Explore le cadre de la théorie de la décision en théorie statistique, considérant les statistiques comme un jeu aléatoire avec des concepts clés tels que la recevabilité, les règles minimax et les règles Bayes.
Explore les statistiques non paramétriques, les méthodes bayésiennes et la régression linéaire en mettant l'accent sur l'estimation de la densité du noyau et la distribution postérieure.
Discute de l'inférence bayésienne pour la moyenne d'une distribution gaussienne avec variance connue, couvrant la moyenne postérieure, la variance et l'estimateur MAP.
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.
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.
Explorer les tests d'hypothèses à l'aide du théorème de Wilks, les statistiques du rapport de probabilité, les valeurs p, l'estimation des intervalles et les régions de confiance.
Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.
Couvre l'estimation des points, les intervalles de confiance et les tests d'hypothèses pour les fonctions lisses à l'aide de modèles mixtes et de lissage des splines.
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.
