在我们信息收集阶段完成后，就会开始信息加工阶段。在这个阶段，人最容易犯的就是——代表性偏差。
举个栗子，猜猜下面描述的两个人的职业：
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。
请问，你认为，小张更可能是从事以下哪种职业的？农民、图书管理员？很多人都会猜是图书管理员。
为什么呢？也许你觉得刚才描述的这些特征也太像一个图书管理员了，有99%都像，比农民要像得多啊。但这真的就能说明小张最有可能是图书管理员吗？——并不是
如果换成理性人，他们会按照贝叶斯法则来计算小张从事图书管理员工作的概率。
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。无条件概率不依赖于任何条件，当然也不依赖于我刚才对小张的那一堆描述。
无条件概率可以理解为，在大街上随手一指，这个人就是图书管理员的概率。一指就猜对的概率可能不足10万分之一。
比较之下，我们再来计算一下小张是农民这个职业的概率。这些描述也太不像是个农民了，但是假设100个农民中，有一个人符合描述的这些特点，所以，第一个概率，“代表性”的概率是1%。但是，中国的农业人口占总人口的50%，这第二个概率就非常大了。
两个概率的乘积，图书管理员职业的99%乘以10万分之一，远远小于农民职业的1%乘以50%。所以，理性人的回答是：小张是农民的可能性更大。
所以，脱口而出认为小张是图书管理员就错在——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。
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。
在金融市场中，代表性偏差非常常见。
例如，你看到某位基金经理连续获得金牛奖，就立即做出判断：他一定是一个好基金经理。
实际上，要得出正确结论，还有很多决定性的其他信息，比如他这几次成功是偶然的，不能归于能力，如果时间放长一点，或考虑到公司、团队、工作经历的偶然性等因素，这种随机性就会消失。
再例如，一家公司连续3年利润都翻番，然后立即对它的股票做出判断——买！还是错在代表性偏差。连续3年利润翻番，是一个好公司的代表性特征。但这并不意味着这家公司真的就是一家好公司，这家公司还有好多信息都被你忽略掉了。
比如说，公司高管近期需要减持股票，业绩可能是有意调整出来的；或者，这家公司未来的盈利机会消失，业绩不能持续。你被公司的一些代表性特征吸引了，就立即判断了。
再举个例子，你一位平时很靠谱的朋友给你推荐了一只股票，出于对他的信任立刻买入，犯的也是代表性偏差的错。因为是你朋友靠谱。你太看中这个代表性特征了，股票被你这个靠谱的朋友推荐了，那还能不是一只好股票吗？实际上，一只股票好不好，被你朋友推荐与否这个因素实在是太不重要了。你忽略了好多公司的其他信息。
所以，代表性偏差了在生活中无处不在，随时随地影响着我们的判断。
为什么会造成代表性偏差？
将“大数定律”误用为“小数定律”。
“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，若次数足够多，出现正面的频率应该无限接近于概率——1/2。你需要注意的是，大数定律，需要数据量足够多、样本量足够大才能下结论。
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”。
以扔硬币为例，当连续6次都正面朝上，让你下注押，你可能会押反面？即使赌场高手也会犯这个错误，所以小数定律也被称为“赌徒谬误”。
小数定律错在了小样本是不可以用来下统计推断的。在小数这里，都是偶然，下一次出现正、反的概率仍然相等。
代表性偏差就是错在了用小样本的很少信息来做判断。这种小样本的代表性偏差同样容易出现在金融市场里，比如挑选基金经理、评选分析师、预测公司盈余、预测市场、挑选股票等等。
——来自《行为金融学》课程学习
网友评论