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.
Couvre les principes fondamentaux de la théorie de la détection et de l'estimation, en se concentrant sur l'erreur moyenne au carré et le test d'hypothèses.
S'insère dans la dualité entre les intervalles de confiance et les tests d'hypothèses, soulignant l'importance de la précision et de l'exactitude dans l'estimation.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Couvre les intervalles de confiance, les tests d'hypothèse, les erreurs standard, les modèles statistiques, la probabilité, l'inférence bayésienne, la courbe ROC, la statistique Pearson, la bonté des tests d'ajustement et la puissance des tests.
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 concepts fondamentaux de probabilité et de statistiques, en se concentrant sur l'analyse des données, la représentation graphique et les applications pratiques.
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.
