条件概率与正态分布：在信息中更新判断

概率论的核心问题从来不是「抛硬币第几次正面」，而是：已知一些信息后，另一件事的可能性如何改变？这一课前半讲条件概率——处理信息的代数；后半讲正态分布——自然界最钟爱的钟形曲线。

条件概率：信息改变概率

设、是两个事件，且，则在 已经发生的条件下发生的概率：

公式 (1)

直觉读法：是把样本空间缩小到内部之后，占据的比例。分母就是「缩小后的世界有多大」。

记忆点：读作「A 且 B」（积事件），不是乘法先验。（信息不改变概率）恰恰是独立的定义——独立性是条件概率的特例，不要反过来死记。

由式移项：

公式 (2)

后者是「逐级抽取」问题的标配：不放回抽样、逐个检验、分步选择。

例：一批产品 10 件，其中 3 件次品。不放回地抽 2 件，求两件都是次品的概率。

逐级用式：第一次抽到次品；在此时条件下第二次又是次品。

。

对比古典概型 ——两条路殊途同归。

事件的发生可能经由多个互斥的「渠道」（它们构成完备事件组），则：

公式 (3)

两渠道版本最好记：。

全概率是「由因求果」，贝叶斯是「由果溯因」——已知发生了，问它来自渠道的概率：

公式 (4)

树形图是这一节的万能工具：每条到的路径概率 = 沿途条件概率相乘； = 所有路径相加；贝叶斯 = 某一条路径除以总和。

连续型随机变量服从正态分布，密度曲线是一条钟形曲线：

当服从时：

公式 (5)

对称性是解题杠杆：；——尾部概率对半劈。

例：某地区高三男生身高服从（）。随机抽查一名男生，身高在内的概率？

区间拆解：。

。

（对称轴两侧各取半个对称区间——画一条数轴标上、再算，几乎不会错。）

误差定律：大量独立微小因素的叠加（遗传、营养、测量抖动……）趋向正态分布。测量误差、人群身高、批量产品的尺寸——「中间多、两头少、左右对称」是自然界的默认形状。这也是质量控制「管理」的数学根基：落在之外的概率仅约，出现即视为异常。

一句话收束：条件概率教我们用信息更新概率，贝叶斯把这件事反过来问；正态分布则保证——只要随机因素足够多、足够独立，钟形曲线终将浮现。