典型性启发的两宗罪
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。在大多数情况下，表现得很友好的人实际上也很友好。又高又瘦的职业运动员很有可能是打篮球的而不是踢足球的。获得哲学博士学位的人比只读完高中的人更有可能订阅《纽约时报》。年轻的男性会比年老的女性更不要命地踩油门。
在这些例子及其他更多例子中，典型的形象特征左右着我们对典型性的判断，受这种典型性启发得到的预测有可能是对的，这样的说法在某种程度上就是事实。然而在其他情况下这种典型形象却是错误的，因而典型性的启发也会造成误导，尤其会使人们忽略基础比率信息、找错预测方向。即使启发性具有一定的真实性，但绝对依赖启发效应就是违背统计学逻辑，是有严重“罪过”的。
典型性的第一宗罪就是，它过于喜爱预测不可能发生的（低基础比率的）事件。
下面就是一个例子：如果你看见一个人在纽约地铁里阅读《纽约时报》，下面哪种情况与读报者更吻合？
她有博士学位。
她没有大学文凭。
典型性会告诉你应该选有博士学位那位，但这样做并不一定是明智的。你应该充分考虑第二个选项，因为纽约地铁里更多的是没有大学文凭的人，而不是有博士学位的人。如果猜测一个被描述为“羞涩的诗歌爱好者”的女士学的是中国文学还是工商管理，你也应该选择第二个答案。因为虽然学习中国文学的女学生都害羞且爱好诗歌，但几乎可以肯定的是有更多工商管理专业的学生同样也是害羞的诗歌爱好者。
在某些情况下，没有受过统计学训练的人也会使用基础比率来进行预测。在本章开头关于汤姆的第一个问题中，我们没有提供关于他的细节，对于每一个人来说，汤姆读某个专业的概率就是那个专业招生规模的基础比率。然而，得知汤姆的个性特征后，人们再也不会将基础比率纳入考虑范围了。
在前期证据的基础上，我和阿莫斯原本以为在了解了具体信息后，基础比率的信息“总会”被忽略，但是这样的结论太过绝对了。心理学家做过许多实验，在这些实验中，所给问题都明确地提供了基础比率信息，尽管关于个人特征的信息比单纯的数据分量更重，许多受试者还是受到了这些特征信息的影响。诺伯特-施瓦茨和他的同事表示，引导人们“像统计学家那样思考”就能够促使他们使用基础比率信息，引导人们“像临床医生”那样思考则会起到相反的效果。
几年前，我和哈佛大学的学生做了一项实验，让我有了一个令我十分惊讶的发现：增强系统2的激活状态能有效提高回答汤姆问题的准确率。这项实验将旧问题与认知顺畅性的现有形式结合了起来。在实验过程中，我们要求一半学生鼓腮帮，另一半学生皱眉头。前文中已经提过，皱眉通常可以增强系统2的警觉性，降低对直觉的过分相信和依赖。鼓起腮帮（与感情无关的表情）的学生的预测结果与原实验结果一样：他们只依赖于典型性，而忽略了基础比率。然而不出作者所料，那些皱眉头的同学的确对基础比率表现得很敏感。这是一个具有启发性的发现。
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。许多人忽视了基础比率，因为在有个人信息的情况下他们认为基础比率与问题并无关联。另一些人犯下同样的错误则是因为他们没有将注意力集中在任务上。如果皱眉能带来不同结果的话，这说明懒惰也许是人们忽视基础比率的合理解释，至少对于哈佛大学的学生来说是这样。当具体信息缺失时，他们的系统2“知道”基础比率与问题相关，但是只有在任务中付出特别努力时，才能将基础比率的知识应用于其中。
典型性的第二宗罪是它对证据质量不够敏感。请回想系统1的眼见即为事实的原则。在汤姆的问题中，激活你联想机制的是对汤姆的描述，且这个描述不一定是真实的。对汤姆“对人冷淡，缺乏同情心”的表述也许能让你（以及许多其他读者）相信他不太可能是社会科学与社会工作专业的学生。然而，彼时你已经清楚地知道这样的描述是不可信的。
原则上讲，你当然知道不值得信任的信息就相当于没有信息，但是眼见即为事实使你难以遵循那条原则。除非你决定立刻否定证据（例如，你坚信的信息是从一个骗子口中得来的），否则你的系统1会自动将这一信息视为真实的。当你怀疑信息的可靠性时，可以做一件事：作概率判断时，往基础比率那方面想。别期望遵循这条原则会很容易，它需要在付出很多努力的情况下，才能实现自我监督和自我控制。
想要得出汤姆问题的正确答案，你应该遵从最先出现在自己脑海中的想法，若认为某招生人数多的专业（人文与教育、社会科学与社会工作）被选中的概率高，则稍微降低其概率；若认为某招生人数少的专业（图书馆学、计算机科学）被选中的概率低，则稍微提高其概率。如果你对汤姆一无所知，你作出的抉择就不是你的初衷了，你手头上的那点信息也不能相信了。所以，你应该让基础比率在预测时起主导作用。
用贝叶斯定理来约束直觉
你认为明天会下雨的概率只不过是你的臆测，你不应该相信头脑里出现的所有想法。你的信念必须受限于概率逻辑。所以，如果你相信明天某个时候会下雨的概率是40%，就该相信不会下雨的概率是60%，那么明天早晨下雨的概率就一定不会是50%。如果你相信某个候选人当选总统的概率是30%，并且相信他在首次竞选成功后再次当选的概率是80%，你就必须相信他连任的概率是24%。
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。
数学问题与本书并无关联。关于贝叶斯定理，有两点我们要铭记在心，要知道我们总是喜欢把事情搞得一团糟。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。
这两个理念都是直接明了的。当我意识到自己从未学习过怎样运用它们时，我感到非常震惊，即使是现在，我仍旧觉得自己在践行这两个理念时总有些不自然。
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。”
