我们并不真正理解随机性

我们的大脑讨厌随意性。进化论使我们的大脑专注于简单、线性的叙述来解释因果关系。我们使用直觉和心理模型来降低我们周围环境的复杂性，以便更好地理解。

然而，我们世界上如此多的东西都是由纯粹的偶然驱动的。绘制线性叙述极大地简化了解释，但我们必须了解这些模型的局限性。如果你不能适应随意性，你就有可能成为一个傻瓜。

例如，你可能会发现一种宽松模式的趋势，并对未来变得过于自信。要小心那些可能是随机的，或者仅仅是唯一但不重复的模式。例如，不要发现20世纪90年代的互联网泡沫模式在重复-还有其他因素在起作用，这只是一个随机事件。

我们的大脑与我们生活中发生的事件的真正随机性是隔绝的。我们的大脑用什么来确定因果关系？事件的规则序列或随机间隔的序列。例如，如果我们抛硬币的序列很长，并观察到一次挤兑，我们自然会陷入认为唯一没有在挤兑中的事件是因果关系的陷阱-也就是说，我们没有充分考虑我们思维中的随机性。

如果你想要一个随机行为的例子，数据挖掘帮不了你。在随机性中，没有可辨别的模式。您可能会发现任何输入之间没有相关性，并且这个随机序列会让人觉得浪费或没有目的。

当我们去看世界，预测未来的行为，或者想出因果关系的想法时，这会成为一个障碍。当我们回顾过去时，更是如此。我们认为过去是“因果故事”，但事实并非如此。我们就是这样建造的。

有一种不可避免的偏见，这就是避免，因为我们有大量的计算资源来寻找因果故事，从而避免鲨鱼出没的水域，就像动物王国去饮水池一样。

我们怎样才能打破这种确定感，发现真相呢？在寻找原因时，试着反驳而不是证明相关性。问问什么可能会与你寻找的事件模式背道而驰--在那里你有随机性。

接下来，问问还可能发生什么事。可能是X因素。寻找奢侈品变量是不是你在寻找一种相关性。

你想要的情况是，不确定变量是真实的，而不是偶然性的。在没有因果关系的情况下引诱出因果关系的想法是危险的。

人们无时无刻不陷入错误模式识别的陷阱。这可能是无害的，例如在一组常见形状中发现一条神话中的龙。在他们的案例中，错误的模式识别也可能是危险的。

例如，萨姆·L·萨维奇(Sam L.Savage)确信他可以利用统计数据准确预测水果价格，这无疑是不明智的。他聘请了一家大宗商品贸易公司，但在几周内就亏损了3亿美元。