概率推理并非静态计算，而是一个动态更新信念的过程。在 无条件 情境下，我们假设一种普遍无知的状态，即样本空间 $S$ 中的所有结果都是可能的。然而， 信息是一种数学过滤器 会剔除与观测现实不一致的结果。
当我们说事件 $F$ 已发生时，我们就从全局空间 $S$ 转移到受限的宇宙 $F$。给定 $F$ 时 $E$ 的条件概率 $P(E|F)$，就是新空间 $F$ 中 $E$ 同时发生的比例。
证据的故事
$P(E)$ 到 $P(E|F)$ 的转变是 基于证据的估计的数学基础。如果 $P(E|F) > P(E)$，则证据 $F$ 支持假设 $E$；如果 $P(E|F) < P(E)$，则 $F$ 与 $E$ 矛盾。
餐食选择的简化
想象一场自助餐活动，其菜单选项如下：
| 主菜 | 选项 |
|---|---|
| 主菜 | 鸡肉、烤牛肉（2种） |
| 主食 | 意大利面、米饭、土豆（3种） |
| 甜点 | 冰淇淋、果冻、苹果派、桃子（4种） |
无条件空间： 共有 $2 \times 3 \times 4 = 24$ 种可能的餐食组合。$P(\text{意大利面}) = 8/24 = 1/3$。
条件信息： 我们得知客人是素食者，且明确选择了“意大利面”。因此，“主食”选项已固定（仅1种）。我们的宇宙分母从 $24$ 压缩为 $2 \times 1 \times 4 = 8$。这就是信息的力量：它缩小了样本空间并改变了分母。
定义公式
对于任意两个事件 $E$ 和 $F$，若 $P(F) > 0$，则条件概率定义为：
$$P(E|F) = \frac{P(EF)}{P(F)}$$
🎯 核心原理
条件概率代表一次 重新计算可能性。信息通过剔除未发生的样本空间部分来减少不确定性，迫使我们根据新的、更小的宇宙 $F$ 重新评估剩余事件。