ed. New York: Springer, 2002. 434 p. ISBN 0-387-95351-5. (en)
PAPOULIS, A. Random Variables and Stochastic Processes. 3td ed. New York: McGraw-Hill. Inc. 2021. 659 p. ISBN 0-07-366011-6. (en)
Doporučená literatura
SHUMWAY, R.H., STOFFER, D.C. Time Series Analysis and Its Applications: With R Examples (Springer Texts in Statistics) 4th ed. New York:Springer, 2017. 575 p. ISBN 3-31-952451-8 (en)
Nabízet zahraničním studentům
Nenabízet
Předmět na webu VUT
Přednáška
13 týdnů, 3 hod./týden, nepovinné
Osnova
1. Základní pojmy. M-rozměrná rozdělovací funkce, distribuční funkce. Číselné charakteristiky stochastického procesu a jejich odhady.
2. Stacionární procesy.
3. Ergodické procesy.
4. Základní lineární regresní model.
5. Základní lineární regresní model.
6. Dekompozice časové řady. Regresní přístupy k trendové složce.
7. Klouzavé průměry.
8. Exponenciální vyrovnávání.
9. Wintersovo sezónní vyrovnávání.
10. Periodické modely - spektrální hustota a peridogram.
11. Lineární proces. Proces klouzavých součtů MA(q).
12. Autoregresní proces AR(p).
13. Smíšený proces ARMA(p,q), ARIMA(p,d,q).
2. Stacionární procesy.
3. Ergodické procesy.
4. Základní lineární regresní model.
5. Základní lineární regresní model.
6. Dekompozice časové řady. Regresní přístupy k trendové složce.
7. Klouzavé průměry.
8. Exponenciální vyrovnávání.
9. Wintersovo sezónní vyrovnávání.
10. Periodické modely - spektrální hustota a peridogram.
11. Lineární proces. Proces klouzavých součtů MA(q).
12. Autoregresní proces AR(p).
13. Smíšený proces ARMA(p,q), ARIMA(p,d,q).