概念入门代表性偏差与基础比率启发法与判断偏差
代表性启发法
也叫：典型性启发法、representativeness heuristic
用对典型性的判断（像不像）替代对概率的评估。
核心讲解
代表性启发法（典型性启发法）指人们在判断某对象属于哪个类别、概率多大时，依据的是它与类别典型形象的相似程度，即“像不像”，而不是真实的概率计算。汤姆问题的排序任务就依赖这种启发：汤姆的性格描述（书呆子、爱双关语、规规矩矩）很像计算机科学专业学生的典型形象，于是人们把他排在计算机科学专业第一位——即使这个专业招生规模很小。作者给统计学家罗宾·道斯做汤姆问题，这位最懂基础比率的人脱口而出“计算机科学吗？”，作者笑他“你也有失算的时候”。3所院校114名心理学研究生对9个专业概率的排序与对典型形象相似度的排序几乎一致。典型性启发法通常很有用（友好的大多真友好、高瘦运动员更可能是篮球运动员），但用相似性替代概率会系统性忽视基础比率与证据质量。概率与相似性遵循不同逻辑，相似性判断可以不受基础比率影响，概率判断却不能。
费曼版：用大白话再讲一遍
“他看起来像计算机系的人”——大脑用“像不像”回答“概率多大”的问题。看到一个爱讲冷笑话、规规矩矩的书呆子，你就猜他是计算机专业，哪怕这个系全校只有几个人。像不像很好判断，概率很难算，大脑就偷懒用前者代替后者。
要点
- 代表性启发法用相似性判断替代概率评估。
- 汤姆问题中，概率排序与相似性排序几乎一致。
- 即使统计学家也会先凭典型性判断，再想起基础比率。
- 相似性与概率遵循不同逻辑，替代必然产生偏差。
常见误区
- 以为“看起来像”等于“概率大”，相似性判断完全无视基础比率。
- 以为学过统计就能避免，道斯和心理学研究生同样中招。
- 把代表性启发法当错误方法，它在多数场合有用，但替代概率是错的。