【2017.6.27】
【台版序言 幕布】
不会保存导图形式的。后来发现是因为我用的免费软件。用用幕布看看好不好再说吧。
台版序言
- 导入：
- 茶水间闲聊
- 指出别人错误并贴标签，远比看出自己的错误容易。（贴标签是大忌）
- 别人闲聊的明智见解，是我们自我检讨的强大动机。
- 闲聊增广见闻，因为我们的思考会出现错误。举例，医师判断疾病。
- 偏见
- 晕轮效应
- 举例：英俊的演讲者会获得听众的比实际应得更高的分数
- 印象、直觉和许多决策过程的产生，在心中无声进行。
- 本书探讨直觉的偏见。焦点在错误上。
- 总结茶水间聊天的目的：
- 增进洞察力
- 了解他人判断和选择出现什么错误
- 进而了解自己在哪里犯错误
- 提供丰富而准确的语言来讨论偏见。
- 源起
- 1969年
- 特维斯机的研究：人是好的直觉统计学家吗？
- 谈论后，认为“否”比较好。
- 人是好的直觉文法家。举例：四岁孩子的文法正确句子。
- 资深研究人员的统计直觉
- 小样本群统计结果是否具备可靠性的直觉
- 结论：统计学家的统计直觉也不好。
- 合作研究14年
- 研究对话，从中设计问题，一起看直觉答案。
- 比如孩子将来职业的傻念头
- 人的直觉受到各行各业文化样板印象的规范。
- 史提夫是农夫还是图书馆员？
- 教授的离婚率
- 结论：可用性捷径
- 字母K比较容易在词首还是第三个字母？
- 政客通奸比较多
- 1974年
- 《在不确定情况下的判断：捷径和偏见》20种偏见
- 思想错误的根源是认知机制的设计而不是情绪造成的思考偏差。
- 政策为什么鲜明或者被忽略
- 媒体炒热事件，比如杰克逊去世
- 媒体冷落事件，比如教育程度的低落，医疗资源过度投资在临终病人身上
- 反思：作者自己是否选择事例也可用性捷径了。
- “捷径——偏见”提供了其他领域学者检视自己思考缺点的不寻常机会。
- 实验方法：展现
- 反馈有正有负。
- 对心智不公平的负面观点
- 掷硬币正反面赌局事例
- 人对确定的结果和不确定结果会有不同的加权。
- 1979年
- 《展望理论：风险之下决策的分析》
- 行为经济学的基石之一
- 1996年 特维斯基去世
- 2002年 康纳曼获得诺贝尔奖
- 我们现在在哪里
- 用认知和社会科学最新发展出来的新知识，解释人的心智是如何运作的。
- 直觉思考的好处与坏处
- 专家们的正确直觉是长期经验的积累。
- 技术和捷径是直觉判断和选择的替代来源。
- 消防队长要求马上撤出的例子。
- 西洋棋大师经过街头棋局直接判断
- 日常生活的专家直觉。
- 投资经理投资福特股票
- 情绪在了解直觉的判断和选择上变得很重要。
- 直觉捷径的精髓：我们回答比较容易的问题而不是正确的问题，而且通常没有注意到这样的问题替换。
- 慢思考与快思考
- 为什么用系统一和系统二命名
- 本书架构
- 一、两个系统对判断和选择的基本元素
- 系统一自动操作和系统二控制操作之间的差别
- 目标是介绍一套术语，让人们在思考和谈论心智是运用。
- 二、增订捷径判断的新知识，探讨为什么用统计的方法思考这么难？
- 容易用联结的方式、比喻的方式、因果联系的方式思考。
- 三、心智上限：高估自己对世界的了解，低估概率在事件发生时扮演的角色。
- 过度自信是来自后见之明的虚幻确定感。
- 受《黑天鹅》塔勒布影响。
- 四、用经济学原则讨论决策的本质，以及“经济代理人都是理性的”假设。
- 展望理论主要概念的最新看法。
- 五、最新研究中经验自我和记忆自我的差异。
- 同一个身体里的两个自我如何追求快乐？
- 六、三种差异的意义及其可能的影响
- 经验自我和记忆自我的差异
- 古典经济学和行为经济学上代理人概念的差异
- 自动化的系统一和特意的系统二之间的差异。
- 七、附录 两篇论文
- 《不确定情况下的判断》
- 《展望理论及框架效应的研究》1984
附录A：概率问题类型
1.物体A属于类别B的概率是多少？
举例：史蒂夫属于图书馆员的概率是多少？是农夫的概率是多少？是医生的概率是多少？
2.事件A起源于过程B的概率是多少？
举例：保姆放火烧死母子四人起源于雇主对保姆金钱的宽容的概率是多少？
3.过程B引起事件A的概率是多少？
举例：房价一直上涨引起国家经济崩盘的概率是多少？
【概念积累】
贝叶斯定理
贝叶斯(1701年—1761年) Thomas Bayes，英国数学家。1701年出生于伦敦，做过神父。1742年成为英国皇家学会会员。1761年4月7日逝世。贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，并创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计的估算等做出了贡献。1763年由Richard Price整理发表了贝叶斯的成果《An Essay towards solving a Problem in the Doctrine of Chances》[3]，对于现代概率论和数理统计都有很重要的作用。贝叶斯的另一著作《机会的学说概论》发表于1758年。贝叶斯所采用的许多术语被沿用至今。[4]
贝叶斯定理是关于随机事件A和B的条件概率(或边缘概率)的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。
贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702~1763)曾提出计算条件概率的公式用来解决如下一类问题:
假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H),i=1,2,…,n,现观察到某事件A与H[,1],H[,2]…,H[,n]相伴随机出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。
贝叶斯公式(发表于1763年)为: P(H/A)=P(H)*P(A│H)/{P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}
这就是著名的"贝叶斯定理"，一些文献中把P(H[1])、P(H[2])称为基础概率，P(A│H[1])为击中率，P(A│H[2])为误报率[1]。
定理应用
贝叶斯定理用于投资决策分析是在已知相关项目B的资料，而缺乏论证项目A的直接资料时，通过对B项目的有关状态及发生概率分析推导A项目的状态及发生概率。如果我们用数学语言描绘，即当已知事件Bi的概率P(Bi)和事件Bi已发生条件下事件A的概率P(A│Bi)，则可运用贝叶斯定理计算出在事件A发生条件下事件Bi的概率P(Bi│A)。按贝叶斯定理进行投资决策的基本步骤是:
1 列出在已知项目B条件下项目A的发生概率，即将P(A│B)转换为 P(B│A);
2 绘制树型图;
3 求各状态结点的期望收益值，并将结果填入树型图;
4 根据对树型图的分析，进行投资项目决策;
搜索巨人Google和Autonomy，一家出售信息恢复工具的公司，都使用了贝叶斯定理(Bayesian principles)为数据搜索提供近似的(但是技术上不确切)结果。研究人员还使用贝叶斯模型来判断症状和疾病之间的相互关系，创建个人机器人，开发能够根据数据和经验来决定行动的人工智能设备。
吸毒者检测
贝叶斯定理在检测吸毒者时很有用。假设一个常规的检测结果的敏感度与可靠度均为99%，也就是说，当被检者吸毒时，每次检测呈阳性（+）的概率为99%。而被检者不吸毒时，每次检测呈阴性（-）的概率为99%。从检测结果的概率来看，检测结果是比较准确的，但是贝叶斯定理却可以揭示一个潜在的问题。假设某公司将对其全体雇员进行一次鸦片吸食情况的检测，已知0.5%的雇员吸毒。我们想知道，每位医学检测呈阳性的雇员吸毒的概率有多高？令“D”为雇员吸毒事件，“N”为雇员不吸毒事件，“+”为检测呈阳性事件。可得
P(D)代表雇员吸毒的概率，不考虑其他情况，该值为0.005。因为公司的预先统计表明该公司的雇员中有0.5%的人吸食毒品，所以这个值就是D的先验概率。
P(N)代表雇员不吸毒的概率，显然，该值为0.995，也就是1-P(D)。
P(+|D)代表吸毒者阳性检出率，这是一个条件概率，由于阳性检测准确性是99%，因此该值为0.99。
P(+|N)代表不吸毒者阳性检出率，也就是出错检测的概率，该值为0.01，因为对于不吸毒者，其检测为阴性的概率为99%，因此，其被误检测成阳性的概率为1-99%。
P(+)代表不考虑其他因素的影响的阳性检出率。该值为0.0149或者1.49%。我们可以通过全概率公式计算得到：此概率 = 吸毒者阳性检出率（0.5% x 99% = 0.495%)+ 不吸毒者阳性检出率（99.5% x 1% = 0.995%)。P(+）=0.0149是检测呈阳性的先验概率。用数学公式描述为：
根据上述描述，我们可以计算某人检测呈阳性时确实吸毒的条件概率P(D|+)：
P(D|+) = P(+|D)P(D)/P(+)=0.99 *0.005/0.0149=0.332215
尽管我们的检测结果可靠性很高，但是只能得出如下结论：如果某人检测呈阳性，那么此人是吸毒的概率只有大 约33%，也就是说此人不吸毒的可能性比较大。我们测试的条件（本例中指D，雇员吸毒）越难发生，发生误判的可能性越大。
以上都是360百科和百度百科的，基本一模一样，没有看懂。文科生啊啊啊——
网友评论