| Κατανομή | Συνάρτηση Πιθανότητας | Μέσος | Διασπορά |
| Binomial | \( f(x; n,p) = \binom{n}{x}p^{x}(1-p)^{n-x}\), \(x\in\{0,1,...,n\}\) | \(np\) | \(np(1-p)\) |
| Poisson | \( f(x;\lambda) = \dfrac{\lambda^{x}e^{-\lambda}}{x!}\), \(x\in\mathbb{N_0}\) | \(\lambda = np\) | \(\lambda = np\) |
| Κατανομή | Συνάρτηση Πυκνότητας Πιθανότητας | Μέσος | Διασπορά |
| Normal | \( f(x;\mu, \sigma^2) = \dfrac{1}{\sqrt{2\pi\sigma^{2}}} e^{-\dfrac{(x-\mu)^{2}}{2\sigma^{2}}}\), \(x\in\mathbb{R}\) | \(\mu = np\) | \(\sigma^{2} = np(1-p)\) |
| Κατανομή | Συνάρτηση Πιθανότητας | Μέσος | Διασπορά |
| Geometric | \( f(x; p) = (1-p)^{x}p\), \(x\in\{0,1,2,3,...\}\) | \(\frac{1-p}{p}\) | \(\frac{1-p}{p^{2}}\) |
| Κατανομή | Συνάρτηση Πιθανότητας | Μέσος | Διασπορά |
| Bernoulli | \(f(x;p) = \begin{cases} p & \text{αν } x = 1 \\ 1-p & \text{αν } x = 0 \end{cases}\) | \(p\) | \(p(1-p)\) |
| Κατανομή | Συνάρτηση Πυκνότητας Πιθανότητας | Μέσος | Διασπορά |
| Normal | \( f(x;\mu, \sigma^2) = \dfrac{1}{\sqrt{2\pi\sigma^{2}}} e^{-\dfrac{(x-\mu)^{2}}{2\sigma^{2}}}\), \(x\in\mathbb{R}\) | \(\mu\) | \(\sigma^{2}\) |
| Κατανομή | Συνάρτηση Πυκνότητας Πιθανότητας | Μέσος | Διασπορά |
| Student | \( f(t) = \frac{\Gamma(\frac{ν+1}{2})}{\sqrt{ν\pi}\Gamma(\frac{ν}{2})}(1+\frac{t^{2}}{ν})^{-\frac{ν+1}{2}} \), όπου ν οι βαθμοί ελευθερίας και \(t\in(-\infty,\infty)\) | \(0\) για \(ν\gt1\), αλλιώς δεν προσδιορίζεται |
\(\frac{ν}{ν-2}\) για \(ν\gt2\), \(\infty\) για \(1\ltν\le2\), αλλιώς δεν προσδιορίζεται |
| Κατανομή | Συνάρτηση Πυκνότητας Πιθανότητας | Μέσος | Διασπορά |
| Uniform | \(f(x;a,b) = \left\{\begin{array}{ll} \dfrac{1}{b-a} \text{ για } x \in [a,b]\\ 0 \qquad \text{ αλλιώς } \end{array}\right.\) | \(\dfrac{a+b}{2}\) | \(\dfrac{(b-a)^{2}}{12}\) |
| Κατανομή | Συνάρτηση Πυκνότητας Πιθανότητας | Μέσος | Διασπορά |
| Exponential | \( f(x;\lambda) = \begin{cases} \lambda e^{-\lambda x} & \text{αν } x \geq 0 \\ 0 & \text{αλλιώς} \end{cases} \) | \(\frac{1}{\lambda}\) | \(\frac{1}{\lambda^{2}}\) |