从基础定义到高级应用，全方位解析常用概率公式。无论是学术研究、工程建模还是日常决策，这里都能为您提供最详实的理论支撑与实战指南。
概率论是研究随机现象数量规律的数学分支。在日常生活中，我们常遇到无法预先确切知道结果的现象，如掷骰子、天气预报或股票走势。理解常用概率公式是解决这些不确定性问题的关键。本节将深入剖析概率的基本公理体系，帮助您构建坚实的理论框架。
记作 Ω 或 S，是指一个随机试验所有可能结果的集合。例如，掷一枚硬币的样本空间为 {正面，反面}。理解样本空间是计算任何概率值的前提。
样本空间的子集称为事件。事件可分为必然事件（概率为 1）、不可能事件（概率为 0）以及随机事件。掌握事件的运算（并、交、补）是运用加法公式和乘法公式的基础。
柯尔莫哥洛夫提出了概率的三大公理：
1. 非负性：P(A) ≥ 0
2. 规范性：P(Ω) = 1
3. 可列可加性：若 A₁, A₂... 互斥，则 P(∪Aᵢ) = ΣP(Aᵢ)。
这是现代概率论的基石。
| 模型名称 | 适用场景 | 核心特征 | 典型示例 |
|---|---|---|---|
| 古典概型 | 有限样本空间，等可能性 | P(A) = A 包含的基本事件数 / 总基本事件数 | 抛硬币、掷骰子、抽签 |
| 几何概型 | 无限样本空间，均匀分布 | P(A) = 构成事件 A 的区域长度/面积/体积 / 总区域度量 | 飞镖投靶、会面问题、等待时间 |
| 频率概型 | 大量重复试验 | 当试验次数 n→∞ 时，频率稳定于概率 | 产品质量抽检、保险精算 |
在处理离散型随机事件时，常用概率公式往往依赖于准确的计数。排列组合不仅是数学竞赛的常客，更是解决实际工程问题（如网络路由选择、密码破解难度评估）的工具。我们将通过选项卡形式，为您拆解不同情境下的计数策略。
区分“有序”与“无序”是解题的关键。若元素顺序影响结果，则为排列；若仅关注选取的元素本身，则为组合。
在实际生产中，我们常从一批产品中抽检若干件。由于是不放回抽样，每次抽到的概率会发生变化，这正是超几何分布的应用场景。
实例演示：某箱有 10 个零件，3 个次品，7 个正品。从中任取 4 个，恰好有 1 个次品的概率是多少？
解：P(X=1) = [C(3, 1) C(7, 3)] / C(10, 4) = (3 35) / 210 = 105 / 210 = 0.5。
将 n 个球放入 m 个盒子中，根据球是否相同、盒子是否相同、是否允许空盒，共有 16 种情况，其中最常见的四种如下：
现实世界的事件往往不是孤立存在的。当我们获得新的信息（即某个事件已经发生）时，另一个事件发生的概率会发生改变。这就是条件概率的魅力所在。它是连接过去与未来的桥梁，也是贝叶斯推断的起点。
读作：“在事件 B 发生的条件下，事件 A 发生的概率”。注意，分母不再是整个样本空间，而是缩小到了事件 B 的范围内。
用于计算两个事件同时发生的概率。在链式法则中，多个事件同时发生的概率可以展开为一系列条件概率的乘积。
当事件 A 的发生伴随着多种可能的原因 B₁, B₂, ..., Bₙ，且这些原因构成了完备事件组（即互斥且并集为全集）时，我们可以利用全概率公式将复杂问题分解。
应用场景：假设工厂有三条生产线，分别生产了 50%、30%、20% 的产品，它们的次品率分别为 1%、2%、3%。求从市场上随机买一件产品是次品的概率？
解：设 A 为买到次品，B₁, B₂, B₃ 为三条生产线。
P(A) = 0.5×0.01 + 0.3×0.02 + 0.2×0.03 = 0.005 + 0.006 + 0.006 = 0.017。
这意味着次品率为 1.7%。
如果说全概率公式是从“因”推“果”，那么贝叶斯定理则是从“果”溯“因”。在医学诊断、垃圾邮件过滤、机器学习等领域，贝叶斯方法具有不可替代的地位。它允许我们在获得新证据后，更新对某一假设成立的信念程度。
其中：
P(Bᵢ)：先验概率（Prior），即在看到证据 A 之前，认为 Bᵢ 发生的概率。
P(A|Bᵢ)：似然度（Likelihood），即在 Bᵢ 发生的前提下，观察到证据 A 的概率。
P(A)：标准化常数（Evidence），通常通过全概率公式计算。
P(Bᵢ|A)：后验概率（Posterior），即在观察到证据 A 后，Bᵢ 发生的修正概率。
这是一个非常经典的贝叶斯反直觉案例，常被用来测试人们对概率的直觉。
背景：某种疾病在人群中的患病率为 0.1%（即 1/1000）。有一种检测方法，如果人真的患病，检测呈阳性的概率是 99%（灵敏度）；如果人没病，检测呈阴性的概率也是 99%（特异度，即假阳性率为 1%）。现在某人检测结果为阳性，他真正患病的概率是多少？
直觉误区：很多人会直接认为是 99%，但这显然是错误的。
贝叶斯计算：
设 H 为患病，¬H 为未患病，D+ 为检测阳性。
P(H) = 0.001, P(¬H) = 0.999
P(D+|H) = 0.99
P(D+|¬H) = 0.01
我们需要求 P(H|D+)：
结论：即使检测准确率高达 99%，由于该病本身极其罕见，检测出阳性的人中，真正患病的概率仅为 9% 左右！这深刻揭示了先验概率在贝叶斯推断中的决定性作用。
为了更系统地研究随机现象，数学家们总结出了许多典型的概率分布模型。不同的分布对应着不同的物理过程和数据特征。以下是几种最核心的分布及其应用场景。
最简单的离散分布，描述只有两种可能结果（成功/失败）的试验。参数 p 表示成功的概率。这是二项分布的基础。
在 n 次独立的伯努利试验中，成功次数 X 服从二项分布。公式：P(X=k) = C(n,k)pᵏ(1-p)ⁿ⁻ᵏ。
应用：抛硬币 n 次正面朝上的次数、产品抽检中的次品数。
描述单位时间或空间内随机事件发生的次数，适用于稀有事件。当 n 很大且 p 很小时，二项分布趋近于泊松分布。
应用：呼叫中心接到的电话数、放射性物质衰变计数、网站访问流量。
统计学中最著名的分布，呈钟形曲线。由中心极限定理保证，大量独立同分布的随机变量之和近似服从正态分布。
应用：身高体重分布、测量误差分析、考试成绩排名。
| 分布类型 | 符号表示 | 期望 E(X) | 方差 Var(X) | 典型场景 |
|---|---|---|---|---|
| 0-1 分布 | Bern(p) | p | p(1-p) | 抛硬币一次 |
| 二项分布 | B(n, p) | np | np(1-p) | n 次投篮命中数 |
| 泊松分布 | P(λ) | λ | λ | 单位时间故障数 |
| 指数分布 | E(λ) | 1/λ | 1/λ² | 元件寿命、等待时间 |
| 正态分布 | N(μ, σ²) | μ | σ² | 自然界的测量数据 |
A: 概率的取值范围严格限定在 [0, 1] 之间。如果出现大于 1 的结果，通常是因为在计算过程中错误地使用了加法公式（如对互斥事件使用了乘法，或对非互斥事件直接相加而未减去交集），或者是对样本空间的总数计算错误。请检查是否满足概率公理。
A: 独立性指一个事件的发生不影响另一个事件发生的概率（P(AB)=P(A)P(B)）。互斥性指两个事件不能同时发生（P(AB)=0）。
注意：如果两个事件概率都不为 0，它们如果是互斥的，就一定不独立；反之，如果独立，就一定不互斥。
A: 蒙特卡洛模拟是一种通过大量随机抽样实验来估算数值的方法。当某些问题的解析解（即通过公式直接计算精确解）过于复杂或不存在时，我们可以通过计算机模拟数百万次实验，用频率来逼近概率。它是验证常用概率公式正确性的重要工具，也是解决高维积分问题的首选。
A: 不一定。根据公式 P(A|B) = P(AB)/P(B)，如果 P(B) < 1，则 P(A|B) > P(AB)；如果 P(B) = 1，则两者相等。通常情况下，由于 P(B) ≤ 1，条件概率往往大于或等于联合概率，但这取决于具体的概率值大小。