想象一种影响100人中1人的罕见疾病检测。这项检测的可靠度是99%——它能正确识别99%真正患病的人,也能正确排除99%没有患病的人。你接受了检测。结果是阳性。应该有多担心呢?
大多数人的直觉反应是“99%担心”。正确计算出来的答案,大约是50%。这个差距正是贝叶斯定理存在的原因——一旦你理解了原因,你就再也不会用同样的方式看待一个阳性结果了。
A-Level拓展
两个看起来相似却不同的问题
“这项检测有多可靠?”实际上把两个不同的问题藏在了一句话里。一个是敏感度——在真正患病的人中,检测能正确识别出多少?另一个是特异度——在没有患病的人中,检测能正确排除多少?一项检测可以在两方面都达到99%,却仍然让你面对一个真正不确定的结果,因为这两个数字都没有回答你真正想知道的问题:已知检测结果为阳性,你实际患病的概率是多少?
用10,000人来计算
看清这一点最清楚的方法不是代数——而是数数。想象检测10,000个人,其中1%(100人)真正患病。
- 在真正患病的100人中,检测正确识别出99人(99%敏感度),漏掉1人。
- 在没有患病的9,900人中,检测错误地把其中1%——99人——分类为阳性(99%特异度,即1%的假阳性率)。
把所有阳性检测结果加起来:99个真阳性加上99个假阳性,共198人。在这198人中,只有99人真正患病——恰好一半。
检测10,000人:真正阳性的0.99%和假阳性的0.99%几乎相等,因为一种罕见的疾病(1%)意味着一个非常庞大的健康人群仍然会产生相同数量的错误警报。
Try it yourself — drag the slider to change how rare the condition is, and watch how a “99% accurate” test's real reliability changes with it.
1.0% of people have the condition — 100 out of 10,000 tested.
99
true positives
99
false positives
50%
chance a positive is real
A test that's 99% accurate on paper is only 50% reliable in practice at this prevalence — because 99 healthy people are being flagged positive for every 99 genuinely sick ones caught.
数数背后的公式
贝叶斯定理是这套同样的数数逻辑的正式版本——它让你能在新证据出现时更新一个初始概率:
P(患病 | 阳性) = [P(阳性 | 患病) × P(患病)] ÷ P(阳性)
分子就是那99个真阳性(99%敏感度 × 1%患病率)。分母,P(阳性),代表所有因为任何原因得到阳性检测结果的人——真阳性和假阳性合在一起,这正是那198人的来源。疾病越罕见,分母中被假阳性填满的比例就越大,一个阳性结果真正意味着什么就越难说。
考试式问题
另一种疾病影响了2%的人口。一项筛查检测的灵敏度为95%,特异度为95%。使用一个10,000人的表格,求P(患病 | 阳性),答案保留3位有效数字。 [5分]
显示范例答案与得分点
- 10,000人的2% = 200人患病;9,800人未患病 (1分)
- 真阳性:200人的95% = 190人。假阴性:200 − 190 = 10人 (1分)
- 假阳性:9,800人的5% = 490人(特异度95%意味着假阳性率为5%)。真阴性:9,800 − 490 = 9,310人 (1分)
- 阳性总数 = 190 + 490 = 680人 (1分)
- P(患病 | 阳性) = 190 ÷ 680 = 0.279 = 27.9% (1分)
考官关注的重点: 在做任何除法之前先构建2×2表格(患病/未患病 × 阳性/阴性)——最后的除法只有在四个数字都确定之后才有意义。
常见错误: 把95%(灵敏度)当作答案,这其实是反过来的条件概率——P(阳性 | 患病),而不是P(患病 | 阳性)——这正是这整个主题想要澄清的那种混淆。
为什么这真的重要,而不仅仅是一个考试科目
这不是一个为了迷惑学生而设计的刁钻问题——它恰恰是医生每天使用的推理,正式称为“阳性预测值”。如果概率和统计是您或您的孩子需要用公式背后真实的推理来理解、而不是死记硬背的内容,这正是我们GCSE数学个别指导所提供的,您可以在这里查看完整的学习路径。
常见问题
99%的可靠度不就意味着如果检测呈阳性,我有99%的概率患病吗?
不是——这正是关于任何医学检测最常见的误解。“99%可靠”描述的是检测根据你的实际状态如何表现,它并不直接回答那个反过来的问题:已知检测结果为阳性,你实际患病的概率是多少?当疾病本身很罕见时,这两个数字可能非常不同。
那这项检测毫无意义吗?
完全不是——它确实做了真实的工作。检测之前,患病的概率是1%。阳性结果之后,它上升到了50%。这是一次真实、重要的更新;只是不是确定性。在实践中,医生正是针对这个差距,开出一项独立的第二项检测。
这种逻辑实际上还应用在哪里?
任何检测罕见事物的地方:机场安检、垃圾邮件过滤器、欺诈检测系统,甚至家里的烟雾探测器(真正的火灾很罕见)。在每一种情况下,较低的基础比率都意味着,即使探测器本身极其可靠,假阳性也可能超过真阳性。
读者评分与评价
从多个维度为这篇文章打分——您的评价既能帮助其他读者,也能帮助我们不断改进。
这篇文章对您有帮助吗?
告诉我们您的想法——可以是需要更正的地方、尚未解答的问题,或您希望我们接下来讲解的主题。
想直接沟通吗？ 在方便的时间预约免费视频通话：简短问题15分钟，其他问题30分钟。时间以您所在的时区显示。
关于作者
Sudershan Soni
Mostak Services 的创始人兼首席导师——拥有硕士学位的数学、科学、计算机科学与 STEM 导师,拥有超过20年的职业经验,通过在线授课为全球从 11+ 和 GCSE 到 A-Level 及更高阶段的学生提供教学。
阅读完整履历