医生说试验准确率 99%，你测出阳性。你以为自己有 99% 的概率得病——实际是 16.7%。 错的不是算术，是分母。「病人里多少测出阳性」和「阳性里多少真有病」，是两个完全不同的概率。 这一篇只做一件事：把医生那句话拆开，看清里面到底藏了几个概率。
第 5 章用贝叶斯式的乘法筛过假设。第 6 章把那一套乘法讲成完整规则，从一场体检开始。 书里的例子是蜥蜴流感。 这里的三个数（基础率 1%、灵敏度 99%、特异度 95%）是本节设定值，机制与书里一致， 具体数值按设定值算，不假装是教材原数。
一、消息来了
医生说：你得了一种叫蜥蜴流感的病，概率不高，但要做个试验确认。 试验结果：阳性。 医生补了一句：这个试验挺准的，病人测出来 99% 是阳性，健康人测出来 95% 是阴性。
接下来这句话最要命：「准确率 99%，那我大概就是得病了。」大多数人到这里就停了。
二、逐条细读那份正确性分析
医生那句话里其实有三条信息，只是说的时候连成了一串。
| 医生说的 | 翻译过来 | 记作 |
|---|---|---|
| 病人测出来 99% 是阳性 | 得病的人里，99% 会被测出阳性 | 灵敏度 0.99 |
| 健康人测出来 95% 是阴性 | 没病的人里，95% 会被测出阴性 | 特异度 0.95 |
| 隐含的一条 | 没病的人里，5% 会被误测成阳性 | 假阳性率 0.05 |
三条信息说的都是「在某个前提下，出现某个结果的可能」。没有一条在说「你有病」。 你要问的那个概率，医生一个字都没提。这不是医生藏私，是他说的和你想问的本来就是两件事。
三、直觉错在哪儿
99% 的分母是「病人」。它的意思是：随便抓 100 个病人，其中 99 个会测出阳性。 你想知道的那个概率，分母是「测出阳性的人」。它的意思是：随便抓 100 个阳性的人，其中几个真有病。 分母一换，答案就换。而且换得极其剧烈——因为健康人的基数太大了。
四、把 1000 个人摆出来数
1000 个人里，按 1% 的基础率，10 个真有病，990 个没病。 10 个病人里，99% 会亮阳性，也就是 9.9 个。 990 个健康人里，5% 会亮阳性，也就是 49.5 个。
阳性总数 59.4 人，其中真病人 9.9 人。所以阳性者真得病的比例是 16.7%。 直觉 99%，实际 16.7%，差了将近六倍。而这个差距不是算错，是问错了。
五、一个必须记住的句式
P(病|阳) 和 P(阳|病) 长得几乎一样，含义差着十万八千里。 竖线读作「在……条件下」。P(阳|病) 是医生的说法，P(病|阳) 是你要的答案。 把这两个调换过来，是概率误用里最常见的一种，也是最贵的一种——它能让一个人白白恐慌好几天。
看到任何「准确率多少」的说法，先问一句：这是在谁身上测出来的？
六、动手 Demo：阳性结果，我到底有多大病
把医生那三条信息代进去，算两个答案：直觉的和正确的。 三个参数是本节设定值：基础率 1%、灵敏度 99%、特异度 95%。
BASE, SENS, SPEC = 0.01, 0.99, 0.95
intuition = SENS # 直觉：把灵敏度当成患病概率
print("直觉答案：%.1f%%" % (intuition * 100))
hit = BASE * SENS # 真阳性
fa = (1 - BASE) * (1 - SPEC) # 假阳性
print("真阳性 %.4f，假阳性 %.4f" % (hit, fa))
p = hit / (hit + fa)
print("正确算法：%.1f%%" % (p * 100))
print("两个答案差 %.1f 倍" % (intuition / p))
print()
print("分母换了：99%% 的分母是病人，%.1f%% 的分母是阳性者" % (p * 100))
实跑输出：
--------------------------------------------------------------------
阳性结果，我到底有多大病
--------------------------------------------------------------------
① 医生说的话
--------------------------------------------------------------------
医生说：你得了一种叫蜥蜴流感的病，概率不高，但要做个试验确认。
试验结果：阳性。
医生补了一句：这个试验挺准的，病人测出来 99% 是阳性，健康人测出来 95% 是阴性。
② 直觉的答案
--------------------------------------------------------------------
「99% 准确」听着就像「我有 99% 的概率得病」。
大部分人在这一步就停住了，然后开始安排后事。
! 这个答案错得很远，而且错的方向一致：人都把「准确率」和「我得病的概率」当成同一件事。
③ 换成 1000 个人来看
--------------------------------------------------------------------
| 人群 | 人数 | 测出阴性 | 测出阳性 |
|---|---:|---:|---:|
| 真病人 | 10 | 0.1 | 9.9 |
| 健康人 | 990 | 940.5 | 49.5 |
1000 个人里，10 个真有病，990 个没病。
有病的 10 个里，9.9 个测出阳性。
没病的 990 个里，49.5 个也测出阳性（假阳性）。
④ 阳性的人一共多少
--------------------------------------------------------------------
阳性总数 59.4 人，其中真病人 9.9 人。
所以「测出阳性」的人里，真得病的比例是 9.9 / 59.4 = 16.7%。
! 直觉说 99%，实际 16.7%。差了将近六倍。
⑤ 差在哪儿
--------------------------------------------------------------------
分母换了。99% 的分母是「病人」，问的是「病人里多少测出阳性」。
你真正想知道的，分母是「测出阳性的人」，问的是「阳性里多少真有病」。
这两个数在基础率极低的时候差得非常远——因为健康人太多了，5% 的假阳性乘出来比真病人还多。
注意那个 16.7% 不是「你没事」的意思，它只是「阳性这件事本身不足以说明你有事」。 分母一换，答案从 99% 掉到 16.7%。这一篇全部内容就是这一句。
30 秒实验
- 把特异度从 95% 改成 99%（假阳性率 1%），正确的答案会变成多少？
- 如果基础率不是 1% 而是 20%，阳性者的患病概率是多少？和直觉的差距还剩多少？
- 想一想：为什么医生说「概率不高」？他依据的是哪一条信息？
常见误区
- 把 P(阳|病) 当 P(病|阳)：两个概率长得像，含义完全不同，这是最贵的一种混淆。
- 忽略基础率：不问这病多常见就算，答案一定错，而且错得离谱。
- 把「准确率」当单一数：准确率可能指灵敏度、特异度或两者平均，含糊的写法必须追问。
- 阳性就下结论：单次阳性只是一个疑点，够不上结论。
自测三问（点开对答案）
1. 医生说的 99% 到底是什么概率？ —— 灵敏度：得病的人里，99% 会测出阳性。它的分母是病人。 2. 为什么阳性者真得病的概率远低于 99%？ —— 因为健康人基数大，5% 的假阳性乘出来的人比真病人还多，把分母灌大了。 3. P(病|阳) 与 P(阳|病) 有什么区别？ —— 前者在阳性者里数病人，后者在病人里数阳性者。分母不同，含义不同，数值可以差几十倍。16.7% 这个数是算出来的。下一篇追问一句：为什么它这么低？答案在「这病到底有多普遍」。
- ☐ （本篇完，下一篇 6.2 蜥蜴流感到底有多普遍）