芒格原话
第一手出处查理·芒格（本页观点出自芒格论述；暂无逐字引文，转述整理见 L1）
原典解读
忠于原典 · 卡片化定义：概率思维与期望值（Probabilistic Thinking Expected Value）是数学与统计学的思维模型：把思考未来的方式从二元的"这件事会不会发生"，升级为概率加权的期望值分析——"发生的概率是多少？发生了后果是什么？没发生后果又是什么？加权平均之后应该怎么做？"
核心论述：芒格把费马-帕斯卡体系视为每个人都必须掌握的基本生存工具——不是选修，不是加分项，是及格线。掷硬币游戏（正面赢100万、反面输50万）：二元思维的人纠结"50/50太冒险"而不玩；期望值思维的人算出总期望值+25万，每玩一次平均赚25万，应该玩且反复玩。但如果输50万意味着破产，即使期望值为正也不该玩——期望值之上，还有安全边际与凯利公式。
定义：期望值思维为什么如此反直觉：它与心理本能在三个关键点上剧烈冲突。
核心论述：第一，损失厌恶——卡尼曼和特沃斯基的研究表明，人们对等额损失的痛苦感约为等额收益快乐感的2到2.5倍，即使赌注期望值明显为正，大多数人也会因可能的损失而拒绝；第二，对不确定性的厌恶——大脑渴望确定性，"大概35%可能性成功"让大多数人抓狂，但真实世界就是概率性的；第三，分不清好决策和好结果——基于正期望值的好决策完全可能带来坏结果（70%概率赢但30%恰好发生），反之亦然。最难的一件事：在结果不好时仍然信任决策过程，在结果好时仍然诚实地检查过程是否真的正确——也许只是运气好。
场景：重大职业与投资决策（页面 §06"期望值分析的实战流程"）。
步骤：1. 列出所有可能的结果分支（用纸笔把所有能想到的可能性写下来，防止乐观偏见只列好结果）；2. 为每个分支估算概率（不要求精确，大致区间即可，关键是"强迫自己给出数字"而非"感觉"）；3. 为每个分支估算收益和损失（尽量量化，无法量化的要诚实标注"不可量化"而非硬凑数字）；4. 计算加权期望值（每个分支的"概率×收益/损失"加总，期望值为正意味着"这个决策值得做"）；5. 应用三个刹车：有没有不可接受的下行风险（"归零"的可能）？下注规模是否与"安全边际"匹配？这是可重复的赌局还是"只打一次的子弹"？不可重复的决策，即使期望值为正，也要额外谨慎。
避坑：混淆"期望值为正"和"这次一定能赢"——期望值只对大量重复有意义。单次高风险决策，要同时评估期望值和最坏情况的承受力。
场景：把概率思维变成习惯的日常练习（页面 §06"把概率思维变成习惯"）。
步骤：1. 养成"用概率说话"的习惯——"大概35%可能性""七成把握"，而不是"觉得会/不会"；2. 玩简单的概率游戏——掷骰子、抽扑克牌，体验随机性，校准自己对概率的直觉；3. 记录预测与结果——定期回头看自己过去的概率判断有多准（校准是概率思维唯一可衡量的训练）；4. 用"预验尸"配合期望值思维——重大决策前写下"如果这个决策失败了，最可能的原因是什么"，强制自己思考负面分支。
避坑：概率估计不要求精确，关键是从"二元判断"转向"概率区间"，再逐步校准精度。
场景：复盘任何决策的成败（页面 §06"区分好决策与好结果"）。
步骤：1. 回看决策当时的概率信息，而不是结果——问"如果时光倒流，带着现在已知的全部信息，当时的决策是否还是最好的？"；2. 检查"坏结果"是否只是运气——基于正期望值的好决策完全可能带来坏结果（70%概率赢但30%恰好发生），这不是错误，是随机性的正常表现；3. 检查"好结果"是否只是运气——如果过程草率但结果好，诚实地承认"这次运气好"，而不是"方法是对的"；4. 长期追踪"过程质量"而非"单次结果"——只有大量决策的累计表现才能验证概率思维是否有效。
避坑：用结果倒推过程——结果好就夸过程好、结果差就怪决策差，这是结果偏见，会摧毁概率思维。
如果你没有把这个基本的数学概率方法变成你生活的一部分，那么你就像一个踢屁股比赛中的独腿人。这是一个很简单的概念，你也需要把它纳入日常所用的思维框架中。——转述（据 1994 年 USC 商学院演讲相关论述整理）
费马和帕斯卡的体系与世界运行方式完全一致。它是基本的事实——作为一种思维体系来使用是极好的。——转述（据 1994 年 USC 商学院演讲相关论述整理）
股市就是一个赛马彩池投注系统。你必须寻找定价错误的赌注。——转述（据 1994 年 USC 商学院演讲相关论述整理）
扩展阅读
真实案例 · 与 L1 隔离帕斯卡与费马的通信——一个赌徒问题诞生概率论 历史事件
芒格把"费马-帕斯卡体系"列为决策者必备的数学工具——起点是一场没打完的赌局。1654 年，赌徒安托万·贡博为赌局腰斩后赌注怎么分而苦恼，求助于帕斯卡；帕斯卡写信给费马。两人在几轮通信推演中搭起了概率论的基本框架：人类第一次拥有了量化不确定性的语言。赌场里的困惑，成了三百多年后投资决策的基石。
赛马场的彩池投注系统——芒格最爱的类比 思想实验
挑股票和挑赛马，芒格认为是一个游戏。赛马场的赔率是所有下注者用钱投票投出来的集体估计。赢钱的办法不是押中最可能夺冠的那匹，而是找到赔率错位的马——真实胜率 33%、赔率 5 赔 1 的马，期望值就是正的。回到股市：好公司不等于好投资，它的"好"很可能已反映在股价里。
顶级 VC 的概率课 商业案例
顶级 VC 按"会不会成功"一笔都不敢投：一半血本无归，三分之一不温不火，只有一两家能跑出 10 倍甚至 100 倍。但 VC 按期望值算账：投 100 万，70% 归零、20% 回本、10% 拿回 5000 万，期望值 520 万。大概率亏光的买卖可以是好买卖，前提是出手次数足够多。
凯利公式——期望值为正之后该下多大的注 历史事件
期望值为正还不够，还得问下多大的注。一个 60% 翻倍、40% 亏光的赌局，每次全押的人注定归零。1956 年，贝尔实验室的约翰·凯利给出答案：最优下注比例 = 优势除以赔率，这个赌局是 20%。MIT 数学家靠它在 21 点桌上赢下数百万美元。
帕斯卡赌注——当概率极低但后果极大 思想实验
帕斯卡赌注是期望值思维的极限实验：上帝存在的概率再低，只要"存在"意味着无限的后果（永恒的天堂或地狱），期望值就会被这个无限值绑架。规律是：当某个结果的影响趋向无穷大，再小的概率也能主导全局。芒格和巴菲特对"灭顶之灾"的极度厌恶正是这个逻辑：伯克希尔永远不做可能让公司归零的事。
保险定价——期望值思维的最纯粹商业应用 商业案例
车险保单是期望值思维的素颜照。某类驾驶员一年出险概率 5%，平均赔付 10 万元，期望赔付 5000 元，保单一口价 7000 元——纯按期望值算买方是"亏"的。但 5% 的概率撞上 10 万元损失，可能是半年收入打水漂。硬边界是：当一次损失可能造成不可逆伤害，为消除风险多付的钱再"不划算"也值得。
跨模型互见——12 个关联模型 思想实验
十二个关联模型：排列组合原理（概率地基）、数量级估算（概率手感）、大数定律（重复中显现期望值）、安全边际（容错缓冲）、护城河（抬高成功概率）、逆向思维（反算亏损概率）、过度乐观倾向、被剥夺超级反应倾向、不对称性与凸性、Lollapalooza 倾向、复利效应（正期望值的长期累积）。
想象两个人做同样的重大决策：一个靠直觉和"感觉"，一个靠概率和期望值。短期内，直觉派可能靠运气赢几局；但把时间拉长，概率派的胜率会系统性地更高——这就是概率思维的最终回报。它承诺不了确定答案（这个世界没有确定答案），只承诺更少的系统性错误。大多数人在简单重复场景里靠直觉凑合，可一旦进入高风险、低频率、高度不确定的重要决策，直觉的可靠性就断崖式下跌。长期只做正期望值的决策，随机波动会被时间熨平，人生轨迹稳定地偏向更好的那一边。
期望值思维有四个坑，踩中任何一个都会反噬。第一，概率估计必须持续更新：它不是刻在石头上的数字，每到来一条新信息就要重算一次。芒格一辈子没说过"贝叶斯"这个词，但他的投资实践是不折不扣的贝叶斯式的。第二，校准精度是命门：估计差之毫厘，期望值谬以千里——把 10% 误判成 1%，期望值能差出 10 倍，职业选手永远用多个独立模型交叉验证。第三，有些决策存在不可逾越的下限："不要亏钱"的真正含义是，跌破下限的后果严重到无论概率多低都不能接受——这是遍历性问题，不是期望值问题。第四，警惕尾部风险：最重要的事件往往是低概率、高影响的"黑天鹅"，正确的应对不是精确预测它，而是确保它发生时自己还在牌桌上。
点睛：这套思维在 A 股同样稀缺——追涨的人算的是"会涨"，没人算"爆仓的概率 × 爆仓的后果"；期望值思维的第一课，恰恰是先算输的那一边。