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.
Explore l'estimation du maximum de vraisemblance pour la densité et le modèle Bernoulli, y compris la fiabilité des tests et le dépistage des maladies.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore l'indépendance et la probabilité conditionnelle dans les probabilités et les statistiques, avec des exemples illustrant les concepts et les applications pratiques.
Couvre la probabilité maximale d'estimation dans l'inférence statistique, en discutant des propriétés MLE, des exemples et de l'unicité dans les familles exponentielles.
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.
