Metody prognozowania - Wydział Inżynierii Produkcji SGGW
Transkrypt
Metody prognozowania - Wydział Inżynierii Produkcji SGGW
Opis modułu kształcenia / przedmiotu (sylabus) Rok akademicki: 2012/2013 1) Nazwa przedmiotu : Grupa przedmiotów: Numer katalogowy: Metody prognozowania TEO/II/05 ECTS 2) 4 Forecasting methods 3) Tłumaczenie nazwy na jęz. angielski : 4) Kierunek studiów : Technologie energii odnawialnej 5) Koordynator przedmiotu : Prof. dr hab. Małgorzata Jaros 6) Prowadzący zajęcia : Dr inż. Ewa Golisz, dr inż. Ewa Kukiełko, mgr. Katarzyna Woźniak 7) Jednostka realizująca : Wydział Inżynierii Produkcji, Katedra Podstaw Inżynierii, Zakład Podstaw Nauk Technicznych Wydział, dla którego przedmiot jest 8) realizowany : Wydział Inżynierii Produkcji 9) Status przedmiotu : 10) Cykl dydaktyczny : a) przedmiot podstawowy.. b) stopień …II…. rok …I… Semestr letni Jęz. wykładowy : polski c) stacjonarne 11) Zapoznanie studentów z wybranymi metodami prognozowania ilościowego. Analiza zjawisk i procesów występujących w przyrodzie i technice. Poszerzanie wiedzy studentów w zakresie analizy danych, doboru modelu teoretycznego oraz empirycznego, oceny błędów prognozowania. Komputerowe wspomaganie prognozowania i symulacji. 12) Założenia i cele przedmiotu : 13) Formy dydaktyczne, liczba godzin : a) …Wykład………………………………………………………………; liczba godzin . 15; b) …Ćwiczenia laboratoryjne – komputerowe ………………………; liczba godzin .30; dyskusja, projekt, rozwiązywanie problemu, studium przypadku, gry symulacyjne, indywidualne projekty studenckie, konsultacje 14) Metody dydaktyczne : Pełny opis przedmiotu : Wykłady: Pojęcia podstawowe. Rodzaje zmiennych w prognozowaniu. Modelowanie zagadnień zdeterminowanych i losowych. Linearyzacja modeli nieliniowych. Dobieranie współczynników funkcji trendu. Dane jako zmienne losowe: dystrybuanta, typy rozkładów, wariancja, współczynnik korelacji. Metoda Monte Carlo w prognozowaniu. Konstruowanie generatorów liczb losowych. Typy modeli szeregów czasowych, elementy składowe. Modele szeregów czasowych ze stałym poziomem zmiennej prognozowanej. Modele szeregów czasowych z trendem. Modele szeregów czasowych z wahaniami sezonowymi i cyklicznymi. Analiza harmoniczna. Metoda wskaźników. Modele ARIMA. Pakiet Statistica jako narzędzie do prognozowania. Podsumowanie metod prognozowania Ćwiczenia: Zastosowanie metod symulacji oraz prognozowania zjawisk i procesów, z wykorzystaniem komputerowego wspomagania: pakietu Excel i Statistica. Wymagania formalne (przedmioty 16) wprowadzające) : Matematyka, statystyka, informatyka, meteorologia i klimatologia, energetyka słoneczna 15) Wiedza: znajomość pojęć statystycznych, matematycznych Umiejętności: korzystanie z MS Excel, rozwiązywanie równań algebraicznych, rachunku macierzowego, 03 Student potrafi samodzielnie 01 - Student zna metody algebry i probabilistyki, przygotować i zaprezentować wybrane konieczne do tworzenia modeli w prognozowaniu zagadnienia prognozowania oraz zająć zjawisk. stanowisko w dyskusji. 02 - Student rozpoznaje modele zjawisk lub procesów, 04 - Student buduje modele symulacyjne w na ich podstawie potrafi je prognozować oraz ocenić aplikacji MS Office Excel oraz programie ich dokładność. Statistica. 17) Założenia wstępne : 18) Efekty kształcenia : 19) Sposób weryfikacji efektów kształcenia : 02, 03, 04 - ocena wynikająca z obserwacji w trakcie zajęć 01, 02, 03, 04 - kolokwium 01, 02, 03, 04 - egzamin pisemny Forma dokumentacji osiągniętych efektów 01, 02, 03, 04 - imienne karty oceny studenta, egzamin końcowy 20) kształcenia : 01, 02, 03, 04 - zapis elektroniczny w postaci plików 10% - ocena wynikająca z obserwacji w trakcie zajęć Elementy i wagi mające wpływ na ocenę 40% - kolokwium 21) końcową : 50% - egzamin pisemny. 22) Miejsce realizacji zajęć : Sala wykładowa – wykład; sala komputerowa - ćwiczenia 23) Literatura podstawowa i uzupełniająca : 1. Górczyński J., 2009. Prognozowanie i symulacja w zadaniach, WSZiM, Sochaczew 2. Cieślak M., 2004. Prognozowanie gospodarcze. Metody i zastosowania, WN PWN Warszawa 3. Dittmann P., 2004. Prognozowanie w przedsiębiorstwie. Metody i zadania 4. Górczyński J., 1993. Podstawy statystyki z przykładami w arkuszu kalkulacyjnym, Warszawa 5. Chudzik H., 2006. Statystyka matematyczna w przykładach i zadaniach, AR Poznań 6. Luszniewicz A., 2003. Statystyka z pakietem komputerowym Statystyka 7. Walker J. A., 1994. Statystyka dla każdego, WSiP, Warszawa 1 8. 9. 10. 11. 12. Parlińska M., Wasilewska E., 1998. Statystyka matematyczna dla ekonomistów, SGGW, Warszawa Wieczorkowski R., Zieliński R. 1997.Komputerowe generatory liczb losowych. WNT Jaros M., Pabis S., 2007. Inżynieria systemów, Wyd. SGGW Kutner R. 1989. Symulacje komputerowe dynamiczną metodą Monte Carlo. Mat. Centrum Dosk. Nauczycieli w Warszawie Na bieżąco doniesienia na stronach dostępnych w internecie 24) UWAGI : 25) Wskaźniki ilościowe charakteryzujące moduł/przedmiot : Szacunkowa sumaryczna liczba godzin pracy studenta (kontaktowych i pracy własnej) niezbędna dla osiągnięcia zakładanych 18) 2 efektów kształcenia - na tej podstawie należy wypełnić pole ECTS : Łączna liczba punktów ECTS, którą student uzyskuje na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich: Łączna liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym, takich jak zajęcia laboratoryjne, projektowe, itp.: Tabela zgodności kierunkowych efektów kształcenia efektami przedmiotu Nr /symbol efektu 01 … 89,5 h …2…. ECTS …2…. ECTS 26) Wymienione w wierszu efekty kształcenia: Student zna metody algebry i probabilistyki, konieczne do tworzenia modeli w Odniesienie do efektów dla programu kształcenia na kierunku K_W01 prognozowaniu zjawisk 02 Student rozpoznaje modele zjawisk lub procesów, na ich podstawie potrafi je prognozować oraz ocenić ich dokładność 03 Student potrafi samodzielnie przygotować i zaprezentować wybrane zagadnienia prognozowania oraz zająć stanowisko w dyskusji Student buduje modele symulacyjne w aplikacji MS Office Excel oraz programie 04 Statistica 2 K_W03, K_U01 K_U01 K_U08