Probability 

distributions 
Random variable: Result of measurement on a random process.  

The probability distribution P(X) of a discrete random variable, X, is the probability that a certain value, 
x, of X is realized, i.e. 𝑃 𝑋 𝑥 . Sometimes people don’t use the capital X but use x in both places and 
would write 𝑃 𝑥 . The properties of a probability distribution are as follows:  

  0 ≤ P(x) ≤ 1   
N
   P( x )  1  
i 1
i

The summation sums over all possible simple events  {x1, x2 , x3 ,... xN }  assuming that the events are 

Example : The probability distribution of the calls per hour at a support line.  

Column heights: 0.058, 0.20, 0.30, 0.25, 0.14, 0.05, 0.01, 0.001, 0.00007 

Discrete probability distribution: If X can only take on specific values such as integers only, X is a 
discrete variable. Think of such a distribution as a histogram with probability on the vertical axis and 
random variable values on the horizontal.  

Rolling one Die. 
0.18
0.16
Relative Frequency

0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6
Dice Values
 
 

Page | 33  
 
Example : In an experiment, three fair coins are tossed and number of heads are recorded. Find the 
probability distribution for random variable X, where X= the number of heads  

Page | 34  
 
Expected Values: Finding the Mean and Standard Deviation of a Discrete Distribution 
Let us consider a very simple toy model with a population given by X={1,1,1,2,2,2,2,5,5}. Then the mean 
1 1 1
is    (1  1  1  2  2  2  2  5  5)  (3 1  4  2  2  5)  ( f1 x1  f 2 x2  f3 x3 )  
9 9 N

Thus, in general, if fi is the frequency of each outcome xi, the mean, μ, is  

1 fi

N
 f x   N x   P( x ) x  
i
i i
i
i
i
i i

The mean of x is also called the expected value of x, and often denoted as  

    E ( x )   xi P( xi )  
i

Example: Find the expected value of the number of heads in 3‐coin tosses.  

The expected value of g(x), any function of x, is  

  E ( g ( x ))   g ( xi ) P( xi )  
i

Example: The expected value of x2 in the 2‐coin toss experiment.  

We can show that    

  E  ( xi   )2   E  x 2    2 .  

Example: Calculate the standard deviation for the 2‐coin toss experiment.  

Page | 35  
 
Binomial distribution  
Binomial distribution appears when  

•  the experiment consists of n identical trials 
(e.g., flip a coin n times, production of chiral molecules)  
•  the outcome is binary (“success” or “failure”)  
•  the trials are independent  
•  the random variable X is the number of successes in n trials.  
Binomial Probability function: The probability of having x successes in n trials  

𝑃 𝑥 𝐶 𝑛, 𝑥 . 𝑃 . 1 𝑝  

where p is the probability of success in each trial. 

Example: We roll a die 10 times. What is the probability of getting exactly three 4’s and 7 other 
numbers?  

Page | 36  
 
Binomial Mean 

The probability of “success” for each trial is p, thus, with n trials the expectation value for the number of 
successes x is  

  𝜇 𝐸 𝑥 𝑛𝑝 
 

Binomial Standard Deviation 

The standard deviation of a binomial distribution is given as  

    E (( x   )2 )  np(1  p)  
 

Example : The probability of a randomly chosen households having pet(s) is 45%. If the total number of 
households in Canada is 13 million. What is the expected number of households with pet(s) in Canada? 
What is the standard deviation of this distribution? 

Example: We know that a computer has a probability of failure of 0.1 during a year. We have 40 
computers. Assuming the failure of each computer is independent from each other. 

What is the probability of having 2 computers fail during the year?  

What is the probability of having more than 4 computers fail? 

Page | 37