預測的說服力與準確可能性相反－讀《Thinking, Fast and Slow》

要預測或評估機率的事件，會有一個基本的機率(base rate基率)，如果情節的描述讓你感覺某一種劇情發展較合理，會讓你以為該預測的可能性也會較大，但是，邏輯上越多條件限制的事件發生機率ㄧ定少與較少條件的事。合理的描述會讓人忽略基本的(母體的)機率(base rate)。

A看起來像是個電腦系的學生，但是A是電腦系學生的機率應該是比較接近電腦系占總學生的比例，但是看起來像會讓我們高估其可能性。在紐約地鐵上看到一位讀華爾街日報的人，他是博士的機率高還是沒有讀過大學的機率高，後者的基率較高。你應該將自己的預估定錨在基本的(母體的)機率(base rate)上，然後再檢驗額外資訊的效力。

代表性偏誤讓我們很容易被騙去相信基率很低的(low base-rate)事件更可能會發生。皺眉讓系統二容易反思去發覺這類的偏誤。對於額外的資訊，即使不太可信，我們也很難忽略它。讓額外的資訊影響機率應該使用Bayes's rule，原本3%機率的事，如果額外的資訊讓他提高4倍的機率，則調整後應該是11% 機率(3*4/(3*4+97*1))的事，如果原本是80%，則調整後是94.1%(80*4/(80*4+97*1))。

這似乎也可以用在投資組合的比例配置，假如一個正常報酬率的選股配置5%的部位，如果有多一倍的期望報酬率，或是相同報酬率成功機率高一倍，則調整後的投資組合配置應該是9.5%的部位(5*2/(5*2+95*1))。

假設Linda符合激進女性主義者的描述，Linda是銀行行員的機率高還是Linda是銀行行員且積極參與女性運動的機率高呢？這被稱為conjuction fallacy，誤將兩個事件都發生的機率估成低於單一事件發生的機率。A組餐盤比B組多一些壞掉的餐具，但是分開評估時，A組價格偏低，比較少的反而比較感覺有價值，因為含壞的A組的平均價格會較低。

A如果是比B強的網球選手，A輸掉第一盤的機率，ㄧ定會高於A輸掉第一盤但最後贏得勝利的機率，但是後者卻感覺比較合理，從而讓你誤以為可能性較高。原因是代表性偏誤，系統一是依據相似度來提供直覺，也就是對於各個事件，系統一提供平均值的感覺，而不是相加與相減，系統一不會發覺一個事件包含另一個事件的發生頻率。