掌握概率论加法与概率论乘法的核心逻辑，彻底告别“什么时候加，什么时候乘”的困惑。本文提供详尽的公式推导、案例演示及全网高频疑问解答。
在解决复杂的现实问题时，如风险评估、游戏胜率计算或医疗诊断分析，我们往往需要处理多个事件。这些事件之间的关系主要分为两类：互斥事件（不能同时发生）和独立事件（互不影响）。理解这两者的区别，是正确使用概率论加法和概率论乘法的前提。
概率论加法主要用于计算两个事件中至少有一个发生的概率。我们需要区分“互斥”和“不互斥”两种情况。
如果事件A和事件B互斥，那么：
| 公式 | 适用条件 | 示例 |
|---|---|---|
| P(A∪B) = P(A) + P(B) | A与B不能同时发生 | 掷骰子，得到1点或6点的概率。P(1)=1/6, P(6)=1/6, P(1∪6)=2/6=1/3 |
如果事件A和事件B不互斥（即可能同时发生），直接相加会重复计算“既A又B”的部分，因此需要减去重叠部分：
P(A∪B) = P(A) + P(B) - P(AB)
深度解析： 这里的 P(AB) 就是概率论乘法的应用场景。如果A和B独立，则 P(AB) = P(A)P(B)，公式变为 P(A∪B) = P(A) + P(B) - P(A)P(B)。这解释了为什么在处理“至少发生一个”的问题时，有时会用 1 - P(都不发生) 来简化计算。
概率论乘法用于计算多个事件同时发生的概率。其核心在于判断事件之间是否相互影响。
如果事件A和事件B相互独立，那么：
P(AB) = P(A) × P(B)
例如：连续两次抛硬币，第一次正面且第二次正面的概率是 0.5 × 0.5 = 0.25。
如果事件A和B不独立，即A的发生会影响B的概率，我们需要使用条件概率：
P(AB) = P(A) × P(B|A)
其中 P(B|A) 表示在A发生的条件下B发生的概率。这个公式可以推广到n个事件：
P(ABC...) = P(A) × P(B|A) × P(C|AB) × ...
袋中有10个球，5红5白。取一个放回后再取一个。
第一次红 P(A)=0.5
第二次红 P(B|A)=0.5
两次都红 P(AB) = 0.5 × 0.5 = 0.25
结论：独立事件，直接用乘法。
袋中有10个球，5红5白。取一个不放回再取一个。
第一次红 P(A)=0.5
第二次红 P(B|A)=4/9 (因为少了一个红球)
两次都红 P(AB) = 0.5 × 4/9 = 2/9
结论：不独立事件，需用条件概率乘法。
很多学习者混淆加法和乘法，以下通过选项卡形式，从不同维度进行深度对比。
加法（OR）： 关注的是“并集”。只要A发生，或者B发生，或者A和B都发生，结果就成立。它扩大了成功的范围。例如：考上清华 OR 考上北大。
乘法（AND）： 关注的是“交集”。必须A发生，且 B发生，结果才成立。它提高了成功的门槛。例如：考上清华 AND 毕业时GPA高于3.5。
记忆技巧：加法是“做加法”，乘法是“做减法”（因为连乘通常会让概率变小，除非概率为1）。
加法： 样本空间通常是相加的（互斥时）。如果A有m种可能，B有n种可能，且互斥，则A或B有 m+n 种可能。
乘法： 样本空间是相乘的。如果第一步有m种选择，第二步有n种选择，根据排列组合原理，总共有 m×n 种路径。这在概率论乘法的几何解释中非常直观：矩形的面积等于长乘以宽。
加法陷阱： 最容易忘记减去交集 P(AB)。特别是在处理“至少一个”问题时，直接相加会导致概率大于1的错误。
乘法陷阱： 最容易错误假设独立性。在“摸球”、“抽签”、“疾病检测”等问题中，事件往往不独立，必须使用条件概率 P(B|A) 进行修正。
通过以下三个经典案例，我们将概率论加法和概率论乘法串联起来，展示完整的解题思维。
问题： 某彩票有100万注，一等奖1注，二等奖2注。买一注彩票，获得一等奖或二等奖的概率是多少？
分析： 一等奖和二等奖是互斥的，不可能同时中两个奖。
计算： P(一等奖) = 1/1,000,000，P(二等奖) = 2/1,000,000。
结果： 使用概率论加法：P = 1/1,000,000 + 2/1,000,000 = 3/1,000,000 = 0.000003。
问题： 小明通过英语考试的概率是0.8，通过数学考试的概率是0.9。假设两科考试互不影响，他两科都通过的概率是多少？
分析： “互不影响”意味着独立事件。
计算： 使用概率论乘法：P(英且数) = P(英) × P(数) = 0.8 × 0.9 = 0.72。
拓展： 如果问他至少通过一科的概率？则需用加法：P(英∪数) = 0.8 + 0.9 - 0.72 = 0.98。
问题： 某种疾病发病率为0.1%。检测准确率99%（患病检出率99%，健康误报率1%）。若某人检测呈阳性，他真正患病的概率是多少？
分析： 这是一个典型的贝叶斯问题，但我们可以先用乘法计算联合概率。
计算：
1. 患病且阳性：P(病∩阳) = P(病) × P(阳|病) = 0.001 × 0.99 = 0.00099
2. 健康且阳性：P(健∩阳) = P(健) × P(阳|健) = 0.999 × 0.01 = 0.00999
3. 总阳性率：P(阳) = 0.00099 + 0.00999 = 0.01098
4. 真正患病率：P(病|阳) = 0.00099 / 0.01098 ≈ 8.8%。
结论： 即使检测准确率高，由于发病率低，阳性后真正患病的概率依然很低。这里用到了概率论乘法计算分子和分母中的联合概率，最后用除法（贝叶斯公式）得出结果。
以下是网友搜索频率最高的关于概率论加法和概率论乘法的问题，我们提供了深度解答。
判断关键在于事件的逻辑关系：
简单记忆：加法扩大范围，乘法提高门槛。
这是两个完全不同的概念，甚至常常互斥（除非概率为0）：
注意：如果A和B互斥且P(A)>0, P(B)>0，则它们一定不独立，因为A发生意味着B一定不发生，B的概率变成了0。
因为“至少有一个”的对立事件是“一个都没有”。直接计算“至少有一个”可能需要计算1个发生、2个发生、...、n个发生的情况，然后用概率论加法相加，过程繁琐。而计算“一个都没有”通常只涉及一种情况（全都不发生），然后用概率论乘法（如果是独立事件）即可求出，最后用1减去它。这种方法大大简化了计算。
在不放回抽样中，如果不知道前面人的结果，后抽的人中奖概率与先抽的人相同。这是因为虽然单次抽中的概率变了，但综合所有可能的前置情况，平均概率是一样的。这体现了概率的对称性。但如果知道了前面人的结果，后抽的概率就会根据条件概率发生变化。
因为 P(A) 包含了“A发生B不发生”和“A发生B也发生”两部分；P(B) 包含了“B发生A不发生”和“A发生B也发生”两部分。当我们将 P(A) 和 P(B) 相加时，“A发生B也发生”的部分被计算了两次，所以必须减去一次 P(AB) 以消除重复。