1 Introduzione ai modelli lineari generalizzati(GLM): struttura ed alcuni esempi notevoli. 2. La famiglia esponenziale. La funzione di verosimiglianza e i momenti. La funzione legame. GLM: Specificazione completa. Funzioni di legame canoniche. 3 Inferenza nei GLM. Stima dei parametri di un GLM. Informazione di Fisher. Legame canonico. Algoritmi iterativi La stima del parametro di dispersione. 4. Valutazione dell'adeguatezza dei modelli. Devianza. Tipi di residui: Pearson, devianza, Anscombe. 5. Applicazioni all'analisi di tabelle di frequenza multiple. La verosimiglianza per modelli log-lineari pre diverse strategie campionarie. La devianza per un modello Poisson log-lineare. Modelli per tabelle con dimensione maggiore di due. Indipendenza marginale, indipendenza condizionata, indipendenza in blocco. 6. Applicazione dei GLM per l'analisi di dati di sopravvivenza. Funzione di rischio e modelli a rischi proporzionali. Verosimiglianza e specificazione nell'ambito dei GLM per modelli con baseline completamente nota.