如何确定的知道某个样本空间的概率空间就是确定的那一个？
而不是另外一个？
怎样的情况下我们就能十分确定的说我们研究的某种情况的概率空间就是那样子的。

其实只要这个问题问题确定，很多相关的问题我们就能给出很可靠的答案。
但是事实好像并不简单，尤其在社会科学里面好像是这样。

可能你的答案是估计、检验。

我这里关注的是得到这个概率空间的过程。

服从 ~  是十分严格的关系啊。
---------------------------------------------------------------------------------------------------------------------------------------------------
服从已有的分布类型

我们自然地会希望研究的某个现象具有良好的统计性质，有良好的形式，就是我们熟悉的那些分布。

其实参数估计的前提是我们对概率分布大致的类型有判断。那我们就要问有哪些比较普遍的概率分布，它们彼此之间是很
不一样的，对于不同的现象，在我们提取了它主要的特征之后能够判断它所属的大致的类型。也就是说我们得到概率分布
的过程是抓住最主要的东西，在最主要的东西是可靠的前提之下，细化我们的模型。

不服从与已有的分布类型（未完）

那么，相应的提出另外的问题，如果我们观察的现象的主要性状都不能归靠于某一种已知的分布类型怎么办？
------------------------------------------------------------------------------------------------------------------------------------------------------
抽象现象最主要的性状

也就是说事情的一开始是我们观察关注问题的整体性状。也就是抽样，最好是能看到、了解全貌，如果全貌无法理解，那就
需要选取能够代表全貌的样本。这件事情本身不是容易。首先的问题是观察多大的样本就足够（这里的观察是什么意思？
我就理解为专业的技术检查），你有百万的数据条目，真正过目的肯定是很有限的，要过目哪些，满足怎样条件的样本？

选取的规则肯定是和具体的问题有关，同时，一般性的和具体问题没关的应该遵守的规则是什么？

一般我们了解整体情况、规定好置信水平之后就能够估算出可靠的样本数量，整体情况，对于现在这么方便的数据采集环境
来讲，只要是关心的数据，在技术背景允许的条件下是很容易获取的，有个问题是如何规定置信水平？我想要做到的是，设
定一种置信水平或者显著性水平，使得在我关心的那个层面的每一种结果能够是确定性的能接受的。所以，感觉模型精细的
程度需要比最终关心的层面要精细才足够。

突然感觉整个相关的那些统计量之间是十分密切的牵制的是个系统，感觉是平衡的，想要某个方面“产出”多一点就要另外的
方面“投入”多一点。抽样、估计、检验、决策之间都存在十分密切的关联，运筹帷幄，就是有洞见地调整着它们之间的关系
可以说，哦，这里差点错了，嗯，就该这么做，好像世界一直都是连续的，我们是半路杀出的程咬金，也可以理解它的。
感觉存在很一般的逻辑框架，掌握了这个框架就能得心应手。
-------------------------------------------------------------------------------------------------------------------------------------------------------