二項分布の両方の母数を推定する：

nが既知であると想定してpを推定する：

pが既知であると想定してnを推定する：

特定の族に対する母数の最尤推定量を持つ分布を得る：

データのヒストグラムと推定値の確率密度関数を比較することで適合度を調べる：

零分布 dist を使って適合度検定を行う：

母数推定を修正する検定を行う：

対数尤度を最大化することで母数を推定する：

対数尤度関数をプロットし，解が最適であることを視覚的に調べる：

対数尤度曲面を可視化し，母数の大まかな値を求める：

この大まかな値を推定の初期値として与える：

ポアソン(Poisson)データの正規近似を推定する：

推定値を20桁まで求める：

連続分布の母数を推定する：

経験的な変位値と分布の変位値を比較する：

離散分布の母数を推定する：

多変量離散分布の母数を推定する：

多変量連続分布の母数を推定する：

もとの確率密度関数と推定された確率密度関数の差を比べる：

切断正規分布の母数を推定する：

もとの分布と推定分布を比較する：

構築した分布の母数を推定する：

積分布の母数を推定する：

コピュラ分布の母数を推定する：

もとの累積分布関数と推定された累積分布関数を比較する：

成分混合分布の母数を推定する：

成分分布が既知であると仮定して混合分布の確率を推定する：

指定された単位の数量分布についての推定母数：

中心モーメントのマッチングで母数を推定する：

他のモーメントに基づいたメソッドも一般にこれに似た結果を与える：

デフォルトモーメントに基づいて母数を推定する：

第1および第4モーメントから母数を推定する：

デフォルトメソッドを使って最尤度推定を得る：

FindMaximumを使って推定する：

EvaluationMonitorを使ってサンプル点を抽出する：

サンプルとしての一連の と の値を可視化する：

デフォルトで連続母数には機械精度を使用する：

より高精度の結果を得る：

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：

シミュレーションによる分布と推定分布を比較する：

ある保険会社の保険1件あたりの1年間の事故による保険金請求件数：

ほとんどの保険契約について多くても1回しか請求がないので，対数級数分布でデータをモデル化する：

いくつかの言語について単語の長さのデータを得る：

それぞれの言語について二項分布であると仮定して単語の長さをモデル化する：

実際の分布と推定分布を比較する：

テキスト中の単語数はZipf分布に従う：

ZipfDistributionを単語頻度のデータにフィットする：

頻度ヒストグラムを推定分布と比較する：

EstimatedDistributionをMixtureDistributionのような構造と一緒に使って多峰モデルを構築することができる：

アメリカ合衆国における1935年から1989年までの地震のマグニチュードには2つのはモードがある：

あるNormalDistributionと別の正規分布の可能な混合から分布をフィットする：

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：

マグニチュード7以上の地震の確率を求める：

地震のマグニチュードの平均を求める：

次の30回の地震のマグニチュードのシミュレーションを行う：

ボストンの月ごとの最大風速をモデル化する：

データをRayleighDistributionにフィットする：

ExtremeValueDistributionにフィットする：

経験的な変位値とフィットされた分布のそれを比較して，モデルがデータから逸脱している箇所を確かめる：

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(Pareto)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：

中型車の市街地と高速道路における平均的な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ガロンあたりの走行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走行可能距離の分布を示す：

対数スケールで等高線を使い，結合密度を可視化する：

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以上もしくは死者が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：

ExponentialDistributionで地震の間隔をモデル化する：

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：

データのヒストグラムと推定分布の確率密度関数を比較する：

アメリカ合衆国で1年間に最低でも60回の地震が発生する確率を求める：

多峰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：

MixtureDistribution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：

噴出から次の噴出までの時間が80分を超える確率を求める：

次の60回の噴出について噴出から噴出までの時間のシミュレーションを行う：

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：

最大値を除いてデータの変位値と分布がよくマッチしていることを観察する：

マハナディ川の1日あたりの最低流量を1年ごとに計算したもの（立方メートル／秒）を考える：

1日あたりの最低流量を1年ごとに計算したものをMinStableDistributionでモデル化する：

データのヒストグラムを推定分布の確率密度関数と比較する：

次の30年間について，1日あたりの最低流量を1年ごとに計算したもののシミュレーションを行う：

パレート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：

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：

もとのデータに基づいて確率を計算する：