事件

事件 (Event)

事件 (Event) 是概率论中的一个最基本、最核心的概念。在一个随机试验中，我们感兴趣的任何可能的结果或结果的集合，都被称为一个事件。从形式上说，一个事件是该试验的样本空间的一个子集。

理解"事件"是学习概率计算和统计推断的基础。事件可以是简单的，如"掷硬币得到正面"；也可以是复杂的，如"在连续掷骰子十次中，至少出现三次6点"。概率论的全部内容都围绕事件的概率度量展开——正是通过将不确定现象转化为事件这一数学对象，我们才能进行严格的量化分析。

形式化定义

为了精确地定义事件，我们需要首先引入几个相关概念：

1. 随机试验 (Random Experiment)：一个试验，其结果在试验前是不确定的，但所有可能的结果是已知的。例如，掷一次六面骰子。
2. 样本空间 (Sample Space)：一个随机试验所有可能结果的集合。样本空间通常用 $S$ 或 $\Omega$ (Omega) 表示。对于掷骰子的试验，样本空间是 $S = \{1, 2, 3, 4, 5, 6\}$。
3. 样本点 (Sample Point)：样本空间中的每一个元素，即每一个可能的结果。例如，在掷骰子试验中，"4"是一个样本点。

基于以上概念，事件 被定义为 样本空间 $S$ 的任意一个子集。也就是说，事件是由一个或多个样本点组成的集合。我们通常用大写字母如 $A, B, C$ 等来表示事件。事件这一"子集"视角的妙处在于：它将概率论的全部运算归结为集合论中的交、并、补等基本操作，使复杂的概率问题得以系统化处理。

当一个随机试验的结果（即发生的样本点）属于事件 $A$ 所代表的子集时，我们就说 事件 $A$ 发生了。

事件的类型

根据其构成，事件可以分为以下几类：

• 基本事件 (Elementary Event)：也称简单事件 (Simple Event)，是指仅由一个样本点构成的事件。它是最基本的事件单元，不能再被分解。在有限样本空间中，每个基本事件发生的概率之和为1。示例：在掷骰子试验中，事件 $A = \{3\}$（"掷出的点数是3"）是一个基本事件。
• 复合事件 (Compound Event)：由两个或更多样本点构成的事件。复合事件可看作是若干基本事件的并集。示例：事件 $B = \{2, 4, 6\}$（"掷出的点数是偶数"）是一个复合事件，由三个基本事件 $\{2\}, \{4\}, \{6\}$ 组成。
• 必然事件 (Certain Event)：在任何一次试验中都必定会发生的事件，等于整个样本空间 $S$。必然事件的概率为1。示例：事件 $C = \{1, 2, 3, 4, 5, 6\}$（"掷出的点数在1到6之间"）是一个必然事件。
• 不可能事件 (Impossible Event)：在任何一次试验中都不可能发生的事件，对应于集合论中的空集 $\emptyset$。不可能事件的概率为0。示例：事件 $D = \emptyset$（"掷出的点数是7"）是一个不可能事件。

事件之间的关系与运算

由于事件本质上是集合，我们可以运用集合论的运算法则来描述它们之间的关系。假设 $A$ 和 $B$ 是同一样本空间 $S$ 中的两个事件。

• 包含关系 ($A \subset B$)：若 $A$ 的发生必然导致 $B$ 的发生，则称 $B$ 包含 $A$，即 $A$ 是 $B$ 的子集。示例：$A = \{2\}$（"掷出2点"），$B = \{2, 4, 6\}$（"掷出偶数点"），有 $A \subset B$。
• 并集 ($A \cup B$)：事件 $A \cup B$ 表示"$A$ 发生 或 $B$ 发生"，由所有属于 $A$ 或 $B$ 的样本点组成。示例：$A = \{1,2,3\}$（"点数$\le 3$"），$B = \{2,4,6\}$（"偶数"），则 $A \cup B = \{1,2,3,4,6\}$。
• 交集 ($A \cap B$)：事件 $A \cap B$ 表示"$A$ 和 $B$ 同时发生"，由既属于 $A$ 又属于 $B$ 的样本点组成。示例：同上 $A, B$，$A \cap B = \{2\}$。
• 互斥事件 (Mutually Exclusive)：若 $A$ 和 $B$ 不可能同时发生，则称它们互斥，即 $A \cap B = \emptyset$。基本事件之间总是互斥的。互斥事件的并集概率等于各自概率之和。示例：$E = \{1,3,5\}$（"奇数"）和 $F = \{2,4,6\}$（"偶数"）互斥。
• 对立事件 (Complementary Event)：$A$ 的对立事件记作 $A^c$ 或 $\bar{A}$，表示"$A$ 不发生"，包含 $S$ 中所有不属于 $A$ 的样本点。满足 $A \cap A^c = \emptyset$ 且 $A \cup A^c = S$。性质 $P(A^c) = 1 - P(A)$ 常用于简化概率计算。示例：$F = \{2,4,6\}$ 的对立事件是 $F^c = \{1,3,5\}$。

事件域 (Event Space)

在基于测度论的高等概率论中，我们不能总是将样本空间的所有子集都当作事件，尤其在样本空间无穷大（如全体实数）的情况下。

因此需要定义一个事件域（σ-代数），即由样本空间 $S$ 的子集构成的集合族 $\mathcal{F}$，满足三个条件：

1. $S \in \mathcal{F}$（样本空间本身属于事件域）。
2. 若 $A \in \mathcal{F}$，则其补集 $A^c \in \mathcal{F}$（对补运算封闭）。
3. 若可数列 $A_1, A_2, \dots \in \mathcal{F}$，则 $\bigcup_{i=1}^{\infty} A_i \in \mathcal{F}$（对可数并运算封闭）。

只有在事件域 $\mathcal{F}$ 中的集合才能被称作"事件"并被赋予概率值。在初等概率问题中，我们通常默认所有子集都是事件，因此该概念可暂时简化理解。然而在涉及连续型随机变量、随机过程和鞅理论时，σ-代数的概念不可或缺。

总结

"事件"是连接现实世界中不确定现象与数学模型（概率）的桥梁。通过将随机试验的结果抽象为样本空间中的子集，我们可以运用严谨的集合论工具分析和计算各种结果发生的可能性。从简单的单点事件到复杂的集合运算，从初等的有限样本空间到高级的σ-代数结构，事件的概念贯穿概率论的始终。对事件的类型、关系和运算的深入理解，是掌握概率论这门学科的关键一步。