在信息收集阶段的认知偏差主要来源于易记性偏差、首位效应和末位效应。
在信息加工阶段同样存在认知偏差，最为典型的就是代表性偏差。先来思考个问题：
有人用大街上免费发放的测试纸来测试HIV，发现结果成阳性。是不是一定就得了HIV呢？
这种试纸的准确率是95%，再告诉你一个信息就是正常发病率假设为0.1%，也就是每1000个人里面有1位。
那这个人感染HIV的概率究竟有多高呢？这是个数学题，通过贝叶斯公式可以简单计算一下，得病的概率是0.095%，没得病的概率是4.99%，因此，这人感染HIV的概率很低。
再看一个例子，你可以根据对小张的特征描述猜猜她的职业是什么：
·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，做任何事情都很有条理，关注细节。
请问小张从事的职业是图书管理员呢，还是农民呢？估计猜图书管理员的人会多一些。因为这些特征都符合对图书管理员的要求，比农民的特征要明显一些。那小张是那种职业的概率更高一些呢？你依然可以通过贝叶斯公式进行计算。
假设10万人里面有一个图书管理员，这个概率就是0.001%；假设100个农民中有1个具有这些特征，概率为1%，这是“代表性”概率。中国的农业人口占总人口的40%（2018年人口城镇化率为59.58%）这个概率很大。这样算下来小张是农民的可能性更大。
那认为小张是图书管理员，到底错在哪里了呢？错在太关注代表性概率，而忽略了其他信息。人总是倾向于根据代表性特征来冲动地做判定，这被称为认知的代表性偏差。
在行为金融学中也常常提到代表性偏差。比如你一个特别靠谱的朋友给你推荐一只股票，出于对他的信任，你就购买了这只股票。那么你就犯了认知的代表性偏差。因为你朋友靠谱，你并没有考虑这只股票相关的其他因素。一只股票的好坏，和你朋友是否靠谱没有任何关系。这里的代表性概率是“你朋友的靠谱”。
为什么会产生代表性偏差呢？如果你扔硬币的次数足够多的话，正面和反面出现的概率是一样的。这被称为“大数定律”。代表性偏差则是人们误用了大数定律，只用少量的样本就做决策，这种错误被称为“小数定律”。
如果连续扔了6次硬币都是正面，让你押下一次会是正面还是反面，你会怎么做？我估计大部分可能会押反面吧。因为这符合“科学”判断：正面和反面出现的概率相同，已经出现6次正面了，再出现正面的概率就低了，而出现反面的概率会升高。即使赌场高手也会犯这个错误，所以小数定律又称为“赌徒谬误”。
其实第7次出现正面和反面的概率还是各占50%。你赌正面是错在了小样本不可以用来下统计推断。在小数定律这里，都是偶然。但实际情况是，下次出现正面或反面的概率仍然相等。
代表性偏差就是错在了用小样本的很少信息来做判断。
既然存在代表性偏差，请你想想：大家说好就一定好吗？我们还应该相信权威人士吗？到底该如何决策呢？
