条件概率就是「已知 A 的前提下，B 的概率」。竖线后面那个条件，就是把样本空间缩小到那一堆人。 四个术语要能对上号：基础率、灵敏度、特异度、假阳性率。 它们不是四个独立的知识点，是同一件事的四个侧面。 整数格是把概率题变回数数题：1000 个人摆成格子，该数的数一遍，答案就出来了。
前两篇算出了数，这一篇把术语和写法补齐，让这套算法能被复述、能被检查。 这一篇的公式与整数格会算出同一个 16.7%，两条路都走一遍，是为了以后遇到复杂题能挑顺手的走。
一、四个术语先对上号
| 术语 | 意思 | 本节设定值 |
|---|---|---|
| 基础率 | 人群中患病的比例 | 1% |
| 灵敏度 | 病人里测出阳性的比例 | 99% |
| 特异度 | 健康人里测出阴性的比例 | 95% |
| 假阳性率 | 健康人里测出阳性的比例 | 5% |
基础率说的是「测之前」，后三个说的是「试验本身」。 灵敏度与假阳性率是一对：一个管「别漏」，一个管「别冤」。两个都高，试验才贵。 特异度和假阳性率加起来正好 1：健康人要么测出阴性，要么测出阳性，没有第三种。
二、竖线到底在说什么
P(病|阳) 读作「在测出阳性的条件下，真得病的概率」。竖线后面的东西是条件。 条件的实际作用是把样本空间缩小：不再从 1000 个人里挑，只在 59.4 个阳性的人里挑。 在缩小后的空间里，数一数有几个真病人，就是条件概率。 所以条件概率从来不是抽象概念，它就是「换一堆人数比例」。
记住这个动作，比记住公式有用：换分母、重数一遍。
三、整数格：把概率题变回数数题
取 1000 个人（方便，因为 1% 正好是 10 个）。 按 1% 切开：一行 10 个病人，一行 990 个健康人。 病人那一行，99% 亮阳性 → 9.9 个；健康人那一行，5% 亮阳性 → 49.5 个。
亮灯的总共 59.4 个，其中真病人 9.9 个。9.9 ÷ 59.4 = 16.7%。 全程只用乘法和加法，没有一处需要「理解概率的含义」。这就是整数格的好处。
四、公式和整数格是同一件事
公式写法：P(病|阳) = P(阳|病)P(病) ÷ [P(阳|病)P(病) + P(阳|没病)P(没病)]。 把数代进去：0.99 × 0.01 ÷ (0.99 × 0.01 + 0.05 × 0.99) = 0.1667。 分子是「真阳性」，分母是「所有阳性」，跟整数格里的两个数一模一样。
公式只是把整数格那两步写成了代数。先懂整数格，公式就不用背。
五、「1% 的人患病」，你仍然非常低
算出来的 16.7%，比直觉的 99% 低得多，但比基础率 1% 高得多。 两个方向的比较都要做：相对 99% 它很低，相对 1% 它高了 16 倍。 所以正确的说法不是「我没事」，也不是「我完了」，而是「我的风险从 1% 涨到了 16.7%，值得复查」。
概率的作用不是给你一个结论，是给你一个可以拿去决策的数。
六、动手 Demo：条件概率与整数格
同一道题走两条路：公式一条、整数格一条，看两个答案是否一致。 顺便把四个术语的值打出来，确认它们之间的加减关系。
BASE, SENS, SPEC = 0.01, 0.99, 0.95
print("基础率 %.2f 灵敏度 %.2f 特异度 %.2f 假阳性率 %.2f"
% (BASE, SENS, SPEC, 1 - SPEC))
# 路线一：公式
hit = BASE * SENS
fa = (1 - BASE) * (1 - SPEC)
p1 = hit / (hit + fa)
print("公式法 %.4f" % p1)
# 路线二：整数格（1000 人）
N = 1000
sick = N * BASE
well = N - sick
true_pos = sick * SENS
false_pos = well * (1 - SPEC)
p2 = true_pos / (true_pos + false_pos)
print("整数格 %.4f" % p2)
print("两者差 %.2e，是同一个数" % abs(p1 - p2))
print()
print("病人 %.0f 人，真阳性 %.1f，假阳性 %.1f，阳性合计 %.1f"
% (sick, true_pos, false_pos, true_pos + false_pos))
实跑输出：
--------------------------------------------------------------------
条件概率与整数格
--------------------------------------------------------------------
① 三个术语，先对上号
--------------------------------------------------------------------
| 术语 | 意思 | 本节设定值 |
|---|---|---|
| 基础率 | 人群中患病比例 | 1% |
| 灵敏度 | 病人里测出阳性的比例 | 99% |
| 特异度 | 健康人里测出阴性的比例 | 95% |
| 假阳性率 | 健康人里测出阳性的比例 | 5% |
这四个词是同一件事的四个侧面：基础率说的是「事先」，后三个说的是「试验本身」。
② 公式长什么样
--------------------------------------------------------------------
P(病|阳) = P(阳|病) × P(病) 除以 [P(阳|病) × P(病) + P(阳|没病) × P(没病)]
竖线读作「在……条件下」。P(病|阳) 读作「在测出阳性的条件下，真得病的概率」。
这就是条件概率的定义：把样本空间从「所有人」缩到「测出阳性的人」，再在这个小空间里数比例。
③ 两种算法，一个答案
--------------------------------------------------------------------
公式法：9.9 / (9.9 + 49.5) = 0.1667
整数格法：同样三个数，同样 0.1667
两种算法是同一件事，只是一个用小数、一个用人数。整数格好在能画、能数、能讲给别人听。
④ 为什么整数格更好记
--------------------------------------------------------------------
1000 个人摆成格子：10 个病人、990 个健康人。病人那一列 99% 亮灯，健康人那一列 5% 亮灯。
数一数亮灯的总数，再数一数其中真病人几个，答案就出来了。全程只用加法和乘法。
! 人脑对「%」这种抽象比例很不敏感，对「1000 个人里有几个」非常敏感。
所以换算成人头再算，错的概率小得多。
⑤ 「99% 准确」到底在说什么
--------------------------------------------------------------------
它说的是灵敏度，不是「阳性者有 99% 得病」。这两句话差了一个分母。
试验报告里写「准确率」是最含糊的一种写法，因为「准确」可能指灵敏度、特异度、或者两者的平均。
看到这种写法，正确反应是追问：病人里多少测出阳性？健康人里多少测出阳性？两个数都要。
两条路算出同一个 0.1667，误差在浮点精度以内。这不是巧合，是两个式子的代数等价。 整数格那一行输出里，假阳性 49.5 比真阳性 9.9 大得多——上一节讲的就是这件事。
30 秒实验
- 把 1000 人换成 10000 人，整数格的结果会变吗？为什么？
- 如果特异度写成 0.95，假阳性率是多少？为什么这两个数加起来必须是 1？
- 想一想：为什么用 1000 人而不是 100 人？换成 100 人会算不清楚吗？
常见误区
- 把竖线两边调换：P(病|阳) 和 P(阳|病) 不是一回事，调换等于换了分母。
- 术语混用：把特异度当假阳性率，答案会从 16.7% 变成 83.3%。
- 只背公式不懂整数格：公式一变形就蒙，整数格永远能重数一遍。
- 把 16.7% 读成「没事」：它比基础率高 16 倍，是「值得复查」而不是「可以放心」。
自测三问（点开对答案）
1. 条件概率里「条件」起了什么作用？ —— 把样本空间缩小到满足条件的那一堆人，然后在这堆人里重新数比例。 2. 特异度和假阳性率是什么关系？ —— 加起来等于 1。健康人要么测出阴性（特异度），要么测出阳性（假阳性率）。 3. 为什么整数格比公式好记？ —— 它把概率题变回数数题：分堆、乘一下、数一数，全程不需要理解抽象定义。术语和算法都齐了，接下来把它写成能反复用的东西。下一篇把贝叶斯规则做成一个函数。
- ☐ （本篇完，下一篇 6.4 把贝叶斯规则用起来）