1. 一道让我印象深刻的"送分题"翻车现场

几年前帮一批准备考试的同学梳理概率论，我出了一道自认为闭眼都能答对的题：袋子里3个红球2个白球，一次摸2个，设A="至少摸到1个白球"，B="至少摸到1个红球"，问A和B是什么关系。教室里安静了十几秒，然后有人答"互斥"，有人答"对立"，还有人认真地算了半天概率说"这两个事件概率都挺大的，应该不互斥吧"。

这题的正确回答是：A和B既不互斥也不对立，它们可以同时发生，比如摸到一红一白。就这么一个不需要任何计算的判断题，栽了一大片。问题出在哪儿？不是算错了，而是很多人脑子里的"随机事件"还是那个中学语文意义上的"事情"，而不是一个可以取交、取并、取补的集合。你把事件当"事情"，就会本能地去想"这两件事能不能一起发生"；你把事件当集合，就会本能地去写A∩B到底是不是空集，一目了然。

这也是我特别想把"随机事件及其定义"这个话题单独拎出来讲的原因。绝大多数概率教材把它当成两页纸的铺垫，匆匆带过就直接进排列组合和古典概型，结果后面所有公式——加法公式、乘法公式、全概率、贝叶斯——全都建立在"事件是集合"这个地基上。地基没夯实的直接后果是：公式会背，题一变就懵。这篇内容我打算把随机试验、样本空间、随机事件的形式化定义、事件的四种关系与三种运算、事件域这个东西到底为什么存在、古典概型里定义如何落成数数、以及怎么用几行代码把抽象定义"跑"出来，一条线串下来。刚接触概率论的、准备各类考试的、以及做数据分析想补一下理论底的，都能对号入座。

2. 随机试验的三个硬指标：先把"可重复"这层说透

2.1 什么叫随机试验，为什么门槛这么高

教科书上给随机试验列了三条：可以在相同条件下重复进行；每次试验的可能结果不止一个，而且事先能明确所有可能结果；每次试验之前不能确定哪一个结果会出现。这三条我建议不要死记，要理解成三个"卡人"的门槛，每一条都在排除一类东西。

第一条排除的是不可重复的现象。"明天会不会下雨"严格来说不是随机试验，因为你没法把"今天"这个条件原封不动地再摆一遍。第二条排除的是结果说不清的现象，比如"某个人今天的心情"，可能结果是什么你压根没法事先列全。第三条排除的是确定性现象，比如"在标准大气压下把水加热到100摄氏度会沸腾"，结果虽然不止一个（沸腾或者不沸腾），但在这个条件下你事先就能确定，属于必然事件。

我见过不少同学在这一步产生一个误解：以为概率论只能处理"能反复做实验"的事。这是个要命的误解。随机试验只是初等概率论为了教学方便设立的模型，现代概率论早就改用概率空间那套公理体系（样本空间、事件域、概率测度三件套），完全不要求"可重复"。一条新闻明天上不上热搜，你没法重复实验，但你完全可以建一个概率模型去评估。所以"可重复"这一条，理解成"教学模型里的脚手架"就够了，别拿它当概率论的使用边界。

2.2 样本空间的书写纪律：三条不能破

样本空间记作Ω，就是一次试验所有可能结果组成的集合，里面的每个结果叫样本点，记作ω。写样本空间这件事看着简单，实际上是最容易埋雷的地方，我总结了三条必须守住的纪律。

第一条，穷尽。所有可能结果一个都不能漏。掷一枚骰子，Ω={1,2,3,4,5,6}，你要是写成{1,2,3,4,5}，后面所有概率都错，而且错得很隐蔽。

第二条，互斥。任意两个样本点不能同时出现。有人描述掷两枚硬币的结果时写成"两个正面、一正一反、两个反面"，这个写法就违反了互斥性，因为"一正一反"其实包含了"先正后反"和"先反后正"两种情况，它不是一个样本点，而是一个事件。正确的写法是Ω={正正, 正反, 反正, 反反}，四个样本点，粒度一致。

第三条，粒度一致。同一个样本空间里，样本点应该是同一个层级的东西。还是上面那个例子，"一正一反"和"正正"混在一起，一个粗一个细，这个空间就没法用了。

2.3 一个被教材一句话带过的关键洞察：样本空间不唯一

这条我想单独强调。同一个随机试验，样本空间可以有多种取法，取决于你关心什么。掷两枚硬币，你可以取Ω={正正, 正反, 反正, 反反}，四个样本点；你也可以只关心正面出现的次数，取Ω={0,1,2}，三个样本点。这两个样本空间描述的是同一个物理过程，但它们是不同的数学模型。

为什么这件事重要？因为它直接决定了你后面算概率的难度。举个典型例子：从一批产品里抽3个，问"至少有一个次品"。如果你用"逐个抽、记录顺序"的方式取样本空间，样本点很多，算起来繁琐；如果你只用"次品个数"建模，样本点只有0、1、2、3四个。选样本空间本质上是在选坐标系，选得好，题就简单一半。但要注意，一旦换了样本空间，等可能性这个前提也得跟着重新检查——"0个次品"和"1个次品"显然不等可能，而"正正""正反""反正""反反"是等可能的。这一点后面讲古典概型时还会重点说。

3. 随机事件的形式化定义：它是集合，不是"发生的事情"

3.1 定义只有一句话，但信息量很大

设Ω是某个随机试验的样本空间，称Ω的子集A为随机事件，简称事件。当且仅当试验的结果ω∈A时，称事件A发生。

这句话拆开来有三层意思。第一层，事件的身份是集合，是样本空间的一个子集，仅此而已。第二层，"事件发生"这个听上去很玄的说法，被翻译成了一个赤裸裸的从属关系：试验结果这个元素，落没落进这个集合里。第三层，一个事件"发生"还是"不发生"是互斥且穷尽的，因为结果要么在A里，要么在A的补集里，没有第三种可能。

我特别想让读者记住第一层。为什么必须在脑子里把"事件"和"集合"划等号？因为只有集合才能做运算。你要表达"至少有一个发生"，对应的就是并集；要表达"同时发生"，对应的就是交集；要表达"不发生"，对应的就是补集。反过来，如果你脑子里事件还是"事情"，那"至少一个发生"和"恰好一个发生"这两句话，你会觉得差不多，但在集合语言里它们差了十万八千里。

3.2 三种必须认得的特殊事件

必然事件Ω。样本空间本身作为事件，它必然发生，因为任何结果都落在Ω里。掷骰子时"点数在1到6之间"就是必然事件，概率为1。

不可能事件∅。空集作为事件，它永远不发生，因为没有结果能落在空集里。掷骰子时"点数为7"，在Ω={1,...,6}的模型下这个事件就是∅。

基本事件。只含一个样本点的单元素集合{ω}。例如{1}表示"掷出1点"。基本事件是最小粒度的事件，任何事件都可以写成若干基本事件的并。

这里有一个容易被糊弄过去的点：不可能事件∅是一个合法的事件，不是"没有事件"。它和"这个事件没有意义"是两回事。掷骰子出现7点，在这个样本空间里就是一个正正经经的事件，只是它的概率是0。这个认知在后面学连续型随机变量时至关重要——那时候会碰到大量"概率为0但不是不可能"的事件，比如在[0,1]区间上均匀取点，恰好取到0.5的概率是0，但它并不是不可能发生。要是你现在就把"概率为0"和"不可能"划等号，后面必然要返工。

3.3 为什么非要用集合语言，不能用大白话

有人可能会问，说人话不好吗，非要搞这么抽象。我的经验是：大白话在简单场景下够用，一到多事件复合的地方立刻崩。

举个具体的。掷两枚骰子，设A="至少一个6点"，B="点数之和为7"。用大白话描述"至少一个6点且点数之和为7"，你能说清楚，但稍微复杂一点，比如"至少一个6点，或者点数之和为7，但两者不能同时成立"——这句话你已经很难不打磕巴地写出来了，而用集合语言，它就是一个对称差A△B，一步到位。更别说后面还有德摩根律这种需要机械化推导的工具，靠语感是推不动的。

集合语言还有一个隐性好處：它让"计数"成为可能。既然事件是集合，那么事件包含多少个样本点就是一件可以数的事情，而概率在等可能模型下就等于"事件包含的样本点数除以样本空间样本点总数"。没有集合，就没有计数；没有计数，就没有古典概型。这条逻辑链是整个初等概率论的骨架。

4. 四种关系与三种运算：把"且、或、非"翻译成集合

4.1 包含与相等：最容易但也不能掉以轻心

A⊂B的意思是：A发生则B必然发生。掷一枚骰子，A={2}，B={2,4,6}，A发生，B一定发生，所以A⊂B。反过来不成立，掷出4点，B发生了但A没发生。

A=B就是互相包含，两个事件完全等价，只是描述角度不同。比如"掷出偶数点"和"掷出的点数能被2整除"，是两个说法，一个事件。

这部分不难，但有个应用场景值得提一句：证明两个事件相等，标准做法就是双向包含。后面学复杂事件的化简，这个套路会用很多次。

4.2 互斥与对立：一字之差，天壤之别

这是我认为整个初等概率论里混淆率最高的一个点，必须拿表格摆清楚。

把握这张表的关键在于对立多了一条"必有一个发生"。掷出1点和掷出2点互斥，但还可以掷出3、4、5、6，所以它们不对立。而奇数点和偶数点，除了互斥之外，把整个样本空间占满了，所以对立。

再补一个容易被忽略的点：三个及以上的事件，两两互斥不等于完整划分。掷骰子，A={1,2}，B={3,4}，C={5}，这三个事件两两互斥，但它们并起来是{1,2,3,4,5}，把6漏了，所以不构成对立（在多个事件语境下叫"不构成完备事件组"）。很多题在写全概率公式的完备事件组时，就是漏了这么一个尾巴。

4.3 并、交、差：三种运算的语义

并A∪B，语义是"至少有一个发生"。注意是"至少一个"，不是"一个"，两个都发生也算。

交A∩B，也写成AB，语义是"同时发生"。

差A−B，语义是"A发生而B不发生"，它等于A∩B̄。

这三种运算本身不难，难的是把中文里的各种说法准确翻译过来。我整理了一张高频翻译对照表，这张表我建议直接抄在笔记首页：

最容易翻车的是"都不"和"不都"。"A、B都不发生"是两者同时不发生，用交集；"A、B不都发生"是"并非两者都发生"，只要有一个没发生就成立，用并集。这两个说法只差一个字，集合表达差了一个德摩根律。我当年做题在这个坑里蹲了不止一次，后来养成一个习惯：看到中文里有"不"字，先判断这个"不"是管一个事件还是管整个复合事件，管整体的就先写成"(……)的补"，再套德摩根律拆开。

4.4 德摩根律：为什么"非"进括号要换符号

德摩根律的两条形式：

• (A∪B)的补 = Ā∩B̄
• (A∩B)的补 = Ā∪B̄

用生活化的话讲："不是（甲或乙）"等于"非甲且非乙"；"不是（甲且乙）"等于"非甲或非乙"。

第一句拿个例子验证一下。周末安排是"去爬山或者去看电影"，那么"周末安排没实现"是什么意思？意味着爬山没去成，并且电影也没看成，得两个都没做才算没实现，是"且"。第二句，"今天既刮风又下雨"这句话是假的，意味着什么？意味着要么没刮风，要么没下雨，只要有一个不成立，这句话就假了，是"或"。这么一想就很自然了。

德摩根律在化简复杂事件时是主力工具，尤其在处理"至少"和"至多"这类措辞时。"至少有1个次品"的补是"1个次品都没有"即"全是正品"，用集合写就是：设Ai表示"第i个是次品"，"至少1个次品"=A1∪A2∪A3，其补就是Ā1∩Ā2∩Ā3。"至少"和"全都"是对立的，"全都"和"至少一个不"是对立的，这个对称关系最好刻在脑子里。

4.5 运算律：这套规则和小学的加减乘除是一路的

交换律、结合律、分配律在事件运算里全部成立，A∪B=B∪A，A(BC)=(AB)C，A(B∪C)=AB∪AC，这些和数字运算高度类似。但有一条数字运算里没有的：吸收律，A∪(AB)=A，A∩(A∪B)=A。这条初看有点怪，用集合的图景一想就通了：A和A的一部分并起来，结果还是A。

还有一条要特别注意：事件运算里没有"减法分配"这回事，因为集合差本质上是交补，按交并的规则走就行，别生造规则。我见过有人把(A−B)∪C展开成A∪C−B∪C，这就属于瞎套。

5. 事件域：为什么不是随便什么子集都能当事件

5.1 一个听上去很哲学的问题

前面说"事件是样本空间的子集"，那么，是不是样本空间的任意子集都能当事件？在掷骰子这种有限样本空间里，答案是肯定的，Ω的任何一个子集都能被合理赋概率，因为总共就6个样本点，你随便挑一个子集出来，它包含2个点就是2/6，包含5个点就是5/6，清清楚楚。

但换成在区间[0,1]上均匀随机取一个数，情况就不一样了。这个样本空间有不可数无穷多个点，理论上它的子集数量更是天文数字。而数学上可以证明（这一步用到选择公理），在实数区间上存在一些"病态"子集，你没法给它自洽地分配一个概率，一分配就会推出矛盾。这不是我们不够聪明的问题，是逻辑上就不行。

5.2 事件域的三条封闭性要求

解决方案是：不追求给所有子集赋概率，只圈定一个"合法事件"的集合，只在这个圈子内部讨论概率。这个圈子就叫事件域，通常记作F，它是一个由Ω的子集组成的族，需要满足三条：

1. Ω本身在F里，即Ω∈F；
2. 若A∈F，则它的补集Ā也在F里，这叫对补运算封闭；
3. 若A1、A2、A3……都在F里，则它们的可列并也在F里，这叫对可列并封闭。

由第1、2条能推出空集∅∈F，由德摩根律配合第2、3条能推出对可列交也封闭。这三条合起来，F就叫一个σ代数（西格玛代数）。

为什么要这三条？因为它们恰好保证了你在这个圈子里能做"非"和"或"的运算而不会跑到圈子外面去。既然概率论里所有复合事件都是靠补和并拼出来的，只要这个族对补和并可列封闭，剩下的一切运算都在里面自洽闭合，不会撞上那些病态子集。

5.3 一个不算完美但很好懂的类比

把小区里所有住户看成一个样本空间。物业想做统计，关心的是"某户今天家里有没有人"。为了统计能自洽，物业必须能够回答三类问题：整个小区的状态是什么（Ω）；某户有人，那么该户没人的状态也得能讨论（补）；这一栋楼里至少有一户有人，这个状态也得能讨论（并）。这三类问题能覆盖的组合，就构成了物业实际能够讨论的"合法事件域"。那些超出这个范围的、没法用"有人/没人"组合描述的奇葩集合，物业不给它赋概率，也不影响日常运营。

5.4 三件套合体：概率空间

样本空间Ω、事件域F、概率测度P，三者合起来记作(Ω, F, P)，就是现代概率论的标准框架，这叫概率空间。P的定义也很有意思，它是一个从F映射到[0,1]的函数，满足P(Ω)=1和可列可加性。

多数入门教材只讲Ω和P，把F悄悄藏起来，取成幂集。这在有限样本空间下完全没问题，不影响你答题。但知道有F这个东西存在，能帮你解释两件事：一是为什么概率论里总强调"事件"要有明确的可测性，二是为什么有些看似自然的表述其实不合法。我个人的建议是：考试阶段照着教材走就行，别陷进去；但如果你后面要读测度论方向或者搞理论，这一层越早建立越好。

6. 古典概型：定义如何落成"数数"

6.1 两个前提缺一不可

古典概型的公式是P(A)=A包含的样本点数/Ω中样本点总数，写起来极简，但它的适用条件是两个硬前提：样本空间有限，且每个样本点等可能。这两条少一条，公式立刻失效。

第一条好判断。第二条才是隐蔽杀手。前面提过的"抽3个产品看次品个数"那个样本空间{0,1,2,3}，它满足第一条，但绝对不满足第二条——三个产品里出现0个次品的概率和出现1个次品的概率显然差很远。这时候你如果直接套公式，答案一定错。所以用古典概型之前的第一个动作，永远是检查你选的样本空间里，样本点是不是等可能的。

6.2 分母和分子必须用同一套计数方式

这是我最想强调的实操纪律。算古典概型，分子和分母是两个计数，这两个计数必须建立在同一个样本空间上。具体说，如果分母按组合数算（不考虑顺序），分子也必须按组合数算；如果分母按排列数算（考虑顺序），分子也必须按排列数算。

回到开头那道题。袋中3红2白，任取2个球，求"至少摸到1个白球"的概率。

按组合方式：分母C(5,2)=10。"至少1白"=恰好1白+恰好2白=C(2,1)×C(3,1)+C(2,2)=6+1=7，所以P=7/10。

按排列方式：分母A(5,2)=20。"至少1白"的算起来稍繁，可以走对立事件：两个都是红球=A(3,2)=6，所以P=1−6/20=14/20=7/10。两个结果一致，这就是正确的做法。

错误做法长什么样？分母写C(5,2)=10，分子写"恰好1白"的时候用了排列A(2,1)×A(3,1)=6，再除以10，得0.6，完全错。分子分母不是同一个样本空间里的计数，加起来毫无意义。

6.3 "正难则反"：省一半事的技巧

"至少"、"至多"、"不全"这类字眼，直接算往往要拆成一堆情况相加，走对立事件通常一步到位。上面那道题就是典型：直接算要分"恰好1白"和"恰好2白"两种情况，走对立只要算"全是红球"一种。

再举个掷骰子的。掷两枚骰子，求"至少一个6点"的概率。直接算要考虑"第一个6第二个不是""第二个6第一个不是""两个都是6"，容易重复计数。走对立："两个都不是6点"有5×5=25种，总共有36种，所以P=1−25/36=11/36。"至少"的对立是"一个都没有"，这是条件反射级的反应，建议练到不用想。

6.4 频率与概率：一个实验值，一个模型值

还有一对概念必须分清。频率是你在真实或模拟实验里数出来的比值，会随每次实验波动；概率是模型里算出来的理论值，固定不变。掷一万次硬币，正面频率可能是0.5042，再做一万次可能是0.4987，而正面概率始终是0.5。

那为什么我们信频率能逼近概率？这是大数定律的内容，直观地说，随着试验次数增加，频率在概率附近的波动幅度会越来越小。注意"逼近"这个词的严谨含义：它不是"当次数趋于无穷时频率这个数列的极限等于概率"这么朴素的说法，而是"频率与概率之差的绝对值超过任意小正数的概率趋于0"。后者叫依概率收敛。中学阶段通常不追究这个区别，但如果你准备往深了走，最好从一开头就别把它记成朴素的数列极限，省的以后纠正。

7. 用几行代码把事件运算和概率跑一遍

抽象定义看再多遍，也不如亲手跑一遍来得实在。这一节给几段可以复制即用的代码，用Python把前面那些概念落地。

7.1 用集合类型直接表达事件

Python的set天然支持并、交、差，和事件运算几乎一一对应。

Omega = {1, 2, 3, 4, 5, 6} A = {2, 4, 6} # 掷出偶数点 B = {1, 2, 3} # 掷出的点数不超过3 print("并（至少一个发生）:", A | B) print("交（同时发生）:", A & B) print("差（A发生而B不发生）:", A - B) print("A的对立事件:", Omega - A) print("是否互斥:", (A & B) == set()) print("是否对立:", (A & B) == set() and (A | B) == Omega)

跑出来的结果里，"是否对立"那行会打印False，因为A∪B={1,2,3,4,6}，漏了5，不是整个Ω。这行输出比任何文字解释都更能说明"互斥但不对立"到底是什么意思。

7.2 验证德摩根律

def complement(S, Omega): return Omega - S left = complement(A | B, Omega) right = complement(A, Omega) & complement(B, Omega) print("(A∪B)的补 =", left, " Ā∩B̄ =", right, " 相等:", left == right) left2 = complement(A & B, Omega) right2 = complement(A, Omega) | complement(B, Omega) print("(A∩B)的补 =", left2, " Ā∪B̄ =", right2, " 相等:", left2 == right2)

两行都会打印True。建议自己改几个A、B的定义再跑跑，跑上十几遍，德摩根律就不会再记错了。

7.3 蒙特卡洛模拟：让频率去逼近概率

用随机模拟验证前面那道摸球题的答案7/10。

import random def one_experiment(): balls = ['红', '红', '红', '白', '白'] picked = random.sample(balls, 2) # 不放回抽2个 return '白' in picked random.seed(20240501) for n in [10, 100, 1000, 10000, 100000]: hits = sum(one_experiment() for _ in range(n)) print(f"试验 {n:>6} 次，频率 = {hits / n:.4f}")

跑下来你会看到频率从0.6、0.72、0.697、0.701、0.6998这样一路抖动着往0.7靠。这个抖动过程本身就是最好的教材：n=10的时候偏差可以到0.1以上，n=10万的时候基本稳定在千分位以内。这也是为什么小样本实验的结论往往靠不住——不是方法错，是样本量不够。

7.4 顺手算个反直觉的例子

生日问题：一群人里至少有两个人生日相同的概率。这个问题的"反直觉"恰恰来自样本空间的选择——绝大多数人第一反应是拿人数除以365，实际样本空间是365的n次方，对立事件是"所有人不同"。

from math import prod def birthday_prob(n): if n > 365: return 1.0 p_all_diff = prod((365 - i) for i in range(n)) / (365 ** n) return 1 - p_all_diff for n in [10, 20, 23, 30, 50]: print(f"{n} 人，至少两人生日相同的概率 = {birthday_prob(n):.4f}")

n=23的时候结果约0.5073，过半数。这个例子说明一件事：样本空间选错，直觉就跟着错。人的直觉擅长判断"某个人和我同生日"，不擅长判断"任意两个人之间"，而后者才是这个问题的样本空间真正在数的东西。

8. 我反复见到的六种理解偏差及纠正方式

这些年下来，下面这六条几乎是必踩的，我按出现频率排个序，附上纠正思路。

前三条靠反复训练就能改，第四条建议用前面那张中文-集合对照表强制翻译，写题时先做一步"翻译"再动笔，别跳。第五条在自造样本空间时最危险，我的个人习惯是：每造一个样本空间，先拿两个不同的样本点，问自己"这两者的可能性真的一样吗"，答不上来就换一种建模方式。

第六条是我最想多啰嗦两句的。它跟随机事件的定义直接挂钩：不可能事件是空集∅，这是一个集合身份的判断；概率为0是一个测度身份的判断，两者不是一回事。在有限等可能模型下它们恰好重合，所以初学者容易建立错误等式。一旦进入连续场景，比如在[0,1]上均匀取点，取到某个具体数值的概率是0，但这个事件{0.5}显然不是空集，它是实实在在可以发生的。把这个区分提前建立好，后面学连续型随机变量会顺畅很多。

另外补一个操作层面的小建议：学这一章的时候，最好拿一张纸把样本空间、事件、事件运算三者的关系画成一个三层结构——最底层是样本点，中间层是事件（子集），最上层是事件域（子集的集合）。三层各自的身份不要串。很多人后面在条件概率那里迷路，追根溯源，是这三层的边界在脑子里本来就是糊的。

最后分享一个我自己一直在用的小办法：遇到任何一道概率题，动笔算之前，先用一句话把样本空间写出来，再用一句话把要求的事件写成样本空间的子集。这两句话写不出来，说明概念还没通，算下去一定是白算。