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