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.
Discute de la probabilité que les trains à pics soient basés sur des modèles générateurs et des calculs de log-probabilité à partir des données observées.
Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.
Explore les modèles de mélange gaussien pour la classification des données, en mettant l'accent sur la dénigrement des signaux et l'estimation des données originales à l'aide des approches de probabilité et a posteriori.
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.
Se penche sur les estimateurs de vraisemblance maximale, leurs propriétés et leur comportement asymptotique, en mettant l'accent sur la cohérence et la normalité asymptotique.
