1.1 随机试验、样本空间与事件运算
1.1 随机试验、样本空间与事件运算
本节摘要：概率论的起点是"把一次观察抽象成一个可重复的随机试验"。试验的全体可能结果构成样本空间 Ω，我们关心的结果子集叫事件，事件之间用并、交、差、对立四种运算互相组合。本节用"赌场押注"这一最古老的随机试验为主线，讲清 Ω 的两种形态（离散/连续）与事件运算的集合本质，最后用模拟实验演示"事件运算的布尔逻辑"如何变成可执行代码。
从"掷出 6"到样本空间：概率论的第一张地图
概率论研究的第一句话从来不是"概率是多少"，而是"我在观察什么试验"。在赌场里，这个试验是掷骰子、转轮盘、发牌；在实验室里，是测寿命、量电压；在互联网上，是一次点击、一次转化。它们的共同结构是：试验可以在相同条件下重复进行，单次结果事先不可预知，但所有可能结果构成一个已知的集合。这个集合就是样本空间，记作 Ω。
以最经典的掷骰子为例：Ω = {1, 2, 3, 4, 5, 6}。任何一个"掷出 3 点"都叫一个样本点（用 ω 表示）。我们通常不关心单个样本点，而关心"结果落在某个子集里"这件事——"点数大于 3"对应 {4, 5, 6}，"点数为偶数"对应 {2, 4, 6}。事件就是样本空间的子集，记为 A ⊆ Ω。事件发生，当且仅当试验结果 ω ∈ A。
这套"试验 → 样本空间 → 事件"的抽象链条，是 20 世纪前概率论没有解决的根本问题。在柯尔莫哥洛夫之前，概率学家讨论"概率"各说各话：古典派说"等可能结果的比值"，频率派说"长期频率的极限"，主观派说"信念程度"。柯尔莫哥洛夫 1933 年的功绩，就是先统一了"样本空间"这个地基，让所有流派都在同一张地图上谈概率。
样本空间的两种形态：离散与连续
样本空间长什么样，直接决定了后面用哪套数学工具。两个基本形态：
- 离散样本空间：有限集或可数无穷集。掷骰子 Ω = {1,2,3,4,5,6}；连续抛硬币直到第一次正面 Ω = {正, 反正, 反反正, …}。离散空间里，每个样本点本身可以"单独数出来"，为下一章分布律铺路。
- 连续样本空间：实数区间或更一般的不可数集。赌场里更真实的问题是"下一局开牌前等待的时间"Ω = (0, +∞)；轮盘上小球最终停下的角度 Ω = [0, 360)。连续空间里单个点"没有质量"，概率只能落在区间上——这是第 2 章连续型随机变量的全部难点之源。
边界情况值得留意：一个试验的空间形态由"测量方式"决定，不由"现象本身"决定。同一颗骰子，记录点数得到离散空间；用传感器记录落地时的精确时间戳，得到连续空间。先想清楚你要记录什么，再写 Ω，这是建模的第一步。
事件运算：并、交、差、对立
有了子集的概念，事件之间的逻辑关系就变成集合运算。设 A、B 是两个事件：
- 并 A ∪ B：A 或 B 至少一个发生。"掷出偶数 或 点数大于 3" = {2,4,6} ∪ {4,5,6} = {2,4,5,6}。
- 交 A ∩ B：A 和 B 同时发生。"掷出偶数 且 点数大于 3" = {2,4,6} ∩ {4,5,6} = {4,6}。
- 差 A \ B：A 发生但 B 不发生。"掷出偶数但不大于 3" = {2,4,6} \ {4,5,6} = {2}。
- 对立 Aᶜ：A 不发生。"掷出奇数" = {1,3,5}，是"掷出偶数"{2,4,6} 的对立事件。
四个运算里，并和交对应"或"和"且"，是日常语言的直译；差和对立是它们的派生物。对立事件是概率计算里最常被低估的利器——后面 1.2 节会看到，"至少一个发生"这类问题算对立面往往省一半力气。
互斥与包含也是事件语言里的高频词：A、B 互斥指 A ∩ B = ∅（不可能同时发生）；A ⊆ B 指 A 发生必然推出 B 发生。注意互斥不是独立——互斥说的是"交集为空"，独立说的是"概率相乘"，这两个概念极易混淆，1.3 节专门辨析。
事件运算的模拟实验：把布尔逻辑跑起来
事件运算的好处是它可以直接翻译成代码。下面用一个"赌场押注"的例子把四种运算全部跑一遍：同时掷两颗骰子，定义三个事件——A："两颗点数之和为 7"，B："至少有一颗是 6"，C："两颗点数相同"。
import numpy as np from itertools import product # 样本空间：两颗骰子的全部有序结果 omega = list(product(range(1, 7), repeat=2)) print("样本空间大小 |Ω| =", len(omega)) # 36 # 事件 = 子集（用集合推导式构造） A = {o for o in omega if sum(o) == 7} # 和为 7 B = {o for o in omega if 6 in o} # 至少一颗 6 C = {o for o in omega if o[0] == o[1]} # 两颗相同 def show(name, ev): print(f"{name} = {sorted(ev)} 大小 {len(ev)}") show("A", A); show("B", B); show("C", C) show("A∪B", A | B) show("A∩C", A & C) show("A\\B", A - B) show("Bᶜ", set(omega) - B)
输出对照手算：|A|=6（(1,6)…(6,1)），|B|=11，|C|=6，A∪B 的基数是 6+11−2=15（(1,6) 和 (6,1) 被重复数了一次——**这正是 1.2 节容斥原理的预演**），A∩C=∅（和为 7 不可能点数相同），A\B={ (2,5),(5,2),(3,4),(4,3) }，Bᶜ 有 25 个。事件运算在代码层面就是集合运算，一行一个。
蒙特卡洛复核：频率逼近"事件占比"
纯等可能试验里，P(A) = |A| / |Ω| 是"有利点数除以总点数"；但对"掷出均匀骰子"这类机制，我们更相信模拟的长期频率。把"事件是否发生"翻译成布尔数组，均值就是频率：
rng = np.random.default_rng(42) N = 1_000_000 d1 = rng.integers(1, 7, N) d2 = rng.integers(1, 7, N) def freq(mask): return mask.mean() print("P(和为7) 模拟 %.4f 手算 6/36=%.4f" % (freq(d1 + d2 == 7), 6/36)) print("P(至少一颗6) 模拟 %.4f 手算 11/36=%.4f" % (freq((d1 == 6) | (d2 == 6)), 11/36)) print("P(两颗相同) 模拟 %.4f 手算 6/36=%.4f" % (freq(d1 == d2), 6/36)) print("P(和为7且同点) 模拟 %.4f 手算 0" % freq((d1 + d2 == 7) & (d1 == d2)))
一百万次模拟与手算的差距在千分之一以内。注意代码里 (d1 == 6) | (d2 == 6) 与 & 的用法——布尔数组上的 | 和 & 就是事件运算的并和交，这正是"事件是集合、集合运算可执行"的最直接体现。这个"手算 + 模拟互证"的工作流将贯穿全册，从第 1 章一直用到第 9 章回归。
常见坑位与本节要点回顾
⚠️ 常见坑 1：样本空间写漏。建模第一步就少列可能结果，后面全错。自检口诀：把 Ω 列出来之后问自己一句"还有没有其他可能"。
⚠️ 常见坑 2：混淆互斥与独立。"两个事件不能同时发生"与"两个事件互不影响"是两回事，1.3 节用骰子例子给出反例。
⚠️ 常见坑 3：对离散空间套用连续思维。"P(掷出 3) 很小"在离散空间里可能很大——离散与连续的概率直觉完全不同，第 2 章专门处理。
- 随机试验三要素：可重复、结果不可预知、全体可能结果已知
- 样本空间 Ω：试验所有可能结果（样本点）的集合，是概率分析的"宇宙"
- 事件 = 子集：A ⊆ Ω，事件发生当且仅当结果落在 A 中
- 四种运算：并（或）、交（且）、差、对立；互斥与包含是衍生关系
- 离散 vs 连续：有限/可数 vs 实数区间，决定后续概率工具的选择
- 运算可执行：集合运算 ↔ 布尔数组的 |、&、~，蒙特卡洛频率复核手算结果是全册标准工作流