人每天大约做 35,000 个决策。小事靠直觉没问题，但当决策真正影响人生走向时，直觉往往是个灾难。这篇文章介绍了 6 个数学思维模型，帮你把"感觉对"换成"算出来对"。
Expected Value（期望值）：决策的底层公式
EV = Σ（概率 × 收益），把每种可能的结果乘以概率加总，就能知道这个决策值不值得做。抛硬币，正面赢 $150、反面输 $100，EV = +$25，是正收益赌注，但多数人本能拒绝。原因是 loss aversion（损失厌恶）——人对损失的痛感是收益的两倍，这扭曲了几乎所有决策。换到职场选择：一份有 60% 概率年薪 $25 万、40% 概率年薪 $7 万的高风险岗位，EV 比铁饭碗高出 $5.8 万，但大多数人选稳定。至少先算 EV，再决定要不要跟直觉走。
Base Rate Neglect（基率忽视）：你以为的概率往往是错的
1000 人中 1 人患病，测试准确率 99%，测出阳性——你真的患病的概率是多少？不是 99%，而是只有 9%。999 个健康人里有 10 个假阳性，真正患病者只有 1 个，总共 11 个阳性里只有 1 个是真的。人们总被具体故事带着走，忘记问整体成功率。初创公司成功率约 6%，成为独角兽约 0.00006%。被一个成功案例打动前，先查分母。
Sunk Cost Fallacy（沉没成本谬误）：别让过去绑架今天
电影票花了 $15 但电影很烂——你会待到结束吗？经济学上的答案是走。$15 无论如何都回不来了，唯一的问题是接下来 90 分钟怎么用更值。同样的陷阱无处不在：在没前途的工作待了 5 年就再熬、持有跌了 50% 的股票因为"已经亏这么多了"。正确思路：假装你现在手里只有现金，你还会做同样的选择吗？ 如果不会，就该离开。
Bayesian Thinking（贝叶斯思维）：渐进更新，不戏剧翻转
多数人形成观点后就永远捍卫它。贝叶斯定理提供了理性更新信念的框架：新的信念 = 原有信念 × 新证据的支持力度。比如你认为同事有 10% 概率要离职，然后发现她更新了 LinkedIn，这个概率合理地升到约 34%——不是过度反应到 90%，也不是无视证据留在 10%。每一条新证据只做成比例的微调。Polymarket 能在 CNN 之前预测伊朗打击事件，靠的就是千人持续用这套逻辑喂价格。
Survivorship Bias（幸存者偏差）：你只看到了赢的那些人
每个辍学创业成功的故事背后，有一万个安静失败的人。Crypto Twitter 全是晒收益的，亏光的人早删号了——数据显示 Polymarket 上 87% 的钱包是亏损的。Spotify 每天上传 9 万首歌，中位数播放量只有 30 次。每当有人用成功案例说服你"这方法可行"，你要问：有多少人试过？成功率是多少？ 找不到分母时，默认成功率极低。
Kelly Criterion（凯利公式）：有边时，该压多少注
找到正期望机会后，问题变成该投入多少。凯利公式给出答案：
f = (p × b - q) / b*
p 是胜率，q = 1-p，b 是每元赌注的收益倍数。60% 胜率、赢了翻倍，则 f* = 20%。但职业交易员普遍使用四分之一到二分之一凯利，实际押 5-10%。这不只适用于金融：不要辞职梭哈副业，先每周用一天做项目；不要同时学五项技能，选 EV 最高的深耕。有边就集中，但留出犯错的空间。
六个模型，一套完整系统
EV 告诉你该不该行动，基率让概率估计接地气，沉没成本告诉你该忽略什么，贝叶斯告诉你如何更新，幸存者偏差提醒你图景里缺了什么，凯利公式告诉你该投入多少。预测市场是练习这套思维的最佳训练场——每一次下注都是实时校验，盈亏不说谎。
真正的优势不是信息，而是愿意用这套框架反复检查自己思维的习惯。