1. Основные понятия прикладной статистики:
1.1. Понятие выборки в статистике.
1.2. Выборочные характеристики.
1.3. Ранги и ранжирование.
1.4. Методы описательной статистики.
2. Основные законы распределения вероятностей, применяющиеся в математической статистике..
2.1. Дискретные распределения (биномиальное и полиномиальное распределения и распределение Пуассона).
2.2. Непрерывные распределения.
2.2.1. Нормальное распределение.
2.2.2. Распределения, связанные с нормальным ( 2-, Стьюдента, F-распредёления).
2.2.3. Распределение Вейбулла, показательное распре деление.
2.2.4. Двумерное нормальное распределение.
3. Теория оценивания.
3.1. Законы больших чисел., оценивание параметров распре деления по выборке.
3.2. Свойства оценок.
3.3. Метод максимального правдоподобия.
3.4. Интервальные оценки.
4. Основы проверки статистических гипотез и принятие решения.
4.1. Статистические модели. Статистические гипотезы.
4.2. Оптимальные стратегии принятия решения.
4.3. Прикладные задачи (критерий знаков, критерий Манна-Уитни и Уилкоксона).
4.4. Критерии согласия (Колмогорова, 2- и )
5. Дисперсионный однофакторный анализ.
5.1. Параметрические модели.
5.2. Непараметрические модели (критерии Краскелла-Уоллиса и Джонкхиера).
5.3. Оценивание эффектов обработки в нормальной модели (метод Шеффе множественных сравнений).
6. Независимость признаков.
6.1. Шкалы измерений признаков.
6.2. Таблицы сопряженности.
6.3. Связь признаков, измеренных в шкале порядка.
6.4. Коэффициент корреляции, нормальная корреляция.
7. Основы корреляционного анализа данных.
7.1. Матрица данных.
7.2. Корреляционная матрица.
7.3. Статистическая модель порождения данных и аппроксимационный подход..
8. Линейный регрессионный анализ.
8.1. Модель линейного регрессионного анализа.
8.2. Простая линейная регрессия. МНК
8.3. Непараметрическая линейная регрессия.
8.4. Структурные уравнения линейной регрессии.

9. Модели и методы факторного анализа.
9.1. Основная идея факторного анализа.
9.2. Модели факторного анализа.
9.3. Метод главных компонент.
9.4. Метод центроидных компонент.
9.5. Вращение факторов.
10. Задача агрегирования (кластерный анализ).
10.1. Содержательная постановка задачи агрегирования.
10..2. Диагонализация матрицы связи произвольной природы.
10.3. Экстремальная группировка параметров.
10.4. Автоматическая классификация объектов.
11. Некоторые другие методы анализа данных (дискриминантный анализ, многомерное шкалирование).
12. Анализ временных рядов.
12.1. Модели временных рядов.
12..2. Методы сведения к стационарности.
12.3. Методы исследования структуры стационарных временных рядов.
12.4. Линейные модели временных рядов.
12.5. Вейв-лет анализ (основные понятия).