Prognozowanie i symulacje 2600-MSMdz2PIS

Wykład:
1. Istota prognozowania i symulacji. Symulacja – przegląd definicji. Pojęcie symulacji stochastycznej i deterministycznej. Przykłady symulacji.
2. Symulacja zdarzeń dyskretnych – symulacja prosta oraz symulacja prosta na kracie. Losowanie metodą odwracania dystrybuanty. Dokładność wnioskowania z próby.
3. Symulacja zdarzeń dyskretnych – symulacja dynamiczna oraz symulacja w konwencji czas następnego zdarzenia.
4. Podstawy prognozowania. Modele strukturalne i niestrukturalne. Etapy prognozowania. Prognozy ex post i ex ante oraz ich błędy.
5. Prognozowanie przy wykorzystaniu modeli naiwnych. Modele filtracji w prognozowaniu – modele średnich ruchomych skończonych (uśredniających poziom, uśredniających przyrost, modele średniej ruchomej ważonej).
6. Modele wygładzania wykładniczego – proste wygładzanie wykładnicze metodą Browna, wygładzanie wykładnicze z trendem liniowym (metoda Holta), wygładzania wykładnicze z trendem liniowym i sezonowością (metoda Wintera). Znaczenie parametrów wygładzania.
7. Modele analizy szeregów czasowych – modele trendu deterministycznego oraz modele szeregów niestacjonarnych.
8. Sztuczne sieci neuronowe w prognozowaniu.

Laboratorium:
1. Wykorzystanie funkcji Excela – ćwiczenia sprawdzające i powtarzające. Analiza statystyczna wyników badania.
2. Pojęcie zmiennej losowej i generatora liczb losowych. Losowanie metodą odwracania dystrybuanty. Budowa modelu symulacyjnego. Symulacja zdarzeń dyskretnych – symulacja prosta, przypadek statyczny.
3. Symulacja zdarzeń dyskretnych c.d. – symulacja prosta oraz prosta na kracie. Problem planowania zapasów. Dokładność wnioskowania.
4. Symulacja zdarzeń dyskretnych – symulacja dynamiczna. Zagadnienie planowania produkcji.
5. Symulacja dynamiczna c.d. Analiza wyników symulacji.
6. Prognozowanie z wykorzystaniem modeli naiwnych. Korzyści i ograniczenia zastosowania modeli naiwnych. Prognozy metodami naiwnymi typu: poziom bez zmian, przyrost bez zmian, procentowy przyrost bez zmian.
7. Modele średnich ruchomych. Badanie dokładności dopasowania i trafności prognozy. Błędy prognoz ex ante i ex post. Optymalizacja za pomocą Solvera.
8. Wygładzanie wykładnicze szeregu czasowego – metody Browna, Holta oraz Wintera.
9. Modele analizy szeregów czasowych stacjonarnych i niestacjonarnych. Dekompozycja szeregu czasowego (trend, sezonowość, składnik losowy). Prognozowanie w przypadku szeregów z trendem i sezonowością.
10. Prezentacja i obrona prac zaliczeniowych.