ความน่าจะเป็นเชิงประจักษ์คือการคำนวณความน่าจะเป็นบนพื้นฐานของเหตุการณ์ที่เกิดขึ้นจริง มันแตกต่างจากความน่าจะเป็นโดยประมาณหรือในทางทฤษฎีซึ่งสร้างค่าตามหลักการทั่วไปมากกว่าความเป็นจริงที่สังเกตได้ ความน่าจะเป็นเชิงประจักษ์อธิบายกระบวนการอุปนัยเพิ่มเติมซึ่งจะลดข้อผิดพลาดที่เกิดจากแบบจำลองที่ไม่ถูกต้อง แต่เพิ่มข้อผิดพลาดที่เกิดจากเหตุการณ์แบบสุ่ม
ตัวอย่างง่าย ๆ สำหรับการทำความเข้าใจความน่าจะเป็นสองประเภทคือการพลิกเหรียญซ้ำ ๆ แบบง่าย ๆ พูดว่าเหรียญถูกพลิก 100 ครั้ง มันขึ้นมาหัว 54 ครั้งและก้อย 46 ครั้ง มีสองวิธีที่แตกต่างกันในการประมาณความน่าจะเป็นที่การโยนครั้งถัดไปจะเกิดขึ้น ความน่าจะเป็นทางทฤษฎีคือ 50 เปอร์เซ็นต์ ความน่าจะเป็นนี้คงที่จากการพลิกไปพลิก ความน่าจะเป็นเชิงประจักษ์ในทางกลับกันคือ 54% เหรียญขึ้นมา 54% ของเวลา จากข้อมูลนี้เพียงอย่างเดียวอาจคาดหวังได้ว่าจะมีโอกาสเกิดขึ้นอีกเล็กน้อย การเปลี่ยนแปลงความน่าจะเป็นเชิงประจักษ์กับการมาถึงของข้อมูลใหม่ หากหลังจากโยน 200 ครั้งเหรียญจะขึ้นมา 104 ครั้งความน่าจะเป็นเชิงประจักษ์ของเหรียญถัดไปที่เป็นหัว 52%
ความน่าจะเป็นเชิงประจักษ์จะน่าเชื่อถือยิ่งขึ้นเมื่อมีข้อมูลมากขึ้น ถ้าแบบจำลองสำหรับสร้างความน่าจะเป็นเชิงทฤษฎีนั้นดีในตัวอย่างข้างต้นถ้าเหรียญมีความยุติธรรมความน่าจะเป็นทางทฤษฎีและเชิงประจักษ์จะมาบรรจบกันเมื่อขนาดตัวอย่างเติบโตขึ้น หลังจากการโยนหนึ่งล้านเหรียญผู้สังเกตการณ์ควรคาดหวังว่าความน่าจะเป็นเชิงประจักษ์จะใกล้เคียงกับความน่าจะเป็นที่คาดการณ์ไว้ 50%
ยิ่งมีความน่าจะเป็นที่แตกต่างกันสองประเภทยิ่งผู้สังเกตการณ์มากขึ้นอาจพิจารณาเปลี่ยนพารามิเตอร์ของแบบจำลองความน่าจะเป็นเชิงทฤษฎีของเขาหรือเธอ ในการเข้าใจผิดของนักการพนันคลาสสิกซึ่งเหรียญขึ้นมา 99 ครั้งตำราคณิตศาสตร์พื้นฐานจะบอกว่าเหรียญถัดไปยังคงมีโอกาส 50% ที่จะถูกก้อย คำตอบนี้ขึ้นอยู่กับข้อสันนิษฐานที่ว่าเหรียญมีความยุติธรรม: มันมีการกระจายน้ำหนักและความต้านทานอากาศอย่างสม่ำเสมอซึ่งมันถูกโยนอย่างมีประสิทธิภาพและสุ่มและอื่น ๆ ความน่าจะเป็นโดยประมาณอาจบอกนักพนันในสถานการณ์นี้ว่าเหรียญไม่ยุติธรรม การเบี่ยงเบนอย่างมากจากความน่าจะเป็นเชิงทฤษฎีแสดงให้เห็นว่าอาจมีบางอย่างผิดปกติกับหนึ่งในสมมติฐานที่ใช้ในการคำนวณ
ความน่าจะเป็นเชิงประจักษ์ไม่จำเป็นต้องเป็นความน่าจะเป็นทางทฤษฎีสองเท่าเสมอไป มันอาจใช้ในการคำนวณความน่าจะเป็นของเหตุการณ์ที่รู้ว่ามีอะไรอีกเล็กน้อย ตัวอย่างเช่นหากบุคคลกำลังพลิกวัตถุสองด้านซึ่งทั้งสองด้านมีคุณสมบัติที่แตกต่างกันเธออาจต้องพึ่งพาองค์ประกอบเชิงประจักษ์ของความน่าจะเป็นที่จะลงจอดบนด้านหนึ่ง อีกครั้งที่เธอมีข้อมูลมากขึ้นคุณภาพการคำนวณเชิงประจักษ์ของเธอก็จะยิ่งสูงขึ้น
ผู้คนในสาขาเศรษฐศาสตร์และการเงินอาจใช้ความน่าจะเป็นเชิงประจักษ์เพื่อช่วยในการตัดสินใจ นักเศรษฐศาสตร์หลังจากสร้างแบบจำลองเชิงทฤษฎีของตลาดแล้วควรตรวจสอบการคำนวณของเธอกับการคำนวณเชิงประจักษ์ของความน่าจะเป็นที่เกี่ยวข้อง เธออาจต้องพึ่งพาความน่าจะเป็นเชิงประจักษ์อย่างมากในการเติมสัมประสิทธิ์ในแบบจำลองของเธอว่าเธออาจไม่มีวิธีการคำนวณแบบอื่น ในทางปฏิบัติแบบจำลองทางเศรษฐกิจที่มีประโยชน์มักจะรวมองค์ประกอบของความน่าจะเป็นเชิงทฤษฎีและเชิงประจักษ์
