在概率论与数理统计的学习及实际应用中，不放回摸球是一个极其基础且重要的模型。它描述的是从一个包含不同种类物品（如红球、白球）的容器中，逐个或同时抽取物品，且抽取后的物品不再放回容器的过程。
与“放回摸球”（每次抽取相互独立，概率恒定）不同，不放回摸球的各次抽取事件是不独立的。前一次抽取的结果会改变剩余容器中物品的构成，从而影响后续抽取的概率。这种依赖性使得其计算逻辑比放回摸球更为复杂，也是各类数学考试（如高考、考研、公务员考试）中的高频考点。
理解不放回摸球的概率公式是解题的关键。我们主要从两个角度进行推导：一是基于超几何分布的组合算法，二是基于条件概率的分步算法。
这是解决“一次性取出n个球”或“只关心最终结果数量，不关心顺序”最简便的方法。
当题目强调抽取顺序（如“第一次取白球，第二次取红球”）时，需使用排列数或分步概率相乘。
推导逻辑：第一步取到目标球的概率为 M/N；由于不放回，第二步取球时，总数变为 N-1，若第一步取走了目标球，则剩余目标球为 M-1，概率变为 (M-1)/(N-1)。
当直接计算“至少有一个”的情况较为复杂时（如k≥1），可先计算其对立事件（即“一个都没有”）的概率，再用1减去该概率。
通过具体案例，我们可以更直观地掌握不放回摸球的概率公式的应用技巧。以下选取三个不同难度的典型例题。
题目：袋中有3个白球，2个红球，共5个球。从中不放回地依次取出2个球，求第2次取到白球的概率。
解析：
方法一（分步法）：
方法二（抽签原理）：
在不放回抽样中，第k次抽到某类球的概率与第1次相同。因此直接计算第1次取白球的概率即可：3/5。
题目：一批产品共10件，其中3件次品，7件正品。从中随机抽取4件，求恰好有1件次品的概率。
解析：
这里N=10, M=3(次品), n=4, k=1。
使用组合公式：
结论：恰好有1件次品的概率为0.5。
题目：袋中有a个白球，b个黑球。不放回地依次取球，已知第2次取到白球，求第1次也取到白球的概率。
解析：
设A={第1次白}，B={第2次白}。求P(A|B)。
根据贝叶斯公式或条件概率定义：P(A|B) = P(AB) / P(B)。
由抽签原理知 P(B) = a/(a+b)。
P(AB) = P(第1白)P(第2白|第1白) = [a/(a+b)] [(a-1)/(a+b-1)]。
故 P(A|B) = { [a(a-1)] / [(a+b)(a+b-1)] } / [a/(a+b)] = (a-1)/(a+b-1)。
在实际做题或应用中，面对不同的题目描述，如何快速选择正确的不放回摸球的概率公式？以下是网友们最关心的几种情境分类解析。
答案：等价。
这是不放回摸球中的一个重要性质。无论是同时取出n个球，还是逐个取出n个球（不放回），其样本空间的结构在概率计算上是相同的。因此，当题目说“一次性取出3个球”时，我们可以放心地使用组合数 C(N, n) 作为分母，而不必考虑顺序问题。
注意：如果题目问的是“第1个是白球且第2个是红球”，则必须考虑顺序，此时需用排列数或分步概率；若问“取出的3个球中有1白2红”，则无需考虑顺序，直接用组合数。
策略：正难则反。
当题目要求“至少有一个白球”的概率时，直接计算“1个白球”、“2个白球”...“n个白球”的情况可能非常繁琐。此时，应计算其对立事件——“一个白球都没有”（即全是黑球）的概率，然后用1减去它。
公式：
这种方法能大幅减少计算量，尤其在白球数量较多时效果显著。
策略：缩小样本空间。
当题目给出“已知第2次取到白球”时，意味着第2次的位置已经被确定。我们可以将问题转化为：在剩余 N-1 个球中，第1次（现变为剩余中的某一次）取到白球的概率。或者直接使用条件概率公式 P(A|B)=P(AB)/P(B)。
对于更复杂的“已知前两次结果，求第三次...”的问题，建议画出概率树状图，逐步更新剩余球的数量和概率，避免逻辑混乱。
了解不放回摸球的概率公式在不同阶段考试中的演变，有助于我们把握学习重点。
重点在于理解“等可能性”，掌握最基本的排列组合公式 C(n,m) 和 A(n,m)。题目通常球数较少，可直接枚举。
重点区分“放回”与“不放回”。易错点在于将不放回问题误用二项分布（独立事件）公式计算。需深刻理解“不放回”导致的事件不独立性。
在高中及大学阶段，将不放回摸球抽象为超几何分布随机变量X~H(N,M,n)。重点考察期望 E(X) 和方差 D(X) 的计算。公式：E(X) = n (M/N)。
结合质检、遗传学等实际背景，考察建立数学模型的能力。可能需要结合期望值进行决策分析。
| 易错点 | 错误做法 | 正确做法 |
|---|---|---|
| 混淆放回与不放回 | 使用 p^n 计算不放回概率 | 使用组合数或分步乘法，注意分母递减 |
| 忽略“一次性”与“依次”的等价性 | 认为一次性取球不能按顺序算 | 两者概率模型等价，可灵活选择算法 |
| 条件概率样本空间未更新 | 已知第1次取白，第2次仍用原总数N | 已知第1次取白，第2次总数变为N-1，白球数M-1 |
| 期望公式误用 | 使用二项分布期望 np | 超几何分布期望 E(X) = n (M/N)，结果形式相同但含义不同 |
除了核心的不放回摸球的概率公式，网友们还经常关注以下周边知识，我们整理了最高频的10个问题并给出深度解答。
掌握不放回摸球的概率公式，关键在于理解“样本空间递减”和“事件不独立”这两个核心概念。熟练运用组合数法、分步乘法及对立事件法，并注意区分放回与不放回的不同模型，就能轻松应对各类相关考题。希望本文能为您的学习提供清晰的路径和实用的工具。
A：是的。这就是著名的“抽签原理”。在不放回抽样中，只要不知道中间任何一次的结果，第k次抽到特定类型球的概率与第1次相同。例如，10张签中1张中奖，第5个人抽中的概率也是1/10。
A：二项分布对应“放回”抽样（独立重复试验），超几何分布对应“不放回”抽样（有限总体）。当总体数量N非常大，而抽样数量n相对N很小时（通常n/N < 5%），超几何分布可以近似看作二项分布。
A：不影响。概率计算基于“等可能性”假设。只要我们在计数时，将同色球视为可区分（编号1,2,3...）或不可区分（仅看颜色比例），只要分子分母保持一致，结果相同。通常为了计算方便，将同色球视为可区分编号处理。
A：可以使用对立事件法。P(颜色不同) = 1 - P(颜色相同)。P(颜色相同) = P(全白) + P(全黑)。或者分步计算：P(白红) + P(红白)。
A：若X为取出的目标球数量，X服从超几何分布H(N,M,n)，则期望 E(X) = n (M/N)。这与放回摸球（二项分布）的期望公式形式一致，但方差不同。
A：超几何分布的方差 D(X) = n (M/N) (1 - M/N) [(N-n)/(N-1)]。注意最后一项 (N-n)/(N-1) 是有限总体修正系数，当N很大时接近1。
A：需结合语境。若说“依次取出”，通常隐含不放回，除非明确说“取出后放回”。若说“一次性取出”，则等同于不放回。若说“有放回地依次取出”，则明确为放回。
A：同样使用对立事件法。P(至少2个) = 1 - P(0个) - P(1个)。比直接计算P(2)+P(3)+...更简便。
A：可以使用随机数生成器。例如在Python中，使用 random.sample(population, k) 函数，它直接从总体中无放回地抽取k个元素。
A：抽彩票（无摇奖球放回）、发扑克牌、从班级中抽取学生代表、质检抽样等，都是典型的不放回模型。