启发法

算法和启发法是两类性质不同的问题解决策略。启发法主要有代表性启发法、可得性启发法、锚定与调整偏差、情感式启发法。

使用"代表性"进行判断可能产生的偏差有:
（1）代表性会导致忽略样本大小。在分析事件特征或规律时，人们往往不能正确理解统计样本大小的意义，对总体进行统计的结果才是真正的结果，样本的数量愈接近真实的数量，统计的结果也就愈可信，样本愈小，与真实数量相差愈大，统计的结果愈不能反映真实的结果情况。代表性启发法是对同类事件以往所出现的各种结果进行统计分析，得到结果的概率分布从而找出发生概率最大的结果即最可能发生的结果。因此必须考察所有同类事件这个总体或者考察尽量多同类事件（大样本）。但人们往往趋向于在很少的数据基础上很快地得出结论。
（2）代表性会忽略判断的难易程度，即使面对的是一个复杂的难以判断的问题，也简单地去作出判断，或经常根据不规范的和与判断无关的描述轻易地作出判断，或经常会忽略掉不熟悉或是看不懂的信息，只凭自己能够理解和熟悉的信息去作出判断，这些忽略掉的信息可能对判断是关键的。