很多人学概率论的第一步就走偏了：公式背得挺熟，可一旦让他把“两枚骰子点数之和大于 9”这件事写成一个集合，或者解释清楚“互斥”和“对立”到底差在哪，立刻就卡壳。我做了几年数据建模和统计相关的活儿，带过不少新人，发现绝大多数概率计算错误的根源，不在公式，而在随机事件及其定义这一层没打好底——样本空间没划清楚，样本点不等可能却硬套古典概型，事件关系画错，最后结果自然离谱。这篇文章就把随机事件这件事从根上讲透：什么是随机试验、样本空间怎么定、随机事件为什么必须定义成样本空间的子集、事件之间有哪些运算和容易混淆的边界、概率又是怎么“给”出来的。最后我会用一段可复现的代码把事件运算跑一遍，再把自己踩过的坑整理成速查表。不管你是刚接触概率的学生、准备面试的求职者，还是需要在业务里做风险建模的从业者，这篇都能直接拿去用。
1. 把“随机事件”拆开：先搞清楚我们在研究什么
1.1 随机试验：所有故事的起点
概率论里说的“随机试验”，不是随便做个实验，它有很明确的三个特征，缺一个都不算。第一，试验可以在相同条件下重复进行，也就是说这个过程能反复跑；第二，每次试验的所有可能结果事先都是明确的，你能把所有结果列出来或者描述清楚；第三，每次试验之前，具体会出现哪一个结果是不确定的。这三条同时满足，才叫随机试验。
拿掷一枚骰子举例：你可以掷无数次，这是可重复；结果只会是 1 到 6 中的一个，范围明确；但掷之前你不知道这次是几，这是不确定性。三条都占，标准随机试验。反过来，一个一元二次方程求解，结果确定，不满足第三条；“明天某个城市是否下雨”这种，虽然结果不确定，但严格意义上无法在相同条件下重复，处理起来就要换一套框架。
这里我特别想强调“事先明确所有可能结果”这一条。很多建模翻车就翻在这句话上：你以为自己知道全部可能性，其实漏了一类结果，比如“传感器返回空值”这种边界情况没进样本空间，后面所有概率都是错的。做业务建模时，我习惯先把“所有可能结果”写在纸上，宁可多列，也不要漏。
1.2 样本空间：把所有可能性摊在桌面上
随机试验 E 的所有可能结果组成的集合，叫样本空间，通常记作 Ω。样本空间里的每一个元素，叫样本点，记作 ω。一句话：样本空间就是“把所有可能性摊在桌面上”的那张桌子。
几个常见例子你得心里有数。掷一枚骰子，Ω = {1, 2, 3, 4, 5, 6}，六个样本点。掷两枚骰子并且区分先后，Ω 是 36 个有序对 (i, j)，i、j 各自从 1 到 6，注意是有序对，因为 (1,2) 和 (2,1) 是两种不同结果。测一只灯泡的寿命，Ω = [0, +∞)，这是一个连续区间，样本点不可数。往一个靶子上打一枪，记录落点坐标，Ω 是靶面这个平面区域。
这里有个特别关键、但教材往往一句话带过的点：样本空间的选取不是唯一的，它取决于你关心什么。掷两枚硬币，如果你关心“正反面组合”，Ω = {正正, 正反, 反正, 反反}，四个样本点等可能；如果你只关心“正面出现的次数”，Ω 可以写成 {0, 1, 2}，但这时候三个样本点不等可能，P(正面 1 次) = 1/2，而 P(正面 0 次) = 1/4。同一个试验，两种样本空间，两种概率分布。选哪个都行，但你必须清楚自己选的是哪个，千万不要在 {0,1,2} 这个样本空间上直接用“样本点数分之一”去算概率，那是典型的错。
1.3 随机事件的严格定义：它是样本空间的子集
现在到核心了。随机事件，简称事件，定义是：样本空间 Ω 的子集。通常用大写字母 A、B、C 表示。事件 A 发生，当且仅当这次试验的结果 ω 落在 A 里面，也就是 ω ∈ A。
这个定义短，但它把三件事一次性讲清楚了。第一，事件不是“一个结果”，而是“一组结果的集合”。比如掷骰子，“点数为偶数”这个事件是 {2, 4, 6}，它包含三个样本点，不是一个。第二，事件必须依附于某个已经确定的样本空间，离开 Ω 谈事件没有意义。第三，事件的“发生”与否，最终要落到“试验结果是否属于这个集合”上，这就把概率问题彻底转成了集合问题。
为什么要这么定义？因为只有这样，事件之间的关系才能用集合的关系来描述，事件的运算才能用集合的运算来实现，概率才能建立在一个严密的公理体系上。你可以把它理解成一种“翻译”：日常语言说“A 或者 B 发生”，数学语言写成 A ∪ B；日常语言说“A 和 B 同时发生”，写成 A ∩ B。翻译做好了，后面全是机械操作；翻译做错了，后面全白搭。
我见过最常见的错误，是把“事件”和“结果”混为一谈。有人写“事件 A = 掷出 3”，这没错，但只是因为它恰好是单点集 {3}；一旦写成“事件 A = 掷出 3 或 4”，如果还当成一个结果处理，运算就会崩。养成习惯：每个事件都用花括号包起来，写成集合形式，这个动作能帮你躲掉至少一半的错。
2. 事件的分类：必然、不可能，以及那些容易想当然的边界
2.1 必然事件与不可能事件：两个“退化”的集合
按定义，Ω 的任何子集都是事件，那么 Ω 自己和空集 ∅ 当然也是事件。Ω 叫必然事件，因为每次试验结果必然落在 Ω 里，它百分之百发生；∅ 叫不可能事件，因为没有任何结果落在空集里，它一次都不会发生。
这两个事件看起来是废话，其实作用很大，它们是事件运算里的“1”和“0”。A ∪ ∅ = A，A ∩ Ω = A，A ∩ ∅ = ∅，A ∪ Ω = Ω，Ā = Ω - A。你把它们当成集合运算里的单位元和零元来用，很多复杂的化简一眼就能看出来。
有个细节要注意：必然事件和不可能事件仍然是事件，它们同样服从后面要讲的概率公理。P(Ω) = 1，P(∅) = 0。但反过来不成立，这一点下面单独说。
2.2 概率为零不等于不可能发生：一个必须扭过来的直觉
这是初学者最容易翻车的地方，也是我觉得最值得单独拎出来讲的一条。概率为 0 的事件，不一定是不可能事件；概率为 1 的事件，也不一定是必然事件。
最干净的粒子在连续型模型里。假设在区间 [0, 1] 上均匀随机取一个点，事件 A = “取到的点恰好是 0.5”。这个事件的概率是 0，因为单点的长度是 0，而总长度是 1。但它不是不可能事件，因为 0.5 确实在这个区间里，理论上完全可能取到。同理，“取到的点不是 0.5”这个事件概率是 1，但它不是必然事件，因为取到 0.5 这种情况是存在的。
为什么会有这种反直觉？因为概率是一种“测度”，连续情形下它衡量的是长度、面积、体积这类东西，而单点的测度是 0。就像你在地图上标一个点，它的面积是 0，但这个点是真实存在的。离散模型里没有这个问题，因为每个样本点都有正概率，概率为 0 就是真的取不到。
所以判断“不可能”时，别只看概率数值。正确姿势是回到样本空间：这个事件对应的集合是不是空集？是空集才叫不可能事件。
2.3 基本事件与复合事件：单点和打包
只含一个样本点的事件，叫基本事件，形如 {ω}，它是样本空间里的一个单点集。由两个或两个以上样本点组成的事件，叫复合事件。任何复合事件都可以看成若干基本事件的并。
这里有个概念必须掰清楚：基本事件不一定等可能。教材讲古典概型时总是假设“每个基本事件等可能”，这个假设是古典概型的附加条件，不是基本事件的定义属性。还是刚才那个“只记录正面次数”的例子，基本事件 {0}、{1}、{2} 的概率分别是 1/4、1/2、1/4，根本不等。所以你在做题或者建模时，第一步永远是问自己：我选的这个样本空间，样本点等可能吗？如果不等，古典概型的公式 P(A) = |A| / |Ω| 立刻失效，得改用别的办法，比如按结果序列重新构造样本空间，或者直接用分布函数。
我个人的习惯是：遇到“看起来能用古典概型”的题，先花三十秒验证等可能性。验证方法很简单，找一个具体的样本点，再找一个和它“地位相同”的样本点，问自己“这两个结果发生的难易程度真的一样吗”。如果答案有一丝犹豫，就老老实实回到更细粒度的样本空间。
3. 事件的关系与运算：把集合论那套原封不动搬过来
3.1 包含与相等：谁被谁“罩着”
如果事件 A 发生必然导致事件 B 发生，也就是说 A 里的每个样本点都在 B 里，就称B 包含 A，记作 A ⊂ B 或 B ⊃ A。用大白话讲，A 是 B 的一个“特殊情况”。
包含关系在概率上有一个直接推论：若 A ⊂ B，则 P(A) ≤ P(B)，这叫单调性。因为 A 是 B 的子集，B 覆盖的范围更大，概率自然不小。这条性质在做估算时很好用，比如你算不出某个复杂事件的精确概率，但能证明它被另一个简单事件包含，就能拿到一个上界。
如果 A ⊂ B 且 B ⊂ A，那就说明两个集合完全一样，称A 与 B 相等，记作 A = B。两个事件相等，意味着它们总是同时发生或者同时不发生，虽然语言描述可能完全不同。比如掷骰子，“点数是 2 的倍数”和“点数属于 {2,4,6}”，写出来是同一个事件。
3.2 并、交、差、对立：四个动作要练到条件反射
事件的运算就那么几个，但必须练成条件反射，看到文字描述能立刻写出符号。
并事件A ∪ B，读作 A 与 B 的并，含义是“A 发生或B 发生”，注意这里的“或”是至少一个发生，包含两个都发生的情况，和日常语言里“二选一”的“或”不完全一样。
交事件A ∩ B，也叫积事件，简写 AB，含义是“A 与 B同时发生”。
差事件A - B，含义是“A 发生而B 不发生”，等价于 A ∩ B̄。
对立事件Ā，也叫逆事件，含义是“A 不发生”，等价于 Ω - A。
把这四个翻译练熟，后面处理复杂描述就不用怕了。我个人的训练方法是拿一段自然语言，比如“抛三次硬币，至少两次正面且第三次为反面”，逐句翻译成符号，再回头用语言读一遍符号，看是否一致。这个双向翻译练习做二十道，基本就不会错了。
把并和交落到概率上，就是两条基本公式：
| 公式名称 | 表达式 | 使用条件 |
|---|---|---|
| 加法公式 | P(A ∪ B) = P(A) + P(B) - P(A ∩ B) | 任意两个事件 |
| 减法公式 | P(A - B) = P(A) - P(A ∩ B) | 任意两个事件，且 A 包含 B 时可直接写 P(A) - P(B) |
加法公式里的减项不能省，这是最高频的错误之一。只有当 A 与 B 互斥，也就是 A ∩ B = ∅ 时，才有 P(A ∪ B) = P(A) + P(B)。很多人一看到“或”就条件反射直接相加，结果把交集部分重复算了两遍。
3.3 互斥与对立：最容易被混为一谈的一对
这两个概念我敢说百分之八十的初学者都搞混过，而且考试、面试、建模检查里都爱考。
互斥：A ∩ B = ∅，意思是 A 和 B 不能同时发生。对立：A ∩ B = ∅ 并且 A ∪ B = Ω，意思是它们不能同时发生，而且必有一个发生。
看出来了吧，对立比互斥多了“必有一个发生”这个条件。所以对立一定是互斥，但互斥不一定是对立。用表格对照最清楚：
| 对比项 | 互斥事件 | 对立事件 |
|---|---|---|
| 集合关系 | A ∩ B = ∅ | A ∩ B = ∅ 且 A ∪ B = Ω |
| 能否同时发生 | 不能 | 不能 |
| 是否必有一个发生 | 不一定 | 一定 |
| 概率关系 | P(A ∪ B) = P(A) + P(B) | P(A) + P(B) = 1 |
| 典型例子 | 掷骰子得 1 点与得 2 点 | 掷骰子得偶数与得奇数 |
拿掷骰子说，A = {1}，B = {2}，这两个互斥，但不对立，因为它们之外还有 3、4、5、6 这些可能。C = {2,4,6}，D = {1,3,5}，这两个既互斥又对立，因为没有第三种可能。
还有一对经常被放在一起提的概念是独立。独立和互斥完全是两码事，甚至有种“反着来”的味道：两个概率都大于 0 的事件如果互斥，它们就不可能独立，因为一个发生会彻底排除另一个，这是强烈的依赖关系。独立讲的是概率乘法 P(AB) = P(A)P(B)，互斥讲的是集合不相交。把这两个词混用，写出来的模型一定是错的。
3.4 运算律与德摩根律：复杂表达式的化简工具
事件的运算满足和集合完全一样的规律：
交换律：A ∪ B = B ∪ A，AB = BA。结合律：(A ∪ B) ∪ C = A ∪ (B ∪ C)。分配律：A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)。这些都很直观，不多说。
真正值得反复练的是德摩根律，它长这样：
- （A ∪ B）的对立 = Ā ∩ B̄
- （A ∩ B）的对立 = Ā ∪ B̄
用日常语言翻译一下，第一条说的是“A 或 B 不发生”，等价于“A 不发生并且B 不发生”。第二条说的更实用：“A 和 B 同时发生”这件事没成，等价于“要么 A 没发生，要么 B 没发生”，至少有一个掉链子。
德摩根律的价值在于把“至少”“都不是”“没有一个是”这类难算的表述，翻成好算的形式。“三次射击至少有一次命中”，它的对立是“三次全部没中”，后者往往好算得多，用 1 减去就得到答案。这种“正难则反”的思路，我可以说是在概率计算里用得最多的一个技巧，而它的理论依据就是德摩根律。
推广到多个事件同样成立：（A₁ ∪ A₂ ∪ … ∪ Aₙ）的对立 = Ā₁ ∩ Ā₂ ∩ … ∩ Āₙ。这句话的意思是，“这些事件至少有一个发生”的反面，是“每一个都没发生”。记住这个，很多“至少”型问题三行就能解完。
4. 概率怎么“给”出来：古典、几何与公理化
4.1 古典概型：最简单的数点数
随机事件定义清楚之后，下一个问题自然是：某个事件发生的可能性有多大？历史上最先成熟的是古典概型，它有两个前提：样本空间有限，且每个基本事件等可能。满足这两条时，事件 A 的概率就是：
P(A) = A 包含的样本点数 / Ω 中包含的样本点数
也就是“符合条件的结果数除以总结果数”。掷一枚均匀骰子，掷出偶数的概率是 3/6 = 1/2，就这么直接。
古典概型的难点从来不在公式，而在数数。两枚骰子点数之和为 7 的概率是多少？答案是 6/36 = 1/6，因为有序对 (1,6)、(2,5)、(3,4)、(4,3)、(5,2)、(6,1) 共 6 种。这里必须用 36 个有序对做样本空间，而不能用“和从 2 到 12 共 11 种”做样本空间，因为后者的 11 个样本点根本不等可能——和是 7 的情况有 6 种，和是 2 的情况只有 1 种。前文说的“样本空间选取影响结果”，这就是最典型的现场。
我的经验是：数数之前先问“要不要区分顺序”。区分顺序，样本点等可能的可能性大；不区分顺序，往往会出现合并后不等可能的坑。拿不准的时候，一律按有序、最细粒度去构造样本空间，多算一点总比算错强。
4.2 几何概型：用长度、面积、体积代替点数
当样本空间是连续区域，点数数不过来时，就换几何概型。它的前提是样本点落在某个可度量的区域 Ω 内，且落在任意可度量子区域内的可能性与该子区域的测度成正比，与位置和形状无关。这时事件 A 的概率是：
P(A) = A 的测度 / Ω 的测度
测度可以理解成长度、面积、体积，看问题在几维。经典的等车问题就是这样：某路车每 10 分钟一班，你随机到站，等车时间不超过 3 分钟的概率是 3/10，因为有利区间长度是 3，总区间长度是 10。整个过程没有数数，只有长度之比。
几何概型最容易出错的地方是区域的选取。题目描述稍微一变，样本空间就换了，答案也可能变。比如“在圆周上随机取两点”，和“在圆内随机取一点，再取它到圆心的方向”，这是两个完全不同的样本空间，得到的分布也不一样。做这类题，我建议先画图，把 Ω 和 A 都画出来，图对了，比例基本不会错。
这里顺便提一个很有名的反直觉例子：在单位圆内随机取一条弦，问弦长大于内接正三角形边长的概率。由于“随机取弦”可以有三种不同的理解方式——随机取中点、随机取两个端点、随机取到圆心的距离——会得到 1/4、1/3、1/2 三个不同的答案。这个例子说明的不是数学有矛盾，而是**“随机”这个词必须落到明确的样本空间和等可能假设上才有意义**。定义不清楚，问题本身就没有唯一答案。
4.3 公理化定义与频率解释：给概率一个稳固的地基
古典和几何概型都依赖“等可能”，可现实里很多试验的结果并不等可能，于是人们转向频率：在相同条件下重复做 n 次试验，事件 A 发生了 n_A 次，频率是 n_A / n。试验次数足够多时，频率会稳定在一个常数附近，这个稳定值就直觉地对应概率。这就是频率学派的理解。
但频率不是概率，它依赖试验次数，每次都不同，而且“足够多”本身没有精确界限。为了把整个理论建在不会塌的地基上，就有了概率的公理化定义：设 Ω 是样本空间，对每个事件 A 赋予一个实数 P(A)，满足三条公理：
第一，非负性：对任意事件 A，P(A) ≥ 0。第二，规范性：P(Ω) = 1。第三，可列可加性：若 A₁, A₂, … 两两互斥，则 P(A₁ ∪ A₂ ∪ …) = P(A₁) + P(A₂) + …。
就这三条，别的全是从它们推出来的。比如 P(∅) = 0，比如 P(Ā) = 1 - P(A)，比如单调性、加法公式，都可以从三条公理严格导出。你不需要关心概率到底“是什么”，只需要知道它满足这三条规则，然后所有推导都合法。这种做法的好处是：古典概型、几何概型、频率解释，都是这个公理体系下的具体模型，各管各的场景，互不冲突。
从工程角度看，我特别推荐把公理体系当成一个“接口”。你在建模时不需要纠结“概率的本体论意义”，只要保证你的赋值方案满足这三条，剩下的推导就自动成立。这也是为什么贝叶斯方法和频率方法吵了这么多年，但两边用的都是同一套公理，只是对“概率”的解释不同而已。
5. 用代码把事件“跑”一遍：可复现的验证方式
5.1 为什么建议动手模拟一遍
纸面上推导很容易自我欺骗，尤其事件运算这种纯符号操作，写错了自己看不出来。用程序模拟一遍，跑个十万次，把频率和理论概率对一下，错没错立刻现形。这套方法我在带新人时反复用，效果比讲十遍定义都好。下面给的是 Python 代码，只用标准库，复制粘贴就能跑。
先做一个最基础的试验框架：掷两枚骰子，样本空间是 36 个有序对。
import random def roll_two_dice(n): """模拟掷两枚骰子 n 次，返回每次的结果对列表""" return [(random.randint(1, 6), random.randint(1, 6)) for _ in range(n)] trials = roll_two_dice(200000) # 事件 A：点数和为 7 A = [x for x in trials if sum(x) == 7] # 事件 B：至少有一个 6 B = [x for x in trials if 6 in x] # 交集：和为 7 且至少一个 6 AB = [x for x in trials if sum(x) == 7 and 6 in x] print(len(A) / len(trials)) # 理论值 6/36 ≈ 0.1667 print(len(B) / len(trials)) # 理论值 11/36 ≈ 0.3056 print(len(AB) / len(trials)) # 理论值 2/36 ≈ 0.0556跑出来的三个频率应该分别在 0.1667、0.3056、0.0556 附近晃。20 万次这个量级下，偏差一般在小数点后第三位以内。
5.2 验证加法公式和德摩根律
接着用同一批数据验证两条最容易用错的性质。加法公式 P(A ∪ B) = P(A) + P(B) - P(AB)，代码里直接比数值就行。
A_or_B = [x for x in trials if sum(x) == 7 or 6 in x] p_A = len(A) / len(trials) p_B = len(B) / len(trials) p_AB = len(AB) / len(trials) p_union = len(A_or_B) / len(trials) print(p_union) # 实际统计值 print(p_A + p_B - p_AB) # 公式计算值，两者应当非常接近德摩根律的验证更有意思。取事件 C = “两枚骰子点数相同”，D = “点数之和大于 9”。那么 (C ∪ D) 的对立，应该等于 C 的对立与 D 的对立的交集。
C = [x for x in trials if x[0] == x[1]] D = [x for x in trials if sum(x) > 9] not_C_or_D = [x for x in trials if not (x[0] == x[1] or sum(x) > 9)] not_C_and_not_D = [x for x in trials if x[0] != x[1] and sum(x) <= 9] print(len(not_C_or_D) == len(not_C_and_not_D)) # 应当输出 True这段代码每次都会输出 True，因为两个条件在逻辑上完全等价，不是概率意义上的近似，是集合意义上的恒等。如果你自己写的事件化简结果跑出来是 False，那说明化简错了，回去重看德摩根律。
5.3 一个专门用来踩坑的对照实验
最后这个例子我强烈建议每个初学者都跑一遍，它能让你彻底记住“样本点不等可能”这件事有多致命。还是掷两枚骰子，我们想求“点数之和为 7”的概率。有两种建模方式：
# 方式一：样本空间用 36 个有序对，等可能，正确 correct = sum(1 for x in trials if sum(x) == 7) / len(trials) # 方式二：样本空间用 {2,3,...,12} 共 11 个“和”，错误地假设等可能 # 直接按 1/11 计算，与实际统计对比 print("正确方式:", correct) # 约 0.1667 print("错误方式: 0.0909") # 1/11差了一倍。错误方式的病根不在计算，而在建模：11 个“和”不是等可能的，和 7 有 6 种组合，和 2 只有 1 种。你在纸面上可能一辈子发现不了这个问题，但跑一遍代码，两个数字并排放在屏幕上，冲击力是完全不同的。这也是我一直主张“定义先行、验证跟上”的原因。
6. 常见问题与排查技巧实录
6.1 概念混淆速查表
下面这张表是我这些年被问得最多的问题汇总，基本覆盖了随机事件这一层的全部高频误区。建议收藏，做题或者建模卡住时对一遍。
| 问题现象 | 真实原因 | 正确处理方式 |
|---|---|---|
| 直接用样本点个数比算概率，结果明显偏 | 样本点不等可能，误用古典概型 | 重新构造等可能的样本空间，或改用分布函数 |
| “或”直接相加，结果大于 1 | 漏减交集，忘了加法公式 | 用 P(A∪B) = P(A)+P(B)-P(AB) |
| 把互斥当成对立用 | 互斥不保证必有一个发生 | 检查 A∪B 是否等于 Ω |
| 把独立和互斥混用 | 两个概念描述的是不同维度 | 互斥看集合是否相交，独立看乘法公式是否成立 |
| 概率为 0 就判定不可能 | 连续型模型单点概率为 0 | 回到样本空间，看集合是否为空集 |
| “至少一个”型问题算不出来 | 正向情况太多 | 用德摩根律取对立，转成“全部没有” |
| 事件语言翻译成符号总出错 | 没有养成写集合的习惯 | 每个事件都用花括号写成集合形式 |
6.2 建模时的排查顺序
遇到一个概率问题，我一般按这个顺序往下查，基本不会漏。
第一步，明确试验和样本空间。这个试验能不能重复？所有可能结果是什么？样本空间是有限的还是无限的？这一步做完，问题的框架就定了。
第二步，确认等可能性。如果你打算用古典概型，必须验证样本点等可能。验证不了，就别用。
第三步，把事件翻译成集合。用花括号写出来，别嫌麻烦。写出来之后，用自然语言反读一遍，看是否和原题一致。
第四步，判断事件关系。两个事件是互斥、对立、包含还是独立？这一步决定你用哪条公式。
第五步，算完做个量纲和范围检查。概率必须在 0 到 1 之间，并事件的概率不能小于任一分支的概率，交事件的概率不能大于任一分支的概率。这些检查只要三十秒，能拦住大部分低级错误。
6.3 几个我自己踩过的坑
第一个坑是样本空间选得太粗。早期做用户行为分析时，我把“用户是否点击”当成样本空间 {点击, 不点击}，然后想算“点击且停留超过 30 秒”的概率，结果算得很别扭。后来才反应过来，应该把样本空间定成（是否点击，停留时长）的二元组，这样事件才有地方表达。样本空间的粒度必须匹配你要问的问题，太粗会丢失信息，太细会增加计算量，需要一个平衡。
第二个坑是把条件概率当无条件概率用。P(A|B) 和 P(A) 完全不是一回事，事件 B 的发生改变了样本空间，相当于把 Ω 换成了 B。很多人算出来对不上，就是因为该用条件概率的地方用了普通概率，或者反过来。这一点虽然超出“随机事件定义”的范围，但根子还是在事件关系没理清。
第三个坑是忽略零概率事件的边界。连续型模型里，某些边界情况概率为 0，但代码里偶尔真的会抽到。比如生成 [0,1] 上的随机数，理论上取到端点的概率是 0，但实际实现里可能碰上。做仿真时我一般会显式处理这些边界，别让理论上的“零概率”变成线上的“偶发崩溃”。
第四个坑说出来有点丢人：早年间我把“A 与 B 互斥”和“A 与 B 的对立互斥”搞混过，导致一个风控规则链的判断写反了。教训是，任何涉及“非”“否则”“至少”的逻辑转换，都用德摩根律在纸上推一遍，然后再写代码。
最后分享一个小技巧。我现在处理任何概率问题，第一件事不是找公式，而是画一个方框代表 Ω，在里面画几个圈代表事件，把包含、相交、对立的关系直接画出来。图形一出来，该用加法公式还是该取对立，一眼就知道。这个习惯坚持下来，出错的概率会明显下降。随机事件这个东西，本质上就是把模糊的语言变成清晰的集合，把这个转换做扎实了，后面的概率计算、分布推导、统计推断，都只是在这块地基上往上盖房子而已。
