【R 阅读原文】
轻率概括是指当观察到某类事物的极少代表具有某个特征是就得出所有此类事物都具有该特征的一种错误，或者观察的代表既不全面也不随机。
例：所有加利福尼亚人都练瑜伽。
如果有人质疑，他会提出这样的论证：
例：1.我遇见了埃文斯，她是加利福尼亚人并且都练瑜伽。
2.我遇见了门多萨，她是加利福尼亚人并且都练瑜伽。
3.我遇见了吉川，他是加利福尼亚人并且都练瑜伽。
4.所有加利福尼亚人都练瑜伽
例子中的推理是一个轻率概括的例子。他刻板的看待加利福尼亚人：根据前提中描述的样本，并不能得到结论。
现在想象一个不同的场景：假设一位人类学家去加利福尼亚研究现在加利福尼亚人的习俗。假设他去过南加利福尼亚、圣华金河谷、旧金山湾区以及这个州的所有区域，遇见了各行各业、各个社区团体、各个宗教、各个族群的人——从城市、郊区，到小镇、乡村。假设他与数千人交谈，并且发现所有这些人都练瑜伽！那么，他得出例子的结论就不是一个谬误：根据调查的广度和深度，该结论是一个有力枚举归纳的合理结果。但是要注意这个论证与前面所说的论证例子有多么不同！关于所有加利福尼亚人的结论只是基于三个实例，这显然是不合理的。这是一个冒牌的枚举归纳，并且是一个令人讨厌的刻板做法。为了避免这种刻板做法及其基础——轻率概括谬误，逻辑思考者应该牢记：
关于某类或某个群体的结论不能在下列情况下得到支持：
◆样品样本太小；
◆样本不够全面或不是随机的，或者既不全面也不是随机的。
【I 用自己的语言重述】
概率统计学中有样本的概念，样本越大越全面越随机论断正确的概率就越大，也就越具有说服力。通过样本的研究来代替整体的研究，省时省力，很多社会学、自然科学研究也得益于此。人类很多行为也得益于过往经验归纳而来，并形成常识，我们知道了常识就可以不用特别思考直接指导行为，虽然常识并不是百分百正确，百分之九十多正确的概率已经足够好，可以很好指导我们行为。
但是，我们利用样本归纳带来的好处，也要避免产生轻率概括的谬误。不能像赌徒，第一次赢了200，第二次赢了500，第三次赢了1000，就可以认为自己第四次可以赢2000，这是赌徒心理，轻率概括，毫无根据，结果第四次输了5000。很多股民也是如此，赚了几次就认为自己判断很准，下次ALL IN，结果倾家荡产。他们轻率概括的依据是直觉很准，而不是根据股票走势、国家政策、行业分析等，通过大数据获得下一次投入会有99%概率会涨，那投入全部也就无可厚非。
为什么阿法狗会战胜柯洁？为什么大数据越来越火？那是因为人工智能、大数据建立在庞大的数据上，样品足够大就越接近正值。而作为逻辑思考者的我们，在没有足够的样本数量、样本不够全面随机的情况下，还是要避免轻率概括的谬误。
【A1 联系过往经验】
大学时宿舍一哥们，高数考试没怎么复习，考前随便看看，没有挂科；大学物理没有怎么复习，考前随便看看，也没有挂科；英语四级也没有复习，结果430分过线。于是得出一个结论，不用怎么看书，照样不会挂科。第二学期上课也不好好听，玩游戏，考试前两周我们都在看书复习，他还是以前一样该玩玩，还美其名曰：我运气好，考前看两天保证过。结果这学期挂了三科，不说话了。
另外一例，前段时间我们产品测试，电子工程师测试几个产品一直没有问题，就说这个方案没问题，产品可以投产，信誓旦旦向老板保证没问题。结果我们模具投产了，另外一个同事来调参，出现了致命问题，前面的方案推翻重新搞，浪费了半年时间。
【A2 以后怎么做】
对接下来的产品测试不能掉以轻心，虽然暂时没有问题，但是还要多一些测试。
1.小批量二三十个进行测试，而不仅仅只测三五个；
2.随机选择几个进行极限测试，而不是选择最好的测试。
