Couvre la méthode Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings pour générer des échantillons à partir d'une distribution de probabilité cible.
Explore l'ergodicité géométrique dans les chaînes de Markov et le biais et la variance des estimateurs, en mettant en évidence la quantification des pertes d'efficacité.
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.
Couvre les techniques de simulation stochastique et de réduction de la variance, en se concentrant sur la génération de distributions variables et auxiliaires de Courra.
