Стицање напредних знања и вештина у примени статистичких метода за анализу података у различитим контекстима, са фокусом на индустријске системе.

По завршетку курса студент је оспособљен за самосталну примену и интерпретацију савремених статистичких модела у пракси.

Метод максималне веродостојности. ЕМ алгоритам. Уопштени линеарни модели: вишеструка линеарна, логистичка, Пуасонова и гама регресија. Дисперзиона анализа. Примене у анализи индустријских система. Анализа преживљавања: преглед основних модела. Временски уређени подаци: основни модели и статистичка анализа. Основи Бајесовог закључивања.

Практична настава у потпуности прати теоријску и има за циљ да илуструје претходно описане моделе на реалним и вештачки генерисаним подацима користећи R и Python.

Нема предуслова

-

Укупан фонд часова: 90

Ново градиво: 30
Разрада и примери (рекапитулација): 0

Аудиторне вежбе: 45
Лабораторијске вежбе: 0
Рачунски задаци: 0
Семинарски рад: 0
Пројекат: 0
Консултације: 0
Дискусија/радионица: 0
Студијски истраживачки рад: 0

Преглед и оцена рачунских задатака: 0
Преглед и оцена лабораторијских извештаја: 0
Преглед и оцена семинарских радова: 0
Преглед и оцена пројекта: 0
Колоквијум са оцењивањем: 5
Тест са оцењивањем: 5
Завршни испит: 5

Активност у току предавања: 10
Тест/колоквијум: 40
Лабораторијска вежбања: 0
Рачунски задаци: 20
Семинарски рад: 0
Пројекат: 0
Завршни испит: 30
Услов за излазак на испит (потребан број поена): 0

Милошевић, Бојана. Основи статистике. Математички факултет, Београд, 2021; Faraway, Julian J. Extending the linear model with R: generalized linear, mixed effects and nonparametric regression models. Chapman and Hall/CRC, 2016.; Faraway, Julian J. Linear models with Python. Chapman and Hall/CRC, 2021.; Kleinbaum, David G., and Mitchel Klein. Survival analysis a self-learning text. Springer, 1996.; Legrand, Catherine. Advanced survival models. Chapman and Hall/CRC, 2021.