Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Explore le théorème de Bayes pour la détection de pièces défectueuses, les variables aléatoires discrètes et les fonctions de distribution, avec des exemples pratiques et des exercices.
Introduit des fonctions de masse de probabilité pour des variables aléatoires discrètes et diverses distributions, en mettant l'accent sur le calcul des attentes.
Explore la moyenne, la variance, les fonctions de probabilité, les inégalités et divers types de variables aléatoires, y compris les distributions binomiale, géométrique, Poisson et gaussienne.
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.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
Explore l'échantillonnage de rejet pour générer des valeurs d'échantillon à partir d'une distribution cible, ainsi que l'inférence bayésienne à l'aide de MCMC.