Explore des statistiques suffisantes, la compression des données et leur rôle dans l'inférence statistique, avec des exemples comme Bernoulli Trials et des familles exponentielles.
Explore les réseaux maximisant l'information, priorisant les données pour maximiser le flux d'information et optimiser les itinéraires pour le rendement énergétique.
Couvre la méthode ANOVA, en se concentrant sur la partition de la somme totale des carrés en composantes de traitement et d'erreur, les calculs carrés moyens, les statistiques de Fisher et la distribution F.
Couvre la théorie derrière l'estimation maximale de la vraisemblance, en discutant des propriétés et des applications dans le choix binaire et des modèles multiréponses ordonnées.
Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.
Introduit une estimation de la probabilité maximale pour l'estimation des paramètres statistiques, couvrant le biais, la variance et l'erreur carrée moyenne.
Explore l'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.
Explore les techniques bayésiennes pour les problèmes de valeur extrême, y compris l'inférence de la chaîne Markov Monte Carlo et de Bayesian, en soulignant l'importance de l'information antérieure et l'utilisation des graphiques.
Explore les techniques bayésiennes pour résoudre les problèmes de valeur extrême, en mettant l'accent sur l'analyse du MCMC et sur l'importance d'une information préalable appropriée.