Introduit une estimation de la probabilité maximale pour l'estimation des paramètres statistiques, couvrant le biais, la variance et l'erreur carrée moyenne.
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.
Couvre la théorie des probabilités, les distributions et l'estimation dans les statistiques, en mettant l'accent sur la précision, la précision et la résolution des mesures.
Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
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.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Couvre les concepts fondamentaux de la statistique, y compris la théorie de l'estimation, les distributions et la loi des grands nombres, avec des exemples pratiques.
Explorer les tests d'hypothèses, les niveaux de signification, les erreurs, les GWAS, les tests optimaux et l'estimation ponctuelle dans les statistiques.
Présente l'estimateur de Bayes, expliquant sa définition, son application dans des scénarios de coûts quadratiques et son importance dans le raisonnement probabiliste.