为什么检测准确率 90% 阳性了还可能没病？

因为患病率很低。假设 1% 的人患病、灵敏度 90%、特异度 91%：一万人里有 100 个病人（90 个被查出），9900 个健康人里有约 891 个假阳性。阳性总共 981 人，真病人只占 90/981 ≈ 9%。这就是自然频率表想说明的。

先验概率怎么选？

用人群中的基础比例（患病率、发生率）最稳妥。如果个体有额外风险因素（家族史、症状），可以用更高的先验——先验不同，同一份检测结果得到的后验就完全不同。

灵敏度是「有病的人里被查出来的比例」，特异度是「没病的人里被判为阴性的比例」。假阳性率 = 1 − 特异度，正是它决定了健康人里会冒出多少假警报。

LR+ = 灵敏度 / (1−特异度)。用几率形式算更快：后验几率 = 先验几率 × LR+。LR+ 越大，一次阳性结果把判断往上推得越多，LR+ 接近 1 说明这个检测几乎没提供信息。

不是。垃圾邮件过滤、司法证据评估、机器故障诊断、A/B 测试都在用同一个公式。一般形式模式就是给这些场景准备的：P(A) 是先验，P(B|A) 是证据在假设成立时出现的概率。

🎲

输入先验概率和证据的似然，立刻得到后验概率。医学检测模式直接填患病率、灵敏度、特异度，给出阳性预测值与阴性预测值，并把结果换算成「每一万人里有多少人」的自然频率表（先验极低时会自动放大到十万、百万人），比抽象的百分数好理解得多。

免费 · 无需注册 · 浏览器本地处理最后更新：2026-10-26

正在加载工具...

为什么检测准确率 90% 阳性了还可能没病？: 因为患病率很低。假设 1% 的人患病、灵敏度 90%、特异度 91%：一万人里有 100 个病人（90 个被查出），9900 个健康人里有约 891 个假阳性。阳性总共 981 人，真病人只占 90/981 ≈ 9%。这就是自然频率表想说明的。
先验概率怎么选？: 用人群中的基础比例（患病率、发生率）最稳妥。如果个体有额外风险因素（家族史、症状），可以用更高的先验——先验不同，同一份检测结果得到的后验就完全不同。
灵敏度和特异度有什么区别？: 灵敏度是「有病的人里被查出来的比例」，特异度是「没病的人里被判为阴性的比例」。假阳性率 = 1 − 特异度，正是它决定了健康人里会冒出多少假警报。
似然比怎么用？: LR+ = 灵敏度 / (1−特异度)。用几率形式算更快：后验几率 = 先验几率 × LR+。LR+ 越大，一次阳性结果把判断往上推得越多，LR+ 接近 1 说明这个检测几乎没提供信息。
贝叶斯定理只能用在医学上吗？: 不是。垃圾邮件过滤、司法证据评估、机器故障诊断、A/B 测试都在用同一个公式。一般形式模式就是给这些场景准备的：P(A) 是先验，P(B|A) 是证据在假设成立时出现的概率。