Explore les hypothèses, les implications et les méthodes d'estimation du modèle Peaks-Over-Shind, y compris l'adaptation d'un modèle GPD aux dépassements.
Explore l'estimation de la probabilité maximale et les tests d'hypothèses multivariées, y compris les défis et les stratégies pour tester plusieurs hypothèses.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.
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 conditionnelle maximale de la probabilité, la contribution à la probabilité et l'application du modèle de VEM dans les échantillons fondés sur le choix.
Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.
Explore linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.
Explore les modèles de mélange gaussien pour la classification des données, en mettant l'accent sur la dénigrement des signaux et l'estimation des données originales à l'aide des approches de probabilité et a posteriori.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
