不确定性下的判断依赖于启发式过程，用于预测不确定事件和评估概率值的三种启发式方法：代表性启发式、可用性启发式以及锚定和调整（本文应该没什么流量）

不确定性下的判断：启发法和偏见
丹尼尔·卡尼曼(Daniel Kahneman)
《思考，快与慢》
(本文首次刊登于1974年的《科学》杂志上，第185卷。美国国防部高级研究计划局为此项研究提供了支持，海军研究办公室也与位于尤金的俄勒冈研究院签订了合约，监督该研究。另外，该研究还得到了位于以色列耶路撒冷的希伯来大学研究与开发部门的支持。)
我们所做的许多决策都是基于对不确定事件概率的信念，这些不确定事件包括选举结果、被告的内疚感或是美元的未来价值。这些信念通常被表述为“我想……”“概率是……”“它是不可能的……”等。对于不肯定事件的信念有时还能以概率或主观概率等数字形式表现出来。那么，是什么决定了人们的信念？
人们又是怎样评估不确定事件的概率和不确定数量的价值呢？本文将会告知你们，人们依赖于数量有限的启发式原则，而这些原则能将测量概率以及预测价值的任务简化，使其成为更为简单的判断过程。总的来说，这些启发法相当有用，但有时也会导致严重的、系统性的错误。
对概率的主观评估与对距离或大小等物理量的主观测量相类似。这些判断都依赖于效度有限的数据，是根据启发式的规则进行的。例如，某物体的距离取决于其清晰程度。物体看上去越清楚，其距离就显得越近。这条规则有一定的效度，因为在任何给定的情境中，距离较远的物体都会比距离较近的物体更不清楚。然而，对这条规则的信赖会导致我们在测量距离的过程中产生系统性错误。特别是在能见度较低时，物体轮廓就会模糊，而其距离就常常会被高估。另一方面，在能见度较高时，物体轮廓就会清晰，其距离也就会被低估。因此，如果依赖于清晰度，将清晰度作为测量距离远近的标尺的话，就会导致普遍的偏见。这样的偏见在对概率直觉性的判断中也会出现。本文将描述三种应用于判断概率和预测价值的启发式，列出由这些启发式引起的偏见，并讨论这些偏见的实际应用和理论内涵。
代表性
人们考虑的许多概率问题都包含在以下某个类型当中：物体A属于类别B的概率是多少？事件A起源于过程B的概率是多少？过程B引起事件A的概率是多少？人们在回答这些问题时，会典型地依赖于代表性启发法，即通过用A来代表B，也就是通过比较B与A的相似程度来对概率进行评估。例如，如果A能高度代表B，人们就会认为A源自B的概率高。但如果A与B并不相似，人们就会认为A源自B的概率低。