Die drei Revolutionen in der parametrischen statistischen Inferenz. – Die drei Revolutionen in der parametrischen statistischen Inferenz. – Binomiale statistische Inferenz. – James Bernoullis Gesetz der großen Zahlen für die Binomialverteilung 1713 und seine Verallgemeinerung. – De Moivres Normalapproximation der Binomialverteilung 1733 und ihre Verallgemeinerung. – Bayes’ Posterior-Verteilung des Binomialparameters und seine Regel für induktive Inferenz 1764. – Statistische Inferenz durch inverse Wahrscheinlichkeit. – Laplace’ Theorie der inversen Wahrscheinlichkeit 1774–1786. – Ein nichtprobabilistisches Zwischenspiel: Die Anpassung von Gleichungen an Daten 1750–1805. – Gauß’ Herleitung der Normalverteilung und die Methode der kleinsten Quadrate 1809. – Glaubwürdigkeit und Konfidenzintervalle von Laplace und Gauß. – Die multivariate Posterior-Verteilung. - Edgeworths echte inverse Methode und die Äquivalenz von inverser und direkter Wahrscheinlichkeit bei großen Stichproben 1908 und 1909. - Kritik an der inversen Wahrscheinlichkeit. - Der zentrale Grenzwertsatz und die lineare Schätzung minimaler Varianz von Laplace und Gauss. - Laplaces zentraler Grenzwertsatz und lineare Schätzung minimaler Varianz. - Gauss' Theorie der linearen Schätzung minimaler Varianz. - Fehlertheorie. Schiefverteilungen. Korrelation. Stichprobenverteilungen. - Die Entwicklung einer frequentistischen Fehlertheorie. - Schiefverteilungen und die Momentenmethode. - Normalkorrelation und Regression. - Stichprobenverteilungen unter Normalität 1876–1908. - Die Fisher-Revolution 1912–1935. - Fishers frühe Arbeiten 1912–1921. - Die revolutionäre Arbeit 1922. - Studentisierung der F-Verteilung und Varianzanalyse 1922–1925. - Die Ancillarität der Likelihood-Funktion und bedingte Inferenz. Sprache: Englisch