条件概率与诊断决策
一张 2×2 列联表，考场上是两个公式。但同一张表在医院里决定着要不要让一个人去做穿刺。这一页把那张表摊开成一千个人，然后只动一个参数，看那个「九成」怎么塌成「一成五」。
本页题目
超声检查：那个「九成」其实不是机器的性质
为研究某疾病与超声波检查结果的关系，从做过超声波检查的人群中随机调查了 1000 人，得到如下列联表：
| 正常 | 不正常 | 合计 | |
|---|---|---|---|
| 患该疾病 | 20 | 180 | 200 |
| 未患该疾病 | 780 | 20 | 800 |
| 合计 | 800 | 200 | 1000 |
- 记超声波检查结果不正常者患该疾病的概率为 P，求 P 的估计值；
- 根据小概率值 α = 0.001 的独立性检验，分析超声波检查结果是否与患该疾病有关。
附表：P(χ² ≥ k₀) = 0.050 → k₀ = 3.841；0.010 → 6.635；0.001 → 10.828
第(1)问是一句条件概率的直接翻译：检查不正常的一共 180 + 20 = 200 人，其中患病的 180 人，所以 P̂ = 180/200 = 0.9。
第(2)问把四个数代进附表给的公式：
765.625 远大于 α = 0.001 对应的临界值 10.828，所以有 99.9% 的把握认为超声波检查结果与患该疾病有关。
代公式时最常见的错是把 a、b、c、d 摆错位置。记住分母是「四个边缘合计相乘」就不会错：两个行合计（200、800）、两个列合计（800、200），分子里的 ad − bc 则要和列联表的摆法保持一致。另外附表里那三档是 α（小概率值），不是把握度；α = 0.001 对应的把握是 99.9%，两者别说反。
同一张表，换一套名字，就是临床上评价一台诊断设备的标准四格表。
特异度 = 未患病者中被判正常的比例 = 780/800 = 0.975
阳性预测值 = 查出不正常者中真正患病的比例 = 180/200 = 0.900 ← 这就是第(1)问
关键在于：前两个是机器的性质，第三个不是。灵敏度和特异度只跟设备和判读标准有关，换一个人群不会变；而阳性预测值还要乘上这群人里本来有多少人患病——也就是患病率。用贝叶斯公式写出来就是
这次调查里的患病率是 200/1000 = 20%。把它代进去，正好得到 0.9——和第(1)问一致。但 20% 这个数，是这批被调查者的患病率，不是一般人群的患病率。
右边那张图把灵敏度和特异度钉死在 0.900 与 0.975 不动，只拖动患病率。实算的结果是：患病率 20% 时 PPV 是 90.0%；降到 5% 时是 65.5%；降到 1% 时只剩 26.7%；降到 0.5% 时是 15.3%。同一台机器、同一份判读标准，「不正常」这三个字的可信度从九成掉到一成五，中间什么都没变，只换了一群人。这张图上还有一个能记住的门槛：患病率低于 2.703% 时，PPV 就跌破一半——也就是说查出不正常的人里，超过一半其实没病。
先注意题面里一句很容易滑过去的话：「从做过超声波检查的人群中随机调查」。做过检查的人不是随机抽来的——他们多半是因为有症状、有家族史、或者体检查出了别的异常才去做的检查。这批人的患病率天然就比一般人群高得多。所以 20% 这个数字既不是错的，也不能拿去外推：它描述的是「已经被筛过一轮的人」。这在统计里叫选择偏差，是流行病学论文里最常被审稿人挑出来的问题之一。
于是一个真实的公共卫生问题就摆出来了：这项检查该不该拿去做全民筛查？假设一般人群里这个病的患病率是 0.5%，全国 1000 万人做一遍，用同样的灵敏度和特异度：真阳性约 4.5 万人、假阳性约 24.9 万人。也就是说，每查出 1 个真病人，就有大约 5.5 个健康人被告知「结果不正常」，接着去做更贵、更有创、也更危险的后续检查。
这就是筛查决策的核心矛盾，而它在高考题里被完全隐去了。一道真正的建模题会这样问：给定患病率、灵敏度、特异度、后续确诊检查的成本与风险、以及早发现能挽回多少寿命，应不应该做这项筛查？如果做，判读阈值该定在哪里？这道题没有标准答案，因为它要求你先回答一个不属于数学的问题——一个被误诊带来的焦虑和一次不必要的穿刺，和一条被早期发现救回来的命，该怎么放在同一杆秤上。能把这个问题写清楚，比解出 χ² = 765.625 难得多，也有用得多。