Table 1: Discrete Distributions 

Moment Gen.
Distribution  Notation  Probability Function  Parameters  Support  Expectation  Variance 
Function 
et 1  e Nt  N 1 N 2 1
U ~ U 1, N   
1
Uniform  P(k )    N  1  k  1, 2,..., N      
N 1  et 
 
N 2 12
n 0  p  1 q  1
N ~ Bin  n, p     pe  q  
n
Binomial  P(k )    p k q n k     k  0,1,..., n   t np   npq  
k  n 1
k n  1, 0  pi ,
Cov  X i , X j  
n!
P x   pixi   
k
x n E( X i ) 
  x1 ! ...  xk ! i 1 
k
Multinomial  X ~ Mult n, p   p  1,   i 1 i        
i 1 i
xi  0,1,..., n  n  pi   npi p j (i  j )
x   x1 ,..., xk  p   p1 ,..., pk 
pet 1 q
Geometric  X ~ Geo  p    P(k )  q k 1  p   0  p  1  q  1  k  1, 2,...        
1  qet p p2
 k  1  m k m
m
0  p  1 q  1  pet  m mq
Negative 
X ~ NB  m, p    P(k )   p q     k  m, m  1,...    t 
     
Binomial   m  1 m 1  1  qe  p p2

X ~ Pois     
k k  0,1,...    (1et )
Poisson  P(k )  e     0  e      
k!
G  N  G  G    G
   n  1   
g ng  N 0 max0, G  (N  n)  g N  N
Hyper‐
X ~ HG  N , G , n    P( g )           e tg
P( g )   n
G
 
geometric  N 1 n  N g  minn, G g N  n 1 
   1  
n  N 1 
 
 
Remarks: 
  
If  X ~ Mult n, p , then  X i ~ Bin  n, pi  . 

 If  X ~ NB  m, p  , then  X  stands for number of trials till m‐th success. 

 If  X ~ Geo  p  , then  X ~ NB 1, p  , and vice versa. 

 If  X ~ HG  N , G , n  , then  N ‐ population size,  G ‐ “Good” elements,  n  ‐ sample size,  g  ‐ “good” in sample. 

 Table 2: Continuous Distributions 
Moment Gen. 
Distribution  Notation  Density Function  Parameters  Support  Expectation  Variance 
Function 
etb  eta ab b  a 
2
1
Uniform  U ~ U  a, b    f t     ab  a  t  b     
ba t b  a 2 12
 

f (t ) 
 
Beta  X ~ Beta  ,           1  1   ,   0   0  t 1  Complicated     
 t 1  t            1
2

      
X ~ Gamma  ,      1  t 
 t  
Gamma  f t   t e   ,  0   t  0  1        
        2
n  0  t
n
f t  
n n
Erlang  X ~ Erlang  n,     t n 1e t     t  0  1        
 n  1! n  1, 2,...    2
1
X ~ Exp      f t   e  t  t 1 1
Exponential     0  t  0  1        
   2
 ( t   )2        t  
Normal  X ~ N   , 2
  f t  
1
e 2  
2   t   1 t 2 2   2 
 2  0   e 2  
 
 
Remarks: 
 If  X ~ Beta(1,1) , then  X ~ U (0,1)  and vice versa.  


   x    u x 1eu du   x  1    x  1 . 
0

 If  X ~ Erlang  n,   , then  X ~ Gamma  n,   , and vice versa. 

 If  X ~ Exp    , then  X ~ Gamma 1,   , and vice versa.