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.
Explore la perspective historique et les postulats de la mécanique quantique, en se concentrant sur l'oscillateur harmonique et les méthodes d'approximation.
Explore les techniques de réduction de la variance dans la simulation stochastique, en mettant l'accent sur l'utilisation de variables aléatoires auxiliaires et de moyennes d'échantillons pour améliorer l'efficacité.
Explore les intégrales de la courbe des champs vectoriels, en mettant l'accent sur les considérations d'énergie pour le mouvement contre ou avec le vent, et introduit des vecteurs tangents et normaux unitaires.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Couvertures Modèles linéaires généralisés, probabilité, déviance, fonctions de liaison, méthodes d'échantillonnage, régression de Poisson, surdispersion et modèles de régression alternatifs.