在Python中，你可以使用`scipy.stats`库来计算概率分布。下面是一些基本的概率计算示例：
1. 二项分布（Binomial Distribution）
二项分布用于描述在n次独立的伯努利试验中，事件A发生k次的概率。
```python
import numpy as np
from scipy.stats import binom
import matplotlib.pyplot as plt
定义二项分布参数
p = 0.4 事件A发生的概率
n = 5 试验次数
k = np.arange（n + 1） 可能的结果
计算二项分布的概率质量函数（PMF）
probs = binom.pmf（k, n, p）
绘制二项分布
plt.plot（k, probs）
plt.show（）
2. 正态分布（Normal Distribution）正态分布用于描述连续随机变量的分布情况。```pythonfrom scipy.stats import norm
定义正态分布参数
mu = 0 均值
sigma = 1 标准差
x = 1.96 想要计算的分位数
使用CDF计算累积分布函数值
cdf_value = norm.cdf（x, mu, sigma）
print（"累积分布函数值为：", cdf_value）
3. 几何分布（Geometric Distribution）
几何分布用于描述在n次独立的伯努利试验中，首次成功发生在第k次试验的概率。
```python
from scipy.stats import geom
定义几何分布参数
p = 0.4 事件A发生的概率
计算几何分布的概率质量函数（PMF）
probs = geom.pmf（k, p）
绘制几何分布
plt.plot（k, probs）
plt.show（）
4. 使用`scipy.stats`计算特定概率值你可以使用`scipy.stats`中的函数直接计算特定概率值，例如泊松分布的参数λ。```pythonfrom scipy.stats import poisson
定义泊松分布参数
lam = 5 泊松分布的参数λ
计算泊松分布的概率质量函数（PMF）
probs = poisson.pmf（k, lam）
绘制泊松分布
plt.plot（k, probs）
plt.show（）
5. 使用`scipy.stats`计算累积概率
你可以使用`scipy.stats`中的函数计算累积概率，例如正态分布的CDF。
```python
from scipy.stats import norm
定义正态分布参数
mu = 0 均值
sigma = 1 标准差
x = 1.96 想要计算的分位数
使用CDF计算累积分布函数值
cdf_value = norm.cdf（x, mu, sigma）
print（"累积分布函数值为：", cdf_value）
以上示例展示了如何使用`scipy.stats`库计算不同类型的概率分布及其概率值。你可以根据需要修改参数来计算不同的概率分布。