📊 期望值决策
当你面对不确定性时，最优策略不是避免风险，而是选择期望值最高的选项——即使某次可能输。
期望值 = 每种结果的值 × 其概率的总和
E(X) = Σ P(xᵢ) × xᵢ
核心洞察：单次结果可能违反期望值，但大量重复后，实际平均值必然趋近期望值。
🧪 期望值模拟器
赌局 A vs 赌局 B
设置两个赌局的参数，模拟 1000 次看结果分布
📐 期望值的数学
E(X) = P(赢) × 赢金额 + P(输) × 输金额
例：90% 概率赢 $1，10% 概率输 $9
E = 0.9 × 1 + 0.1 × (-9) = 0.9 - 0.9 = $0
→ 公平赌局，长期不赚不亏
🧠 期望值思维的关键陷阱
⚠️ 陷阱 1：单次决策 vs 重复决策
如果你只能玩一次，期望值可能不是最好的决策标准。
例子：100% 拿 $100万 vs 50% 拿 $300万（期望值 $150万）。对大多数人，确定拿 $100万更理性——因为 $100万对你的效用远大于 $300万的1.5倍。
期望值适用于可重复的决策。单次大额决策需要考虑效用函数。
⚠️ 陷阱 2：忽略方差
两个期望值相同的赌局，风险可能天差地别。
例子：A: 100% 赢 $1。B: 1% 赢 $100, 99% 输 $0。期望值都是 $1，但 B 可能让你什么都没得到。
当无法承受最坏结果时，即使期望值高也要谨慎（Kelly 准则）。
⚠️ 陷阱 3：正确地亏损
期望值为正的赌局，短期内也可能亏损——这不代表你做错了决策。
例子：60% 赢 $1, 40% 输 $1（EV=$0.2）。玩10次，约26%概率亏损。但玩1000次，亏损概率 < 0.1%。
决策质量 ≠ 单次结果。好决策可能输，坏决策可能赢——长期才见分晓。
💰 Kelly 准则：最优下注比例
Kelly 准则告诉你：在已知概率和赔率的赌局中，最优下注比例是多少。
f* = (bp - q) / b
f* = 最优下注比例（占资金）
b = 净赔率（赢1元需下注多少）
p = 赢的概率
q = 输的概率 (1-p)
🌍 期望值思维在技术决策中的应用
1
技术选型：方案A 80%概率省100人日，20%概率浪费30人日。方案B 50%概率省60人日，50%概率浪费10人日。EV(A)=74, EV(B)=25。选A。
2
重构决策：不重构有60%概率出严重bug（损失$50万），重构成本$10万。EV(不重构)=-$30万，EV(重构)=-$10万。重构。
3
创业决策：10%概率赚$10M，90%概率亏$200K。EV=$820K。如果你能承受$200K的损失且能尝试多次，这是正EV决策。
🎮 选择题
Q1: 一个赌局：80%赢$5, 20%输$20。你应该参加吗？
Q2: 你有$1000。一个投资：70%翻倍到$2000，30%归零。你应该投入多少？