简单的次序分布：

单个次序统计量的次序分布的工作原理与任何其它单变量分布相同：

两个或更多个次序统计量的联合次序分布与其它多变量分布的工作原理相同：

多项式随机变量的最小元素等于1的概率：

计算三个独立指数分布中最大的那个分布的均值：

投掷四个六面骰子. 求最小值的期望：

求最大值的期望：

求前三个最大值之和的期望. 利用恒等式 和 Expectation 的线性特性，我们得到：

求10年中有9年，25个非熟练经理中最成功的对冲基金经理表现优于市场的概率，假定他们之间彼此的表现以及每年的表现互相独立：

和一个事先选好的精于此道的经理的概率进行比较：

来自于连续分布 的10个随机样本按升序进行排列，并产生一个新的随机变量. 求第11个样本位于排序列表中第4个和第5个最小值间的概率：

该概率等于 且独立于 k：

并且独立于分布：

计算 ExponentialDistribution 的样本中位数期望值：

当样本数为偶数时：

计算大 的近似：

与总体中位数比较：

从 ExponentialDistribution 中求 个样本中的范围分布：

求概率密度函数：

比较直方图，假设采样大小为6：

从 ErlangDistribution 每分钟产生随机变量的一个新实现. 如果产生的值大于先前的实现，则做一个记录. 求第二个记录值的分布：

第一个记录必然发生在第一分钟. 假设第二个记录发生在第 分钟，则它的概率密度为：

第二个记录发生在第 分钟的概率等于第1个和最后一个元素固定的排列数除以总的排列数：

感兴趣的密度通过求 的总和获得：

验证 的归一化：

比较第二个记录的 PDF 和 Erlang 随机变量的 PDF：

求第二个记录的均值和标准差：

求 个标准正态样本中最大元素的分布，其中 是来自于具有 位移的GeometricDistribution 的随机数：

求概率密度函数：

产生该分布的随机数：

绘制密度和比较直方图：

近似分布的均值：

比较样本均值：

一个系统由三个根据寿命分布定义的完全相的同元素组成. 当其中有两个元素失效时，这个系统就无法运作了. 求这个系统的寿命分布：

比较系统的密度函数和一个分量的密度函数：

求此类系统的平均寿命：

求寿命的中位数：

OrderDistribution 是一个随机样本的 RankedMin 的分布：

比较数据直方图和相应的次序分布的概率密度函数：

OrderDistribution 是 TransformedDistribution 的一个特例：

特别地，极限情况对应于 Min 和 Max：

ExponentialDistribution 是 的极限分布，其中 服从 UniformDistribution：

联合次序分布：