Module also offered within study programmes:
General information:
Name:
Forecasting and Computer Simulations
Course of study:
2017/2018
Code:
ZIE-2-301-s
Faculty of:
Management
Study level:
Second-cycle studies
Specialty:
-
Field of study:
Information Technology and Econometrics
Semester:
3
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
dr inż. Rębiasz Bogdan (brebiasz@zarz.agh.edu.pl)
Academic teachers:
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Duda Jan Tadeusz (jtduda@zarz.agh.edu.pl)
Module summary

Celem przedmiotu jest ugruntowanie wiedzy i umiejętności prowadzenia badań prognostycznych i symulacyjnych dla celów zarządzania przedsiębiorstwem.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. IE2A_K02, IE2A_K01 Activity during classes,
Execution of laboratory classes
M_K002 Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. IE2A_K06, IE2A_K03 Activity during classes,
Execution of laboratory classes
Skills
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. IE2A_U05, IE2A_U08 Activity during classes,
Examination,
Participation in a discussion,
Execution of laboratory classes
Knowledge
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. IE2A_W03, IE2A_W04 Activity during classes,
Examination,
Participation in a discussion
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. + + - + - - - - - - -
M_K002 Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. + + - + - - - - - - -
Skills
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. + + - + - - - - - - -
Knowledge
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. + + - - - - - - - - -
Module content
Lectures:

1. Prognozowanie matematyczne i eksperckie: podstawy epistemologiczne narzędzia formalne, założenia prognostyczne, cele prognozowania, Wykorzystanie prognoz w sterowaniu i zarządzaniu produkcją
2. Modele ekonometryczne w prognozowaniu.
3. Zasady prognozowania szeregów czasowych. Modele tendencji rozwojowej w prognozowaniu – istota prognozowania przez ekstrapolację. Prognozowanie szeregów czasowych z tendencją i wahaniami sezonowymi. Istota metod adaptacyjnych: wygładzanie wykładnicze (modele: Holta, Wintersa, Holta-Wintersa, modele harmoniczne), model trendu pełzającego.
4. Prognozowanie szeregów czasowych z wykorzystaniem modeli dynamicznych ARMA, ARIMA oraz ARMAX i ARIMAX: założenia, modele matematyczne, ocena jakości prognoz, wpływ długości horyzontu prognozy.
5. Zagadnienia prognozowania przez analogie (rodzaje, kryteria podobieństwa, zmienne wiodące i naśladujące)
6. Metoda Monte Carlo – cele, założenia, uwarunkowania czasowe i numeryczne, interpretacja wyników.
7. Zasady symulacji procesów ciągłych, narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
8. Zasady symulacji procesów dyskretnych i procesów masowej obsługi: narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
9. Symulacyjna analiza niepewności planów produkcyjnych – analiza scenariuszy w warunkach niepewności informacji.

Auditorium classes:

1.Sprawdzenie wiadomości z zakresu statystycznych modeli procesów ekonomicznych statycznych i dynamicznych, jedno i wielorównaniowych, liniowych i nieliniowych. Analiza konsekwencji linearyzacji modeli nieliniowych. Estymacja przedziałowa i inne metody oceny jakości prognoz.
2.Sprawdzenie wiadomości z zakresu prostych metod prognozowania szeregów czasowych – wpływ horyzontu predykcji na jakość prognoz ekstrapolacyjnych. Formalna reprezentacja składowych cyklicznych.
3.Istota metod adaptacyjnych i ich porównanie z metodami tendencji rozwojowej. Zasady wygładzania wykładniczego (modele: Browna, Holta, Wintersa). Model trendu pełzającego z wagami harmonicznymi
Sprawdzenie wiadomości z zakresu zasad prognozowania na podstawie modeli dynamicznych Dyskusja wad i zalet modeli ARMA, ARMAX i ARiMAX.
4.Dyskusja zagadnień prognozowania przez analogie (rodzaje, kryteria podobieństwa, zmienne wiodące i naśladujące).
5.Formułowanie zadań symulacji zjawisk. Zasady symulacji deterministycznej i metod Monte Carlo. Konstruowanie scenariuszy, kryteria oceny wiarygodności wyników symulacji. Sprawdzenie wiadomości z zakresu heurystycznych metod prognozowania. (3 godz, w tym kolokwium i zaliczenie)

Project classes:

1.Zapoznanie się z narzędziami modelowania i prognozowania pakietu EXCEL i MATLAB.
2.Rozwiązywanie przykładowych zadań modelowania i prognozowania jednoczynnikowego w pakietach EXCEL, STATGRAF i MATLAB.
3.Przygotowanie danych do wariantowego prognozowania zależności ekonometrycznych w pakiecie MATLAB i STATGRAF – analiza wyników.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 104 h
Module ECTS credits 4 ECTS
Participation in lectures 30 h
Participation in auditorium classes 15 h
Participation in project classes 15 h
Preparation for classes 15 h
Realization of independently performed tasks 10 h
Completion of a project 15 h
Examination or Final test 2 h
Contact hours 2 h
Additional information
Method of calculating the final grade:

Ocena końcowa wystawiana jest przez prowadzącego wykład jako średnia z ćwiczeń z wagą 0,25 (uśredniona ocena z odpowiedzi ustnych), z laboratorium z wagą 0,3 i z egzaminu końcowego testowego (waga 0,45).
Ocenę zaokrągla się zależnie od obecności na wykładach, z możliwością podniesienia (maks. o 1,0) na podstawie dodatkowego kolokwium ustnego.

Prerequisites and additional requirements:

Statystyka (statystyczne analizy danych, regresja, wnioskowanie statystyczne), matematyka (analiza matematyczna, rachunek macierzowy, równania różniczkowe), technologie informacyjne (podstawowe algorytmy obliczeniowe, umiejętność programowania prostych aplikacji numerycznych), komputerowe wspomaganie prac inżynierskich (umiejętność biegłego posługiwania się pakietami oprogramowania do złożonych obliczeń inżynierskich i analiz statystycznych).

Recommended literature and teaching resources:

Literatura
Literatura podstawowa:
1. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych, PWN, Warszawa 1983.
2. Dittmann P.: Prognozowanie w przedsiębiorstwie. Metody i ich zastosowanie, Oficyna Ekonomiczna, Kraków 2004.
3. Duda J.T.: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego, WND AGH, Kraków 2003.
4. Nowak E. (red.): Prognozowanie gospodarcze. Metody, modele, zastosowania, przykłady. Placet 1998.
Literatura uzupełniająca:
1. Duda J.T.: Materiały dydaktyczne nt. wykorzystania metod statystycznych w prognozowaniu (dwa dokumenty elektroniczne udostępniane na życzenie drogą elektroniczną).
2. Dudek-Dyduch E.: Systemy informatyczne zarządzania. WND AGH, Kraków 2002.
3. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych, PWN, Warszawa 1981.

Scientific publications of module course instructors related to the topic of the module:

1. Tomasz Pełech-Pilichowski, Jan T. Duda: A two-level algorithm of time series change detection based on a unique changes similarity method. [W]: Proceedings of the International Multiconference on Computer Science and Information Technology. Vol. 5 [Dokument elektroniczny], October 18–20, 2010, Wisła, Poland. eds. M. Ganzha, M. Paprzycki. Katowice : Polskie Towarzystwo Informatyczne, 2010, s. 263.
2. Jan T. Duda, Michał Fuksa, Andrzej Augustynek: Basket payment methods for metal commodities. [W]: Zarządzanie produkcją – planowanie, wytwarzanie, optymalizacja i kontrola, monografia, red. nauk. Ryszard Barcik, Marek Dudek, Wiesław Waszkielewicz. — Bielsko-Biała : Wydawnictwo Akademii Techniczno-Humanistycznej, 2010. s. 165–185.
3. Jan T. Duda, Andrzej Augustynek, Iryna Borshchuk: Coomodity Trade Risk Reduction by Using Optimisation Techniques to Construct Customised Currency Baskets. [W] Visnik Nacjonalnogo [w] universitetu “lvivska Politechnika” (ISSN 0321-0499), no 682, pp.208-223
4. Tomasz Pełech-Pilichowski, Jan T. Duda: Analiza podobieństwa sygnałów diagnostycznych z wykorzystaniem metod odległościowych, Automatyka: półrocznik Akademii Górniczo-Hutniczej im. Stanisława Staszica w Krakowie, 2011 t. 15 z. 2 s. 389–397.
5. Jan T. Duda, Stanisław Szydło: Zastosowanie modeli regresyjnych w prognozowaniu wskaźników makroekonomicznych. Współczesne Problemy Ekonomiczne nr 3 (2011), Zeszyty Naukowe Uniwersytetu Szczecińskiego, nr 665, s.53-74.
6. Jan T. Duda, Andrzej Augustynek: Application of Markovitz Portfolios Based on Currency Baskets to Commodity Trade. [W] Visnik Nacjonalnogo Universitetu “lvivska Politechnika” (ISSN 0321-0499), no 722, 2012, pp.311-322
7. Pelech-Pilichowski T., Jan T. Duda: A two-level detector of short-term unique changes in time series based on a similarity method. Expert Systems, on-line 2012
8. Duda Jan T., Augustynek A. Fuksa M, Borshchuk I.V.: Basket payment combined with Markovitz portfolio applied to commodity trade. Economics, Entrepreneurship, Management ; ISSN 2312-3435. — 2014 vol. 1 no 1, s. 67–73.
9. Duda Jan T., Pomasz Pełech-Pilichowski: Enhancements of moving trend based filters aimed at time series prediction. W: Advances in systems science : proceedings of the International Conference on Systems Science 2013 (ICSS 2013) / eds. Jerzy Świątek, [et al.]. — Switzerland : Springer International Publishing, cop. 2014. S. 747–756.

Additional information:

None