あなたがデジタル考古学者であると想像してください。損傷した通信コード（結果 $B$）を目にしたとき、送信元が最初に発信した本当の命令（原因 $A$）を推測する必要があります。この「結果」から「原因」を導く論理は、現代の人工知能が不確実性に対処するための核となるものです。
条件確率 $P(B|A)$ の定義から出発すると、逐次的な出来事の進展を計算できるだけでなく、全確率の公式全体の複雑さを局所的な条件の加重和に分解できます。そして、ベイズの公式この理論の頂点です。新しい情報（後験）に基づいて、過去の経験（事前）を継続的に修正し、認知の動的進化を実現します。
条件確率 $P(B|A)$ の定義から出発すると、逐次的な出来事の進展を計算できるだけでなく、全確率の公式全体の複雑さを局所的な条件の加重和に分解できます。そして、ベイズの公式この理論の頂点です。新しい情報（後験）に基づいて、過去の経験（事前）を継続的に修正し、認知の動的進化を実現します。
確率論の論理的三段階飛躍
第一段階：局所的依存関係（乗法公式）
イベント $B$ の発生が $A$ に影響される場合、両者が同時に起こる確率は単純な積ではなく、$P(AB) = P(A)P(B|A)$ となります。これは非復元抽出において特に重要です。
第二段階：構造の分解（全確率の公式）
複雑なマクロなイベント $B$ に対して、異なる背景 $A_i$ に射影します。全確率の公式 $P(B) = \sum P(A_i)P(B|A_i)$ は、全体の確率が局所的な条件確率の期待値であることを教えてくれます。
第三段階：因果の逆算（ベイズの公式）
これは知恵の公式です。『事前確率 $P(A_i)$』（試行前の経験）を『尤度 $P(B|A_i)$』で修正し、『事後確率 $P(A_i|B)$』に変換します。
全確率の公式は『原因から結果』を予測するものであり、ベイズの公式は『結果から原因』を求める意思決定の基盤です。これら二つが、現代のリスク管理および医療診断の数学的基盤となっています。
$$P(A_i | B) = \frac{P(A_i)P(B | A_i)}{\sum_{k=1}^n P(A_k)P(B | A_k)}$$