本讲主张
最容易误导人的，不是没有数据，而是只盯着检测准确率，却忘了基础比率和假阳性。
中文释读
癌症筛查例子说明，‘检测阳性率 95%’不等于‘你得病的概率 95%’。现实里很多看似严谨的结论，都是把条件概率方向看反了。
知识路线
关键论点
- 客观数据本身不会自动给出正确结论。
- 基础比率低时，少量误报也足以扭曲直觉。
- 统计思维首先是在抵抗直觉误判。
行动清单
- 看到检测准确率时，先问患病率或先验概率是多少。
- 区分‘患病的人测出阳性’与‘阳性的人患病’。
- 不要把罕见事件的阳性结果直接理解成高确定性。
源章节深读
2-1 计算罹患癌症的概率
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：本讲是通过一些容易获取客观数据的案例，对于贝叶斯推理进行说明。
2-2 根据医疗数据，设定“先验概率”
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：该推算的顺序，与第一讲中进行的推算顺序完全相同。因为具体事例有所区别，带给各位读者的印象可能会不太一样，因此，下文将沿袭第一讲的方式，对推算的顺序进行详细说明。
2-3 以检查准确率为线索，设定“条件概率”
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：条件概率。本例中的信息是指检查结果所呈现出的阳性及阴性。
2-4 检查结果呈阳性，因而排除掉“不可能的情况”
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：此刻，你已经了解到自己的检查结果呈阳性。而这件事又可以这么理解：你获取一项关于自己身体内部状况的信息，也就为“可能性世界”增添了新的信息。
2-5 计算罹患癌症的“贝叶斯逆概率”
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：在上一节中，因为观察到“阳性”这一诊断结果，因此，可能世界被限定为2个。也就是说，你所处的世界或是“癌症＆阳性”的世界，或是“健康＆阳性”的世界，只有这两种可能性。
2-6 贝叶斯推理过程的总结
这节解决什么：这一节在解决《第2讲 客观数据也会把人带偏》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：本讲中，求癌症检查的贝叶斯逆概率的方法，可用
本讲图版学习路径
医疗判断
第2讲 客观数据也会把人带偏图版
概念可视化
辨析题
为什么‘检测很准’并不自动意味着‘阳性几乎等于患病’？