体检报告写着「阳性」——你立刻紧张：我有病吗？
检测说准确率 99%，听起来很靠谱；但「真阳」和「假阳」混在一起，答案往往和你想的差很远。
某罕见病在人群中的患病率只有 0.1%（一千人里约 1 个）。你去做筛查，结果：阳性。
化验单脚注写着：灵敏度 99%（有病的人几乎都能检出），特异度 95%（没病的人大部分能排除）。
检测设定：有病的人 99% 检出阳性；没病的人里约 5% 会误报阳性。
约 10 人有病，9990 人没病
约 10 × 99% ≈ 10 人真阳性
约 9990 × 5% ≈ 500 人假阳性
判断「阳性后真有病的概率」，不能只看检测有多准，还要看病在人群里有多常见——这就是基础比率（患病率）的力量。
在看到检测结果之前，你对「有没有病」的相信程度——由患病率、个人风险等决定。
新信息：检测结果是阳性还是阴性。证据会推你的判断，但不会从零开始。
综合先验 + 证据之后，更新后的相信程度——「已知阳性，真有病的概率是多少？」
先验＝检测前你觉得「有病」有多常见（患病率）。证据＝阳性/阴性。后验＝看到阳性之后，更新后的「真有病」把握。
想象固定 10 000 人，按患病率分出「有病 / 没病」，再按检测结果数出四格：
| 检测阳性 | 检测阴性 | |
|---|---|---|
| 真的有病 | 真阳性（简称 TP） | 假阴性（FN） |
| 其实没病 | 假阳性（FP） | 真阴性（TN） |
阳性里真有病的比例 = 真阳性 ÷（真阳性 + 假阳性）。这就是你真正想知道的「阳性之后有多大把握」。
假设检测不变：灵敏度 99%，特异度 95%。只改变患病率：
| 患病率 | 10 000 人里真病约 | 阳性里真有病的比例（PPV） |
|---|---|---|
| 0.1%（罕见） | 10 人 | 约 2% |
| 1%（低发） | 100 人 | 约 17% |
| 10%（高发） | 1 000 人 | 约 69% |
| 30%（流行） | 3 000 人 | 约 89% |
检测能力没变，但先验（病有多常见）一变，后验（阳性后真有病的概率）可以天差地别。
灵敏度 99% = P(阳性 | 有病)
≠ P(有病 | 阳性)
前者问「病人检出率」，后者问「阳性有多可信」——分母完全不同。
特异度 95% 已经不错
但罕见病 + 海量健康人 → 假阳性仍可能很多
特异度帮助减少误报，却无法单独决定后验——还要看患病率。
营销话术里的「准确率」
可能是 (TP+TN)/全部
在极度不平衡的数据里，整体准确率可以很高，但阳性预测值仍然很低。
已知我阳性，且这类病患病率约 p，
检测灵敏度 / 特异度如此，
我真正有病的概率是多少？
这就是贝叶斯更新——先验（患病率）+ 证据（检测）→ 后验。
垃圾邮件过滤器、人脸识别误抓、AI 诊断辅助——只要目标事件很少见，就会出现「警报很多、真命中很少」的现象。看懂基础比率，是理性应对筛查结果、算法告警和新闻标题的第一步。
检测不是「宣判」，而是一条证据。证据要放进「本来有多可能」的背景里看——背景不同，同一条证据的分量就不同。
频率派常问：「如果重复很多次，阳性占多少？」——适合设计实验。
贝叶斯派常问：「已知我这一次阳性了，我现在该怎么相信？」——适合做决策：要不要复查、隔离、还是放宽心。
两者不打架；这篇用的是「数格子」的频率版贝叶斯，不需要积分，一样能算后验。
查文献、问医生：这类病在与我相似的人群里，患病率大约多少？有无家族史等个人因素？
检测阳性 → 用灵敏度、特异度把人群分成四格，数清 TP 和 FP。
后验仍低 → 复核、换方法；后验高 → 进一步确诊。信念随证据连续更新，不是非 0 即 1。
你可以试试：先点预设「罕见 0.1%」复现文首算术；再拖动滑块或换「低发 / 高发」，看阳性里真正有病的比例如何剧变。检测设定：灵敏度 99%、特异度 95%。
| 检测阳性 | 检测阴性 | 合计 | |
|---|---|---|---|
| 真的有病 | — | — | — |
| 其实没病 | — | — | — |
| 合计 | — | — | 10 000 |
PPV = 真阳性 ÷ 所有阳性 = —
从 10 000 人出发：先按患病率分叉，再按检测表现分叉。注意假阳性枝在罕见病时往往比真阳性更粗。
判断不是从零开始；先有「本来有多可能」，再用证据更新。
患病率决定分母规模；罕见病筛查阳性，假阳性常占多数。
灵敏度 ≠ 阳性可信度；「99% 准确」要问准确的是哪件事。
TP÷(TP+FP) 即后验；不必微积分，也能做理性决策。