055. 费马帕斯卡

编号：055/100 · 分类：认知偏差与决策 · 难度：进阶 一句话：世界是由概率而非确定性构成的——用期望值而非恐惧或贪婪来做决策。

一、极简定义

费马-帕斯卡框架（Fermat-Pascal Framework / Expected Value Thinking） 是指基于概率论和期望值计算来做决策的思维模式：不对单个事件的结果下注，而是对所有可能结果按其发生概率进行加权评估。

1654年，法国数学家布莱兹·帕斯卡（Blaise Pascal）与皮埃尔·德·费马（Pierre de Fermat）通过书信交流解决了"点数分配问题"——一个赌博中断时如何公平分配赌注的问题。这一通信被视为概率论诞生的标志。现代投资和决策领域中的"期望值思维"皆起源于此。

二、核心机制

2.1 期望值计算的三个要素

1
2
3
4

期望值（Expected Value）= Σ(每种结果的概率 × 每种结果的价值)

关键突破：不要问"这个决策是对还是错"
        而要问"这个决策的期望值是正还是负"

2.2 必须区分的三个概念

关键洞见：即使单个结果是亏损的，只要期望值为正，这个决策在长期重复下就是盈利的。 反之，即使你这一次赚了钱，如果期望值为负，长期你一定会亏。

2.3 帕斯卡的赌注——期望值的终极应用

帕斯卡本人将期望值思维应用到"是否信仰上帝"这一终极问题：

按期望值：信仰 → ∞ × p + (-有限) × (1-p) = ∞（只要p>0） 结论：即使上帝存在的概率极低，因为收益是无限的，信仰也是理性的。

虽然这个论证在哲学上有争议，但它完美展示了期望值思维的威力——不是着眼于单次结果，而是看所有可能性和它们的权重。

三、理论溯源

• 1654年通信：帕斯卡与费马通过七封信件讨论"点数分配问题"——两个赌徒在赌博中途停止，如何按每个人已赢的局数和剩余局数公平分钱。这一交流奠定了概率论的基础
• 惠更斯（1657）：《论赌博中的计算》——第一本概率论教科书，将期望值概念系统化
• 伯努利（1713）：《猜度术》——大数定律，将期望值和长期频率联系起来
• 贝叶斯（1763）：贝叶斯定理——如何根据新信息更新概率估计，使费马帕斯卡框架从"已知概率"扩展到"学习和更新概率"
• 凯利（1956）：凯利公式——不仅有正期望值，还要知道下注多少比例的资金，才能最大化长期增长
• 现代投资/决策领域：费马帕斯卡思维成为一切概率化决策的基础——投资、赌博、保险、风险管理

四、操作框架

4.1 费马帕斯卡决策四步法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

第1步：枚举所有可能的结果
    → 不仅想"会发生什么"，还要想"还有哪些可能？"
    → 强制列出至少3种结果，包括极端情况

第2步：为每种结果估算概率
    → 基础概率法：类似情况在历史上的频率是多少？（先查基础概率）
    → 贝叶斯更新法：在基础概率上，考虑当前独特因素，向上或向下调整

第3步：为每种结果赋予价值
    → 尽可能量化（利润、成本、时间）
    → 对难以量化的价值，用相对排序代替绝对数值

第4步：计算期望值，做出选择
    → EV = Σ(概率×价值)
    → 选择期望值最高的选项

第5步（可选）：敏感性分析
    → "哪个概率估计的变化会改变最优选择？"
    → 重点验证那个变量

4.2 没有精确概率怎么办？范围估计

现实中绝大多数决策缺乏精确的概率数据。费马帕斯卡思维不是要求你"精确"，而是要求你"按概率思考"：

1
2
3
4
5

不用：这个概率是43.7%
而用：这个概率我估计在30%-50%之间
    → 在这个范围内分别计算期望值
    → 如果在此范围内最优决策不变 → 这是一个稳健的决策
    → 如果在此范围内最优决策改变 → 需要更精确地确定概率

4.3 帕斯卡的期望值校准

帕斯卡思维要求你回顾决策，校准你的概率估计能力：

五、典型应用场景

场景1：要不要签一个"先投入后回报"的订单

一个大客户要求我先投资¥200万定制模具，承诺后续3年每年采购¥500万。

• 枚举结果：
  • 客户履约（60%概率）→ 3年利润¥300万
  • 客户部分履约：只采购1年（20%概率）→ 亏损¥100万
  • 客户完全不履约（20%概率）→ 亏损¥200万
• 期望值：0.6×300 + 0.2×(-100) + 0.2×(-200) = 180 - 20 - 40 = ¥120万
• EV为正！但这不代表无风险——你需要判断：能不能承受那40%概率的亏损？如果¥200万亏损会危及公司现金流，即使EV为正，也不能做

场景2：供应商降价谈判策略

我想推动某供应商降价5%。有两种策略：

• 强硬策略（书面最后通牒）：70%概率成功降价5%，30%概率供应商拒绝且从此关系恶化（损失¥50万/年）
• 温和策略（共同研究降本方案）：40%概率成功降价5%，55%概率降价3%，5%概率失败
• 强硬EV = 0.7×(+50万) + 0.3×(-50万) = 35 - 15 = ¥20万/年
• 温和EV = 0.4×(50) + 0.55×(30) + 0.05×(0) = 20 + 16.5 + 0 = ¥36.5万/年
• → 温和策略EV更高！更关键的是——温和策略没有"关系恶化"的下行风险

场景3：质量风险的期望值管理

某个批次产品发现微小瑕疵。返工成本¥30万。如果不返工：

• 客户发现并投诉的概率约15% → 赔偿+信任损失¥200万
• 客户没发现的概率85% → 零成本
• 不返工的EV = 0.15×(-200) + 0.85×0 = -¥30万
• → 返工EV = -¥30万（确定），不返工EV = -¥30万（期望）
• 两者等价！那我需要考虑：如果15%概率的¥200万损失发生时，公司是否能承受？品牌商誉的长期影响是否远超¥30万？
• → 费马帕斯卡告诉你EV等价时，选下行风险更小的那个

六、常见误用与边界

❌ 精确性的幻觉

• 用精确数字（“概率63.7%"）计算的EV看起来很严谨，但输入的数字如果来自"大概"“感觉”，输出也只是一件"看起来很严谨的猜测”
• 费马帕斯卡思维的核心不是"精确的数字"，而是"概率化的思维框架"

❌ 只看EV，不看风险承受力

• 一个EV为¥100万但有10%概率亏损¥1000万的决策，对一个身价¥500万的人可能是灾难性的
• 费马帕斯卡是决策工具，不是万能准则。需要结合个人/组织的风险承受能力和效用函数

⚠️ 帕斯卡赌注的谬用

• 帕斯卡的赌注仅在"收益无限"时成立。在日常生活中，几乎所有收益和损失都是有限的，所以不能套用"概率×无限收益=无限EV"的逻辑
• 很多"高风险高回报"的东西，本质上期望值为负，只是少数成功者的故事太耀眼

不可忽略的"未知的未知"

• 费马帕斯卡要求你枚举"所有可能的结果"。但现实中，“你根本不知道会发生什么"的事件（黑天鹅）不在你的枚举列表里
• 在重大决策中，留下一笔"未知风险预算"是对费马帕斯卡框架的必要补充

七、与其他模型的关系

八、自检清单

1
2
3
4
5

□ 我列举了所有可能的结果吗？（包括那些"不太可能"的结果）
□ 我的概率估计是来自基础概率还是直觉？（直觉需要校准）
□ 我有没有区分"EV为正"和"低风险"？（两者不是一回事）
□ 如果结果之间的价值差异极大，我有没有考虑效用函数而非简单货币价值？
□ 我有没有问：即使EV最大，我的风险承受能力能否覆盖最坏情况？

九、我实践检视

（由我填写在实战中使用费马帕斯卡思维的具体案例和心得——尤其在采购和投资决策中的应用）

十、深度延伸

• 历史通信：Pascal & Fermat (1654). The Pascal-Fermat Correspondence. — 概率论诞生的七封信，可读性和思想深度俱佳
• 综述文献：Hacking, I. (1975). The Emergence of Probability. — 从哲学和历史角度追踪概率概念如何从17世纪的"随机性"概念中诞生
• 现代应用：Taleb, N. N. (2001/2004). Fooled by Randomness & The Black Swan. — 纳西姆·塔勒布对费马帕斯卡框架的批判性发展：如何对待"未知的未知"和肥尾分布
• 投资应用：Munger在《穷查理宝典》中对"费马帕斯卡系统"的推崇——“如果你不懂概率论，你一生都在做次优决策”
• 贝叶斯更新：McGrayne, S. B. (2011). The Theory That Would Not Die. — 贝叶斯定理如何从被遗忘到统治现代统计和人工智能