是 多少 ？ 我們 用 實驗 中間 部分 的 100 次 測試 計算 ─ 因為 那時 受 試 者 已經 注意到 紅燈亮 的 次數 比 藍 燈 多 ， 從而 開始 在 70 % 的 測試 中 預測 紅燈 會 亮 了 。 因為 在 100 次 測試 中 有 70 次 紅燈亮 ， 受 試 者 在 這 70 次 中 有 70 % 的 準確率 （ 因為 受 試 者 在 70 % 的 測試 中 預測 紅燈 會亮 ） ， 也就是說 ， 受 試 者 在 70 次 中 有 49 次 正確 的 預測 ； 100 次 測試 中 有 30 次 藍 燈 亮 ， 受 試 者 在 這 30 次 中 有 30 % 的 準確率 （ 因為 受 試 者 在 30 % 的 測試 中 預測 藍 燈 會 亮 ） ， 也就是說 ， 受 試 者 在 30 次 中 有 9 次 正確 的 預測 。 因而 ， 在 100 次 測試 中 ， 受 試 者 的 正確 預測 是 58 次 （ 49 加 9 ） 。 但 請 注意 ， 這 是 多麼 可憐 的 成績 啊 ！ 如果 在 受 試 者 注意到 哪 一 盞 燈 亮 得 比較 多 後 ， 就 總是 預測 是 那 個 顏色 的 燈會 亮 ─ 在 本 實驗 中 ， 就 是 注意到 紅燈亮 的 次數 比較 多 ， 就 總是 預測 紅燈 會 亮 （ 姑且 稱 之 為 百分之百 紅燈 策略 ） ， 100 次 測試 中 將 有 70 次 正確 的 預測 。 雖然 在 藍燈亮 的 30 次 測試 裡 ， 受 試 者 都 沒有 預測 對 ， 但是 總 準確率 仍然 高達 70 % ─ 比 在 紅燈 與 藍 燈 之間 換來換去 的 58 % ， 準確率 高出 12 % 。 然而 ， 百分之百 紅燈 策略 取得 的 較 高 準確率 ， 是 要 付出 代價 的 ： 藍燈亮 一 次 ， 你 就 錯 一 次 。 即然 藍 燈 確實 有時 會 亮 ， 完全 不 去 預測 它 ， 好像 有 些 不 對 。 但是 ， 這 正 是 正確 機率 思維 所 必須 放棄 的 感覺 。 機率 思維 要 人們 接受 在 藍燈亮 時 要 犯錯 ， 藉以 得到 較 高 的 平均 命中率 。 總言之 ， 我們 必須 接受 藍色 的 錯誤 ， 以 減少 總體 的 平均 錯誤 。 如果 我們 要 在 預測 人類 的 行為 時 有 一定 的 準確度 ， 有時 就 必須 接受 錯誤 以 減少 錯誤 。 也 就 是 ， 在 依靠 一般性 原則 做出 比較 準確 預測 的 同時 ， 也 要 承認 我們 不可能 對 每 個 單一 事件 都 預測 準確 。 但是 ， 接受 錯誤 以 減少 錯誤 ， 說來 容易 做來 難 。 心理學 這 一 領域 裡 ， 人們 花 了 40年 時間 研究 臨床式 預測 （ clinical prediction ） 和 精算式 預測 （ actuarial prediction ） 這 一 課題 ， 就 是 有關 「 做起來 難 」 的 最 好 例子 。 精算式 預測 是 指 依據 統計 資料 分析出來 的 群體 趨勢 所 作 的 預測 。 在 本 章 一 開始 所 討論 的 群體 （ 也 就 是 總體 ） 預測 就 是 屬於 這 種 。 一 種 簡單 的 精算式 預測 是 ， 針對 凡是 具有 某 種 特徵 的 所有 個體 ， 做出 相同 的 結果 預測 。 所以 ， 假想 我們 預測 不 吸煙 者 的 壽命 是 77.5 歲 而 吸煙 者 是 64.3 歲 。 這 種 預測 就 是 一 個 精算式 預測 。 如果 我們 考慮 的