当人们面临复杂的判断或决策时，他们通常会依据启发式或经验法则来简化任务。大多数情况下，这些捷径得到的结果非常接近规范理论所给出的“最优”解。但是在某些情况下，启发式会导致某些可预测的偏差和不一致。

代表性启发式指人们通常会根据“A在多大程度上能够代表B，或者说是A在多大程度上与B相似”来判断事件发生的可能性。

正常情况下，启发式可以得到一个令人相对较为满意的答案。但是利用启发式进行判断的缺点是，在某些情况下，启发式判断可能导致一些系统性的偏差。

1、A、B和C的代表性启发式

人们通常会根据“A在多大程度上能够代表B，或者说是A在多大程度上与B相似”来判断事件发生的可能性。

什么是“A”和“B”？这取决于你所做的判断。如果你在估计A来自B的概率，那么A可能就是一个例子或一个样本，而B则是一个种类或样本总体。另一方面，如果你试图判断A在多大程度上是B导致的，那么A可能是一个事件的结果，而B则是事件发生的过程或者原因。

结论：随着情景中细节数量的增加，该情景发生的概率只会逐渐降低，但是它的代表性和由此带来的外显的可能性却会上升。基于对代表性的信任，是细节化情景之所以有不合理的吸引力，以及这样的建构之所以经常能够提供错觉洞察的主要原因。

2、小数定律

小数定律认为，从总体中抽取的随机样本相互之间是类似的，比统计抽样理论所预测的更为接近总体。它是相对于统计学中的大数定律而言（从总体中抽取的样本容量越大，该样本的平均数与总体的平均数越是接近）。

结论：偶然事件并不具有自我修正的功能，出现一个高分也不一定出现相应的低分与之抵消；余下的样本只是对这个偶然事件进行“稀释”，使其平均数更加接近总体的平均数。出现这样的错误是因为人们认为一个随机序列必须具备局部代表性（即序列的每一个部分都必须看起来是随机的）。

3、手热现象

一位手热的篮球运动员就是指其在投中一个或者几个球以后，再次投篮时命中的概率大于其投失一个球以后的再次尝试。

4、忽视基本比率

基本比率指一个事件发生的相对频率。

当基本比率信息与人们对因果关系的直觉理论相一致时，人们常常会使用基本比率信息。而对于那些无因果关系因素，即使是被告知它和因果关系一样，人们还是很少使用基本比率。

5、非回归性预测

人们在进行预测时往往会忽视信息的诊断性，结果造成“非回归性”预测。

趋均数回归是统计中存在的一种现象，即较高或者较低的分数往往会紧跟着出现一些更加接近平均数的分数。

6、临床预测与精算预测

与一般的常识相反，由人完成的决策，其准确性往往偏低，即使该决策者完全掌握了精准的信息。

结论：有关代表性启发式的研究结果表明，有一些方法可以提高决策和判断的技巧，内容如下：

√ 不要被很细节化的情景所迷惑。一般而言，情景越是具体，其发生的可能性越低，即便这样的情景看起来能够非常好地代表最可能发生的结果。

√ 只要有可能，无论什么时候都应该注意基本比率。当一个事件极少发生或者是非常普通的事件时，基本比率就显得尤为重要。

√ 记住偶然性并不具备自我修正的功能。

√ 不要错误地理解趋均数回归。即使出现了一系列的坏运气，也不一定会有一系列的好运气与之相平衡（或者相反），但是一些极端的成绩之后往往会紧跟着出现一些更接近平均数的成绩。