1.离散型

（1）0_1分布

为一种特殊的二项分布，略过。

（2）二项分布

抛一枚不均匀的硬币，每次结果为正面的概率为0.33，抛100次，其中恰好有20次的概率为：

dbinom(20, 100, 0.33)

其中，第一个参数表示发生某事件的总次数，第二个参数表示总共试验的次数，第三个参数表示发生一次某事件的概率

二项分布概率分布律图：

plot(dbinom(1 : 100, 100, 0.33), col = "red", main = "二项分布图", xlab = "次数", ylab = "概率")

（3）泊松分布

关于泊松分布，不算特别好理解。可以参考资料：

 http://www.ruanyifeng.com/blog/2013/01/poisson_distribution.html

http://maider.blog.sohu.com/304621504.html

泊松分布主要满足3个条件：

（一）A为小概率事件

（二）A发生概率是稳定的

（三）A与下一次A事件的发生，是相互独立的

一家医院，统计下来平均每分钟接待2个客人，问假设某次一分钟接待4个客人的概率是：

dpois(4, lambda = 2)

其中，参数2为泊松分布公式中的λ * t

泊松分布概率分布律图：

plot(dpois(0:30, lambda = 2), col = "red", xlim = c(-1,30), xlab = "发生次数", ylab = "概率", main = "泊松分布图")

2.连续型

（1）均匀分布

x在[a, b]区间的每一点概率相同，且每一点的概率与x值大小没有任何关系

举例：[-1,1]区间上的均匀分布，在x=0处的概率密度：

dunif(0,-1,1)

其中，参数二为区间最小值，参数三为区间最大值

均匀分布概率密度图：

set.seed(1)
x = seq(-1, 1, length.out = 100)

y = dunif(x, -1, 1)

plot(x, y, col = "red", type = "l", main = "均匀分布概率密度函数", ylab = "概率")

（2）正态分布

正态分布是生活中最常见的，男女身高，考试成绩，人的寿命等等都服从正态分布。

假设某班级同学身高服从正态分布，该班级身高平均值为1.65m，方差为2.32，则身高1.70m出现的概率为：

dnorm(1.70, 1.65, 2.32)

其中，参数二为平均值，参数三为方差

正态分布概率密度图：

set.seed(1)
x = seq(-10,15, length.out = 100)
y = dnorm(x, 1.65, 2.32)
plot(x, y, xlim = c(-10, 15), type = "l", col = 'red', xaxs = "i", main = "正态分布概率密度图", xlab = "身高", ylab = "概率")

（3）指数分布

同样不喜欢理解的一种概率分布，指数分布可由泊松分布推导出来，指数分布的区间是[0, +∞)，具有无记忆性的特点。

指数分布可以用来表示独立随机事件发生的时间间隔，如旅客进入机场的时间间隔， 设备出故障的时间。

假设某灯泡在单位时间（例如1小时）损坏的概率为0.0168，则在72小时内出现故障的概率为：

pexp(72, 0.0168)

其中参数二为指数密度函数中的λ

指数分布概率密度图：

set.seed(1)
x = seq(0, 90, length.out = 100)
y = dexp(x, 0.0168)

plot(x, y, col = 'red', type = "l", xaxs="i", yaxs="i",xlim = c(0,90), main = "指数分布概率密度图", 

xlab = "时间", ylab = "概率")

未完待续。。。。