Course detail

Time Series Analyses

FP-acrPAcad. year: 2026/2027

Not applicable.

Language of instruction

Czech

Number of ECTS credits

6

Assignment to study programme types

Bachelor's

Mode of study

Not applicable.

Guarantor

doc. Mgr. Maria Králová, Ph.D.

Department

Institute of Quantitative Engineering (ÚKI)

Entry knowledge

Rules for evaluation and completion of the course

Aims

Study aids

Prerequisites and corequisites

Not applicable.

Basic literature

Cowpertwait, P.S.P. & Metcalfe, A.V., 2009. Introductory Time Series with R. London: Springer. ISBN 978-0-387-86727-0. (EN)
Cryer, J.D. & Chan, K.-S., 2008. Time Series Analysis: With Applications in R. 2nd ed. New York: Springer. ISBN 978-0-387-75955-1. (EN)
Hyndman, R.J. & Athanasopoulos, G., 2021. Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts. [Online] Available at: https://otexts.com/fpp3/ (zdarma online: https://otexts.com/fpp3/?utm_source=chatgpt.com) (EN)

Recommended reading

Shumway, R.H. & Stoffer, D.S., 2017. Time Series Analysis and Its Applications: With R Examples. 4th ed. New York: Springer. (EN)

Classification of course in study plans

  • Programme BAK-MIn Bachelor's 3 year of study, winter semester, compulsory-optional

Type of course unit

 

Lecture

26 hours, optionally

Teacher / Lecturer

doc. Mgr. Maria Králová, Ph.D.

Syllabus

  1. Úvod do časových řad, základní pojmy, typy časových řad
  2. Vizualizace, číselné charakteristiky, autokorelace
  3. Dekompozice časových řad, trendová a sezónní složka
  4. Regresní modelování trendu, polynomiální trendy
  5. Klouzavé průměry a exponenciální vyhlazování
  6. Testy náhodnosti a stacionarity (Ljung-Box, runs test)
  7. Úvod do Boxovy–Jenkinsovy metodologie, ARIMA modely
  8. Modely MA (moving average) – definice, vlastnosti, odhad
  9. Modely AR (autoregresní) – stacionarita, PACF, odhad
  10. Modely ARMA – identifikace, odhad a diagnostika
  11. Modely ARIMA a sezónní modely SARIMA
  12. Vícerozměrné časové řady, vektorová autoregrese (VAR)
  13. Shrnutí a opakování

Exercise

26 hours, compulsory

Teacher / Lecturer

doc. Mgr. Maria Králová, Ph.D.

Syllabus

  1. Úvod do časových řad, základní pojmy, typy časových řad
  2. Vizualizace, číselné charakteristiky, autokorelace
  3. Dekompozice časových řad, trendová a sezónní složka
  4. Regresní modelování trendu, polynomiální trendy
  5. Klouzavé průměry a exponenciální vyhlazování
  6. Testy náhodnosti a stacionarity (Ljung-Box, runs test)
  7. Úvod do Boxovy–Jenkinsovy metodologie, ARIMA modely
  8. Modely MA (moving average) – definice, vlastnosti, odhad
  9. Modely AR (autoregresní) – stacionarita, PACF, odhad
  10. Modely ARMA – identifikace, odhad a diagnostika
  11. Modely ARIMA a sezónní modely SARIMA
  12. Vícerozměrné časové řady, vektorová autoregrese (VAR)
  13. Shrnutí a opakování

 

Odborné znalosti:
Absolvent umí definovat klíčové pojmy související s analýzou časových řad jako jsou charakteristiky, trend, regesní model, sezónní složka, cyklická složka, vyrovnávání.
Absolvent umí vysvětlit propojení metod analýzy časových a modelu z oblasti podniku.
Odborné dovednosti:
Absolvent dovede pracovat s jednotlivými pojmy z oblasti analýzy časových řad; dovede výstupy analýzy časových řad jasně prezentovat.
Obecné způsobilosti:
Absolvent je schopen uplatnit teoretické znalosti ve vymezení problému, který analýzu časových řad řeší; je schopen navrhnout a realizovat přístup k výzkumu a analýze časových řad.

Self-study

52 hours, optionally

Teacher / Lecturer

doc. Mgr. Maria Králová, Ph.D.

Individual preparation for an ending of the course

52 hours, optionally

Teacher / Lecturer

doc. Mgr. Maria Králová, Ph.D.