機率公設 - 维基百科，自由的百科全书

统计学系列条目
概率論
概率 概率公理 決定論 非決定論 随机性
概率空間 概率测度 样本空间 随机试验 伯努利試驗 事件 互補事件 互斥 基本事件（英语：Elementary_event） 结果 单元素
随机变量 期望值 條件概率 概率分布 離散型均勻分佈 伯努利分布 二項式分布 幾何分佈 负二项分布 超几何分布 泊松分布 连续型均匀分布 正态分布 对数正态分布 多元正态分布 指数分布 Gamma分布 Beta分布 帕累托分布 联合分布 边缘分布
随机过程 伯努利过程 隨機漫步 维纳过程 馬可夫過程 伊藤過程
統計獨立性 条件独立 全概率公式 大数定律 贝叶斯定理 布尔不等式
文氏图 樹形圖
查 论 编

機率公理（英語：Probability axioms）是概率論的公理，任何事件發生的概率的定義均滿足概率公理。因其提出者为安德烈·柯尔莫果洛夫，也被稱为柯尔莫果洛夫公理（Kolmogorov axioms）。

某个事件${\displaystyle E}$的概率${\displaystyle P(E)}$是定义在“全体”（universe）或者所有可能基础事件的样本空间${\displaystyle \Omega }$时，概率${\displaystyle P}$必须满足以下柯尔莫果洛夫公理。

也可以说，概率可以被解释为定义在样本空间的子集的σ代数上的一个测度，那些子集为事件，使得所有集的测度为${\displaystyle 1}$。这个性质很重要，因为这裡提出条件概率的自然概念。对于每一个非零概率A都可以在空间上定义另外一个概率：

${\displaystyle P(B\vert A)={P(B\cap A) \over P(A)}}$

通常读作“给定A时B的概率”。如果给定A时B的条件概率与B的概率相同，${\displaystyle P(B\vert A)=P(B)}$，则称A与B互相独立。

当样本空间是有限或者可数无限时，概率函数也可以以基本事件${\displaystyle \{e_{1}\},\{e_{2}\},...}$定义它的值，这里${\displaystyle \Omega =\{e_{1},e_{2},...\}}$。

假设有一个基础集${\displaystyle \Omega }$，其子集的集合${\displaystyle {\mathfrak {F}}}$为σ代数，和一个给${\displaystyle {\mathfrak {F}}}$的元素指定一个实数的函数${\displaystyle P}$。${\displaystyle {\mathfrak {F}}}$的元素，称为“事件”。

对于任意一个集合${\displaystyle A\in {\mathfrak {F}}}$， 即对于任意的事件${\displaystyle P(A)\geq 0}$。

即，任一事件的概率都可以用${\displaystyle 0}$到${\displaystyle 1}$区间上的一个实数来表示。

${\displaystyle P(\Omega )=1}$。

即，整体样本集合中的某个基本事件发生的概率为1。更加明确地说，在样本集合之外已经不存在基本事件了。

这在一些错误的概率计算中经常被小看；如果你不能准确地定义整个样本集合，那么任意子集的概率也不可能被定义。

任意两两不相交事件${\displaystyle E_{1},E_{2},...}$的可数序列满足${\displaystyle P(E_{1}\cup E_{2}\cup \cdots )=\sum P(E_{i})}$。

即，不相交子集的并的事件集合的概率为那些子集的概率的和。这也被称为是σ可加性。如果存在子集间的重叠，这一关系不成立。

如想通过代数了解柯尔莫果洛夫的方法，请参照随机变量代数。

又發展成Boole不等式，證明時常使用此公式：${\displaystyle {\displaystyle P(\bigcup _{i}A_{i})\leq \sum _{i}P(A_{i})}}$。

从柯尔莫果洛夫公理可以推导出另外一些对计算概率有用的法则。

${\displaystyle P(\Omega -E)=1-P(E)}$，

${\displaystyle P(A\cup B)=P(A)+P(B)-P(A\cap B)}$，

• 概率論
• 频率概率
• 人位概率（personal probability）
• 主观概率（subjective probability）
• 折衷概率（eclectic probability）
• 统计恒性（statistical regularity）