从条件概率 $P(B|A)$ 的定义出发，我们不仅能计算序贯事件的演变，还能通过全概率公式将全局复杂性分解为局部条件的加权和。而贝叶斯公式则是这套理论的冠冕，它允许我们基于新信息（后验）不断修正旧经验（先验），实现认知的动态进化。
概率论的逻辑三阶跳
第一步：局部依赖（乘法公式）
当事件 $B$ 的发生受 $A$ 影响时，它们同时发生的概率不再是简单的积，而是 $P(AB) = P(A)P(B|A)$。这在不放回抽样中尤为关键。
第二步：结构分解（全概率公式）
面对复杂的宏观事件 $B$，我们将其投影到不同的背景 $A_i$ 上。全概率公式 $P(B) = \sum P(A_i)P(B|A_i)$ 告诉我们：全局概率等于局部条件概率的期望值。
第三步：因果逆推（贝叶斯公式）
这是智慧的公式。它将“先验概率 $P(A_i)$”（试验前的经验）通过“似然度 $P(B|A_i)$”修正为“后验概率 $P(A_i|B)$”。
全概率公式是“由因导果”的预测，而贝叶斯公式是“执果索因”的决策。二者构成了现代风险管理与医学诊断的数学基石。
$$P(A_i | B) = \frac{P(A_i)P(B | A_i)}{\sum_{k=1}^n P(A_k)P(B | A_k)}$$