設有一種千人中一人患的病,檢測能把 99% 的患者查出來,卻也會把 1% 的健康人標陽。被標陽的人真正患病的機率,分子是 0.99 × 0.001,分母是 0.99 × 0.001 + 0.01 × 0.999,工作台答 0.09016393442623。一個 99% 準確的檢測,十分之九的陽性是假的。
把兩項的大小擺出來就明白了:真陽性每人 9.9⋅10−4,假陽性每人 0.00999——後者是十倍的水流。換成自然頻數更順:篩一千人,一個病人以 0.99 的機率被抓到,而 999 名健康人裡仍有 9.99 個被誤標。檢測本身沒有不準,不準的是直覺:稀缺的是病,於是施加在健康人群上的 1% 差錯,淹沒了施加在患者身上的 99% 命中率。
答案
0.09016393442623
口徑說明
工作台上的陽性預測值。後兩個連結分別是它的分子與假陽性那一項,後者更大。
出處
Positive predictive value = sensitivity·prevalence / (sensitivity·prevalence + false-positive-rate·(1 − prevalence)); base-rate neglect was demonstrated in Kahneman and Tversky's taxi-cab problem and the screening version popularised by Gerd Gigerenzer
在計算機裡做這道題
下面的連結直接開啟對應的計算機,並把這道題的數字填進螢幕——答案就是上面那一行,可以自己核對。