一、常见数据类型
在正式的解释分布之前，我们先来看一看平时遇到的数据。数据可大致分为离散型数据和连续型数据。
离散型数据
离散型数据顾名思义就是只取几个特定的值。例如：当你掷骰子的时候，结果只有1,2,3,4,5,6，不会出现类似1.5,2.5。
连续型数据
在一个给定的范围内，连续型数据可以取任意值。这个范围可以是有限的或者是无穷的。例如：一个人的体重或者身高，可以取值54kg,54.4kg,54.33333kg等等都没有问题。
下面就开始介绍分布的类型。
二、分布类型
伯努利分布（BernoulliDistribution）
首先从最简单的分布开始，伯努利分布实际上是一个听起来最容易理解的分布。伯努利分布一次实验有两个可能的结果，比如1代表success及0代表failure。随机变量XX一个取值为1并代表成功，成功概率为pp，一个取值为0表示失败，失败概率为qq或者说1−p1−p。
这里，概率分布函数为px(1−p1−xpx(1−p1−x，其中x∈(0,1x∈(0,1，我们也可以写成如下形式：
P(x={1−p，p，x=0x=1P(x={1−p，x=0p，x=1
成功和失败的概率没必要相同，也就是没必要都是0.5，但是这俩概率加和应该为1，比如可以是下面的图：
这个图就是p(success=0.15，p(failure=0.85p(success=0.15，p(failure=0.85。
下面说一下随机变量的期望，一个分布的期望就是这个分布的均值。服从伯努利分布的随机变量XX的期望值就是：
E(X=1∗p+0∗(1−p=pE(X=1∗p+0∗(1−p=p
服从伯努利分布的随机变量的方差是：
V(X=E(X2−[E(X]2=p−p2=p(1−pV(X=E(X2−[E(X]2=p−p2=p(1−p
还有许多伯努利分布的例子，比如说明天是否会下雨，今天会不会去健身，明天乒乓球比赛是不是会赢。
均匀分布（UniformDistribution）
当你掷骰子的时候，结果出现1到6中的任何一个，而任何一个结果出现的概率都是相同的，这就是均匀分布最原始的雏形。你可能看出来了，与伯努利分布不同的是，这nn个出现的结果的概率都是相同的。一个随机变量XX为均匀分布是指密度函数如下：
f(x=1b−a−∞≤b<∞f(x=1b−a−∞
下图为均匀分布的密度图的样子：
咱们可以看出来均匀分布的密度图是个矩形，这也就是为啥均匀分布的昵称是矩形分布。
对于均匀分布来说aa和bb都是参数，分布的参数。
例子：假如花店每日销售的花束数量均匀分布，最多40只，最少 