dane<- read.csv2(file="C:\\Documents and Settings\\wms\\Pulpit\\MK\\Bilety.csv")
dane<- ts(dane$Bilety,start=c(1993,1),frequency=12)
dane

plot(dane, main="Liczba sprzedanych biletów", xlab="Czas", ylab="W tysiacach", col="green")
dane.stl <- stl(dane,s.window=12)

plot(dane.stl, main="Dekompozycja Szeregu", col="blue")
czas <- c(1:length(dane))

trend <- lm(dane~czas) # regresja liniowa: zmienna niezalena - czas
reg.wart_teoretyczne <- trend$fitted.values #wartosci oszacowane z regresji

plot(dane-reg.wart_teoretyczne)



demo(graphics)
############################################################
sp500<-scan("http://math.ucsd.edu/~wgarner/math181e/sp500.txt")#wczytanie danych
ts.plot(sp500)

############################################################

dane<- read.csv2(file="C:\\Documents and Settings\\wms\\Pulpit\\MK\\Niezaleznosc.csv")
library(tseries);
test = runs.test(factor(sign((dane>0)-1*(dane<0))))
print(test)
############################################################
z<-rnorm(100,0,1) #generowanie 100 liczb pseudolosowych z N(0,1)
ts.plot(z) #wykres wygenerowanych danych
hist(z) #histogramy
boxplot(z)
boxplot(z,horizontal=TRUE)
plot(density(rnorm(100000, mean=3,sd=10)))
plot(density(rlnorm(100000,1,0.7)))
############################################################
#xn=0.1+x(n-1)+wn;wn-IID N(0,1)
set.seed(100)

w=rnorm(300,0,1);x=cumsum(w)
wd=w+.1;xd=cumsum(wd)

plot.ts(xd,ylim=c(-10,40))
lines(x)
lines(.1*(1:300),lty="dashed")#widoczny wp÷yw trendu
###########################################################
dane<-rnorm(100000,0,1)
acf(dane)
###########################################################
set.seed(100)
dane=rnorm(1000,0,1)
Box.test(dane,lag=10,type="Ljung")#Testowanie autokorelacji
runs.test(factor(sign(dane)))#Test niezale·zno´sci
shapiro.test(dane)#Test normalno´sci Shapiro-Wilka
qqnorm(dane,main = "Normal Q-Q Plot"); qqline(dane); #Test normalno´sci

par(mfrow=c(3,3))
for(i in 1:9) qqnorm(rnorm(1000))
for(i in 1:9) qqnorm(exp(rnorm(1000)))
for(i in 1:9) qqnorm(rcauchy(1000))
for(i in 1:9) qqnorm(runif(1000))

par(mfrow=c(1,1))
###########################################################
qnorm(0.025+0.95,0,1,TRUE,FALSE)
###########################################################
dane<- read.csv2(file="C:\\Documents and Settings\\wms\\Pulpit\\MK\\Bilety.csv")
dane<- ts(dane$Bilety,start=c(1993,1),frequency=12)
acf(dane,144)
###########################################################
dane<-arima.sim(n= 10000, list(ar = c(.9)))

plot(dane)
acf(dane)#Zwiekszac licznosc proby

dane<-arima.sim(n= 100, list(ar = c(-.9)))
acf(dane)#Zwiekszac licznosc proby

acf(dane,10)$acf #warto´sci liczbowe

arima.sim(list(order = c(1,0,0),ar=-.9),n=100)

###########################################################
dane<-arima.sim(n= 10000, list(ar = c(.1,0.9)))
polyroot(c(-0.1,-0.9,1))

###########################################################
a=arima.sim(list(order = c(1,0,0),ar=.8),n=500)
par(mfrow = c(2, 1))
acf(a,lag.max =40)
pacf(a,lag.max =40)

par(mfrow = c(1, 1))
pacf(a, 20)#Lags from 1 not from 0!
!ACF i PACF na innej skali
#wykres PACF rysuje od 1.
acf(a,20,xlim=c(1,20)) #solution
# widoczne ograniczenie na o´s pionow 3 a
pacf(a,20,ylim=c(-.2,1))

#######################################################
a=arima.sim(list(order = c(0,0,2),ma=c(.8,.8)),n=800)
plot(a)

par(mfrow = c(2, 1))
pacf(a,lag.max =40)
acf(a,lag.max =40)

########################################################
library(fSeries)
setwd("C:\\Documents and Settings\\wms\\Pulpit\\MK\\")
dane=read.table("d-ibmvwewsp6202.txt")
dim(dane)

vw=log(1+dane[3])*100 # Procentowe ln stopy zwrotu
acf(vw,lag.max=40) # ACF =>MA(1)

m1=arima(vw,order=c(0,0,1)) # dopasuj MA(1)

m1
tsdiag(m1)
names(m1)
Box.test(m1$resid,lag=10,type=×jung")
predict(m1,5)