上次讲了在信息收集阶段容易出现的认知偏差，今天来讲一讲，在信息收集之后的信息加工阶段，咱们又会有哪些认知偏差。
在这个阶段，人最容易犯的就是代表性偏差。我们理解了这个错误，在日常工作、生活中处理类似问题，会很受启发。
那么什么是代表性偏差？让我们从一个小实验开始：
小张很害羞，乐于助人，但对周围发生的事不太关心，喜欢活在自己的世界里。
她很整洁，做任何事都很有条理，关注细节。
从小张的这个描述中，你认为小张是从事什么职业的，是图书馆管理员还是农民？
我相信绝大对数人都会回答，图书管理员，因为这个描述跟一个图书管理员简直太像了，可能99%都像，怎么也比农民像的多啊。
但这真的说明小张就是图书馆管理员吗？
让我们来算一算！
根据统计学中的贝叶斯法则（Bayes'theorem），是指当分析样本大到接近总体数时，样本中事件发生的概率将接近于总体中事件发生的概率。
简单地说，贝叶斯法则测算的真实概率由两个概率的乘积构成，第一个概率就是你刚才看中的那一项99%，指的是给出的这些描述“有多像”一个图书管理员。
这些描述确实很像，假定概率高达99%，这一项就被称为“代表性”。但真实概率除了这一项之外，还有一项，被称为无条件概率。
怎么理解无条件概率呢？你可以理解为，在大街上你随手一指，这个人就是图书管理员的概率。全国能有多少个图书管理员呢？被我手一指就猜对的概率可能不足10万分之一。所以小张是图书馆管理员的概率是99%乘以1/100000=0.0000099.
而小张是农民的概率呢？上面的描述实在太不像农民了是么，我才你会说，这个概率顶多也就是1%，也就是“代表性”的概率是1%，但是，中国农业人口占比是42%，所以小张是农民的概率是1%*42%，你一定发现了，这个概率远大于0.0000099。
所以，小张是农民的概率是大于图书馆管理员的，但是咱们错在哪儿了呢？
错在太关注代表性特征，而忽略了其他信息。当某件事的代表性特征一展现出来，你会立即做出判断。
对小张性格特点的描述，非常符合一位图书管理员的代表性特征，你立刻就判断她是图书管理员了，却忘记了她还有好多你没有观察到的特点，所以，她不是图书管理员的概率其实更大。
从这个例子，你就能明白了，人总是倾向于根据代表性特征来冲动地做判断，这就被称为认知的代表性偏差。
我们在深究一下，人们为何会那么冲动，觉得仅凭几个代表性特征就可以做判断了呢？原因就是，你可能将“大数定律”误用为“小数定律”了。
“大数定律”是概率论历史上第一个极限定理，指的是当试验次数足够多的时候呈现的统计规律性。
例如扔硬币，扔十次，出现正面的概率可能是60%，也可能是30%，但是扔足够多次之后，正面的概率分布就会回归到二分之一。
而代表性偏差，则是人们误用了大数定律，只用少量样本就做决策，这种错误被称为“小数定律”。
还是以扔硬币为例，当连续10次都正面朝上，让你下注押下一次，你会押正面还是反面？你可能会说，不可能那么邪门儿吧，我就押反面吧？这在赌场中是最常见的错误，所以小数定律也被称为“赌徒谬误”。
代表性偏差就是错在了用小样本的很少信息来做判断。
我们肯定都收到过这样的短信“推荐某只股票，一定涨”，其实用概率就能解释，例如第一天向1000个人发出1000条微信，其中500条说某只股票涨，500条说跌；第二天，他向其中说对的500人再发一条微信，其中250条说这只股票涨，250条说这只股票跌；第三天他再向说对的250人发微信，其中125人说股票会涨，125人说会跌。
你会发现，3轮之后，最后有125人，发现这人连续3次都说对了某只股票的涨跌，简直神奇，这时候代表性就出现了，人们就容易信了这个人，跟随他买了股票。
总结一下，代表性偏差指，当事物的代表性特征表现出来以后，人容易冲动地做判断，而忽略了其他更多决定性的信息。
因此我们在生活工作中，看待事物的时候要着眼全面，不要被“代表性”引导做直觉式的判断，多看看其他的信息，也许那些才是真正取得决定性的因素。
网友评论