{
  "id": "event-probability",
  "title": "事件（概率论）",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "事件是概率模型中由结果组成的可测集合，表示一个可能发生也可能不发生的条件。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "随机事件"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/event-probability/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/event-probability/",
      "json": "https://aiwiki.page/en/event-probability.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在概率论中，事件是由可能的结果组成、并被赋予概率的集合。它表示随机试验结果所满足的某个条件：当且仅当观测到的结果属于这个集合时，该事件发生。严格来说，事件是样本空间中某个指定的可测子集族的成员，而不一定是任意子集。概率空间中的概率测度就是定义在事件上的。(ocw.mit.edu)"
    },
    {
      "heading": "结果与事件",
      "text": "结果通常记作 \\(\\omega\\)，是样本空间 \\(\\Omega\\) 中的一个元素。事件 \\(A\\) 是 \\(\\Omega\\) 的一个子集，事件发生可表示为\n\n\\[\\omega\\in A.\\]\n\n一个结果可以属于多个事件，因此同一次试验中可以有多个事件发生。(ocw.mit.edu)\n\n例如，在掷一次六面骰子的模型中，\n\n\\[\\Omega=\\{1,2,3,4,5,6\\}.\\]\n\n事件“点数为偶数”是 \\(A=\\{2,4,6\\}\\)，而“点数大于四”是 \\(B=\\{5,6\\}\\)。结果 \\(6\\) 同时属于这两个事件。如果骰子是公平的，那么根据各结果等可能的模型，\n\n\\[P(A)=\\frac{3}{6}=\\frac12, \\qquad P(B)=\\frac{2}{6}=\\frac13.\\]\n\n只有在基本结果等可能的情况下，才能通过计算有利结果的数量来求得概率。(live.ocw.mit.edu)\n\n只包含一个结果的事件通常称为简单事件或基本事件。必须区分结果 \\(\\omega\\) 与只含该结果的单元素集合 \\(\\{\\omega\\}\\)：后者只有属于所选的事件族时，才是一个事件。(ocw.mit.edu)"
    },
    {
      "heading": "可测性与事件族",
      "text": "概率空间是一个三元组\n\n\\[(\\Omega,\\mathcal F,P),\\]\n\n其中 \\(\\Omega\\) 是样本空间，\\(\\mathcal F\\) 是由事件组成的σ代数，\\(P\\) 为其中的成员赋予概率。集合族 \\(\\mathcal F\\) 包含 \\(\\Omega\\)，对取补集运算封闭，并且对可数并运算封闭。这些性质还意味着它对可数交运算封闭。(live.ocw.mit.edu)\n\n对于有限或可数无限的样本空间，通常选择包含所有子集的幂集 \\(\\mathcal P(\\Omega)\\) 作为事件族。不过，也可以选取更小的σ代数。对于不可数空间，在标准的连续型模型中必须限制事件族，因为某些子集无法在与预期测度相容的前提下被赋予概率。(ocw.mit.edu)\n\n对于实值模型，常用的选择是由开区间生成的博雷尔σ代数。这一测度论框架规定了哪些条件是可测的，因而可以被赋予概率。它并不要求所有能够设想的子集都是事件。(ts-server.statlect.com)"
    },
    {
      "heading": "事件的运算",
      "text": "集合论中的运算可以用来表示条件的组合。对于事件 \\(A\\) 和 \\(B\\)：\n\n事件 | 含义\n\\(A\\cup B\\) | \\(A\\) 和 \\(B\\) 中至少有一个发生\n\\(A\\cap B\\) | 两者都发生\n\\(A^c=\\Omega\\setminus A\\) | \\(A\\) 不发生\n\\(A\\setminus B\\) | \\(A\\) 发生而 \\(B\\) 不发生\n\n并集中的“或”是相容的“或”：它包括两个事件同时发生的结果。空集 \\(\\varnothing\\) 是不可能事件，而 \\(\\Omega\\) 是必然事件。(ocw.mit.edu)\n\n当 \\(A\\cap B=\\varnothing\\) 时，称这两个事件互斥，也就是不相交。事件之间的逻辑关系满足诸如德摩根定律这样的恒等式：\n\n\\[(A\\cup B)^c=A^c\\cap B^c, \\qquad (A\\cap B)^c=A^c\\cup B^c.\\]\n\n这些恒等式的成立与赋予事件的概率无关。(live.ocw.mit.edu)"
    },
    {
      "heading": "事件的概率",
      "text": "概率测度满足非负性、归一性 \\(P(\\Omega)=1\\)，以及可数可加性：对于两两不相交的事件 \\(A_1,A_2,\\ldots\\)，\n\n\\[P\\!\\left(\\bigcup_{n=1}^{\\infty}A_n\\right) =\\sum_{n=1}^{\\infty}P(A_n).\\]\n\n由此可得，\n\n\\[P(\\varnothing)=0,\\qquad 0\\leq P(A)\\leq1,\\qquad P(A^c)=1-P(A).\\]\n\n对于任意事件，\n\n\\[P(A\\cup B)=P(A)+P(B)-P(A\\cap B).\\]\n\n减去交集的概率，是为了避免将交集重复计算。此外，若 \\(A\\subseteq B\\)，则 \\(P(A)\\leq P(B)\\)。(ocw.mit.edu)\n\n事件与事件的概率是不同的对象。事件描述的是一组结果，而它的概率取决于所采用的概率规律。因此，同一个子集在不同模型下可能具有不同的概率。(live.ocw.mit.edu)"
    },
    {
      "heading": "条件概率与独立性",
      "text": "对于满足 \\(P(B)>0\\) 的事件 \\(B\\)，在 \\(B\\) 已发生的条件下，\\(A\\) 的条件概率为\n\n\\[P(A\\mid B)=\\frac{P(A\\cap B)}{P(B)}.\\]\n\n它描述的是只考虑 \\(B\\) 中的结果时，\\(A\\) 发生的概率。(ocw.mit.edu)\n\n当\n\n\\[P(A\\cap B)=P(A)P(B)\\]\n\n时，事件 \\(A\\) 和 \\(B\\) 具有统计独立性。若 \\(P(B)>0\\)，这一条件等价于 \\(P(A\\mid B)=P(A)\\)。独立性取决于概率测度，而互斥性是集合论上的关系。概率均为正的不相交事件不可能独立：它们的交集概率为零，但各自概率的乘积为正。对于包含更多事件的事件族，两两独立一般并不意味着相互独立。(ocw.mit.edu)"
    },
    {
      "heading": "事件与随机变量",
      "text": "随机变量为每个结果赋予一个值。关于其取值的陈述表示事件；例如，\n\n\\[\\{X\\leq x\\} =\\{\\omega\\in\\Omega:X(\\omega)\\leq x\\}.\\]\n\n对于实值随机变量，可测性保证了这些由阈值条件确定的集合都是事件。因此，累积分布函数定义为\n\n\\[F_X(x)=P(X\\leq x).\\]\n\n所以，\\(P(X=x)\\) 这样的表达式，是对相应基本结果集合的概率的简写。(ocw.mit.edu)\n\n反过来，每个事件 \\(A\\) 都确定了一个由示性函数给出的随机变量：\n\n\\[\\mathbf1_A(\\omega)= \\begin{cases} 1,&\\omega\\in A,\\\\ 0,&\\omega\\notin A. \\end{cases}\\]\n\n其期望值满足\n\n\\[\\mathbb E[\\mathbf1_A]=P(A).\\]\n\n这将事件是否发生的问题转化为数值型随机变量的问题，并使我们能够利用示性随机变量的和来研究事件发生的次数。(ocw.mit.edu)"
    },
    {
      "heading": "零概率与必然性",
      "text": "概率为零的事件不一定是空集。例如，在 \\([0,1]\\) 上的均匀分布下，每个单元素集合的概率都为零，尽管其中的每个元素都是模型中可能的结果。然而，整个区间的概率为一。这与可数可加性并不矛盾，因为该区间是不可数多个单元素集合的并集。(ocw.mit.edu)\n\n概率为一的事件称为几乎必然发生的事件。这并不一定意味着它等于整个样本空间：它可能排除了一个非空的零概率事件。这一区别将由 \\(\\varnothing\\) 和 \\(\\Omega\\) 表示的严格意义上的不可能与必然，同特定测度下概率为零或为一的陈述区分开来。(ocw.mit.edu)"
    }
  ],
  "links": [
    "probability",
    "sample-space",
    "probability-space",
    "subset",
    "sigma-algebra",
    "power-set",
    "borel-sigma-algebra",
    "measure-theory",
    "set-theory",
    "empty-set",
    "de-morgans-laws",
    "conditional-probability",
    "statistical-independence",
    "random-variable",
    "cumulative-distribution-function",
    "indicator-function",
    "expected-value",
    "uniform-distribution",
    "almost-surely"
  ],
  "sources": [
    {
      "title": "Discrete Stochastic Processes, Chapter 1: Introduction and Review of Probability",
      "url": "https://ocw.mit.edu/courses/6-262-discrete-stochastic-processes-spring-2011/6d0c6fbaf3afa16cbc76fc1f27d1d34e_MIT6_262S11_chap01.pdf"
    },
    {
      "title": "30 Introduction to Statistical Methods in Economics, Lecture 2",
      "url": "https://live.ocw.mit.edu/courses/14-30-introduction-to-statistical-methods-in-economics-spring-2009/0ae3bdadf74a48e05aed6f639c1b23d2_MIT14_30s09_lec02.pdf"
    },
    {
      "title": "Introduction to Probability: Lecture 1: Probability Models and Axioms",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/91864c7642a58e216e8baa8fcb4a5cb5_MITRES_6_012S18_L01.pdf"
    },
    {
      "title": "Introduction to Probability, Selected Textbook Summary Material",
      "url": "https://ocw.mit.edu/courses/res-6-012-introduction-to-probability-spring-2018/d973b10c2587781f86ca4f2aff49098f_MITRES_6_012S18_Textbook.pdf"
    },
    {
      "title": "Mathematics for Computer Science",
      "url": "https://ocw.mit.edu/courses/6-042j-mathematics-for-computer-science-spring-2015/mit6_042js15_textbook.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}