几种概率分布（伯努利分布、二项分布、泊松分布、均匀分布、正态分布、指数分布、伽马分布）

伯努利分布（Bernoulli Distribution）

又名两点分布或者0-1分布，是一个离散型概率分布，为纪念瑞士科学家雅各布·伯努利而命名。若伯努利试验成功，则伯努利随机变量取值为1。若伯努利试验失败，则伯努利随机变量取值为0。记其成功概率为$p(0\le p\le 1)$，失败概率为$q=1-p$。

二项分布（Binomial Distribution）

二项分布是n个独立的是/非试验中成功的次数的离散概率分布，其中每次试验的成功概率为p。这样的单次成功/失败试验又称为伯努利试验。实际上，当n = 1时，二项分布就是伯努利分布。

参考文献

二项分布什么时候趋近于泊松分布，什么时候趋近于正态分布？
二项分布有两个参数，一个 n 表示试验次数，一个 p 表示一次试验成功概率。
现在考虑一列二项分布，其中试验次数 n 无限增加，而 p 是 n 的函数。
如果 np 存在有限极限 $\lambda$，则这列二项分布就趋于参数为 $\lambda$ 的 泊松分布。反之，如果 np 趋于无限大（如 p 是一个定值），则根据德莫佛-拉普拉斯(De’Moivre-Laplace)中心极限定理，这列二项分布将趋近于正态分布。

泊松分布（Poisson Distribution）

泊松分布的概率密度函数是
$$f(x|\lambda )=\frac{{\lambda }^x}{x!}{e}^{-\lambda },x=0,1,2,...,\infty .$$

matlab生成poison distribution

均匀分布（Uniform Distribution）

又分为离散型均匀分布和连续型均匀分布

离散型均匀分布

在统计学及概率理论中，离散型均匀分布是离散型概率分布，其中有限个数值拥有相同的概率。离散型均匀分布的另一种说法为“有限个结果，各结果的概率均相同”。

参考文献

连续型均匀分布

只要概率与区间长度成比例，随机变量就是均匀分布。
均匀概率密度函数：
$$f(x)=\{\begin{array}{rl}& \frac{1}{a-b},a\le x\le b\\ & 0,\text{others}\end{array}$$

正态分布（Normal Distribution）

又名高斯分布（英语：Gaussian distribution）、正规分布，是一个非常常见的连续概率分布。

其概率密度函数为：
$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$

指数分布（Exponential Distribution）

指数分布（英语：Exponential distribution）是一种连续概率分布。指数分布可以用来表示独立随机事件发生的时间间隔，比如旅客进入机场的时间间隔、电话打进客服中心的时间间隔、中文维基百科新条目出现的时间间隔、机器的寿命等。
首先注意到，与泊松分布相比，其最大的差异就是指数分布是针对连续随机变量定义，即时间这个变量。时间必须是连续的。而泊松分布是针对随机事件发生次数定义的，发生次数是离散的。
指数分布的概率密度函数为：
$$f(x|\lambda )=\lambda e^{-\lambda x},x\in [0,+\infty )$$
好的理解

伽马分布（Gamma distribution）

是统计学的一种连续概率分布。伽玛分布中的参数α，称为形状参数，β称为尺度参数。其概率密度函数为：
$$f(x)=\frac{x^{\alpha -1}{e}^{-\frac{1}{\beta }x}}{{\beta }^{\alpha }\Gamma (\alpha )},x>0$$