Explore le théorème de Bayes pour la détection de pièces défectueuses, les variables aléatoires discrètes et les fonctions de distribution, avec des exemples pratiques et des exercices.
Couvre les propriétés et la construction des processus de Poisson à partir de variables aléatoires d'i.i.d. Exp(X), en soulignant l'importance du taux de processus et des distributions de temps de saut.
Couvertures Modèles linéaires généralisés, probabilité, déviance, fonctions de liaison, méthodes d'échantillonnage, régression de Poisson, surdispersion et modèles de régression alternatifs.
Explore la théorie et les applications des extrêmes multivariés, en mettant l'accent sur l'adaptation des modèles marginaux et de dépendance ensemble pour une estimation précise.
Explore le concept de distribution stationnaire dans les chaînes de Markov, en discutant de ses propriétés et de ses implications, ainsi que des conditions d'une récurrence positive.
Explore les promenades aléatoires sur des espaces discrets et leurs propriétés, y compris les variables aléatoires multivariées et les distributions de Poisson.
Explore les théorèmes de limite extrême et l'analyse statistique pour l'analyse d'événements extrêmes comme les précipitations du Venezuela et les données de Venise.
Introduit des fonctions de masse de probabilité pour des variables aléatoires discrètes et diverses distributions, en mettant l'accent sur le calcul des attentes.
Couvre les modèles de données de comptage et la régression de Poisson, puis les transitions vers une analyse univariée des séries chronologiques pour la prévision des variables économiques.
Explore les statistiques de Poisson, des exemples de tremblements de terre et de frappes éclair, de courant noir et de bruit de lecture dans les appareils photosensibles.
