Detail předmětu

Stochastické procesy

FSI-SSPAk. rok: 2009/2010

Předmět obsahuje úvod do teorie náhodných procesů: typy a základní vlastnosti, kovarianční funkce, spektrální hustota, stacionarita, příklady typických procesù, časové řady a jejich vyhodnocení, parametrické a neparametrické metody, identifikace period, ARMA procesy. Aplikace metod pro vypracování projektu vyhodnocení a predikci časových řad s podporou výpočetního prostředí MATLAB.

Jazyk výuky

čeština

Počet kreditů

4

Garant předmětu

doc. RNDr. Vítězslav Veselý, CSc.

Zajišťuje ústav

Ústav matematiky (ÚM)

Výsledky učení předmětu

Předmět umožňuje studentům získat základní znalosti o modelovani stochastických procesů (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.

Prerekvizity

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

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Podmínky udělení klasifikovaného zápočtu: aktivní účast ve cvičení, prokázání základních dovedností pro praktickou analýzu dat na PC, klasifikace je podle výsledku samostatného projektu.

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 software MATLAB. Výsledkem je projekt vyhodnocení a predikce reálných časových řad.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Cvičení je kontrolované a o náhradě zameškané výuky rozhoduje učitel cvičení.

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)
Cipra, Tomáš. Analýza časových řad s aplikacemi v ekonomii. 1. vyd. Praha : SNTL - Nakladatelství technické literatury, 1986. 246 s. (CS)

Doporučená literatura

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

Zařazení předmětu ve studijních plánech

  • Program M2A-P magisterský navazující

    obor M-MAI , 1. ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. RNDr. Vítězslav Veselý, CSc.

Osnova

1. Stochastický proces, typy, trajektorie, příklady.
2. Konzistentní systém distribučních funkcí, striktní a slabá stacionarita.
3. Momentové charakteristiky: střední hodnota a autokorelačni funkce.
4. Spektrální hustota (vlastosti).
5. Dekompoziční model (aditivní, multiplikativní), stabilizace rozptylu.
6. Identifikace periodických komponent: periodogram, testy periodicity.
7. Metody separace periodických komponent.
8. Metody odhadu trendu: polynomiální regrese, linearní filtry, splajny.
9. Testy náhodnosti.
10.Nejlepší lineární predikce, Yuleův-Walkerův systém rovnic, chyba predikce.
11.Parciální autokorelační funkce, Durbinův-Levinsonův a inovanční algoritmus.
12.Linearní systémy a konvoluce, kauzalita, stabilita, odezva.
13.ARMA procesy a jejich speciální případy (AR a MA proces).

Cvičení s počítačovou podporou

13 hod., povinná

Vyučující / Lektor

doc. RNDr. Vítězslav Veselý, CSc.

Osnova

1. Načítání, ukládání a vizualizace dat, momentové charakteristiky stochastického procesu.
2. Simulace řad s charekteristickými průběhy autokorelační funkce: bílý šum, barevný šum s korelacemi jen na vzdálenost 1, s lineárním trendem a peridickou komponentou.
3. Detekce heteroskedasticity. Transformace stabilizující rozptyl (mocninná, Box-Coxova).
4. Identifikace periodických komponent časové řady, periodogram, testy.
5. Užití lineárního regresního modelu při dekompozici časové řady.
6. Odhad stupně polynomu pro trend a separace periodické složky.
7. Odstranění šumu pomocí lineární filtrace (metoda klouzavých vážených průměrů): návrh optimálních filtrů zachovávajících polynomy do zadaného stupně, Spencerovy 15-ti bodové váhy.
8. Filtrace metodou postupné polynomiální regrese.
9. Filtrace pomocí metody exponenciálního vyrovnávání.
10.Testy náhodnosti.
11.Simulace, identifikace a odhad parametrů modelu ARMA.
12.Testování významnosti (parciálních) korelací.
13.Konzultace k projektům studentů.