Introduit des statistiques inférentielles, couvrant l'échantillonnage, la tendance centrale, la dispersion, les histogrammes, les scores z et la distribution normale.
Explore les techniques de Monte Carlo pour l'échantillonnage et la simulation, couvrant l'intégration, l'échantillonnage d'importance, l'ergonomie, l'équilibrage et l'acceptation de Metropolis.
Couvre le concept d'échantillonnage, le théorème d'échantillonnage, la reconstruction du signal et la conversion des signaux analogiques en signaux numériques.
Explore l'échantillonnage dans les statistiques inférentielles, en mettant l'accent sur l'impact de la taille de l'échantillon et du caractère aléatoire sur la précision de l'inférence.
Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Couvertures Modèles linéaires généralisés, probabilité, déviance, fonctions de liaison, méthodes d'échantillonnage, régression de Poisson, surdispersion et modèles de régression alternatifs.