经验概率（empirical probability）是指根据经验估计的事件成功或失败的概率。例如，在 n 次试验中，事件A 出现 m 次，则比值 m/n 是事件 A 成功的相对频数。如果随着试验总次数的逐步增大，其成功的次数 m 和试验次数 n 之比 m/n 趋于某个常数，此常数即经验概率。

以下内容取自维基

经验概率(Empirical probability)或称实验概率(experimental probability)，也称为相对频率(Relative frequency)，是指特定的事件发生的次数占总体实验样本的比率。经验概率并不是一个理论取样范畴，而是通过实际实验取得的。大致上来说，经验概率是从实验和实际观测中估算的概率。

在取样空间中，给定一个事件A，事件A的经验概率=事件A发生次数/全部观测次数。

在统计学上讲，经验概率是一个被估算的概率值，或称为概率的估算值。在简单情况下，这样一个试验的结果只决定某特定事件是否发生。此时，可以用二项分布法进行建模，然后用最大似然法进行经验概率的估算。同样，如果已对概率的先验值做了具体的假设，则可以用贝叶斯法进行估算。如果一个试验包含有更多信息，我们可以做基于统计模型的进一步假设以改进经验概率：如果这个模型合适，则它可以被用来推导一个特定事件的概率。

使用经验概率来估算概率的一大优点既是这种方法相对不需要很多假设条件。

例如，估计一群男性中满足两个条件的人的概率：

a. 他们超过六英尺高；

b. 比起覆盆子果酱，他们更喜欢草莓酱。

直接估算方法是可以数出这群男性中同时满足这两个条件的人数以得出经验概率值。另一种估算方法可以首先算出这一男性群体中身高超过六英尺的比例，以及喜欢草莓酱多过覆盆子酱的比率，但这一估算法的前提是假设这两个条件是彼此独立的。

使用经验概率估进行对概率的估算在概率极低或极高（接近于0或1）时可能会出现问题。在这种情况下，我们需要非常大的样本量以保证估算的相对准确性。这时，根据具体情况我们可以借助统计模型进行估算，通常而言，在假设成立的情况下，这样的模型可以帮助改进经验概率的准确度。

例如，要估算任意一年的二月份中最低的日最高温度低于零度的概率。过去几年的温度几可以用来估计这个概率。或者可以选择一个概率分布模型，用它来拟合过去几年的观测值。拟合成功的分布模型可以用来估算我们需要的概率。使用这种方法，即使过去所有几率这一天的最高温度都高于零度，我们依然可以进行概率估算。

3. 容易混淆的概念：

在英语中，经验概率有时也被称为归纳概率posteriori probability，注意不要和贝叶斯理论中的后验概率（posterior probability）向混淆。前者第一个单词后面多加了一个i。