Couvre les diagnostics de régression pour les modèles linéaires, en soulignant limportance de vérifier les hypothèses et didentifier les valeurs aberrantes et les observations influentes.
Introduit des statistiques descriptives, des tests d'hypothèses, des valeurs p et des intervalles de confiance, soulignant leur importance dans l'analyse des données.
Explore des méthodes robustes et résistantes dans des modèles linéaires, en soulignant l'importance de gérer les observations extrêmes et les implications de la robustesse dans les modèles de régression.
Explore une régression robuste dans l'analyse des données génomiques, en mettant l'accent sur la pondération des résidus importants pour une meilleure précision des estimations et des mesures d'évaluation de la qualité telles que NUSE et RLE.
Explore les observations aberrantes, les effets de levier et les influences dans les modèles statistiques, y compris les méthodes de détection et d'évaluation.
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Couvre les méthodes d'identification et de traitement des valeurs extrêmes dans les données, y compris les procédures statistiques de détection aberrante.
