先做一道题——认真选，别跳过。

琳达，31 岁，单身，直言，非常聪明，主修哲学。学生时代深切关注歧视与社会正义议题，还参加过反核游行。

请问哪个更可能？

- (A) 琳达是银行出纳
- (B) 琳达是银行出纳，且积极参与女权运动

选好了吗？如果你选了 B——恭喜中招，而且你不孤单：Tversky & Kahneman (1983) 用最直白的二选一版本测了 142 名 UBC 本科生，85% 选了 B。但 B 不可能比 A 更可能：B 是 A 的子集——每一个『出纳且女权』的琳达，首先得是『出纳』。合取事件的概率永远不可能超过它的成分：P(A 且 B) ≤ P(A)。这条铁律叫合取规则，违反它就是合取谬误（conjunction fallacy）。

更扎心的是：统计训练几乎不起作用。八项概率排序版按统计背景分组：统计小白违规率 89%，修过统计课的研究生 90%，斯坦福决策科学博士生 85%；直接测验总体违规 88%。

为什么？T&K 的解释是代表性启发（representativeness）：『出纳且女权』更像琳达——概率排序与代表性排序的相关高达 .98。你的大脑用『像不像』悄悄替换了『是不是』，用相似度替代了概率。

有一个流行辩护：『被试只是把「银行出纳」读成了「出纳但不是女权者」，这是误读，不是谬误。』T&K 当年就用对照实验排除了：让另一组 119 人用 9 点量表逐项给两个选项打概率分——逐项评分没有理由做排他性解读，结果 82% 仍给「出纳且女权」更高分（均值 5.6 vs 3.5）。不过问法确实关键：改成频数格式（『100 个像琳达的女性里，有多少是银行出纳？有多少是出纳且参与女权运动？』），谬误率从约八成锐减到两成上下——谬误真实存在，但强度高度依赖问法。

同一机制还有另一张面孔：基率忽视。Kahneman & Tversky (1973) 给被试看『从 100 名专业人士中随机抽出』的性格速写：一组被告知样本是 70 名工程师+30 名律师，另一组反过来是 30:70。按贝叶斯推理，同一份描述在两组给出的『此人是工程师』概率应显著不同；实际两组判断几乎相同——被试只看描述『像不像工程师』，基率被无视。最刺眼的对照是刻意零信息量的『Dick』（30 岁、已婚无子女、能力强动机高、同事喜欢他）：两组的中位数概率都是 0.50。有了废话描述，反而扔掉基率；而完全不给描述时，被试能正确使用 70%/30%。