1.古典概型与有限样本空间

古典概型是概率公式最基础的推导起点，其核心在于假设样本空间有限且所有基本事件具有等可能性。推导过程始于明确定义试验的所有可能结果，即样本空间Ω。假设从中取出 n 个小球，其中红球有 m 个，则总样本数为 n。基于“等可能性”公理，任一特定事件 A（如取出红球）包含的基本事件数为 m。
也是因为这些，事件 A 发生的概率 p(A) 定义为它包含的样本数与总样本数之比，即 p(A) = m/n。这一推导看似简单，实则蕴含了严格的逻辑前提：如果基本事件不等可能，该公式便不再适用。
例如，抛掷一枚质地均匀的硬币，样本空间为{正面，反面}，n=2，出现正面对应{正面}，m=1，故 p(正面)=0.5。此模型广泛应用于赌博、抽牌等确定性次数较多的场景，是理解概率计算直觉最清晰的路径。

• 样本空间构建：首先列出所有可能的结果，确保无遗漏且无重复。
• 等可能性假设：必须验证所有基本事件发生的概率确实相同。
• 计数法应用：利用包含-排除原理或容斥原理计算特定事件包含的基本事件个数。

值得注意的是，古典概型的推导并非一劳永逸，当样本空间变得极大时，直接列举将导致效率低下。此时，我们需引入几何概型来拓展推导边界。
2.几何概型与连续样本空间

当试验结果可以是连续变量时，古典概型的离散计数法失效。引入几何概型，将概率转化为几何长度（或面积）、体积的比例。推导始于描述试验结果的几何区域Ω，通常是一个平面区域或立体空间。若所有事件在Ω上概率均等，则事件 A 的概率 p(A) 等于它所覆盖区域的测度（如长度、面积）与Ω的总测度之比。
例如，随机投掷一枚骰子，若投掷面落在平面内的结果可以是无限接近的，我们将其投影到二维平面上，样本空间变为一个正方形或三角形。通过微积分思想的引入，将离散计数替换为积分，从而推导出连续型概率密度函数。这一推导过程极大地丰富了概率模型，使其能描述现实世界中高度连续的现象，如均匀分布、正态分布等。

• 连续样本空间定义：试验结果可取任意实数值，样本空间Ω为欧几里得空间的一部分。
• 测度论基础：利用测度理论定义事件 A 的概率为 P(A) = μ(A)/μ(Ω)，其中μ为测度。
• 图形直观化：通过图形几何模型（如矩形、椭圆）直观展示概率大小。

3.条件概率与贝叶斯定理的进阶推导

转载请注明：概率公式的推导过程