Explique les moments, l'attente, la variance et les quantiles dans les distributions de probabilités avec des exemples comme Poisson et des distributions exponentielles.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
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.
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.
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 fonctions de masse binomiale et de Poisson, calculant les probabilités et discutant des fonctions de distribution des variables aléatoires.