Tidsrækkeanalyse og forecasting

2025/2026

Modulets indhold, forløb og pædagogik

Læringsmål

Viden

  • kender til betingning i den flerdimensionale normalfordeling samt sædvanlig og generaliseret mindste kvadraters metode og de derved fremkomne OLS og GLS estimatorer
  • kan forstå tidsrækkeanalyse som en stokastisk proces og forstå sammenhængen mellem stokastiske processer og dynamiske systemer og kender til de stokastiske processer kendt som Box-Jenkins modellerne, herunder især ARMA modellerne 
  • Exponential smoothing 
  • Forecasting metoder for tidsrækker

Færdigheder

  • er i stand til teoretisk at fortolke tidsrækkemodellernes statistiske egenskaber 
  • kan foretage alle faserne i en klassisk tidsrækkenalyse: Identifikation, estimation, modelkontrol, forecasting og statistisk fortolkning 
  • kan bruge korrelogrammer og andre grafiske hjælpemidler i identifikationsfasen 
  • kan anvende og sætte sig ind i nyere statistiske metoder til analyse af tidsrækker

Kompetencer

  • er i stand til at anvende tidsrækkeanalysens begreber for en konkret problemstilling 
  • kan foretage estimation og forecasting i praksis vha. statistisk software

Undervisningsform

Undervisningen tilrettelægges i henhold til de generelle undervisningsformer for uddannelsen jf. § 17

Omfang og forventet arbejdsindsats

Det forventes at den studerende bruger 30 timer per ECTS, hvilket for denne aktivitet betyder 150 timer.

Eksamen

Prøver

Prøvens navnTidsrækkeanalyse og forecasting
Prøveform
Skriftlig eller mundtlig
ECTS5
Tilladte hjælpemidlerEventuelle tilladte hjælpemidler, vil fremgå af kursussiden i MOODLE
Bedømmelsesform7-trins-skala
CensurIntern prøve
VurderingskriterierVurderingskriterierne er angivet i Universitetets eksamensordning

Yderligere informationer

 

 

Permalink Print

Fakta om modulet

Engelsk titelTime Series and Forecasting
ModulkodeDSNDVMLK232
ModultypeKursus
Varighed1 semester
SemesterForår
ECTS5
UndervisningssprogDansk og engelsk
TompladsJa
UndervisningsstedCampus Aalborg
Modulansvarlig
Indgår i

Organisation

UddannelsesejerCand.scient. i datavidenskab og machine learning
StudienævnStudienævn for Matematiske Fag
InstitutInstitut for Matematiske Fag
FakultetDet Ingeniør- og Naturvidenskabelige Fakultet

Søg i modulbasen

View all fonts in this project