Теорема Байеса, плотность нормального распределения, биномиальный и пуассоновский законы, корреляция Пирсона, линейная регрессия и информационная энтропия Шеннона.
Позволяет пересчитать априорную оценку вероятности P(A) в точную апостериорную вероятность P(A|B) после получения новых диагностических или опытных данных B.
Классическая колоколообразная функция плотности вероятности из центральной предельной теоремы, задаваемая средним значением μ и стандартным отклонением σ.
Вычисляет точную дискретную вероятность получения ровно k успехов в серии из n независимых испытаний с вероятностью успеха p в каждом.
Моделирует вероятность появления заданного числа независимых событий или дефектов за фиксированный интервал времени, площади или объёма со средней частотой λ.
Измеряет тесноту и направление линейной связи r ∈ [−1, +1] и определяет коэффициенты прямой наименьших квадратов.
Оценивает точность выборочного среднего x̄ через стандартную ошибку s/√n и задаёт границы статистического доверительного интервала.
Фундаментальные уравнения теории информации для оценки минимального числа бит на символ при сжатии без потерь H(X) и предела скорости передачи в канале с шумом C.