Ce module présente les concepts d'inférence statistique d'un point de vue fréquentiste et bayésien. La leçon 4 adopte le point de vue fréquentiste, en démontrant l'estimation du maximum de vraisemblance et les intervalles de confiance pour les données binomiales. La leçon 5 présente les principes fondamentaux de l'inférence bayésienne. En commençant par une vraisemblance binomiale et des probabilités a priori pour des hypothèses simples, vous apprendrez à utiliser le théorème de Bayes pour mettre à jour l'a priori avec des données afin d'obtenir des probabilités a posteriori. Ce cadre est étendu à la version continue du théorème de Bayes pour estimer les paramètres de modèles continus et calculer les probabilités postérieures et les intervalles crédibles.

Dans ce module, vous apprendrez les méthodes de sélection des distributions préalables et de construction de modèles pour les données discrètes. La leçon 6 présente la sélection des antériorités et les distributions prédictives comme moyen d'évaluation des antériorités. La leçon 7 démontre l'analyse bayésienne des données de Bernoulli et introduit le concept pratique, sur le plan informatique, des antécédents conjugués. La leçon 8 construit un modèle conjugué pour les données de Poisson et discute des stratégies de sélection des hyperparamètres préalables.

Ce module couvre l'analyse bayésienne conjuguée et objective pour les données continues. La leçon 9 présente le modèle conjugué pour les données à distribution exponentielle. La leçon 10 traite des modèles pour les données normalement distribuées, qui jouent un rôle central en statistique. Dans la leçon 11, nous revenons sur la sélection des antériorités et discutons des antériorités "objectives" ou "non informatives". La leçon 12 présente la régression linéaire bayésienne avec des antécédents non informatifs, qui donne des résultats comparables à ceux de la régression classique