概率，亦称“或然率”，它是反映随机事件出现的可能性大小。随机事件是指在相同条件下，可能出现也可能不出现的事件。例如，从一批有正品和次品的商品中，随意抽取一件，“抽得的是正品”就是一个随机事件。
设对某一随机现象进行了n次试验与观察，其中A事件出现了m次，即其出现的频率为m/n。经过大量反复试验，常有m/n越来越接近于某个确定的常数（此论断证明详见伯努利大数定律）。该常数即为事件A出现的概率，常用P (A) 表示。
扩展资料：
发展历程
第一个系统地推算概率的人是16世纪的卡尔达诺。记载在他的著作《Liber de Ludo Aleae》中。书中关于概率的内容是由Gould从拉丁文翻译出来的。
卡尔达诺的数学著作中有很多给赌徒的建议。这些建议都写成短文。然而，首次提出系统研究概率的是在帕斯卡和费马来往的一系列信件中。
这些通信最初是由帕斯卡提出的，他想找费马请教几个关于由Chevvalier de Mere提出的问题。Chevvalier de Mere是一知名作家，路易十四宫廷的显要，也是一名狂热的赌徒。问题主要是两个：掷骰子问题和比赛奖金分配问题。
粗略地讲，概率就是事件发生可能性大小的一种数值量度，p∈[0,1]。
1、概念背景
2、规范的定义
设E是随机试验，S是它的样本空间，对于E的每一个事件A赋予一个实数，记为P(A)。如果集合函数P(.)满足下列条件：（1）非负性 即对于每一个事件A，有P(A)≥0；（2）规范性 P(S)=1;(3)可列可加性 设A1A2...是两两互不相容的事件，即i≠j时，AiAj=∅，i，j=1,2...，则有P(A1∪A2∪...)=P(A1）+P(A2)+... 那么称P(A)为事件A的概率。
概率是指在某件事情发生的可能性。
概率也叫或然率、机会率、可能性
从概率学的角度就是在一定条件下，重复n次实验，发生某一事件的次数为m，则概率p=
概率反映随机事件出现的可能性大小。随机事件是指在相同条件下，可能出现也可能不出现的事件。例如，从一批有正品和次品的商品中，随意抽取一件，“抽得的是正品”就是一个随机事件。
设对某一随机现象进行了n次试验与观察，其中A事件出现了m次，即其出现的频率为m/n。经过大量反复试验，常有m/n越来越接近于某个确定的常数（此论断证明详见伯努利大数定律）。该常数即为事件A出现的概率，常用P (A) 表示。
研究支配偶然事件的内在规律的学科叫概率论。属于数学上的一个分支。概率论揭示了偶然现象所包含的内部规律的表现形式。所以，概率，对人们认识自然现象和社会现象有重要的作用。
比如，社会产品在分配给个人消费以前要进行扣除，需扣除多少，积累应在国民收入中占多大比重等，就需要运用概率论来确定。
概率计算方法：P(A)=A所含样本点数/总体所含样本点数。实用中经常采用“排列组合”的方法计算。
扩展资料：
概率的加法法则：
1、定理：设A、B是互不相容事件（AB=φ），则：
P（A∪B）=P（A）+P（B）
推论1：设A1、 A2、…、 An互不相容，则：P(A1+A2+...+ An)= P(A1) +P(A2) +…+ P(An)
推论2：设A1、 A2、…、 An构成完备事件组，则：P(A1+A2+...+An)=1
推论3：若B包含A，则P(B－A)= P(B)－P(A)
推论4（广义加法公式）：
对任意两个事件A与B，有P(A∪B)=P(A)+P(B)－P(AB)
2、条件概率
条件概率：已知事件B出现的条件下A出现的概率，称为条件概率，记作：P(A|B)
条件概率计算公式：
当P(A)>0，P(B|A)=P(AB)/P(A)
当P(B)>0，P(A|B)=P(AB)/P(B)
3、乘法公式
P(AB)=P(A)×P(B|A)=P(B)×P(A|B)
推广：P(ABC)=P(A)P(B|A)P(C|AB)
参考资料来源：百度百科-概率
概率是一个事件发生的可能性的度量。见概率和统计术语表。概率被量化为介于0和1之间的数，其中，广义地说，0表示不可能，1表示确定。一个事件发生的概率越高，该事件发生的可能性就越大。一个简单的例子是抛掷公平的（无偏见的）
解释：
1. 当处理在纯理论环境中随机且定义良好的实验时（像抛掷一个公平的硬币），概率可以用期望结果的个数除以所有结果的总数来进行数值描述。举个例子，掷两次硬币就会得到“头尾”、“头尾”、“尾尾”和“尾尾”的结果。得到“头上”结果的概率为4的1或1/4或0.25（或25%）。然而，在实际应用中，概率解释有两个主要的相互竞争的类别，其追随者对概率的基本性质有不同的看法：
2. 客观主义者指派数字来描述某种客观或物理状态。最流行的客观概率是频率概率，即在重复实验时，随机事件的概率表示实验结果发生的相对频率。这种解释认为概率是结果的“长期”相对频率。这就是倾向概率，它将概率解释为某项实验产生某种结果的倾向，即使只进行一次。
3. 主观主义者根据主观概率来分配数字，即作为一种信仰程度。信念的程度被解释为：“如果e，0或者e，你将买卖一个付1单位效用的赌注的价格”，最流行的主观概率版本是贝叶斯概率，其中包括专家知识和实验数据，以产生概率。专家知识以某种（主观的）先验概率分布表示。这些数据包含在一个似然函数中。前向和可能性的乘积，归一化，导致后向概率分布，其中包含到目前为止已知的所有信息。根据Aumann的同意定理，先前信仰相似的贝叶斯代理最终会以类似的后信仰告终。然而，足够不同的前嫌会导致不同的结论，不管参与者分享了多少信息