基率谬误测验
医生、法官、面试官每天都在犯同一个错：盯着眼前的证据，忘了问「这件事本来有多常见」。12 个场景，看看你能不能守住那个最容易被无视的数字——基础率。
0 / 12 题已答
第 1 题
招聘经理看完候选人小郑的简历后说：「他在面试里表现得非常像顶尖销售——自信、健谈、有感染力，我打赌他入职后能进前 10%。」如果想判断这个预测靠不靠谱，下面哪项数据是被他忽略的「基础率」？
第 2 题
Kahneman 和 Tversky（1973）的经典实验：告诉受试者「这份描述从 70 名工程师和 30 名律师中随机抽出」。描述是：「Dick，30 岁，已婚无子女，能力强、动力足，在业内颇受欢迎。」——这段话对判断职业毫无信息量。此时「Dick 是工程师」的概率应该是多少？
第 3 题
朋友描述他邻居：「内向、爱穿格子衫、周末都在写开源项目。」你所在的小城总共约 200 名程序员和 20,000 名非程序员。「他是程序员」和「他是非程序员里恰好内向爱写代码的人」，哪个更可能？
第 4 题
某疾病患病率 1%。检测的灵敏度 90%（患者中 90% 呈阳性），假阳性率 9%（健康人中 9% 会误报阳性）。你检测出阳性。你真正患病的概率最接近——
第 5 题
银行的欺诈检测模型「准确率 99%」。已知每 10 万笔交易里约有 10 笔真欺诈。系统刚刚对一笔交易发出欺诈告警。风控新人说：「模型 99% 准，这笔基本坐实了。」他错在哪？
第 6 题
经典出租车问题（Kahneman & Tversky）：城里 85% 的出租车是绿色，15% 是蓝色。一辆出租车夜间肇事逃逸，目击者说是蓝色。测试表明该目击者在同等条件下辨色准确率 80%。肇事车真是蓝色的概率最接近——
第 7 题
畅销书宣称：「我们研究了 500 位成功创业者，90% 都有清晨 5 点起床的习惯——早起是成功的关键。」这个论证在统计上缺了哪块最关键的拼图？
第 8 题
机场安检的爆炸物检测仪「命中率 99.9%」（真有爆炸物时 99.9% 会响）。仪器刚才响了。安检员应该如何理解这声警报？
第 9 题
你的邮箱过滤器对「含中奖字样的邮件」标记垃圾邮件的正确率很高。今天一封含「中奖」的邮件进来了,但发件人是你正在参加的抽奖活动官方域名、且你确实报名了。合理的判断流程是——
第 10 题
法庭上检察官说：「如果被告无罪，DNA 恰好匹配的概率只有百万分之一——所以他几乎必然有罪。」这个推理的名字和毛病是——
第 11 题
以下四种「新证据」，哪一种强到可以让你几乎无视基础率？
第 12 题
同事看不懂「患病率 1%、灵敏度 90%、假阳性率 9%,求阳性后患病概率」这道题。不用公式,最能让他秒懂的改写方式是——
答完全部 12 题，看你的逻辑段位 👆
四个最容易搞混的数字
- 基础率 Base rate
- 事件在人群中的先验比例——最常被无视的分母(患病率 1%、欺诈率 0.01%)。
- 灵敏度 Sensitivity
- P(阳性|有病):真有病的人里多少被测出。它不回答「阳性后我有没有病」。
- 假阳性率 False-positive rate
- P(阳性|没病):健康人被误报的比例。低基率下,它决定了告警池里谁是主力。
- 阳性预测值 PPV
- P(有病|阳性):你真正关心的数字。= 真阳性 ÷ 全部阳性,被基础率狠狠拽着走。
- 代表性启发
- 「像 X」≠「是 X」:相似度不含人数信息,画像再典型也要乘以群体规模。
- 检察官谬误
- 把 P(证据|无罪) 当成 P(无罪|证据)——基率谬误的法庭马甲。
- 似然比
- 证据的强度:P(证据|真)÷P(证据|假)。接近 1 的证据不配更新你的判断。
- 自然频数
- 把百分比翻译成「每 10,000 人里…」——让答对率从 16% 跳到 46% 的表述法(Gigerenzer & Hoffrage 1995)。
什么是基率谬误？
| 指标 | 它回答的问题 | 最常见的误读 |
|---|---|---|
| 灵敏度 P(阳性|有病) | 有病的人里，多少能被测出来？ | 被当成「阳性的人里多少有病」——方向反了 |
| 假阳性率 P(阳性|没病) | 健康的人里，多少会被误报？ | 「才 9%,很小」——乘上庞大的健康人基数后是告警主力 |
| 阳性预测值 P(有病|阳性) | 拿到阳性报告的我，到底多大概率有病？ | 以为它等于灵敏度——其实被基础率拽到低得多 |
| 基础率 P(有病) | 不看任何检测,这事本来多常见？ | 被个案细节完全挤出脑海——基率谬误本尊 |
基率谬误（base rate fallacy / base rate neglect）指人在估计概率时,被眼前的个案信息（检测结果、目击证词、人物画像）吸走全部注意力,而忽略事件的先验比例。它不是小众冷知识：体检假阳性恐慌、法庭统计冤案、招聘的「直觉看人」、风控告警疲劳,底层全是同一个错误。
这个偏差最著名的研究者是 Kahneman 和 Tversky——工程师/律师实验（1973）和出租车问题都出自他们的「代表性启发」研究纲领：人们用「像不像」代替「有多常见」,而相似度里不含任何人数信息。
对抗基率谬误,学界目前最有效的工具不是背贝叶斯公式,而是「自然频数」表述法：把所有百分比翻译成「每 10,000 人里有多少人」。Gigerenzer 和 Hoffrage（1995）证明,仅仅换这个表述,普通人在贝叶斯问题上的正确率能提升近三倍。本页所有解析都在用这个方法,做完 12 题你会自然带走它。
值得强调的是,基率思维不等于「永远相信先验」。贝叶斯推断的完整姿势是「从基率出发,按证据强度加权更新」——弱证据（一个印象、一次不太准的检测）几乎不该动摇先验,强证据（清晰的录像、极低伪造率的记录）可以近乎推翻它。本测验的第 9 和第 11 题专门测这个方向,防止你从一个坑跳进另一个坑。
如果这类「直觉笃定但算出来吓一跳」的题让你上头,喵学堂《思维陷阱》有整整 50 道:蒙提霍尔换门、赌徒谬误、幸存者偏差、检察官谬误……每道都配原始实验出处和自然频数解析,免注册就能玩。
常见问题
基率谬误和「代表性启发」是什么关系？
代表性启发是原因,基率谬误是结果之一。人们判断「他是不是程序员」时,实际在回答「他像不像程序员」——用相似度代替概率。相似度不含人数信息,于是先验比例（基率）被系统性挤掉。Kahneman 和 Tversky 1970 年代的系列实验确立了这条因果链。
医生也会犯基率谬误吗？
会,而且有著名实证:Eddy（1982）给医生出乳腺癌筛查的贝叶斯题,大多数人把阳性预测值高估了近 10 倍;Gigerenzer 后续对妇科医生的研究同样惨烈。这不是医学水平问题,是条件概率的表述方式和人脑不兼容——换成自然频数后,医生的正确率显著回升。
怎么快速估算「阳性后真有病」的概率？
自然频数三步法:①想象 10,000 人;②按患病率分成两组,分别乘以灵敏度和假阳性率,得到真阳性与假阳性人数;③真阳性 ÷（真阳性+假阳性）。全程只有乘法和除法,不需要记任何公式。
基率谬误在 LSAT / GRE 这类考试里怎么考？
逻辑推理题常给出「幸存者样本」或「方向搞反的条件概率」让你挑毛病——比如「90% 的成功者都有 X 习惯,所以 X 导致成功」缺失败者基准组,或把「无罪时匹配概率极低」偷换成「匹配时无罪概率极低」。能认出「缺基准组」「逆概率混淆」这两个套路,这类题基本白送。
重视基率,会不会变成「永远不信眼前证据」？
不会,那是另一种错。贝叶斯推断按似然比给证据加权:似然比≈1 的证据（模糊印象）不配更新判断,似然比极高的证据（清晰录像、DNA+其他物证链）可以压过很低的基率。口诀是「先验打底,证据加权」,两头都不偏废。