I parte: Inferenza Statistica - Richiami essenziali di teoria della probabilità. - Modelli statistici parametrici e funzione di verosimiglianza. Riassunti sufficienti e sufficineti minimali. - La stima di massima verosimiglianza. L'informazione di Fisher e le proprietà della stima di massima verosmiglianza. - La verifica di ipotesi. Test connessi alla verosimiglianza. Rapporto di verosimiglianza. Verosimiglianza profilo. Importanti esemplificazioni. Stima intervallare. II parte: I modelli lineari generalizzati - Introduzione ai modelli lineari generalizzati(GLM): struttura ed alcuni esempi notevoli. - La famiglia esponenziale. La funzione di verosimiglianza e i momenti. La funzione legame. GLM: Specificazione completa. Funzioni di legame canoniche. - Inferenza nei GLM. Stima dei parametri di un GLM. Informazione di Fisher. Legame canonico. Algoritmi iterativi La stima del parametro di dispersione. - Valutazione dell'adeguatezza dei modelli. Devianza. Tipi di residui: Pearson, devianza, Anscombe. - 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. - 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. - Modelli con sovradispersione. La quasi verosimiglianza.