La sensibilidad y la especificidad son medidas estadísticas del rendimiento de una prueba de clasificación binaria, también conocida en estadística como función de clasificación. La sensibilidad (también llamada tasa de verdaderos positivos, o tasa de recuerdo en algunos campos) mide la proporción de verdaderos positivos que se identifican correctamente como tales (por ejemplo, el porcentaje de personas enfermas a las que se identifica correctamente como portadoras de la enfermedad), y es complementaria de la tasa de falsos negativos. La especificidad (a veces denominada tasa de verdaderos negativos) mide la proporción de negativos que se identifican correctamente como tales (por ejemplo, el porcentaje de personas sanas que se identifican correctamente como no enfermas), y es complementaria de la tasa de falsos positivos. Un predictor perfecto se describiría como 100% sensible (por ejemplo, todos los enfermos son identificados como enfermos) y 100% específico (por ejemplo, todos los sanos no son identificados como enfermos); sin embargo, teóricamente cualquier predictor poseerá un límite de error mínimo conocido como tasa de error de Bayes. En cualquier prueba, suele haber un equilibrio entre las medidas. Por ejemplo, en un aeropuerto en el que se buscan amenazas potenciales para la seguridad, los escáneres pueden estar configurados para detectar objetos de bajo riesgo, como hebillas de cinturón y llaves (baja especificidad), con el fin de reducir el riesgo de pasar por alto objetos que sí suponen una amenaza para el avión y sus pasajeros (alta sensibilidad). Este equilibrio puede representarse gráficamente mediante una curva receiver operating characteristic.