機率理論不僅僅是關於賭博；它是不確定性的數學形式化。它從「 實驗」開始。每個實驗都有一個 樣本空間（$S$），即所有可能結果的完整集合。將 $S$ 視為您特定情境下的「全集」。從這個宇宙中，我們劃分出 事件（$E$）——代表我們感興趣的特定條件或結果的子集。這種從物理現象過渡到集合論語言的轉變，使我們能運用嚴謹的數學工具來處理現實世界的混亂。
結果的全集（$S$）
樣本空間必須定義得讓每一次實驗的執行都能產生 且僅有 一個結果 $\omega \in S$。我們根據實驗設計的不同，區分 $S$ 的不同結構：
- 離散有限： 投擲硬幣或辨識孩子的性別。 範例 1： 對於一名新生兒，$S = \{g, b\}$。
- 離散無限（可數）： 計算完成一項任務所需的嘗試次數。
- 連續： 測量電子元件的壽命。$S = \{x: 0 \le x < \infty\}$。
定義事件（$E$）
一個 事件 只是樣本空間的一個子集（$E \subseteq S$）。如果實驗的實際結果是 $E$ 中的元素，則稱該事件「發生」。例如，若 $S$ 是投擲兩個骰子的所有結果集合，則「點數和為 7」的事件就是一個特定的有序對子集。
複雜度差異
範例 2： 在七名參賽者的賽馬比賽中，$S$ 代表所有 $7!$ 種排列（共 5,040 種可能的完賽順序）。在此，$S = \{\text{所有 } 7! \text{ 種 } (1, 2, 3, 4, 5, 6, 7) \text{ 的排列}\}$。
範例 3： 投擲兩枚硬幣會產生四種結果：$S = \{(H, H), (H, T), (T, H), (T, T)\}$。
範例 4： 投擲兩個骰子會產生一個 6×6 的 36 個不同點的格子：$S = \{(i, j): i, j = 1, 2, 3, 4, 5, 6\}$。
方法上的細節：抽樣方式
$S$ 的結構受到抽樣方法的顯著影響：
- 有放回抽樣： 可用選擇的集合在各次試驗中保持不變（例如，抽出一張牌、記錄下來，再放回去）。
- 無放回抽樣： 每次選擇都會改變後續結果的空間（例如，發一組撲克牌）。
🎯 核心原則
樣本空間 $S$ 是基礎。每一個結果都是 $S$ 的元素，每一個事件 $E$ 都是 $S$ 的一部分。無論空間是二元的還是無限的連續體，都決定了我們用以衡量其機率的工具。