基本概念
隨機變量
1.連續性隨機變量
如果隨機變量X的所有可能取值不可以逐個列舉出來，而是取數軸上某一區間內的任一點的隨機變量
2.離散型隨機變量
設X是一個隨機變量，如果它全部可能的取值只有有限個或可數無窮個，則稱X爲一個離散型隨機變量
古典概率
古典概率通常又叫事前概率，是指當隨機事件中各種可能發生的結果及其出現的次數都可以由演繹或外推法得知，而無需經過任何統計試驗即可計算各種可能發生結果的概率。
條件概率
條件概率是指事件A在另外一個事件B已經發生條件下的發生概率。條件概率表示爲：P（A|B），讀作“在B的條件下A的概率”。
期望值
在概率論和統計學中，期望值（或數學期望、或均值，亦簡稱期望，物理學中稱爲期待值）是指在一個離散性隨機變量試驗中每次可能結果的概率乘以其結果的總和
離散變量概率分佈
二項分佈
在概率論和統計學中，二項分佈是n個獨立的是/非試驗中成功的次數的離散概率分佈，其中每次試驗的成功概率爲p。這樣的單次成功/失敗試驗又稱爲伯努利試驗。實際上，當n = 1時，二項分佈就是伯努利分佈。二項分佈是顯著性差異的二項實驗的基礎
伯努利分佈
伯努利分佈亦稱“零一分佈”、“兩點分佈”。稱隨機變量X有伯努利分佈, 參數爲p(0<p<1),如果它分別以概率p和1-p取1和0爲值。均值EX = p , 方差DX = p(1-p)。伯努利試驗成功的次數服從伯努利分佈,參數p是試驗成功的概率。伯努利分佈是一個離散型機率分佈，是N=1時二項分佈的特殊情況
泊松分佈
泊松分佈的參數λ是單位時間(或單位面積)內隨機事件的平均發生率。
若隨機變量X取0和一切正整數值，在n次獨立試驗中出現的次數x恰爲k次的概率P（X=k）=（k=0,1,...,n），式中λ是一個大於0的參數，此概率分佈稱爲泊松分佈。它的期望值爲E(x)=λ，方差爲D(x) = λ。當n很大，且在一次試驗中出現的概率P很小時，泊松分佈近似二項分佈
連續變量概率分佈
均勻分佈
在概率論和統計學中，均勻分佈也叫矩形分佈，它是對稱概率分佈，在相同長度間隔的分佈概率是等可能的。 均勻分佈由兩個參數a和b定義，它們是數軸上的最小值和最大值，通常縮寫爲U（a，b）
正態分佈
正態分佈又名高斯分佈，是一個非常常見的連續概率分佈。正態分佈在統計學上十分重要，經常用在自然和社會科學來代表一個不明的隨機變量。
正態分佈的數學期望值或期望值等於位置參數，決定了分佈的位置；其方差的開平方或標準差等於尺度參數，決定了分佈的幅度
標準正態分佈是位置參數 = 0，尺度參數 = 1的正太分佈
指數分佈
在概率理論和統計學中，指數分佈（也稱爲負指數分佈）是描述泊松過程中的事件之間的時間的概率分佈，即事件以恆定平均速率連續且獨立地發生的過程。