下面介绍了可供多种创建随机值的工具使用的分布法。这些分布法可将基于指定数据流（在分析环境中全局标识或在工具中局部标识）所创建的随机值0–1转化为指定的分布状态。
工具/原料
arcgis
电脑
方法/步骤
1、均匀分布均匀分布是一种连续型概率分布，在这种分布状态下，指定区间内的所有值都具有相同的概率。整数分布是离散形式的均匀分布（请见下文）。在模拟模型中对气体浓度建模时、对某十字路口发生交通事故的时间间隔建模时，以及使用“创建随机点”工具放置随机点时都可以使用均匀分布。均匀分布通常用于对每个可能结果或事件发生概率都相等的随机事件建模。
2、整数分布整数分布是指定区间内所有离散值都具有相同概率的一种概率分布状态。整数分布是离散形式的均匀分布（请见上文）。整数分布可用于对掷骰子时每个数字的出现机会（每个数字都有六分之一的出现概率）建模、在模拟模型中为随机事件建模或为生物研究选择采样地点。整数分布通常用于对每个可能结果或事件发生概率都相等的随机事件建模。
3、正态分布正态分布用于对常见的连续随机变量建模。正态分布被广泛采用，适用于许多应用领域。它的理论基础是中心极限定理，该定理所基于的原理是：如果存在大量观测值，则随机变量的总和将呈正态分布。例如，如果多次抛掷硬币，则在一连串抛币动作中硬币正面朝上的次数将接近正态分布。正态分布的例子包括：某国家的人的身高、某个省的各个高程值以及12岁学生的数学考试分数。
4、指数分布指数分布是一种连续型概率分布。它通常的建模对象是以恒定平均速率发生的事件之间的时间间隔，也可以是单位距离内事件的发生频率。在十字路口接连发生的两次交通事故的时间间隔、夜晚在天空两次看到流星的时间间隔，以及街道上各坑洼处之间的距离，这些都是指数分布的典型例子。在以上每个例子中，随着时间或距离的增加，状态改变或事件发生的机率也会呈指数增加。各事件的发生是相互独立的。
5、泊松分布泊松分布是一种什置葆鸳离散型概率分布。泊松分布适合在给定一个已知平均值的情况下对固定时间步长内事件的发生次数概率进行建模撅掏浑锌。这些事件与它们最后一次发生的状态无关。X轴上是0、4（以此类推）等事件的离散值（通常表示事件的发生次数），Y轴上是现象的发生概率（通常是给定一个已知平均值）。这些事件可以是十字路口的事故发生次数、出生缺陷数量或一平方公里内驼鹿的数量。泊松分布可以对小概率事件进行建模。这种分布有时也被称为小数定律(Lawofsmallnumbers)，因为事件不经常发生，但仍有很多机会让它发生。
6、Gamma分布Gamma分布是一种连续型概率分布。Gamma分布用于对多个呈指数分布的独立变量的总和建模。可将它视为是指数分布的特例。
7、二项分布二项分布可基于对一系列潜在事件实际发生情况的观测对事件的发生次数建模。例如，二项分布可用于采集在临床研究中死于心脏病的人数、拥挤电梯中在第二层走出电梯的人数，或是某动物种群中携带特定遗传性状的动物数量。
8、几何分布几何分布是一种离散型概率分布。它主要对两种现象建模：(1)咯悝滩镞在成功之前需要经历的试验的次数概率（例如，掷骰子时要掷多少次才能掷到数字6）或(2)在成绂茴幌蟾功之前需要经历的失败次数概率（例如，在某条小路上要徒步远足多少次才能看见一只鹿）。在该小路上第一次徒步远足时看不到鹿的概率为(1-p)。在第二次徒步远足时，看不到鹿的概率为(1-p)(1-p)。随着在这条小路上一次次的徒步远足，看不到鹿的概率会呈指数降低，最后终于发现了一只鹿。这些事件彼此相互独立。
9、负二项分布负二项分布是一种离散型概率分布。负二项分布是在伯努利试撰颧幌汪验的基础上得出的。伯努利试验所适用的事件具有以下特质：试验闩岳碱腠结果只能是两个可能结果（成功和失败）中的一个；具有成功概率p（p在每次试验中都相同）；彼此之间相互独立。抛掷硬币就是一种伯努利试验。例如，负二项分布可以用来分析要抛掷硬币多少次才能使其连续五次都正面朝上。因此，负二项分布的建模对象是成功之前的失败次数。当r为整数时，负二项分布成为一种特例，即帕斯卡分布。
