估计二次分布的两个参数：

假设 n 已知，估计 p：

假设 p 已知，估计 n：

获取对于特定分布族，具有最大似然参数估计的分布：

通过比较数据的直方图和估计概率密度函数，检测拟合优度：

用零分布 dist 执行拟合优度检验:

执行参数估计校正的检验：

通过最大化对数似然值，估计参数：

绘制对数似然函数来可视化检查该解是否最优：

可视化对数似然曲面来求得参数的粗略值：

将原始值作为初始值来估计：

估计泊松数据的正态逼近：

获取估计直到20个数位：

估计连续分布的参数：

比较实验得到的分位数和分布分位数：

估计离散分布的参数：

估计离散多变量分布的参数：

估计连续多变量分布的参数：

比较原概率密度函数和估计概率密度函数之间的不同：

估计截断正态分布的参数：

比较原分布和估计分布：

估计一种构造分布的参数：

估计一种乘积分布的参数：

估计一种 copula 分布的参数：

比较原分布和估计累积分布函数：

估计一种混合分布的参数：

估计混合概率，假定混合分布中各组成分布已知：

指定单位中数量分布的估计参数：

通过匹配中心矩来估计参数：

其它基于矩的方法通常给出相似的结果：

基于默认矩来估计参数：

根据第一阶和第四阶矩来估计参数：

利用默认的方法得到最大似然估计量：

利用 FindMaximum 得到估计量：

利用 EvaluationMonitor 提取所采样的点：

可视化所采样的 和 值的序列：

默认情况下，对于连续参数使用机器精度：

获取高精度结果：

使用伽玛分布对对数正态分布数据进行建模：

比较模拟分布和估计分布：

在一个保险公司里，每年每份保单的事故索赔数目：

由于大多数保单具有至多一个索赔，我们使用对数级数分布对数据进行建模：

获取一些语言的单词长度数据：

把每种语言的单词长度使用二次分布进行建模：

比较实际和估计分布：

在一个文本中的单词数目服从齐夫分布：

对单词频率数据进行 ZipfDistribution 拟合：

比较频率直方图和估计分布：

EstimatedDistribution 可以与诸如 MixtureDistribution 的结构体一起使用，以创建多态模型：

在选定年份中的美国地震震级有两种模式：

从一个 NormalDistribution 与另一个的可能混合进行分布拟合：

比较直方图和估计分布的概率密度函数：

求一个地震具有7或更高的震级的概率：

求平均地震震级：

模拟接下来30次地震的震级：

对波士顿的月最大风速建模：

对数据进行 RayleighDistribution 拟合：

一个 ExtremeValueDistribution：

通过比较经验分位数和拟合分布的分位数，查看模型从数据偏离的位置：

对大型州立大型的收入建模：

假设工资服从 Dagum 分布：

假设它们服从广义 Pareto 分布：

比较估计分布的细微差别：

中型小汽车的平均城市和高速里程数服从二次分布：

假设每加仑的城市和高速里程数服从二次分布，并且具有相关关系：

显示城市和高速里程数的分布：

使用对数幅度的等高线可视化联合密度：

数据包含从1902年12月16日至1977年3月4日，在世界范围内的大地震（震级至少7.5或者超过1000人死亡）的等待时间（以天数为单位）：

通过 ExponentialDistribution 对等待时间进行建模：

估计主要地震之间的天数的平均值和中位数：

每年的地震数目可以使用 SinghMaddalaDistribution 建模：

对数据分布进行拟合：

比较数据直方图和估计分布的概率密度函数：

求一年内美国至少60次地震的概率：

混合分布可以用来对多态数据进行建模：

Old Faithful 泉喷发的等待时间的直方图呈现出两种模式：

对数据进行 MixtureDistribution 拟合：

比较直方图和估计分布的概率密度函数：

求等待时间超过 80 分钟的概率：

模拟未来60次喷发的等待时间：

对数正态分布可以用来对股票价格进行建模：

对数据分布进行拟合：

观察到数据和分布的分位数匹配良好，除了最大的一些值以外：

考虑马哈那迪河年平均最小日流量（以每秒立方米数为单位）：

把年平均最小日流量作为 MinStableDistribution 建模：

比较数据直方图和估计分布的概率密度函数：

模拟未来30年的年平均最小日流量：

使用帕累托分布对澳大利亚的城市人口规模进行建模：

估计城市具有至少 10,000 人口的概率：

基于原始数据计算概率：