主要看了和工作相关的一些章节。
相关关系
如果一件事情发生的概率（+F）取决于另一个事件（+A）是否发生，才能说这两个变量是否相关
如果F事件不发生的概率记为-F，A事件不发生的概率记为-A。那么只有当+F+A/-F+A显著大于+F-A/-F-A时，F和A相关
例如下例
患头部肿瘤（+F） 不患头部肿瘤（-F）
头晕（+A） 160 40
无头晕（-A） 40 10
由于160:40=40:10，因此肿瘤不一定导致头晕
就像大多数人认为上帝满足祈祷者（+F+A），却没有去看祈祷有多少没有应验（+F-A），有多少是没有祈祷却应验了（-F+A），有多少是没有祈祷也没有应验（-F-A）
正确判断相关关系的步骤是什么？
00 需要了解哪些信息是相关的
01 抽取样本
02 对观测到的现象分类和解释
03 牢记分类标准，估计符合事件和不符合事件的发生频率
04 （如果概率涉及多个层次的变量），用统计公式进行整合
05 判断是否存在相关关系
为什么面对略复杂事件，我们对相关的判断很差？
1 日常生活中可以轻易判断相关，不加批判复用这些方法。而日常生活中的相关关系
1） 许多是完全相关或者接近完全相关。例如手碰火会烫。
2） 有些相关关系是基于强刺激。例如暴风雨与下雨
3） 刺激在空间或时间上的距离非常近。如抚摸小狗摇尾巴
2 日常生活中会基于某些接近原则来判断相关关系
例如朋友给你推荐电影，你判断他推荐的电影和电影质量之间的关系，可能会想起他推荐过的最好的一部。
相关与因果
两个变量存在相关关系不代表他们存在因果关系。因果关系不代表两个变量之间有很高的相关。（性交和怀孕只有中等程度的相关 0.34）
因果关系
这里主要讨论对行为的归因。
当对行为的原因进行解释时，人们总是归因于当时最突出的因素。
例如行为者-观察者偏差
个体倾向于将自己的行为归因为情境因素，将他人的行为归因为个性因素。
代表性直觉
人们通常会根据“A在多大程度上能代表B或A在多大程度上与B相似”来判断事件发生的可能性。
人们倾向于认为偶然事件具有自我修正的功能，因为总是希望随机抽取的样本能很好地代表总体。
例如赌徒谬论：在一系列坏运气之后会有好运气
易得性直觉
人们通常根据一些容易想起来的事例来判断发生的概率。
事情更容易想起来，不代表有更高的发生概率，只是因为它更容易提取。例如它最近发生，或者掺杂了很多情绪。
例如在美国，被飞机掉下来的零件砸死和被鲨鱼咬死哪个概率高？答案是前者。
情境依赖性
分为对比效应（例如一只手浸热水一只手冷水，然后同时放温水的感觉）、初始效应（例如那个实验要求两组被试评价同一个人，一组先读一串正向品质在前的词，一组读负向品质的在前的词，结果不同）、近因效应（我是歌手最后一个出场的占优势）、晕轮效应（觉得长得好的性格也好运气也好等）
近因效应和初始效应的区别就在于同等强度的刺激持续时间的长短。足够短则先触发的印象深，反之则近的印象深。
概率和风险
看一个贝叶斯定律的例子。
假定医生根据多年临床经验，认为一个患者的肿块为恶性的概率为1%.但X光照射的结果是恶性。X光检查恶性肿瘤的准确率为80%，检查良性肿瘤的准确率为90%。问患者得癌症的概率是？
不是80% 而是7%左右
P（癌症| 阳性）=P（阳性| 癌症）ｘP（癌症）/ [P（阳性| 癌症）ｘP（癌症）+ P（阳性| 良性）ｘP（良性）]
P（癌症）= 0.01（最先估计患者得恶性肿瘤的概率）
P（良性）= 0.99（患者没有患癌症的概率）
P（阳性| 癌症）=0.8（检查为阳性时，有80%的概率患癌症）
P（阳性| 良性）=0.1 （将良性误判为恶性的概率）
计算得7.5%