第二部分 启发法与偏见
第14章 猜一下，汤姆的专业是什么？
这一章主要讲了典型性和基础比率，先看书中的事例
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。”
基础比率就是事实的概率，比如在一个黑箱子里有7个红苹果和3个绿苹果，绿苹果的基础比率就是30%，典型性就是受到系统1直觉的影响，从而提高或降低心中的基础比率，比如说，像你描述“秃顶，格子衫，眼镜” 这个人是计算机专业的概率在你心中就会上升，这就是典型性，他又好也有坏，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。坏处就是常常脱离现实
一旦人们作出一个错误的直觉判断，系统1和系统2都脱不了干系。系统1引起了错误的直觉，系统2采纳了这个直觉，并将其运用在判断当中。然而，造成系统2犯下此类错误的原因有两个——忽视与懒惰
当系统2工作起来时，典型性就不会那么影响判断了，作者在书中提出了用贝叶斯定理来约束直觉，贝叶斯定理
贝式统计学（Bayesian statistics）提供了类似汤姆等相关问题的“定理”。这个研究统计学的定理影响深远，是以18世纪英国一位名为瑞福伦德·托马斯·贝叶斯神甫的名字命名的，因为人们认为他是为一个重大问题作出重要贡献的第一人，这个问题就是：如何推断人们是怎样根据证据改变自己的想法的。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。例如，如果你相信有3%的研究生是被计算机科学专业录取的（基础比率），你还相信汤姆是该领域研究生的可能性是其他领域的4倍，贝叶斯定理就会认为，你必须相信汤姆是计算机科学家的概率是11%。此外，如果基础比率是80%，那你眼中的新概率就应该是94.1%，以此类推。
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。
