Discute de l'estimation et de la propagation de l'incertitude dans les variables aléatoires et de l'importance de gérer l'incertitude dans l'analyse statistique.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore les informations mutuelles pour quantifier la dépendance statistique entre les variables et déduire des distributions de probabilité à partir de données.
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 linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.
Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.
Se concentre sur l'inférence de la cinétique de réaction dans la combustion, couvrant l'inférence des règles, l'analyse de sensibilité et l'inférence bayésienne.
