前两周渡过了充实愉快的休假，没有写文章，慢慢补上。
这本书比较难读，几乎要持续动用“系统2”；加之篇幅较长，于是采用略读，从每章末的示例入手，捡出里面比较浅显但有用的东西。
下面整理第2部分：启发法与偏见。
第10章 大数法则与小数定律
大数法则
大数法则（伯努利）：在随机事件的大量重复出现中，往往呈现几乎必然的规律，这个规律就是大数定律。通俗地说，这个定理就是，在试验不变的条件下，重复试验多次，随机事件的频率近似于它的概率。偶然中包含着某种必然。
小数定律
小数定律（阿莫斯·特沃斯基&丹尼尔·卡纳曼）：小数定律认为人类行为本身并不总是理性的，在不确定性情况下，人的思维过程会系统性地偏离理性法则而走捷径，人的思维定势、表象思维、外界环境等因素，会使人出现系统性偏见，采取并不理性的行为。大多数人在判断不确定事件发生的概率时，往往会违背概率理论中的大数定律，而不由自主地使用“小数定律”，即滥用“典型事件”，忘记“基本概率”。
小数定律是人有把从大样本中得到的结论错误地移植到小样本中的倾向。比如人们知道掷硬币的概率是两面各50% ，于是在连续掷出5个正面之后就倾向于判断下一次出现反面的几率较大。这一点已被大量的实验和证券市场上的错误预测所证实。
“系统1非常擅长一种思维模式—自动且毫不费力地识别事物之间的因果联系，即使有时这种关系根本就不存在，它也会这样认定。当听到肾癌高发地区的情况时，你立刻会想当然地认为这些县与其他县不同是有原因的，一定有个理由可以解释这种不同。”
即使是现在，想要确定下面两个陈述句所说的完全是一回事，你也要费些脑力：
（1）大样本比小样本更精确。
（2）小样本比大样本产生极端结果的概率大。
示例—小数定律
“没错，自从这个新执行总裁接手后，电影制片厂已经制作了3部优秀电影。不过，现在说他老练还为时过早。”
“统计学家能够估算出这个交易新手表现出来的强劲势头是否是偶然的，所以在咨询统计学家之前，我不会相信他就是个天才。”
“观察的样本太小，所以不能作出任何推断。我们不要遵从小数定律。”
“在我们有足够大的样本之前，我计划对实验结果暂时保密。否则，我们会有过早下结论的风险。”
第11章 锚定效应在生活中随处可见
锚定效应
锚定（沉锚）效应：心理学名词，指的是人们在对某人某事做出判断时，易受第一印象或第一信息支配，就像沉入海底的锚一样把人们的思想固定在某处。作为一种心理现象，沉锚效应普遍存在于生活的方方面面。第一印象和先入为主是其在社会生活中的表现形式。
锚定效应解释了为什么限量购买是一种有效的营销策略。有那么几天货架上写着“每人限购12罐”，而在其他几天里则写着“不限量”。购物者在限购时平均会购买7罐，是不限购时购买量的2倍。锚定效应不是唯一的解释，配给也显示货物很快就下架了，购物者应该对货物储存量感到有些紧张。但我们也知道12罐的可购买量会成为一种锚定，即使这一数字是通过轮盘产生的也不例外。
同样的策略在商讨购房价上也适用。在许多其他的活动中也是这样，在协商中率先出击的一方往往会占有优势，例如，当价钱是买方和卖方唯一要协商的事时就会出现锚定效应。
示例—锚定
“我们想要收购的公司给我们看了他们的商业计划，其中包括他们希望得到的收益。我们不应该让那个数字影响到我们的思路。将其放置一边。”
“计划是为最佳情况设计的方案。当我们预计实际结果时，要避开计划的锚定效应。想想计划出现失误的各种方式也不失为执行计划的一个方式。”
“我们商谈的目标是让他们锚定在这个数字上。”
“我们要清楚一点，如果那就是他们的提案，那么商谈就此结束吧，我们不想那样开展工作。”
“被告律师提出一个微不足道的证明，证明中提到了一个荒谬的小损失，这些律师就是想让法官们拿这个损失做锚定。”
第12章 科学地利用可得性启发法
可得性启发法
可得性启发法：人们根据某种信息容易在心里想起来的程度来进行判断的方法。那些很容易就能回忆起来的信息被认为比那些不太容易回忆起来的信息更平常，这种认知策略就是可得性启发，又称获得性启发(availability heuristic) 。
控制可得性启发对于夫妻关系的益处
有个很著名的可得性实验表明，意识到自己的偏见可以使夫妻和睦相处，而且很可能在其他的合作计划中与他人的关系也很融洽。在一项广为人知的研究中，研究人员问夫妻双方的问题是：你为保持此地整洁作了多大贡献？用百分比来表示。此外，夫妻俩还回答了如“倒垃圾”、“发起社交互动”等类似问题。那么这两位自我估测的贡献率合计能达到100%吗，是更多或者更少？不出所料，他们自我估测的贡献率合计超过了100%。一个简单的可得性偏见就可以对此作出解释：夫妻二人记自己的努力和贡献比记对方的清楚得多，而且可得性的不同导致了对频率判断的不同。偏见不一定是自私的：这对夫妻还过多地将两人的争执归因于自己，尽管这一比例比两人在那些积极正面的事件中的自评比例小得多，但也是难能可贵了。同样的偏见对常见的观察同样适用，很多合作团队成员感觉他们做的事超出了自己的分内工作，还感到其他人并不感激自己作出的贡献。
示例—可得性启发
“因为上个月发生了两架飞机相撞事件，她现在更愿意坐火车。这真是愚蠢，风险其实并没有真正降低，这就是可得性偏见。”
“他低估了室内污染的风险，因为媒体对此报道极少。这是可得性的影响。他应该看些统计数据。”
“她最近看的间谍电影太多了，因此她看什么都觉得有阴谋。”
“这位执行总裁连续多次成功，因此失败不会轻易在她的脑海中出现。可得性偏见使得她过于自信。”
第13章 焦虑情绪与风险政策的设计
效用层叠
效用层叠是一连串自持事件，它可能开始于对相对次要的事件的媒体报道，然后会引起公众恐慌和大规模的政府行动。
效用层叠即集体信念形成的自我增强过程。经由该过程表示的认知触发一连串的反应。它通过在公共话语中增强影响效用而增强此感知的合理性，这一过程的驱动机制包含信息的、名声的动机：个人通过部分了解他人的外在想法，为了保持社会认可的利益而通过部分扭曲自己的公开反应而支持上述认知。效用野心家—操纵公共话语内容的行动主义分子—总是力图触发效用层叠以推进其计划。 —译者注
大脑面对焦虑
我们的大脑解决小风险的能力有一个基本限度：我们要么完全忽视风险，要么过于重视风险，没有中间地带。每位等待晚归女儿的家长都能体验到这种感觉。你也许知道真的是（几乎是）没有什么可担心的，但你的大脑会不自觉地闪现危险的景象。正如斯洛维克所言，焦虑对伤害的可能性还不够敏感。你想到了分子（即你在新闻中看到的悲惨新闻），却没有想到分母。桑斯坦发明了“概率忽视”这一短语来描述这一模式。概率忽视和效用层叠两种社会机制的组合必然会导致对小威胁的夸大，有时还会引发严重后果。
当今世界，将效用层叠发挥到极致的人最有可能是那些恐怖分子。除了几次可怕的事件，比如“9·11”事件，恐怖袭击导致的死亡人数与其他死亡原因相比是非常小的。即使在恐怖活动猖獗的国家，比如以色列，每周的死亡人数也远不及交通事故死亡的人数多。概率忽视和效用层叠间的不同在于两种发现的可得性和呈现到脑中的轻松度和概率。媒体不断重复的可怕画面可使每个人都处于崩溃的边缘。我们都有这样的体验：想要劝自己完全冷静下来是非常难的。恐怖主义是直接和系统1对话的。
示例—效用层叠
“她对一项创意大为赞赏，说它收益大，无成本。我认为这就是种情绪启发式。”
“这是一个效用层叠的例子：被媒体和公众大肆宣扬的事还没发生，电视上就满是关于此事的报道，每个人都在谈论这件事。”
第14章 猜一下，汤姆的专业是什么？
按照对汤姆的性格描述，预测他与某个专业典型学生的相似度并进行排序。
由于会想到书呆子（因为描述中有“老掉牙的双关语”这一条），你有可能将计算机科学排在首位。实际上，汤姆的性格特征就是按照计算机科学专业学生的典型形象来描述的。
在本章开头关于汤姆的第一个问题中，我们没有提供关于他的细节，对于每一个人来说，汤姆读某个专业的概率就是那个专业招生规模的基础比率。然而，得知汤姆的个性特征后，人们再也不会将基础比率纳入考虑范围了。
典型性启发的两宗罪
有好处：
用典型性来判断概率有一些重要的优点，它所带来的初始印象通常比乱猜一气更为精确。
·在大多数情况下，表现得很友好的人实际上也很友好。
·又高又瘦的职业运动员很有可能是打篮球的而不是踢足球的。
·获得哲学博士学位的人比只读完高中的人更有可能订阅《纽约时报》。
·年轻的男性会比年老的女性更不要命地踩油门。
也有两宗罪：
典型性的第一宗罪就是，它过于喜爱预测不可能发生的（低基础比率的）事件。
下面就是一个例子：如果你看见一个人在纽约地铁里阅读《纽约时报》，下面哪种情况与读报者更吻合？
她有博士学位。
她没有大学文凭。
典型性会告诉你应该选有博士学位那位，但这样做并不一定是明智的。你应该充分考虑第二个选项，因为纽约地铁里更多的是没有大学文凭的人，而不是有博士学位的人。如果猜测一个被描述为“羞涩的诗歌爱好者”的女士学的是中国文学还是工商管理，你也应该选择第二个答案。因为虽然学习中国文学的女学生都害羞且爱好诗歌，但几乎可以肯定的是有更多工商管理专业的学生同样也是害羞的诗歌爱好者。
典型性的第二宗罪是它对证据质量不够敏感。请回想系统1的眼见即为事实的原则。在汤姆的问题中，激活你联想机制的是对汤姆的描述，且这个描述不一定是真实的。对汤姆“对人冷淡，缺乏同情心”的表述也许能让你（以及许多其他读者）相信他不太可能是社会科学与社会工作专业的学生。然而，彼时你已经清楚地知道这样的描述是不可信的。
用贝叶斯定理来约束直觉
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。
贝叶斯公式
可以参考：怎样用非数学语言讲解贝叶斯定理（Bayes's theorem）？ - 马同学的回答 - 知乎
https://www.zhihu.com/question/19725590/answer/217025594
贝叶斯定理详细说明了最强烈的信念（在本章的实例中指的是基础比率）应该与证据分析相结合，这样才能更接近假设而不是偏离到其他方向上。
第一，基础比率十分重要，即便是在手头的案例已有证据的情况下依然如此；第二，通过分析证据得到的直观印象通常都会被夸大。
眼见即为事实与联想一致性的结合易使我们相信自己编纂的故事。以下是对贝叶斯定理关键点的总结：
·以相对合理的基础比率对结果的可能性作出判断。
·质疑你对证据的分析。
示例—典型性与基础比率
“草坪修整得很好，接待员看起来很能干，家具也十分抢眼，但这并不意味着这是一家经营状况良好的公司。我希望董事会不要依照典型性启示作出判断。”
“这家新成立的企业看起来好像不会倒闭，但是这个行业的成功基础比率非常之低。我们又怎么能知道这家企业就是个特例（一定能成功）呢？”
“他们一直在重复犯同样的错误：用并不充分的证据来预测罕见的事件。当证据不充分时，我们应该以基础比率作为判断依据。”
“我知道这份报告绝对是具有毁灭性意义的，也许它的证据十分确凿，但我们凭什么相信呢？我们必须在做计划时保持一定的怀疑态度才行。”
第15章 琳达问题的社会效应
琳达更像一名（普通的）银行出纳，还是更像一名积极参与女权运动的银行出纳？所有人都认为琳达更像是“主张女权主义的银行出纳”，而不是普通的银行出纳。普通的银行出纳不会热衷女权主义，加上这个细节，整个描述便更像是一个有条理的故事了。
按照维恩图解来说，积极参与女权主义的银行出纳的集合包含在银行出纳的集合之中，因为每个持女权主义理念的银行出纳本身还是银行出纳。因此，琳达是位积极参与女权主义的银行出纳的概率，就一定比她只是个（普通的）银行出纳的概率低。
合取谬误
“合取谬误”（conjunction fallaly）：通过直接比较，人们总会认为两个事件（在此即为银行出纳和女权主义者）的联合出现比只出现其中一件事（银行出纳）的可能性要大，此时就出现了合取谬误。
我们告诉受试者有一个标准的六面骰子，其中四面是绿色的，两面是红色的，此骰子可被投掷20次。我们给他们看了三组预设的结果，都是绿色（G）和红色（R）的任意排列，并让他们选一组。如果他们选择的那组正好出现，他们会（假想）得到25美元。这三组是：
- RGRRR
- GRGRRR
- GRRRRR
几乎2/3的受试者更愿意在第二组上下注，而不愿赌第一组。因为这个骰子绿色面的数量是红色的2倍，第一组就很不具代表性—就像琳达是个银行出纳这一选项一样。第二组包括6次投掷结果，与预期投骰子结果更为符合，因为它有两个G。但是这个结果在设计时只是在第一种序列的开头加了个G，所以它比第一组更不可能。
示例—少即是多
“他们构建了一个非常复杂的情节，还坚持说这个情节出现的可能性很大。这不是真的，这只是个貌似合理的故事而已。”
“对于贵重的产品他们还附赠一个便宜的小礼物，这样的话，整套产品就不那么吸引人了。少即是多就是这个意思。”
“很多情况下，直接的比较使得人们更谨慎也更有逻辑性。不过，也不常是这样。有时即使正确的答案就在眼前，直觉也会打败逻辑。”
第16章 因果关系比统计学信息更具说服力
出租车问题
一辆出租车在夜晚肇事后逃逸。
这座城市有两家出租车公司，其中一家公司的出租车是绿色的，另一家是蓝色的。
你知道以下数据：
·这座城市85%的出租车是绿色的，15%是蓝色的。
·一位目击证人辨认出那辆肇事出租车是蓝色的。当晚，警察在出事地点对证人的证词进行了测试，得出的结论是：目击者在当时能够正确辨认出这两种颜色的概率是80%，错误的概率是20%。
这场事故的出租车是蓝色而不是绿色的概率是多少？
你可能会想到当人们面对这个问题时是怎样做的：他们会忽略基础比率，只考虑目击者的因素。因此，最普遍的答案是80%。
让我纠结很久的题，正确答案是41%。和同事雪峰讨论后以为答案是0.29，正确解法如下：
P(E)=P(E,B)+P(E,~B)=0.12+0.17=0.29
P(B|E)=P(E,B)/P(E)=0.12/0.29=0.41
参考：怎么简单理解贝叶斯公式？ - 普通熊猫的回答 - 知乎
https://www.zhihu.com/question/51448623/answer/147298455
换个表述：
两家公司拥有数量相同的出租车，但是在出租车造成的事故中，绿色出租车占85%。
于是你会马上得出结论：开绿色出租车的司机是一群莽撞的疯子！现在，你认为绿色出租车司机是莽撞的，并对这家公司所有你并不认识的司机都抱有这种印象，我们称之为思维定式。我们很容易将这样的思维定式设定在因果关系里，因为莽撞是使出租车司机与肇事逃逸产生因果联系的相关事实。在这个表述中，有两个因果关系需要放在一起考虑。第一个是肇事后逃逸，这件事使人很自然地认为莽撞的绿色出租车司机难脱干系；第二个是目击者的证词，证词特别强调肇事出租车是蓝色的。根据这两个因果事件对出租车颜色作出的推断是相互矛盾的，因此如果其中一个成立就相当于另一个被推翻。这两种颜色的概率大致相同（用贝叶斯定理估计出的概率是41%，这说明与目击者确信出租车为蓝色的概率相比，绿色出租车的基础比率略为极端了些）。
统计学基础比率与因果关系基础比率
不要忽视基础比率！
这个出租车的实例阐明了两种基础比率。“统计学基础比率”（statistical base rates）是指某一事件所属类别的事实总量，与单独事件无关；而“因果关系基础比率”（causal base rates）则会改变你对单独事件的看法。对两种基础比率，人们往往会区别对待：
·统计学基础比率普遍受到轻视，当人们手头有与该事件相关的具体信息时，有时还会完全忽略这一比率。
·因果关系基础比率被视为个别事件的信息，人们很容易将这一比率与其他具体事件的信息结合起来考虑问题。
示例—原因和数据
“我们不能假设仅仅通过统计数据他们就能真正学到知识，需要再给他们一两个有代表性的个体案例来影响他们的系统1（作出判断）。”
“不需要担心这个统计学信息会被忽略掉。相反，它会立刻被应用到形成陈规的过程中。”
第17章 所有表现都会回归平均值
嘉奖比惩罚有效
当时我告诉他们关于技能训练的一条重要原则：对良好表现的嘉奖比对错误的惩罚更有效。不管是对鸽子、老鼠、人类，还是其他什么动物的研究，都给这个说法提供了证据。
就在我结束了激情洋溢的演说之后，经验最为丰富的一位教练举手示意，发表了一番自己的意见。他先是承认奖励对鸟确实管用，但他认为这不是训练飞行学员的最佳选择。他说道：“在很多情况下，我会赞许那些完美的特技飞行动作。不过，下一次这些飞行员尝试同样飞行动作的时候，通常都会表现得差一些。相反，对那些没执行好动作的学员我会大声怒吼，但他们基本上都会在下一次表现得更好。所以说，别告诉我们嘉奖有用而惩罚没用，因为事实恰恰相反。”
好孩子是夸出来的。
表现不好只是回归平均值
但是就他的推断而言，奖励和惩罚之间是毫无关系的。他所观察到的就是众所周知的“回归平均值”现象，这种现象与表现质量的随机波动相关。一般来说，只有学员的表现远远超出平均值时才能得到这位教练的表扬。但也许学员只是恰巧在那一次表现得很好，而后又变差，这与是否受到表扬毫无关系。同样，或许学员某一次非同寻常的糟糕表现招来了教练的怒吼，因此接下来的进步也和教练没什么关系。这个教练把不可避免的随机波动与因果解释联系起来了。
示例—回归平均值
“她说经验教会她一个道理，批评比赞扬更有用。不过她不明白这是回归平均值在发挥效用。”
“也许由于惧怕让众人失望，所以他的第二次面试没有第一次那样令人印象深刻，他第一次的表现太优秀了。”
“我们的筛选过程并不是很完美，所以我们会考虑回归性。有些极其优秀的候选人也会让我们失望，对此我们并不感到惊讶。”
第18章 如何让直觉性预测更恰当有效？
生活中的直觉性预测
生活中，许多场合都会用到预测。经济学家预测通货膨胀和失业率，财务分析师预测收益，军事专家预测伤亡人数，风险资本家预测利润率，出版商和生产商预测读者和消费人群，承包商预测项目完成所需的时间，工程师预测建造某建筑需要的水泥量，火场指挥员预测扑灭大火所需的消防车数量。一些私人问题同样需要用到预测，我们预测恋人在自己求婚时的反应，预测在新工作中需要作的自我调节。
直觉性预测带有偏见
忽视回归性：
直觉性预测需要校正是由于它并不具有回归性，因此是带有偏见的。假设我预测每一位高尔夫球员在一场锦标赛上第二天的得分与第一天的得分相同，那么这个预测并没有考虑到回归平均值的问题：第一天发挥得好的高尔夫球员第二天比赛时水平都会有所下降，而那些头天状态不佳的球员则大多会在第二天有所提高。当我们最后将预测值与实际结果进行比较时，我们会发现，缺失回归性的直觉确实带有偏见。
这些预测普遍对第一天发挥得好的人过于乐观，对开始就发挥得不怎么样的人则过于悲观。
信息不足时受联想机制影响：
例如某位风险投资家要在位于不同市场中的两家新建公司之中选出一家进行投资，他可以相当精确地预估其中一家公司的产品需求量，而另一家是一派欣欣向荣的景象，让人觉得更有希望，但其发展前景却并不是很确定。如果把这种不确定因素考虑在内的话，你对第二家公司前景的最佳猜测是否还会优于第一家公司呢？这个问题值得认真思考。信息不足时，极端预测和预测罕见事情的愿意都源于系统1。联想机制会很自然地将极端预测和作出这些极端预测所依据的可察觉的信息极端性匹配在一起—这也正是替代的运行机制。而且系统1形成过于自信的判断也是正常的，因为自信是由你根据可得信息提炼出来的最合理故事的连贯程度决定的，这一点我们都明白。但要注意：你的直觉会产生极端预测，而你也很容易对这种极端信心满满。
示例—直觉性预测
“那家新成立的公司已经深入人心了，但我们不能指望他们将来也能做得这么好。他们的营销之路很长，回归的空间也很大。”
“我们的直觉性预测的确令人鼓舞，但这个预测可能离现实太远了，还是让我们再看看手中的信息资料，让预测回归到平均状态吧。”
“即使这次投资极有可能失败，我们还是觉得这项投资可能是个不错的想法。咱们还是别说什么这就是下一个谷歌这样的话吧。”
“我读过关于那个品牌的一篇评论，评价极高，然而这很可能只是侥幸成功。我们应该这样想：对这个品牌的评论很多，而我们看到的这个正巧是评价最高的。”
网友评论