基本機率事件
在試驗中可直接觀察到的，最基本的不能再分解的結果稱為基本事件，是基本的原事件
離散機率分佈
1、二項分佈（拋硬幣為例，拋n次，有m次正面朝上的機率）
性質：
試驗一系列相同的n個試驗組成每次試驗有兩種可能的結果，把其中一種稱為成功，另一種稱為失敗，
每次試驗成功的機率都是相同的，用p來表示，失敗的機率也相同，用1-p表示
試驗是相互獨立的
二項分佈的數學期望與方差：E(x)= \mu =np
var(x)= \sigma^{2} =np(1-p)
2、泊松分佈（用於估計特定時間段或空間中某事件發生的次數，以10英里長的高速公路上需要維修的路段數目為例）泊松分佈的數學期望和方差相等。
在任意兩個相等長度的區間上，事件發生的機率相等，事件在某一區間上是否發生與事件在其他區間上是否發生是獨立的
泊松機率函式：f(x)= \frac{\mu^{x}e^{-\mu}}{x!} ( \mu ）
3、超幾何分佈
與二項分佈的主要區別：1、超幾何分佈中的各次試驗不是獨立的，2、各次試驗中成功的機率不等。
連續機率分佈(其機率是在某個區間上曲線f(x)下的面積）
1、均勻機率分佈
均勻機率密度函式：f(x)=1/(b-a), (a<=x<=b)
2、正態機率分佈
密度函式：f(x)=1/( \sqrt{2\pi}\sigma ) e^{-((x-\mu)^{2}/2\sigma^{2}}
3、指數機率分佈(描述諸如到達某洗車處的兩輛車的時間間隔，裝載一輛卡車所需時間等隨機變數）
指數機率密度函式：f(x)= \frac{1}{\mu}e^{-\frac{x}{\mu}} (x>=0）
基本機率事件
在試驗中可直接觀察到的，最基本的不能再分解的結果稱為基本事件，是基本的原事件
離散機率分佈
1、二項分佈（拋硬幣為例，拋n次，有m次正面朝上的機率）
性質：
試驗一系列相同的n個試驗組成每次試驗有兩種可能的結果，把其中一種稱為成功，另一種稱為失敗，
每次試驗成功的機率都是相同的，用p來表示，失敗的機率也相同，用1-p表示
試驗是相互獨立的
二項分佈的數學期望與方差：E(x)= \mu =np
var(x)= \sigma^{2} =np(1-p)
2、泊松分佈（用於估計特定時間段或空間中某事件發生的次數，以10英里長的高速公路上需要維修的路段數目為例）泊松分佈的數學期望和方差相等。
性質：
在任意兩個相等長度的區間上，事件發生的機率相等，事件在某一區間上是否發生與事件在其他區間上是否發生是獨立的
泊松機率函式：f(x)= \frac{\mu^{x}e^{-\mu}}{x!} ( \mu ）
3、超幾何分佈
與二項分佈的主要區別：1、超幾何分佈中的各次試驗不是獨立的，2、各次試驗中成功的機率不等。
連續機率分佈(其機率是在某個區間上曲線f(x)下的面積）
1、均勻機率分佈
均勻機率密度函式：f(x)=1/(b-a), (a<=x<=b)
2、正態機率分佈
密度函式：f(x)=1/( \sqrt{2\pi}\sigma ) e^{-((x-\mu)^{2}/2\sigma^{2}}
3、指數機率分佈(描述諸如到達某洗車處的兩輛車的時間間隔，裝載一輛卡車所需時間等隨機變數）
指數機率密度函式：f(x)= \frac{1}{\mu}e^{-\frac{x}{\mu}} (x>=0）