Предмет пружа студентима фундаментална знања о обради временских низова података и њеној примени у различитим областима, укључујући економију, инжењерство, природне и друштвене науке. Студенти формализују концепт временског низа података кроз појам дискретног сигнала и дискретног случајног процеса, како би на основу стеченог знања били у могућности да одаберу одговарајући модел за конкретни временски низ података, те да га компактно репрезентују, анализирају и предвиде његово будуће понашање.

Студенти ће се упознати са примерима временских низова података (дискретних сигнала). Научиће да интерпретирају стварне временске низове података као реализације случајних процеса. Упознаће се са појмовима тренда и периодичне компоненте у временском низу података, као и начинима њихове естимације и елиминације. Овладаће основама моделовања временских низова података у циљу њихове компактне репрезентације, сепарације на релевантне компоненте, као и предикције будућих вредности. Посебно ће упознати ARMA моделе и на основу стечених знања умеће да одаберу одговарајући модел временског низа и реше задати проблем у одговарајућем програмском окружењу.

Дискретни временски низови података (сигнали), z-трансформација и спектар дискретних сигнала. Случајни процеси, стационарност и ергодичност. Увод у моделовање временских низова података. Издвајање тренда и периодичне компоненте. Спектрална анализа временских низова података. ARMA процеси и ARMA модели, моделовање и предикција ARMA процеса. Модели нестационарних процеса и процеса са израженом периодичном компонентом.

Читав ток предавања континуирано је праћен синхронизованим аудиторним и рачунарским вежбама. На аудиторним вежбама решавају се проблемски задаци обраде временских низова података. На вежбама у рачунарској лабораторији студенти стичу практично искуство у раду са софтверским алатом за анализу временских низова података. Током целокупног процеса извођења наставе студенти се подстичу на интензивну комуникацију, критичко резоновање, самостални рад и активан однос према процесу наставе.