Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Karta Przedmiotu

Politechnika Białostocka									Wydział Informatyki
Kierunek studiów		Data Science							Poziom i forma studiów				pierwszego stopnia stacjonarne
Grupa przedmiotów / specjalność									Profil kształcenia				ogólnoakademicki
Nazwa przedmiotu		Szeregi czasowe i prognozowanie							Kod przedmiotu				DS1S4SCP
Nazwa przedmiotu		Szeregi czasowe i prognozowanie							Rodzaj zajęć				obowiązkowy
Formy zajęć i liczba godzin		W	Ć	L	P	Ps	T	S	Semestr				4
Formy zajęć i liczba godzin		30				30			Punkty ECTS				4
Program obowiązuje od											2025/2026
Przedmioty wprowadzające		Algebra liniowa 1 (DS1S1AL1), Algebra liniowa 2 (DS1S2AL2), Algorytmy i struktury danych (DS1S4ASD), Analiza matematyczna 1 (DS1S1AM1), Analiza matematyczna 2 (DS1S2AM2), Statystyka matematyczna (DS1S3SMA),
Cele przedmiotu		Przekazanie podstawowej wiedzy niezbędnej do analizy szeregów czasowych, tworzenia prognoz oraz oceny ich jakości. Rozwój praktycznych umiejętności modelowania i prognozowania ekonomicznych szeregów czasowych.
Ramowe treści programowe		Teoretyczne podstawy prognozowania. Prognozowanie na podstawie klasycznych modeli trendu. Miary dokładności prognoz. Modele wahań sezonowych. Prognozowanie z wykorzystaniem nieliniowego modelu trendu. Prognozowanie na podstawie modeli adaptacyjnych. Prognozowanie ma podstawie jednorównaniowego modelu ekonometrycznego. Analiza przepływów międzygałęziowych i model Leontiewa.
Inne informacje o przedmiocie		przedmiot ma związek z prowadzoną na Uczelni działalnością naukową
Wyliczenie:		Nakład pracy studenta związany z:											Godzin ogółem	W tym kontaktowych	W tym praktycznych
		udziałem w wykładach											30	30
		udziałem w innych formach zajęć											30	30	30
		indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w zaliczeniach organizowanych poza planem zajęć											4	4
		przygotowaniem do zaliczenia wykładu											12
		przygotowaniem do zaliczenia pracowni specjalistycznej											12		12
		przygotowaniem do bieżących zajęć											12		12
										Razem godzin:			100	64	54
										Razem punktów ECTS:			4	2.6	2.2
Zakładane kierunkowe efekty uczenia się													Wiedza	Umiejętności	Kompetencje społeczne
													DS1_W01	DS1_U03
													DS1_W08	DS1_U09
														DS1_U17
														DS1_U19
Cele i treści ramowe sformułował(a)			dr Dariusz Kacprzak										Data:		29/05/2025
Realizacja w roku akademickim								2026/2027
Treści programowe
		Wykład
		1.	Teoretyczne podstawy prognozowania: definicje prognoz i ich znaczenie, funkcje i klasyfikacja prognoz, reguły i podstawowe założenia prognozowania, etapy prognozowania, błędy prognoz, dane wykorzystywane w prognozowaniu. Prognozowanie na podstawie klasycznych modeli trendu
		2.	Dopasowanie trendu liniowego do danych empirycznych, ekstrapolacja liniowej funkcji trendu
		3.	Dekompozycja szeregu czasowego
		4.	Modele wahań sezonowych
		5.	Metoda trendów jednoimiennych okresów
		6.	Prognozowanie z wykorzystaniem nieliniowego modelu trendu: wielomianowy, odwrotnościowy, wykładniczy, potęgowy, logarytmiczny, hiperboliczny I, II i III, log-hiperboliczny. Dopuszczalność prognoz
		7.	Miary dokładności prognoz: średni względny błąd prognozy ex post, średni kwadratowy błąd prognozy ex post, względny kwadratowy błąd prognozy ex post, współczynnik zbieżności Theila
		8.	Prognozowanie na podstawie modeli adaptacyjnych: metody naiwne, metody średniej ruchomej
		9.	Prognozowanie na podstawie modeli adaptacyjnych: metody wyrównywania wykładniczego, metoda trendu pełzającego z wagami harmonicznymi
		10.	Prognozowanie ma podstawie jednorównaniowego modelu ekonometrycznego: predykcja ekonometryczna, założenia teorii predykcji, źródła danych
		11.	Wybór postaci analitycznej modelu ekonometrycznego: liniowa, wielomianowa, wykładnicza, potęgowa, logarytmiczna, hiperboliczna
		12.	Symulacje na podstawie charakterystyk: prędkość zmian, stopa wzrostu, elastyczność, symulacje postaci analitycznej modelu
		13.	Analiza przepływów międzygałęziowych, tablica przepływów międzygałęziowych
		14.	Model Leontiewa, prognozowanie na podstawie modelu Leontiewa
		15.	Zaliczenie wykładu
		Pracownia specjalistyczna
		1.	Prognozowanie na podstawie klasycznych modeli trendu.
		2.	Dopasowanie trendu liniowego do danych empirycznych, ekstrapolacja liniowej funkcji trendu.
		3.	Dekompozycja szeregu czasowego.
		4.	Modele wahań sezonowych.
		5.	Metoda trendów jednoimiennych okresów.
		6.	Prognozowanie z wykorzystaniem nieliniowego modelu trendu: wielomianowy, odwrotnościowy, wykładniczy, potęgowy, logarytmiczny, hiperboliczny I, II i III, log-hiperboliczny. Dopuszczalność prognoz.
		7.	Kolokwium
		8.	Miary dokładności prognoz: średni względny błąd prognozy ex post, średni kwadratowy błąd prognozy ex post, względny kwadratowy błąd prognozy ex post, współczynnik zbieżności Theila.
		9.	Prognozowanie na podstawie modeli adaptacyjnych: metody naiwne, metody średniej ruchomej.
		10.	Prognozowanie na podstawie modeli adaptacyjnych: metody wyrównywania wykładniczego, metoda trendu pełzającego z wagami harmonicznymi.
		11.	Prognozowanie ma podstawie jednorównaniowego modelu ekonometrycznego: predykcja ekonometryczna, założenia teorii predykcji, źródła danych.
		12.	Wybór postaci analitycznej modelu ekonometrycznego: liniowa, wielomianowa, wykładnicza, potęgowa, logarytmiczna, hiperboliczna.
		13.	Analiza przepływów międzygałęziowych, tablica przepływów międzygałęziowych.
		14.	Kolokwium.
		15.	Zaliczenie zajęć.
Metody dydaktyczne (realizacja stacjonarna)
		W	wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną
		Ps	programowanie z użyciem komputera; ćwiczenia laboratoryjne; symulacja
Metody dydaktyczne (realizacja zdalna)
		W	wykład problemowy; wykład konwersatoryjny; wykład z prezentacją multimedialną
		-
Forma zaliczenia
		W	zaliczenie pisemne z pytaniami otwartymi
		Ps	kolokwia
Warunki zaliczenia
		W	Uzyskanie min. 30% z każdego E1-E2, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
		Ps	Uzyskanie min. 30% z każdego E3-E5, a po spełnieniu tego warunku ostateczna ocena wynika z sumy uzyskanych punktów. Kryteria oceny: [ 0 – 50]% punktów – 2.0 (50 – 60]% punktów – 3.0 (60 – 70]% punktów – 3.5 (70 – 80]% punktów – 4.0 (80 – 90]% punktów – 4.5 (90 – 100]% punktów – 5.0
Symbol efektu		Zakładane efekty uczenia się											Odniesienie do efektów uczenia się zdefiniowanych dla kierunku studiów
Symbol efektu		Zakładane efekty uczenia się											Wiedza	Umiejętności	Kompetencje społeczne
	Wiedza: student zna i rozumie
E1		podstawowe pojęcia z teorii predykcji oraz posiada zaawansowaną wiedzę w zakresie zastosowań matematyki w prognozowaniu.											DS1_W01 DS1_W08
E2		powiązania zagadnień prognozowania z działami matematyki teoretycznej i stosowanej.											DS1_W01 DS1_W08
	Umiejętności: student potrafi
E3		konstruować modele matematyczne wykorzystywane w prognozowaniu.												DS1_U09 DS1_U17
E4		wyznaczać prognozy na podstawie modeli szeregów czasowych i modeli przyczynowo-skutkowych oraz ocenia jakość prognoz.												DS1_U03 DS1_U19
E5		dobrać odpowiednią metodę rozwiązania prognozowania do postawionego problemu.												DS1_U03 DS1_U09
Symbol efektu		Sposób weryfikacji efektu uczenia się										Forma zajęć na której zachodzi weryfikacja
E1		zaliczenie pisemne										W
E2		zaliczenie pisemne										W
E3		kolokwia										Ps
E4		kolokwia										Ps
E5		kolokwia										Ps
Literatura podstawowa
		1.	P. Dittmann, Prognozowanie w przedsiębiorstwie: metody i ich zastosowanie. Wydawnictwo Nieoczywiste - imprint GAB Media, Warszawa, 2022
		2.	M. Cieślak (red): Prognozowanie gospodarcze: metody i zastosowanie, Wydawnictwo Naukowe PWN, Warszawa, 2011
		3.	B. Guzik, D. Appenzeller, W. Jurek, Prognozowanie i symulacje. Wybrane zagadnienia, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań, 2007
Literatura uzupełniająca
		1.	J. B. Gajda, Prognozowanie i symulacje w ekonomii i zarządzaniu. Wydawnictwo C.H. Beck, Warszawa, 2017
		2.	L. Liu, Time series analysis and forecasting, River Forest: Scientific Computing Associates Corp., 2006
		3.	A. Welfe, Ekonometria: metody i ich zastosowanie, Polskie Wydawnictwo Ekonomiczne, Warszawa, 2009
Koordynator przedmiotu:		dr Marzena Filipowicz-Chomko, dr Dariusz Kacprzak											Data:		30/05/2025