Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Couvre la méthode de l'élément fini statistique, en mettant l'accent sur la construction d'une mesure préalable, en traitant des erreurs de spécification des modèles et en combinant les données des capteurs avec les modèles FEM.
Explore les arbres de décision, les ensembles, le CLT, l'inférence, l'apprentissage automatique, les méthodes de diagnostic, l'augmentation et l'estimation de la variance.
Explore l'inférence des hypothèses pour les estimands statistiques dans les modèles linéaires généralisés, en mettant l'accent sur des approches robustes et génériques.
