基础率谬误（base rate fallacy）指的是：你根据具体证据——一次检测结果、目击者证词或一条警报——来判断概率，却忽视或低估了这件事本身有多常见。治好这个毛病最快的办法，就是亲眼看几次算术是怎么"翻车"的，所以本文将逐一演算七个例子。每个例子都会给出基础率、证据概率、一张自然频率表，以及正确答案。
两个要素（和两种不同的错误）
下面每道题都有同样的骨架：一个基础率（base rate，即这个情况有多常见，也叫患病率或先验概率）和若干证据概率（如灵敏度和假阳性率）。笼统地说某个检测"准确率 99%"可能并不够用，因为这句话未必告诉你检测在各个群体上分别表现如何。
可能出现两种相关的错误：
- 忽视基础率（base-rate neglect）： 你只盯着生动的证据，忽视或低估了先验概率。这会扭曲结果，但并不一定意味着默认先验是五五开。
- 条件概率颠倒（conditional-probability reversal）： 你把 P(阳性 | 患病) 和 P(患病 | 阳性) 搞混了。后一个概率同样取决于基础率。
这两种错误常常同时出现，但谁也不单纯是谁的原因或机制。下面进入例题。
例 1：罕见病检测
题设： 患病率为千分之一。灵敏度为 99%，假阳性率为 5%。你的检测结果是阳性。你患病的可能性有多大？
取 100,000 人：
| 群体 | 人数 | 检测呈阳性 |
|---|---|---|
| 患病 | 100 | 99 |
| 健康 | 99,900 | 4,995 |
P(患病 | 阳性) = 99 ÷ (99 + 4,995) ≈ 1.9%。
直觉答案——"接近 99%"——把灵敏度和阳性结果之后的患病概率混为一谈了。健康人群基数大得多，其产生的假阳性远远多于真阳性。
例 2：出租车目击证人
改编自 Kahneman 和 Tversky 研究过的一道题。题设： 某城市 85% 的出租车是绿色的，15% 是蓝色的。一位目击者说肇事逃逸的出租车是蓝色的。在类似条件下，该目击者对两种颜色的辨认正确率都是 80%。
取 100 辆出租车：
| 群体 | 数量 | 证人说"蓝色" |
|---|---|---|
| 蓝色 | 15 | 12 |
| 绿色 | 85 | 17 |
P(蓝色 | 证人说蓝色) = 12 ÷ (12 + 17) ≈ 41%。
证词是有意义的：它把概率从 15% 提升到了 41%。但这并不能让"是蓝色"变得比"不是蓝色"更有可能。如果一个论证直接拿证人 80% 的准确率当作这辆车是蓝色的概率，那就是忽视了车队的构成比例。
例 3：工程师–律师描述题
改编自 Kahneman 和 Tversky 的工程师–律师问题。题设： 一个群体包含 70 名律师和 30 名工程师。随机抽取一人，其描述为：安静、喜欢解谜、擅长动手。在这个标注好的假设情境中，设 60% 的工程师和 20% 的律师符合该描述。
| 群体 | 人数 | 符合描述 |
|---|---|---|
| 工程师 | 30 | 18 |
| 律师 | 70 | 14 |
P(工程师 | 描述) = 18 ÷ (18 + 14) = 56.25%。
这段描述在工程师中出现的可能性是律师中的三倍，但答案只是略高于 50%，因为起始群体中律师更多。一段听起来很"典型"的描述并不能抹掉先验分布。
例 4：垃圾邮件过滤器
题设（假设情境）： 在某企业邮件流中，2% 的邮件是垃圾邮件。某过滤器能标记 98% 的垃圾邮件，同时会误标 2% 的正常邮件。一封邮件被标记了。它是垃圾邮件的可能性有多大？
取 10,000 封邮件：
| 群体 | 数量 | 被标记 |
|---|---|---|
| 垃圾邮件 | 200 | 196 |
| 正常邮件 | 9,800 | 196 |
P(垃圾邮件 | 被标记) = 196 ÷ (196 + 196) = 50%。
即使检测能力很强，在这组特定的流行率与假阳性率组合下，被标记的邮件中有一半是正常邮件。除非检测器的假阳性率相对于基础率足够低，否则稀有目标会产生大量误报。同样的道理也适用于欺诈警报和安全监控。
例 5：针对极罕见特征的大规模筛查
题设（假设情境）： 某特征在人群中的比例为十万分之一。筛查的灵敏度为 99%，假阳性率为 1%。
取 100,000 人：
| 群体 | 人数 | 检测呈阳性 |
|---|---|---|
| 具有该特征 | 1 | 0.99 |
| 不具有 | 99,999 | 999.99 |
P(特征 | 阳性) = 0.99 ÷ (0.99 + 999.99) ≈ 0.1%。
这里出现小数形式的期望人数是可以接受的，因为表格代表的是在重复抽取的人群上的平均值。这个结果并不是对筛查本身的整体判决。它只说明：在这组假设的概率之下，初次阳性提供的证据有限，需要进一步评估才能支持结论。
例 6：机场安检扫描仪警报
题设（假设情境）： 假设 0.5% 的受检行李中含有违禁品。扫描仪能标记 90% 含违禁品的行李，同时会误标 4% 的其他行李。某件行李触发了警报。它含有违禁品的可能性有多大？
取 10,000 件行李：
| 群体 | 数量 | 被标记 |
|---|---|---|
| 含违禁品 | 50 | 45 |
| 不含违禁品 | 9,950 | 398 |
P(违禁品 | 被标记) = 45 ÷ (45 + 398) ≈ 10.2%。
警报把概率从 0.5% 提升到了约 10.2%，所以它是有信息量的。但大多数警报仍然是误报，因为普通行李的数量压倒性地多。把 90% 的检出率当成"被标记的行李有 90% 的概率含违禁品"，就是把条件概率颠倒了。
例 7：职场药检（LSAT 风味）
题设（假设情境）： 某雇主主张："我们的检测能在 95% 的情况下识别出使用者，所以检测呈阳性的员工应被推定为使用者。"设 1% 的员工使用该物质，灵敏度为 95%，假阳性率为 5%。
取 10,000 名员工：
| 群体 | 人数 | 检测呈阳性 |
|---|---|---|
| 使用者 | 100 | 95 |
| 非使用者 | 9,900 | 495 |
P(使用者 | 阳性) = 95 ÷ (95 + 495) ≈ 16%。
这位雇主把某一项性能指标当成了对结论概率的定论。LSAT 的谬误类选项可能会把这描述为：未能考虑该情况在相关人群中的出现频率。
四步法
在时间压力下你不需要写出贝叶斯定理（Bayes' theorem）。搭一张频率表就行：
- 选一个总体，让基础率容易表示成整数。
- 按基础率拆分成"有"和"没有"两组。
- 对两组分别套用证据概率。
- 相除： 真阳性 ÷ 全部阳性。
同样的方法适用于检测、证人、过滤器和警报。
它在 LSAT 和 GRE 中如何出现
在 LSAT 逻辑推理（Logical Reasoning）部分，要警惕从"该方法能检出大多数真实案例"跳到"这个被检出的案例大概率是真实的"这类论证。同时也要警惕省略了相关分母的原始数量比较。可以在 PurrLearn 的 LSAT 逻辑推理谬误测验中练习识别这些结构。
GRE 的 Analyze an Argument 写作题已随着 2023 年 9 月缩短版 GRE 的推出而取消，因此它已不是现行 GRE 的题型。旧的 Argument 题目仍可用作一般性的推理练习，包括练习识别缺失的流行率数据，但不应把它们误当成现行考试的格式。
想要更多互动式的概率和选择偏差练习，可以试试蒙提霍尔问题测验和幸存者偏差测验。它们训练的是相关的思维习惯：追踪完整的可能性集合，并追问现有证据遗漏了哪些情况。
常见问题
有没有一个简单的基础率谬误例子？
某疾病的患病率为千分之一；某检测的灵敏度为 99%、假阳性率为 5%；你检测呈阳性，就以为自己几乎肯定病了。在这些假设下，实际概率约为 1.9%，因为假阳性的数量多于真阳性。
基础率谬误和混淆 P(A|B) 与 P(B|A) 是一回事吗？
不是。条件概率颠倒是把两个不同的概率互换了。忽视基础率则是指忽略或低估先验频率。它们可以分别单独发生，尽管一个错误答案可能同时涉及两者。
基础率谬误在 LSAT 中如何出现？
某论证可能会因为"该方法能可靠地检出真实案例"就断定某个被识别出的案例大概率是真实的，却不考虑真实案例有多罕见、假阳性有多频繁。
如何避免基础率谬误？
在对某个结果、警报或匹配做出反应之前，先问问目标情况本身有多常见。然后把基础率、灵敏度和假阳性率放进一张频率表。如果基础率未知，证据可能仍然有意义，但你无法仅凭检出率算出后验概率。
结语
这七个例子共享同一个结构：一个先验概率、各群体各自的证据概率，以及一个"观察到证据之后概率是多少"的问题。破解方法是机械化的——选一个总体，按基础率拆分，套用证据概率，然后相除。反复练习这套流程，你就能更容易地在 LSAT 论证、旧版 GRE 推理材料以及日常生活的概率说法中识破这个陷阱。