第 06 课 · 你忘了"本来有多少" — 基率忽视与自然频率

第 05 课说代表性启发会让你忽略基率。这一课把它单拎出来讲透——它是代表性最直接、也最危险的后果。连医生都会在一道简单的概率题上把风险高估几十倍。但更重要的是，这一课给你一把解药：换一种说法（自然频率），同一道题突然就变简单了。

📍 你在哪个家族？ 这一课属于启发式家族——它是第 05 课代表性启发的直接后果。05 是整块之根，讲三条捷径；06 专攻"代表性"那条捷径里漏掉的东西——基率。跟 12（随机三误）是同族的另外两个分支。

🎯 一句能带走的话：看到任何"准确率/命中率"，先问"这东西本来有多少？"再把百分比翻成"1000 人里有几个"——答案自动浮现。不是人笨，是百分比把分母藏起来了。

为什么单开这一课？ 因为"基率"是你一生中被误导最多的地方——体检报告、新闻里的"某某致癌"、创业成功率、"这个测试说你有病"……几乎每一个吓到你的数字，背后都藏着一个被忽略的基率。学会一件事就够本：看到任何"命中率/准确率"，先问一句"这东西本来有多少？"

先做一道题（别看答案）

招牌场景 · 记住这个

有一种病，每 1000 人里有 1 个真得了（基率 0.1%）。有个化验，得病的人一定测出阳性；没病的人也有 5% 会误报阳性（假阳性率）。
现在你测出阳性。请问：你真的得这个病的概率是多少？

先在心里给个数，再往下看。大多数人（包括医生）会答"95% 左右"。

正确答案：约 2%，不是 95%

差了几十倍。为什么？因为你只盯着"化验准不准"（5% 误报听起来很准），完全忘了这病本来多罕见。

拿 1000 个人来测：

1 个真有病 → 测出阳性（■ 真阳性）
剩下 999 个没病，其中 5% ≈ 50 个会被误报阳性（■ 假阳性）

所以阳性的一共 51 个人，里面真有病的只有 1 个。你测出阳性、真有病的概率 = 1 / 51 ≈ 2%。

■ 1 个真阳性　■ 约 50 个假阳性（图中示意前 9 个）　■ 其余阴性。阳性堆里，真病人是极少数。

看懂了吗？那个"5% 误报"看似很小，但它作用在 999 个健康人身上，就造出 50 个假阳性，把 1 个真病人淹没了。你忽略的，正是"没病的人本来占了 99.9%"这个基率。

这不是外行才犯的错：拿几乎同款的题去问医学院师生，大部分人也答错了，最多人给出的答案正是那个听起来很合理的"95%"。专家掉进同一个坑，不是因为知识不够，而是百分比这种格式把分母藏了起来——不管是谁，盯着百分比看都容易漏掉基率。

为什么叫"忽视"？一个更简单的例子

把上面那道"阳性"题拆开，核心只有两步。第一步：知道某种东西"本来有多少"——这叫基率。第二步：拿到一条新证据（化验结果、一段描述、一条新闻），用它来更新你的判断。问题出在——人拿到新证据之后，几乎就把第一步丢掉了。

有一个经典演示：告诉你一个房间里 70 个工程师、30 个律师，随机抽一个人，给你一段人格描述。关键在于——哪怕那段描述毫无信息量（工程师和律师都可能这样），人们判断"他是哪种"时，几乎不看那个 70:30 的基率。两种条件下给的概率差不多。一旦有了描述或故事，人就丢掉了"本来有多少"。故事越生动，基率越被无视。

这就把第 05 课的话坐实了：基率忽视是代表性启发的直接产物。代表性让你问"这人像不像工程师"，而基率让你问"工程师本来占了多少"——人脑偏爱前一个问题，丢掉后一个。

解药：换成"数人头"，同一道题突然变简单

同一道题，把"百分之几"换成"多少人里有几个"——这叫自然频率——普通人的正确率从大约 16% 跳到了接近 50%，翻了约三倍。什么都没教，只换了说法。

对比一下你就懂了——同一道题两种说法：

概率格式（难）	自然频率格式（易）
病的患病率 0.1%，检出率 100%，假阳性率 5%，问阳性者患病概率？	1000 人里有 1 个病人（会测阳），另外 999 个健康人里有约 50 个也测阳。测阳的人里，多少真有病？

右边你几乎不用算就看出是"1 比 51"。不是人笨，是百分比这种格式把"分母"藏起来了。自然频率把分母摆回台面上，那种"拿新证据更新原有概率"的推理（学名贝叶斯推理）就还给了你。

这把解药也有边界

基率忽视常被说成"人天生不会算概率"——这个强断言要打折。核心问题在信息呈现的格式，不在人脑的硬件缺陷。同样的人，换个格式就会算了。但也别走到另一个极端：自然频率只是大幅降低了错误，并没有消除它——换格式后仍有一半人算不对。

诚实结论：基率忽视方向真、很普遍，但格式依赖，不是人脑没救。你的主动权在于——看到吓人的百分比，自己动手翻成自然频率，就能解掉大半。完整证据分级与边界讨论见 B 块总结，一切论断来源追溯 RESOURCES.md。

四层拆解

🔧 自我调节 — 两个动作：问基率 + 翻频率

看到任何"准确率/命中率/检出率"，先问"基率呢？"——这东西本来在人群里有多少？基率越低，"阳性/命中"越可能是假警报。
把百分比翻成"1000 人里有几个"：这是解药。"5% 假阳性"翻成"1000 个健康人里 50 个误报"，你立刻能掂量它的分量。体检、检测、风险预警一律这么翻。

口诀："命中率高不等于我中招了——先看这东西本来有多罕见。"

👁 识破套路 — 藏起分母的数字游戏

"准确率 99%"：如果要检的东西本来只占 0.1%，报警的绝大多数仍是假警报。准确率高不等于报警可信。
体检 / 基因检测卖焦虑：拿一个"高风险"结果吓你加购复查，却不告诉你这指标的基率有多低。先问基率，再决定慌不慌。
"用了产品的人 90% 都成功"：本来去用的就是筛过的人，分母被藏了（幸存者偏差，第 11 课）。
"某习惯致癌风险↑50%"：这是相对风险。基率若是万分之一，涨 50% 也才万分之一点五。绝对基率才是真相。

🧠 懂原理 — 多流派与机制

认知（主）：基率忽视是代表性启发的直接产物（第 05 课）——你用"这个描述多像某类的典型"替换了"这类本来有多少"。描述给的是"相似度"，基率给的是"本来的比例"，人脑偏爱前者、丢掉后者。一句话：你只顾着看证据像不像，忘了先掂量它本来有多常见。

🧪 机制注入：接第 05 课的双系统——"看相似度"是系统 1 的秒答，"乘基率"要动系统 2 的费力计算。自然频率之所以有效，是因为它把系统 2 要硬算的东西，变成了系统 1 一眼能看的"数人头"。

为什么数人头这么轻松？因为进化上，人对"数个数"远比对"抽象百分比"熟悉——祖先数的是猎物只数，不是概率。

💡 关键不是"人笨"：好的信息设计能让普通人算对，坏的格式能把专家坑倒。基率忽视虽然普遍，但它是格式依赖的——别把它讲成"人脑没救"。

🗣 能讲出来

讲的时候，别一上来抛百分比——先用"1000 个人来测"把场面铺开，让对方自己看出"真病人是少数"。能这样讲清"为什么阳性也不一定真有病"，才算真懂。完整示范在复述区。

工作/生活场景：一次"阳性"体检

健康 · 一个吓人的体检指标

体检报告某项"阳性"，机构建议你花钱做进一步检查，你一晚上没睡好。

手动接管：1. 问基率——这个病/异常在你这个年龄段人群里本来多少人有？（很多是千分之一、万分之一级）2. 问假阳性率——这个初筛的误报率多高？3. 翻成人头："1000 个像我这样的人来测，真有病的 X 个，误报的 Y 个，我更可能是哪拨？"。多数初筛阳性，真阳性是少数——该复查复查，但不必先崩溃。这不是让你讳疾忌医，是让你按真实概率分配你的焦虑。

↔ 交叉网：
· ↔ 第 05 课（代表性 → 基率忽视）：本课就是代表性启发的"主要罪证"——第 05 课说"忽略基率"，这课把它拆到你能算、能反制。
· ↔ 第 05 课（自然频率）：05 课提过自然频率能改善推理，本课把它做成你手里的解药工具。
· → 第 10 课（确认偏差）：忽略基率和只看支持证据是亲戚——都在"该看的全局证据"上偷懒。
· → 第 11 课（幸存者偏差）："90% 用户成功"藏分母＝基率忽视的营销版，11 课深讲。

课后练习

🎭 跟我练（回到对话里）

把一个让你紧张的"数字/概率/检测结果"发给我（体检指标、某新闻风险、某"准确率"）。我陪你拆：它的基率大概多少、假阳性多不多、翻成"多少人里有几个"之后到底该慌几分。

想开始就发我："帮我算算真概率。"

🧠 本课核心概念速记（讲给别人时用这些名字）

只收本课最核心的概念名——记得住名字，才讲得出道理。

概念	一句话
基率忽视（base rate neglect）	有了具体描述就丢掉先验概率——代表性的直接后果；病罕见时阳性≈假警报（1/51≈2% 非 95%）。
自然频率（natural frequencies）	把百分比翻成"1000 人里有几个"——正确率从 16% 跳到约 50%，因为分母被摆回台面了。

🧠 背诵区 · 记住这 3 件事

⏳ 间隔复习：明天翻一遍；3 天后再翻。顺手翻 05（代表性/可得性/锚定）——基率忽视是代表性的直接后果，连着记最牢。

🗣 复述区 · 讲给别人听

讲不顺的地方，就是还没真懂的地方 — 发给我，我帮你补上。