在日常生活中，我们常常无法直接知道某件事发生的概率，比如抛一枚硬币正面朝上的概率。这时，可以通过做大量重复试验，计算事件发生的频率来估计概率。

频率是指在 $n$ 次试验中，某事件 $A$ 发生了 $m$ 次，那么频率就是：

当我们不断增加试验次数时，会发现这个频率越来越接近一个固定的数值——这就是该事件的概率。这种现象叫做频率的稳定性，它是大数定律的直观体现。

例如，抛一枚质地均匀的硬币，理论上正面朝上的概率是 $0.5$。如果我们只抛10次，可能得到7次正面，频率是 $0.7$；但如果抛1000次，正面出现的次数可能接近500次，频率就接近 $0.5$。试验次数越多，频率越稳定地靠近真实概率。

因此，在实际问题中（如产品质量检测、天气预报等），当无法准确计算概率时，我们常通过大量试验获得频率，并用它来估计概率。

• 频率公式：

其中 $m$ 是事件 $A$ 在 $n$ 次试验中发生的次数。 示例：抛硬币20次，正面出现12次，则正面频率为 $\frac{12}{20} = 0.6$。

• 大数定律（通俗表述）： 当试验次数 $n$ 越来越大时，频率 $f_n(A)$ 越接近事件 $A$ 的真实概率 $P(A)$。 示例：掷骰子6000次，“出现6点”的频率会非常接近 $\frac{1}{6} \approx 0.167$。

例题1（基础）： 小明抛一枚硬币50次，其中有28次正面朝上。用频率估计这枚硬币正面朝上的概率。

解题过程：

1. 确定试验总次数 $n = 50$。
2. 事件“正面朝上”发生次数 $m = 28$。
3. 计算频率：$\frac{m}{n} = \frac{28}{50} = 0.56$。
4. 因此，用频率估计的概率约为 0.56。

例题2（进阶）： 某工厂抽检一批灯泡，随机抽取1000个进行测试，发现有15个不合格。若再随机抽取一个灯泡，估计它是不合格品的概率。

解题过程：

1. 总试验次数（抽检数量）$n = 1000$。
2. 不合格灯泡数量（事件发生次数）$m = 15$。
3. 计算不合格频率：$\frac{15}{1000} = 0.015$。
4. 根据频率稳定性，当样本足够大时，频率可作为概率的合理估计。
5. 所以，估计下一个灯泡不合格的概率约为 0.015（即1.5%）。

• 误认为少量试验的频率就是概率：比如抛5次硬币有4次正面，就认为概率是0.8。应强调试验次数要足够多才能可靠估计。
• 混淆频率与概率的概念：频率是试验结果，会变化；概率是理论值，是固定的。要说明两者关系但不等同。
• 忽略试验的随机性和独立性：如果试验不独立（如抽球不放回且样本小），频率可能不能很好估计概率。应确保试验条件一致。
• 把频率当作精确值使用：频率只是估计值，存在误差。可提醒学生：“频率≈概率”，不是“=”。
• 忽视大数定律的前提：必须是大量重复且相同条件下的试验。否则频率可能不稳定。