Couvre la théorie de l'échantillonnage, les statistiques et l'inférence, en mettant l'accent sur la distribution de l'échantillonnage des statistiques.
Explore la théorie de la distribution des estimateurs des moindres carrés dans un modèle linéaire gaussien, en mettant l'accent sur la construction des intervalles de précision et de confiance.
Couvre les fondamentaux des chaînes de Markov et de leurs applications dans les algorithmes, en se concentrant sur la coloration correcte et l'algorithme Metropolis.
Explore des statistiques suffisantes, la compression des données et leur rôle dans l'inférence statistique, avec des exemples comme Bernoulli Trials et des familles exponentielles.
