S'oriente vers l'estimation optimale, le rôle de biais dans les échantillons finis, et le compromis délicat entre le biais et la variance dans l'estimation statistique.
Explore l'estimation non paramétrique à l'aide d'estimateurs de densité du noyau pour estimer les fonctions et les paramètres de distribution, en mettant l'accent sur la sélection de la bande passante pour une précision optimale.
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.
Introduit des méthodes de regroupement fondées sur des modèles utilisant des modèles de mélange et des variables latentes, avec des exemples pratiques sur les données d'iris.
Explore le phénomène Stein, présentant les avantages du biais dans les statistiques de grande dimension et la supériorité de l'estimateur James-Stein sur l'estimateur de probabilité maximale.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.