Detail předmětu

Stochastické procesy

FSI-SSPAk. rok: 2023/2024

Předmět obsahuje úvod do teorie náhodných procesů: typy a základní vlastnosti, Markovovy řetězce, stacionarita, autokovarianční funkce, spektrální hustota, příklady typických procesů, parametrické a neparametrické metody dekompozice časových řad, identifikace period, ARMA procesy. Studenti se seznámí s užitím těchto metod pro popis a predikci časových řad na PC pomocí vhodných softwarů.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Mgr. Zuzana Hübnerová, Ph.D.

Zajišťuje ústav

Ústav matematiky (ÚM)

Vstupní znalosti

Základy diferenciálního a integrálního počtu, teorie pravděpodobnosti a matematické statistiky.

Pravidla hodnocení a ukončení předmětu

Podmínky udělení zápočtu: aktivní účast ve cvičení, prokázání základních dovedností pro praktickou analýzu dat na PC formou projektu, úspěšné řešení případných průběžných písemných testů.

Zkouška probíhá ústně, jsou voleny otázky ze 3 předem stanovených okruhů (30+30+40 bodů). V každém okruhu je pro úspěšné složení zkoušky požadována dostatečná znalost základních pojmů a jejich vlastností. Hodnocení podle bodů: výborně (90 až 100 bodů), velmi dobře (80 až 89), dobře (70 až 79 bodů), uspokojivě (60 až 69 bodů), dostatečně (50 až 59 bodů), nevyhovující (0 až 49 bodů).


Účast na cvičení je povinná a o náhradě zameškané výuky rozhoduje učitel cvičení.

Učební cíle

Cílem předmětu je seznámit studenty se základy teorie stochastických procesů a s používanými modely pro analýzu časových řad i algoritmy odhadu jejich parametrů. Ve cvičení se studenti učí na simulovaných nebo reálných datech prakticky aplikovat teoretické postupy formou projektu pomocí vhodného softwaru. Výsledkem je projekt vyhodnocení a predikce reálných časových řad.

Předmět umožňuje studentům získat základní znalosti o modelování stochastických procesů (Markovovy řetězce, dekompoziční model, ARMA) a způsobech výpočtu odhadu jejich nejrůznějších charakteristik s cílem popsat mechanismus chování procesu na základě pozorování jeho časové řady. Student tak zvládne základní metody pro vyhodnocování reálných dat.

Základní literatura

Brockwell, P.J. - Davis, R.A. Introduction to time series and forecasting. 3rd ed. New York: Springer, 2016. 425 s. ISBN 978-3-319-29852-8. (EN)
Brockwell, P.J. - Davis, R.A. Time series: Theory and Methods. 2-nd edition 1991. New York: Springer. ISBN 978-1-4419-0319-8. (EN)

Doporučená literatura

Hamilton, J.D. Time series analysis. Princeton University Press, 1994. xiv, 799 s. ISBN 0-691-04289-6. (EN)
Ljung, L. System Identification-Theory For the User. 2nd ed. PTR Prentice Hall : Upper Saddle River, 1999. (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program N-MAI-P magisterský navazující 1 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Mgr. Zuzana Hübnerová, Ph.D.

Osnova

Stochastický proces, typy.
Markovovy řetězce.
Striktní a slabá stacionarita.
Autokorelační funkce (vlastnosti). Výběrová autokorelační funkce.
Dekompoziční model (aditivní, multiplikativní), stabilizace rozptylu. Odhad trendu bez sezónnosti (lineární filtry, polynomiální regrese).
Odhad trendu se sezónností. Testy náhodnosti.
Lineární procesy.
ARMA(1,1) procesy. Asymptotické vlastnosti odhadů střední hodnoty a autokorelační funkce.
Nejlepší lineární predikce v ARMA(1,1). Durbin-Levinsonův a inovační algoritmus.
ARMA(p,q) procesy, kauzalita, invertibilita, parciální autokorelační funkce.
Spektrální hustota (vlastnosti).
Identifikace periodických komponent: periodogram, testy periodicity.
Nejlepší lineární predikce, Yuleův-Walkerův systém rovnic, chyba predikce.
ARIMA modely a nestacionární stochastické procesy.

Cvičení s počítačovou podporou

13 hod., povinná

Vyučující / Lektor

doc. Mgr. Zuzana Hübnerová, Ph.D.

Osnova

Markovovy řetězce.
Načítání, ukládání a vizualizace dat, simulace stochastických procesů.
Momentové charakteristiky stochastických procesů
Detekce heteroskedasticity. Transformace stabilizující rozptyl (mocninná, Box-Coxova).
Užití lineárního regresního modelu při dekompozici časové řady.
Separace sezónní složky.
Odstranění šumu pomocí lineární filtrace (metoda klouzavých vážených průměrů), Spencerovy 15-ti bodové váhy.
Filtrování pomocí po částech polynomiální regrese, exponenciálního vyrovnávání.
Testy náhodnosti.
Simulace, identifikace a odhad parametrů modelu ARMA.
Predikce procesu.
Testování významnosti (parciálních) korelací.
Identifikace periodických složek, periodogram, testování.
Konzultace k projektům studentů.

Elearning

eLearning: aktuální otevřený kurz