假设你参加一种罕见病筛查：人群患病率为 1%；检测能找出 90% 的病人，也就是灵敏度为 90%；健康人中有 5% 会误报阳性，也就是特异度为 95%、假阳性率为 5%。

现在你的结果是阳性。直觉很容易抓住“90%”并说：我有九成概率患病。但 90% 回答的是“已经患病的人，有多大概率测出阳性”，你真正想问的是“已经测出阳性的人，有多大概率患病”。方向反过来了，答案也会完全不同。

这就是基础率谬误的常见形式：面对一条醒目的个案证据时，忽略事件原本的发生比例，也就是基础率。

几个量不能混用：灵敏度是 P(阳性｜患病)；特异度是 P(阴性｜健康)；假阳性率是 P(阳性｜健康)，等于 1−特异度；阳性预测值才是 P(患病｜阳性)。而“总体准确率”是全部受测者中判断正确的比例，会随样本里的患病者比例变化。只听到“99% 准确”而不知道样本构成和混淆矩阵，通常还算不出阳性者患病的概率。