指数ベキの母数推定のための初期点としてラプラス推定を使う：
データをラプラス推定および指数ベキ推定と比較する：
対数正規分布に従うデータをガンマ分布でモデル化する：
シミュレーションの分布を推定分布と比較する：
保険会社の保険契約1件当りの1年間の保険金請求額：
保険金請求についての1シフトした対数級数分布の母数
を推定する：
推定が最大結果を与えることに注意：
いくつかの言語について単語の長さを調べる：
各言語の単語長を
の二項分布としてモデル化する：
実際の分布と推定分布を比較する：
この9つの結果に基づいて p 値の分布をブートストラップする：
p の期待値と推定のための標準偏差を推定する：
テキスト中の語数はZipf分布に従う：
ZipfDistributionを単語の頻度データにフィットする：
rhohat を初期値として使い，切断
ZipfDistributionを最大50カウントでフィットする：
切断値までの累積分布関数を可視化する：
もとデータの切断モデルに含まれない部分を推定する：
1935から1989年までの米国における地震のマグニチュードには2つのモードがある：
複数の
NormalDistributionの可能な混合から分布をフィットする：
成分の平均を抽出する：
成分の平均は非常に離れているので，それぞれがモードであると十分に考えられる：
ボストンの月間最大風速をモデル化する：
経験的量とフィットされた量を比較してどこでモードがデータから逸脱しているかを見る：
大規模州立大学の所得をモデル化する：
給与がDagum分布に従うと仮定する：
給与がより一般的なパレート分布に従うと仮定する：
推定分布の微妙な違いを比較する：
ベータ分布を使ってダウ平均の株式のうちその日に値上がりしたものの割合をモデル化する：
ダウ平均の株価の日々の値動きを求める：
欠測値を取り除き，除いた箇所を0で充填する：
1日のうちで株価が上昇した企業の割合を計算する：
株価が上昇した企業がない日を除き，母数推定を求める：
尤度曲線を可視化し最適点に印を付ける：
中型車の市街地と高速道路における平均走行可能距離は二変量正規分布に従う：
市街地と高速道路の1ガロン当りのマイル数は正規分布に従い相関関係があると仮定する：
市街地と高速道路における推定される平均走行可能距離を抽出する：
市街地と高速道路における走行可能距離の推定相関を抽出する：
対数スケールで結合密度を可視化し，平均走行可能距離に青い印を付ける：
次のデータは1902年12月16日から1977年3月4日までに世界中で発生した大きい（マグニチュードが7.5以上あるいは」死者が1000人以上の）地震から次の大きい地震までの日数を含んでいる：
大きい地震間の平均日数とその中央値を推定する：
1年間の地震の回数は
SinghMaddalaDistributionでモデル化することができる：
分布をデータにフィットする：
最大化した対数尤度を計算する：
最適母数値の付近での対数プロファイル尤度を可視化する：
マルチモーダルデータのモデル化には混合分布を使うことができる：
オールド・フェイスフル・ガイザーの噴出から次の噴出までの時間のヒストグラムには2つのモードがある：
ガンマ分布と正規分布の混合分布をデータにフィットする：
そのヒストグラムを推定分布の確率密度関数と比較する：
対数正規分布を使って株価をモデル化することができる：
分布をデータにフィットする：
1つの母数をフィットされた値に固定してプロファイル尤度を可視化する：
マハナディ川の1日当りの年間最低出水量（立方メートル／秒）を考える：
一日の平均出水量の年間最低量を
MinStableDistributionでモデル化する：
次の30年間について，年間最低一日平均出水量のシミュレーションを行う：
パレート(Pareto)分布を使ってオーストラリアの都市の人口をモデル化する：
パレート分布を使ってある都市の人口が少なくとも1万人である確率を推定する：
母数推定が既知であるものとして確率を計算する：
もとデータに基づいて確率を計算する：
, 
, ... の母数 p, q, ... を求める．
を最大化しようとする．ただし，
は分布母数であり 
は記号分布の確率密度関数である．
, 
, ... を解く．ただし，
は 
次サンプルモーメントであり，
は母数 
の分布の 
次モーメントである．
が既知であると仮定して
を推定する：
が既知であると仮定して
を推定する：
と 
の値を可視化する：
例題
例 
スコープ 