The Hidden Math Behind Every Decision You Make
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。 ...