计算工具 · 数学计算

概率计算器

古典/条件/贝叶斯

✓本地处理 · 不上传 ✓免费 · 无需登录 ✓无次数限制累计 133 次使用

— —

公式代入逐步展开 · 概率精确推导

经典示例一键载入

概念速查古典 · 独立 · 条件 · 贝叶斯 · 二项

古典概型：有限个等可能基本事件下，P(A) = 有利结果数 / 总结果数。如掷一枚均匀骰子得 6：1/6 ≈ 0.1667。

独立事件：A、B 互不影响时 P(A∩B) = P(A)·P(B)、P(A∪B) = P(A)+P(B)−P(A)P(B)；n 次独立重复「至少发生一次」= 1 − (1−p)ⁿ（抽卡保底直觉的来源）。

条件概率：在 B 已发生的前提下 A 的概率 P(A|B) = P(A∩B) / P(B)。

贝叶斯定理：P(A|B) = P(B|A)P(A) / [P(B|A)P(A) + P(B|¬A)P(¬A)]。低基础率下即便检测很准，阳性者真患病的概率也可能很低——经典「假阳性悖论」。

二项分布：n 次独立试验、每次成功概率 p，恰好 k 次成功 = C(n,k)·pᵏ·(1−p)ⁿ⁻ᵏ，期望 np、方差 np(1−p)。

就绪 · 纯本地计算，组合数走 BigInt 精确、概率以双精度浮点

第一节

关于本工具

About

抛一枚硬币三次，连续两次正面的概率是多少？多数人会算错，因为“条件”改变了样本空间。输入事件与条件，工具按古典概型、条件概率或贝叶斯公式直接输出数值与推导路径。所有计算在浏览器内完成，公式不离开本地，适合考试验算、决策树分析或贝叶斯推理练习。

使用场景

壹

质检抽检方案评估

电子厂质检员小王面临两难：按国标每批抽 125 个，但产线 24 小时不停，抽检太多影响出货。他想知道，如果只抽 50 个，漏掉 2% 以上不良品的概率是多少。使用本工具的「二项分布」计算器，输入批量 1000、不良率 2%、抽检数 50，得到漏检概率约 36%。这个数字让小王说服主管：必须维持原方案，否则每三批就有一批带病出货。

贰

保险续保决策

车险到期前一周，李师傅收到两家报价：A 公司保费 3200 元，B 公司 2800 元但免赔额高 500 元。他纠结的是——过去三年他每年出险 0-1 次，概率约 0.3。用「条件概率」算：给定出险概率 0.3，选 B 方案比 A 方案多承担 500×0.3=150 元期望损失，加上保费差 400 元，总期望支出反而多 250 元。数字一出，他直接续了 A 公司。

叁

校园社团活动抽奖

学生会主席筹备迎新晚会，预算 500 元买 100 个盲盒，其中 10 个含大奖。他担心：如果前 20 个同学每人抽一个都没中大奖，剩余 80 个盲盒里大奖概率是不是变高了？用「不放回抽样的条件概率」计算：在前 20 次无大奖的条件下，第 21 次抽中大奖的概率是 10/80=12.5%，比初始的 10% 高了 2.5 个百分点。他据此调整了现场主持词，鼓励大家继续排队。

肆

外卖备货量预测

面馆老板老张每天备 50 份招牌牛肉面，但周末常不够卖。他统计了 3 个月数据：周末爆单（售罄）的概率是 40%。用「贝叶斯定理」更新：如果今天下雨（周末下雨概率 60%），爆单概率会变成多少？代入先验概率 0.4、似然比（下雨天爆单率 0.8 vs 非下雨天 0.2），算得后验概率约 73%。从此下雨周末他直接备 80 份，少卖 30 份的损失远小于损失 30 个客单。

伍

临床试验样本量估算

医学研究生小陈设计新药 II 期试验，预期有效率 65%，对照组 45%。按统计教材公式，每组需 82 人才能有 80% 把握（统计功效）检测出差异。但科室只能入组 60 人。她用本工具的「功效分析」反算：给定 60 人、α=0.05，实际检验功效只有 64%。这意味着有 36% 的概率明明有效却得不出阳性结论。她拿着这个数字向伦理委员会申请扩大入组，最终获批每组 80 人。

对比矩阵

维度	本工具	竞品 A（Wolfram Alpha）	传统方法
计算类型	古典 / 条件 / 贝叶斯概率	全类型概率统计（含分布拟合）	手算公式或查概率表
输入方式	直接输入事件数、条件数	自然语言输入（如“P(A\|B) if P(A)=0.3”）	手动代入公式，需自行推导
速度	即时（纯前端计算）	需网络请求，结果 1-3 秒	数分钟至数小时（复杂贝叶斯）
离线可用	完全离线（浏览器内执行）	必须联网	离线（纸笔或本地软件）
隐私	数据不出本地浏览器	输入上传至云端服务器	完全本地（纸笔）
学习成本	低：填写数字即可	中：需理解自然语言语法	高：需掌握概率公式与计算技巧
结果展示	纯数值结果	数值 + 分布图 + 推导步骤	仅数值（手算）或需额外绘图

第二节

使用指南

Getting Started

使用步骤

1在「事件 A」输入框填写第一个事件（如“掷骰子点数为 3”），右侧实时显示该事件的概率值
2若计算条件概率，在「事件 B」输入框填写条件事件（如“掷骰子点数为奇数”），结果区自动更新 P(A|B)
3切换到「贝叶斯」标签页，依次填入先验概率 P(A)、似然 P(B|A) 和全概率 P(B)，结果区输出后验概率 P(A|B)
4点击结果区任意概率数字，自动复制到剪贴板，可直接粘贴到文档或聊天工具中

输入输出示例

输入	输出	说明
P(A)=0.3, P(B)=0.4, P(A∩B)=0.12 → 求 P(A\|B)	P(A\|B) = 0.3	常规：条件概率基本公式验证，P(A∩B)=P(A)P(B) 时独立事件，结果与先验一致
P(A)=0.5, P(B\|A)=0.8, P(B\|¬A)=0.2 → 求 P(A\|B)（贝叶斯）	P(A\|B) = 0.8	常规：贝叶斯定理典型应用，先验 0.5，似然比 4:1，后验提升至 0.8
P(A)=0, P(B)=0.5, P(A∩B)=0 → 求 P(A\|B)	P(A\|B) = 0	边界：零概率事件的条件概率，结果应为 0，分母不为零时无除零风险
P(A)=0.5, P(B)=0 → 求 P(A\|B)	未定义（分母为零）	边界：条件概率分母为零，工具应明确提示无法计算，而非返回 0 或无穷
P(A)=0.6, P(B)=0.5, P(A∩B)=0.35 → 求 P(A\|B)	P(A\|B) = 0.7	常规：非独立事件，P(A∩B) ≠ P(A)P(B)，结果 0.7 验证条件概率公式正确性
P(A)=0.5, P(B\|A)=1, P(B\|¬A)=0 → 求 P(A\|B)（贝叶斯）	P(A\|B) = 1	边界：完全确定性证据，后验概率为 1，验证贝叶斯公式在极端似然下的行为
P(A)=0.3, P(B)=0.4, P(A∩B)=0.15 → 求 P(A\|B) 与 P(B\|A)	P(A\|B) = 0.375, P(B\|A) = 0.5	易错：对称性误解，用户常以为 P(A\|B)=P(B\|A)，实际不等，本例直观展示差异
P(A)=0.8, P(B\|A)=0.9, P(B\|¬A)=0.7 → 求 P(A\|B)（贝叶斯）	P(A\|B) ≈ 0.837	易错：高先验但似然比接近 1 时后验变化不大，用户可能误判贝叶斯更新幅度

常见错误对照

1.条件概率 P(A|B) 与 P(B|A) 混淆

✗ 错误已知 P(患病)=0.01、P(阳性|患病)=0.99，求 P(患病|阳性) 时直接写 0.99

✓ 修复用贝叶斯公式：P(患病|阳性) = 0.99×0.01 / (0.99×0.01 + 0.05×0.99) ≈ 0.167

条件概率不可逆。P(A|B) 与 P(B|A) 数值通常不同，必须通过贝叶斯定理转换，不能直接互换。

2.古典概型中事件不是等可能时仍用古典公式

✗ 错误骰子不均匀，仍用 1/6 计算掷出 6 的概率

✓ 修复先确认所有基本事件等可能。若骰子偏重，需用频率或贝叶斯更新概率

古典概型公式 P = 有利结果数/总结果数的前提是每个基本事件等可能。不等可能时结果失真。

3.互斥事件与独立事件混用乘法规则

✗ 错误P(下雨且带伞) = P(下雨)×P(带伞) 但两事件不独立

✓ 修复P(下雨且带伞) = P(下雨)×P(带伞|下雨) 或直接统计联合频率

独立事件才可简单相乘。互斥事件用加法，条件事件用乘法公式 P(A∩B)=P(A)P(B|A)。

4.贝叶斯公式中先验概率更新后仍用旧值

✗ 错误第一次检测阳性后，第二次检测仍用初始患病率 0.01 计算

✓ 修复第一次后验概率作为第二次的先验概率：P(患病|第一次阳性) ≈ 0.167 作为新先验

贝叶斯更新是迭代过程。每次新证据后，后验概率成为下一次计算的先验，不能重复用原始先验。

5.概率值超过 1 或小于 0 仍提交

✗ 错误输入 P(A)=1.5 或 P(B)=-0.2

✓ 修复P(A)=0.5，P(B)=0.3

概率公理要求 0 ≤ P ≤ 1。超出范围的值无意义，工具会报错或返回 NaN。

6.条件概率计算中分母为 0 忽略处理

✗ 错误P(A|B) 中 P(B)=0 时仍用公式 P(A∩B)/P(B)

✓ 修复当 P(B)=0 时，P(A|B) 无定义，应返回 NaN 或提示 B 事件不可能发生

除以零在数学上无定义。条件概率仅在 P(B)>0 时有意义，工具需做零值检查。

第三节

工作原理

How It Works

核心公式

P(A|B) = P(B|A) × P(A) / P(B)

变量说明

P(A|B)事件 B 发生下 A 的条件概率
P(B|A)事件 A 发生下 B 的条件概率
P(A)事件 A 的先验概率
P(B)事件 B 的边缘概率

示例

用户输入 / 输出类型判断与公式本地计算处理

第四节

开发者集成

For Developers

5 种主流语言实现，复制即用：

import math
def comb(n, k):
"""计算组合数 C(n,k)"""
if k < 0 or k > n:
return 0
return math.comb(n, k)
def classical_prob(favorable, total):
"""古典概率：有利结果数 / 总结果数"""
if total <= 0:
raise ValueError("总结果数必须 > 0")
return favorable / total
# 示例：掷一次骰子，点数为 3 的概率
print(classical_prob(1, 6)) # 0.16666666666666666
# 示例：从 52 张牌中抽一张红心 A 的概率
print(classical_prob(1, 52)) # 0.019230769230769232

// 条件概率 P(A|B) = P(A∩B) / P(B)
function conditionalProb(pIntersection, pB) {
if (pB === 0) throw new Error('P(B) 不能为 0');
return pIntersection / pB;
}
// 示例：已知某疾病患病率 1%，检测准确率 99%，求检测阳性时真患病的概率
const pDisease = 0.01;
const pPositiveGivenDisease = 0.99;
const pPositive = 0.01 * 0.99 + 0.99 * 0.01; // 全概率
const pDiseaseGivenPositive = conditionalProb(
pDisease * pPositiveGivenDisease,
pPositive
);
console.log(pDiseaseGivenPositive); // 0.5

package main
import (
"fmt"
"math/big"
)
// 贝叶斯定理：P(A|B) = P(B|A) * P(A) / P(B)
func bayes(pBGivenA, pA, pB *big.Rat) *big.Rat {
// P(A∩B) = P(B|A) * P(A)
pIntersect := new(big.Rat).Mul(pBGivenA, pA)
// P(A|B) = P(A∩B) / P(B)
result := new(big.Rat).Quo(pIntersect, pB)
return result
}
func main() {
// 示例：P(雨|云) = P(云|雨) * P(雨) / P(云)
// 假设：P(云|雨)=0.8, P(雨)=0.3, P(云)=0.4
pCloudGivenRain := big.NewRat(4, 5) // 0.8
pRain := big.NewRat(3, 10) // 0.3
pCloud := big.NewRat(2, 5) // 0.4
result := bayes(pCloudGivenRain, pRain, pCloud)
fmt.Println(result.FloatString(4)) // 0.6000
}

// 组合数计算（用于古典概率中的排列组合场景）
function factorial(n: number): number {
if (n < 0) throw new Error('负数无阶乘');
if (n <= 1) return 1;
return n * factorial(n - 1);
}
function combination(n: number, k: number): number {
if (k < 0 || k > n) return 0;
return factorial(n) / (factorial(k) * factorial(n - k));
}
// 示例：从 10 人中选 3 人组队的可能数
console.log(combination(10, 3)); // 120
// 示例：抛 5 次硬币恰好 2 次正面的概率（二项分布）
const p = 0.5;
const n = 5;
const k = 2;
const prob = combination(n, k) * Math.pow(p, k) * Math.pow(1 - p, n - k);
console.log(prob); // 0.3125

/// 计算条件概率 P(A|B)
fn conditional_prob(p_intersection: f64, p_b: f64) -> Result<f64, &'static str> {
if p_b == 0.0 {
return Err("P(B) 不能为 0");
}
Ok(p_intersection / p_b)
}
fn main() {
// 示例：从一副牌中抽到红心且是 A 的概率
// P(红心∩A) = 1/52 ≈ 0.01923
// P(红心) = 13/52 = 0.25
// P(A|红心) = (1/52) / (13/52) = 1/13 ≈ 0.07692
match conditional_prob(1.0/52.0, 13.0/52.0) {
Ok(prob) => println!("{:.4}", prob), // 0.0769
Err(e) => eprintln!("错误: {}", e),
}
}

第五节

常见问题

Q & A

问算条件概率时，A和B事件怎么填？我老是搞混顺序。＋

答

条件概率 P(A|B) 表示在事件 B 已经发生的条件下，事件 A 发生的概率。在工具里，通常第一个输入框是目标事件 A，第二个是条件事件 B。例如，你想算“已知今天是阴天，下雨的概率”，那么“下雨”是 A，“阴天”是 B。如果填反，结果会完全不同。建议先明确“在什么条件下”和“算什么事件”，再对应填入。

问古典概率、条件概率、贝叶斯，这三个模式到底有什么区别？我该用哪个？＋

答

简单说：古典概率算“所有可能结果中，某事件占多少”，比如掷骰子出 3 的概率是 1/6。条件概率算“已知一件事发生，另一件事的概率”，比如已知阴天，下雨概率变大。贝叶斯则是“已知结果，反推原因的概率”，比如看到地上湿了，反推是下雨还是洒水车。如果只是掷骰子、抽扑克，用古典；如果事件之间有依赖关系，用条件；如果已知结果要反推原因，用贝叶斯。

问我输入了几个事件，结果算出来是 0 或 1，是不是算错了？＋

答

不一定。概率为 0 意味着事件不可能发生（例如骰子掷出 7），概率为 1 意味着必然发生（例如从全是红球的袋子里抽到红球）。如果输入的事件确实不满足条件（比如同时满足两个互斥事件），结果 0 是正常的。请检查事件定义是否正确，例如“A 和 B 同时发生”但 A 和 B 互斥，结果就是 0。如果感觉不符合常识，重新审视事件描述。

问我想算一个复杂一点的概率，比如三个事件同时发生的概率，这个工具能算吗？＋

答

本工具支持多个事件的组合计算，包括同时发生（交集）、至少一个发生（并集）等。对于古典概率，可以直接输入事件个数和总可能数。对于条件概率，可以逐步计算多步条件。对于贝叶斯，支持多原因多结果。如果涉及三个事件同时发生，建议先确认事件是否独立，再选择对应模式。如果事件不独立，需要先知道条件概率值，才能准确计算。

问这个概率计算工具算出来的结果，能用在考试或者作业里吗？＋

答

可以作为验算参考，但不建议直接抄结果。考试和作业通常要求写出计算过程，且题目可能隐含假设（如等可能、独立），工具默认按标准数学公式计算，不会自动判断这些假设是否成立。例如，古典概率要求“每个结果等可能”，如果题目中骰子不均匀，工具直接算会出错。建议先用工具验证思路，再手动写出完整步骤。

问为什么我输入小数概率（比如0.3）算条件概率，结果好像不对？＋

答

条件概率公式 P(A|B) = P(A∩B) / P(B)，其中 P(A∩B) 是 A 和 B 同时发生的概率。如果你只输入了 P(A)=0.3 和 P(B)=0.4，但没有输入 P(A∩B)，工具无法算出条件概率。请确保输入了联合概率 P(A∩B)。如果只有两个单独概率，工具可能默认假设独立（P(A∩B)=P(A)*P(B)），但实际可能不独立，导致结果偏差。

问算贝叶斯公式时，先验概率和似然概率到底填什么？＋

答

先验概率是“在获得新证据之前，你对原因发生可能性的初始判断”，比如“下雨的先验概率是 30%”。似然概率是“如果原因成立，观察到证据的概率”，比如“如果下雨，地上湿的概率是 90%”。工具会要求你输入这些值，然后自动算出后验概率（有了证据后，原因的概率）。建议先确定“原因”和“证据”各是什么，再填入对应数字。

问这个工具需要联网吗？我断网了还能用吗？＋

答

本工具完全在浏览器本地运行，不需要联网。所有计算都在你电脑上完成，数据不会上传到服务器，因此断网也能正常使用。这也意味着你的输入数据不会被第三方获取，隐私性较好。如果页面加载后工具界面显示正常，即使关闭网络，输入数字和点击计算也能得到结果。

隐私保证所有计算与处理均在你的浏览器本地完成，输入数据不会上传服务器，也不会保存或共享。

输入	输出	说明
P(A)=0.3, P(B)=0.4, P(A∩B)=0.12 → 求 P(A\|B)	P(A\|B) = 0.3	常规：条件概率基本公式验证，P(A∩B)=P(A)P(B) 时独立事件，结果与先验一致
P(A)=0.5, P(B\|A)=0.8, P(B\|¬A)=0.2 → 求 P(A\|B)（贝叶斯）	P(A\|B) = 0.8	常规：贝叶斯定理典型应用，先验 0.5，似然比 4:1，后验提升至 0.8
P(A)=0, P(B)=0.5, P(A∩B)=0 → 求 P(A\|B)	P(A\|B) = 0	边界：零概率事件的条件概率，结果应为 0，分母不为零时无除零风险
P(A)=0.5, P(B)=0 → 求 P(A\|B)	未定义（分母为零）	边界：条件概率分母为零，工具应明确提示无法计算，而非返回 0 或无穷
P(A)=0.6, P(B)=0.5, P(A∩B)=0.35 → 求 P(A\|B)	P(A\|B) = 0.7	常规：非独立事件，P(A∩B) ≠ P(A)P(B)，结果 0.7 验证条件概率公式正确性
P(A)=0.5, P(B\|A)=1, P(B\|¬A)=0 → 求 P(A\|B)（贝叶斯）	P(A\|B) = 1	边界：完全确定性证据，后验概率为 1，验证贝叶斯公式在极端似然下的行为
P(A)=0.3, P(B)=0.4, P(A∩B)=0.15 → 求 P(A\|B) 与 P(B\|A)	P(A\|B) = 0.375, P(B\|A) = 0.5	易错：对称性误解，用户常以为 P(A\|B)=P(B\|A)，实际不等，本例直观展示差异
P(A)=0.8, P(B\|A)=0.9, P(B\|¬A)=0.7 → 求 P(A\|B)（贝叶斯）	P(A\|B) ≈ 0.837	易错：高先验但似然比接近 1 时后验变化不大，用户可能误判贝叶斯更新幅度