當我們進行決策或者是判斷的時候，有時候會直接運用「直覺」或一般性常識進行決策。這種方式的優點是省時省力，而且有的時候我們只是需要乙個粗略的答案就夠了，所以一拍腦袋就作出決定，比較美，可以得到乙個相對滿意的答案（即使答案錯了，我們也會有自我保護機制來逃避決策失敗帶來悔恨的方法）。既然有利，必然有弊，這種方式的決策在某些時候可能導致一些系統性的偏差，這篇文章主要扯下「代表性直覺（representativess heuristic）」下可**的偏差。(本文內容源自《決策與判斷》的第10章)
有乙個關於代表性直覺的解釋：人們通常會根據「a在多大程度上能夠代表b，或者a在多大程度上與b相似」來判斷事件發生的可能性，這種原則被稱為「代表性直覺」。而在上述過程中，什麼是「a」和「b」，這取決於決策的情境，如果你估計a來自b的可能性，那麼a可能是乙個例子或樣本，而b是乙個種類或樣本總體。例如，a可能是乙個個體，而b是乙個群體，則決策的問題可能是a成員屬於b的可能性。另一方面，如果你試圖判斷a在多大程度上是b導致的，那麼a可能是乙個事件的結果，而b是事件的過程或原因。為了更好地解釋上面提到的東西，下面舉個例子來說明一下代表性直覺在特定情境下如何起作用，以及偏差是如何產生的。
乙個問題：琳達，31歲，單身，坦率直言，性格開朗。所學專業是哲學。當她還是乙個學生的時候，他就非常關注歧視和社會公正問題，同時參加了反對核**的活動。請從下面選項中選出可能性更高的選項。
a. 琳達是乙個銀行出納。
b. 琳達是乙個銀行出納，同時是乙個活躍的女權主義者。
超過90%人（被試有86人）選擇b，儘管有可能你也是這樣認為的，但是這樣的答案違背了概率的基本原則：兩個獨立事件(琳達是銀行出納和琳達是女權主義者)同時發生的概率不可能高於單個事件發生的概率。這被研究人員成為「結合謬論」。研究人員(特維爾斯基和卡尼曼)在一些情景下得到類似的結果，「比爾」被認為「更可能是乙個會計和爵士樂演奏者，而不僅僅是乙個爵士樂演奏者」；同時，「乙個溫網的選手更可能在輸掉第一局比賽以後贏得整個比賽的概率大於僅僅輸掉第一局的概率」。
特維爾斯基和卡尼曼得出這樣的結論：隨著情境中細節數量的增加，該情境發生的概率只會逐漸降低，但是它的代表性和由此帶來的外顯的可能性卻上公升。我們相信，基於代表性的決策判斷是人們選擇喜歡選擇毫無根據的細節話情境的主要原因。例如，「被告由於害怕被起訴**而離開犯罪現場「的陳述似乎比「被告離開犯罪現場」的陳述更有說服力。
所以，不要被細節迷惑，正是情境中的細節使整個情境看起來更加具有代表性，但是同時減少了發生的可能性。一般情境越具體，生動，其發生的概率越小--即使這樣的情境看起來能夠非常好地代表最可能發生的結果。所以，小心忽悠，當在聽某人說的天花亂墜的時候，可以考慮下這篇文章。
在未來10年中，你認為最有可能發生的事件是：
a 美國和俄羅斯將爆發一場全面的核戰爭。
b 美國和俄羅斯將爆發一場全面核戰爭，但一開始兩國都不想使用核**，只是在捲入異常區域性戰爭後，例如，伊拉克，利比亞，以色列或巴基斯坦等國家的戰爭，才被迫使用核**。
文章實驗內容來自《決策與判斷》
很有代表性的sql
union all 外連線 相同的資料不覆蓋，展示所有資料 select sid,sum num from select sid,round count sid 2 as num from f pile where manufacture 深圳盛弘 group by sid union all se...
機器學習 代表性示例
支援向量機 support vector machine,svm 是機器學習中最為流行的監督學習方法。該方法仍被廣泛的應用於資料探勘產業。使用支援向量機方法時，它會在每類資料中尋找與其他類最接近的資料，並將其標記為標準。決策邊界就通過這些標準定義，這樣每個標記資料與邊界的歐幾里得距離之和最大。這些標...
nginx位址重寫 10個代表性例項
什麼是url重寫 url重寫是指將乙個url請求重新寫成 可以處理的另乙個url的過程。為什麼要重寫 更加安全 url可能會暴露資源存放的具體位置，避免被不懷好意的人利用。if return rewrite setif 匹配正則，區分大小寫 匹配正則，不區分大小寫 不匹配正則，區分大小寫 不匹配正則...