基準率忽視：你的「直覺機率」其實沒看分母

一個經典問題：「Linda，三十一歲，單身、直率、很聰明。大學主修哲學，學生時代非常關心社會議題、反對歧視，曾經參加反核遊行。」——請問下面哪一個比較可能：(A) Linda 是銀行行員；(B) Linda 是銀行行員，而且積極參與女性主義運動？

大多數人選 B。但 B 不可能比 A 更可能——B 是 A 的子集，數學上 B 一定小於等於 A。為什麼大多數人選錯？因為 B 的描述「比較像 Linda」，符合那段人設。人腦回應的是「像不像」，不是「機率」。

基準率：那個被遺忘的分母

這就是 基準率忽視。基準率是「在整個母群體中，這件事本來就有多常見」。一個合理的機率判斷，應該從基準率出發、再依個案特徵調整。但人腦不這樣運作——它直接被個案的「典型程度」帶走，把那個本來該當地基的基準率，整個忽略掉。

更具體的版本：假設某種疾病的盛行率是萬分之一（基準率）。檢驗的準確率是 99%。某人測出陽性，他真的得病的機率是多少？多數人直覺答 99%。實際答案接近 1%——因為陽性結果裡，絕大多數其實是「健康但被誤判」的人，那群人的分母太大了。沒看分母，整個結論就反了。

它在你日常裡偽裝成什麼

「我認識的人裡有三個創業成功」——所以創業成功率不低？你看到的是分子，分母（多少人創業）你不知道。創業總體成功率非常低，三個「成功」可能來自一個高選擇性的社交圈。

「最近新聞上一直在播墜機」——所以坐飛機很危險？基準率上，飛機每英里傷亡率比汽車低非常多，但新聞放大了「鮮明的個案」，這正是 可得性捷思 和基準率忽視聯手的結果。

「這個應徵者跟我之前帶過的明星員工很像」——所以他也會是明星員工？多數應徵者的最終表現都靠近平均，「像明星」這個特徵本身的預測力，比你以為的弱。這是 〈你的大腦沒有「機率」這個單位〉 講過的同一件事——大腦處理的是「故事」，不是分母。

三個對策

一、問「分母是多少」

養成一個習慣：聽到任何用「我認識的人裡有 X 個 Y」、「我看到很多 Y」這種句型的論點，下意識問「那分母呢？這個 Y 是從多大的池子裡挑出來的？X 占多少比例？」這一個問題，常常就讓本來說服你的論點瞬間鬆掉。

二、先估基準率，再看個案

面對一個預測題（這個專案會準時嗎、這次投資會賺嗎、這個關係會長嗎），先別看個案有多特別，先問「這類事情，一般而言成功率多少」。基率預測 講的就是這個流程：先錨在類別的平均，再用個案資訊微調。多數人是反過來——只看個案、忘記類別。

三、把個案資訊當「修正項」，不要當「主項」

個案的鮮明特徵不是不能用，但它應該是基準率的修正，不是取代。一個經驗法則：問自己「如果把這個個案的所有具體描述刪掉，只看『它屬於哪一類』，這類的成功率是多少」——然後用個案特徵小幅調整。這也是 〈內外觀點〉 的內核：強迫自己同時站在「我這件事獨特」和「我這件事屬於某類」兩個視角。

你直覺感覺到的「機率」，多半其實是「典型程度」。它們長得像，但完全是兩件事。

下次你對一件事有很強的直覺判斷，先停一下。到 決策日誌 寫下「這類事情的一般機率大概多少？這個個案憑什麼比一般高（或低）？」這一個動作，會把無形的基準率拉回到你的計算裡。長期下來，Pro 的校準分析 會告訴你：你高估了多少次、低估了多少次——那條曲線會把基準率，深深刻進你的直覺。