Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.
Explique lestimation, la corrélation et la corrélation Pearson dans les statistiques, en se concentrant sur la mesure et la description des relations entre les variables.
Explore le cadre de la théorie de la décision en théorie statistique, considérant les statistiques comme un jeu aléatoire avec des concepts clés tels que la recevabilité, les règles minimax et les règles Bayes.
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.
Couvre la régression quantile, en se concentrant sur l'optimisation linéaire pour prédire les résultats et discuter de la sensibilité aux valeurs aberrantes, de la formulation des problèmes et de la mise en œuvre pratique.
Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.
Discute des modèles de coefficients constants et aléatoires, de l'optimisation des facteurs et de l'estimation des interactions dans l'analyse des performances.
Couvre les probabilités conditionnelles, illustrant comment les événements influencent les probabilités des uns et des autres et leurs applications dans des scénarios réels.
Explore l'optimisation robuste par l'approximation polynôme et les ensembles d'incertitude, y compris des programmes linéaires robustes et des astuces d'optimisation.
Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.
Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.