Navigacija

13M081MAST - Matematička statistika

Specifikacija predmeta
Naziv Matematička statistika
Akronim 13M081MAST
Studijski program Elektrotehnika i računarstvo
Modul
Tip studija master akademske studije
Nastavnik (predavač)
Nastavnik/saradnik (vežbe)
Nastavnik/saradnik (DON)
    Broj ESPB 6.0 Status predmeta izborni
    Uslovljnost drugim predmetima Verovatnoća i statistika (3 ili 6 ESPB), Matematika 1 i Matematika 2
    Ciljevi izučavanja predmeta Upoznavanje sa metodima matematičke statistike kao primenjene nauke, koji se zatim praktično primenjuju u problemima estimacije, detekcije, klasifikacije i testiranja hipoteza, u okvirima klasične i Bajesovske teorije.
    Ishodi učenja (stečena znanja) Student će biti osposobljen da koristi metode matematičke statistike u oblastima ocenjivanja parametara i testiranja parametarskih i neparametarskih hipoteza primenom klasične (frekvencionističke) i Bajesovske paradigme, na osnovu uzoraka iz raspodele ili iz slučajnog procesa.
    Sadržaj predmeta
    Link ka predavanjima https://teams.microsoft.com/l/team/19%3abvbU0jcgg-40uopBAEZJAxH1y06oXNAWiEKRpahjRB41%40thread.tacv2/conversations?groupId=45c35a29-ba56-4a2f-a28f-ba4f10639c04&tenantId=1774ef2e-9c62-478a-8d3a-fd2a495547ba
    Sadržaj teorijske nastave Kratak pregled teorije verovatnoće. Funkcija verodostojnosti. Ocenjivanje parametara. Testiranje hipoteza. Monte Karlo metodi. Uslovne raspodele i uslovno matematičko očekivanje. Bajesovska teorija i primene. Linearna regresija. Logistička regresija i druge vrste regresije u problemima klasifikacije. Statistika sa visoko dimenzionalnim podacima. Robusne metode pomoću statističkih funkcija dubine.
    Sadržaj praktične nastave Izrada semestralnog rada na zadatu temu
    Literatura
    1. Milan Merkle: Verovatnoća i statistika za inženjere i studente tehnike, Akademska Misao Beograd 2016
    2. D.C. Montgomery, G.C. Runger, Applied statistics and probability for engineers, Wiley, 2010
    3. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The elements of statistical learning- Data Mining, Inference and Prediction, Second edition, Springer 2017
    Broj časova aktivne nastave nedeljno tokom semestra/trimestra/godine
    Predavanja Vežbe DON Studijski i istraživački rad Ostali časovi
    3 1
    Metode izvođenja nastave Klasična nastava dopunjena softverskim demonstracijama. Prezentacije, grupno ili pojedinačno.
    Ocena znanja (maksimalni broj poena 100)
    Predispitne obaveze Poena Završni ispit Poena
    Aktivnosti u toku predavanja Pismeni ispit 40
    Praktična nastava 20 Usmeni ispit
    Projekti
    Kolokvijumi
    Seminari 40