伯努利試驗（Bernoulli Trial）
摘要
伯努利試驗（Bernoulli Trial）是機率論中最基本的離散隨機模型，其核心並非建立複雜結果空間，而是將任意現象抽象為事件是否成立的二元結構。此種抽象使事件得以被概率化與統計化，進而形成離散概率模型的基本表示形式。大量統計模型與人工智慧中的二元決策問題，皆可被重寫為伯努利型態。本文從事件抽象、指示隨機變數與不確定性結構三個層次，討論伯努利試驗如何構成離散隨機性的理論起點。
伯努利試驗與事件抽象
伯努利試驗描述一次僅關注事件是否發生的隨機試驗。設事件 為成功事件，其機率為 ，其中 ；未發生事件則由補集 表示，其機率為 。
此種模型並不分析事件的形成機制，也不討論補集中的內部結構，而僅保留事件成立與否這一層最基本的隨機資訊。因此，伯努利試驗的重要性並不來自結果空間的複雜性，而來自它對離散事件所進行的最小化概率抽象。
大量人工智慧問題皆可被重寫為事件成立與否的概率表示，包括分類、推薦與強化學習中的二元決策結構。伯努利試驗因此並非特定領域中的局部模型，而是一種對離散隨機性的普遍化表示。
隨機變數化與伯努利結構
令 為事件 的指示隨機變數（indicator random variable），其中 表示集合 的指示函數，其在事件成立時取值為 ，否則取值為 ：
此種表示使原本定義於事件空間中的集合結構，得以被嵌入隨機變數的概率表示之中。在概率論中，伯努利變數同時構成最基本的指示隨機變數結構，因此大量事件概率皆可被重寫為伯努利型態。
此時 服從參數為 的伯努利分佈：
在此模型中，全部統計性質皆由單一參數 所決定，因此伯努利分佈可被視為最基本的非平凡離散概率結構之一。雖然其結果空間僅包含兩種可能，但已足以形成非退化的不確定性描述。
事件的隨機變數化，使其期望、變異與長期統計行為得以被形式化分析，因此原本僅具語意性的事件描述，得以被轉化為可操作的概率結構。
不確定性與統計結構
伯努利隨機變數的期望值滿足 。由於 同時為事件 的指示隨機變數，因此事件機率與統計平均在此首次形成直接對應；其期望值所描述的並非單次試驗結果，而是在大量重複試驗下事件發生的長期平均比例。
另一方面，其變異數滿足 ，此量描述事件結果的不確定性程度。當 接近 或 時，系統逐漸趨於確定；當 時，事件最難預測，因此變異數達到最大。
由於指示隨機變數滿足 ，其二階矩因此與期望值具有一致性，進而使變異數結構可直接由期望算子導出。此種代數封閉性說明，即使在最小二元結構下，伯努利模型仍已足以保留非平凡的不確定性。
伯努利結構的生成性
伯努利試驗本身僅描述單次二元事件，但其真正重要性在於生成能力。當多次伯努利試驗被重複執行時，可形成二項分佈（Binomial distribution）、幾何分佈（Geometric distribution）與伯努利過程（Bernoulli process）等更高階離散模型。大量看似複雜的概率系統，其底層實際上皆建立於二元事件的重複累積。
在人工智慧中，此種結構尤其重要。Bernoulli likelihood、Binary Cross Entropy 與部分強化學習模型，本質上皆依賴事件是否成立的概率表示。因此，伯努利試驗並非基礎教材中的孤立例子，而是離散概率推論中的核心原型。
結論
伯努利試驗建立了一種對離散事件的最小概率抽象，其核心在於將複雜現象轉化為事件是否成立的二元結構。透過指示隨機變數的表示，事件得以被嵌入概率空間之中，進而形成後續離散概率模型與統計推論方法的基礎。
因此，伯努利試驗的重要性並不在於模型本身的複雜程度，而在於它提供了離散隨機性最基本且最可擴展的數學形式。
