一句话说清
期望值是「把不确定的未来折成一个数」的算法，但它的三个前提比公式本身更要紧。
为什么值得懂
入门篇《期望值》给了公式：把每种结果的收益乘以它的概率，再加总。公式不难，难的是三件事——概率从哪来、价值用哪把尺子量、这个「平均值」是否真的会兑现。这三件事决定了期望值是在帮你想清楚，还是在给你一个精致却危险的错觉。赌场、保险公司、风险投资、买不买那套房、要不要换城市，全都卡在这三件事上。
零基础讲解
一、历史脉络：从一场赌注到一门学科。 期望值的思想最早出现在赌桌上。帕斯卡在《思想录》第 233 节那句著名的「帕斯卡的赌注」里，把信仰问题改写成赔率问题：如果信而神存在，收益无限；信而神不存在，损失有限——按期望值算，也该信（帕斯卡 / 《思想录》 / 第 233 节）。今天看这个论证有漏洞（把「无限收益 × 任意小概率」当成压倒一切），但它第一次把「不确定的事」翻译成「可计算的数」。十七世纪帕斯卡与费马的通信奠定了概率论，期望值随即成为这门学科的第一个产品。
1738 年，丹尼尔·伯努利发现这个产品会失灵。他设计了一个抛硬币游戏：第一次正面得 2 元，第二次才正面得 4 元，第 n 次才正面得 2ⁿ 元——按公式，期望值是 2×(1/2) + 4×(1/4) + 8×(1/8) + …… = 1+1+1+……趋于无限大，可没人愿意付几十块钱玩它。这就是圣彼得堡悖论（伯努利 / 《风险度量的新理论》）。伯努利的解释是：人衡量的不是钱，而是钱带来的效用——100 元对穷人是雪中送炭，对富人是锦上添花。于是「期望值」升级为「期望效用」。
两百多年后，冯·诺依曼与摩根施特恩在《博弈论与经济行为》里把效用公理化：只要你的偏好满足几条基本一致性（完备、传递、独立、连续），就存在一个效用函数，让你按「期望效用最大化」行动（冯·诺依曼、摩根施特恩 / 《博弈论与经济行为》 / 第一章）。这套体系成了经济学与决策科学的地基。
但 1979 年，卡尼曼与特沃斯基用实验表明，人实际的偏好系统性违反了那几条公理：同样金额的得失，痛感大于快感（损失厌恶）；面对小概率大损失时人会买保险，面对小概率大收益时又会买彩票——两者在同一个效用函数下无法同时解释（卡尼曼、特沃斯基 / 《前景理论》）。期望值／期望效用是「应该怎么算」，前景理论描述的是「人实际上怎么想」，两者至今并行。
二、公式与三个前提。 公式是 E = Σ（概率 × 结果价值）。它能用，前提是三条：
- 概率可估。掷骰子的概率是已知的，商业成败的概率是估的——先搞清你在掷骰子还是在猜。参《不确定性》：有些事连概率都给不出。
- 价值可测，而且用同一把尺子。把「收入多 30%」「通勤少 40 分钟」「同事合得来」放进同一个公式，就必须先把它们折成同一单位——这一步是价值判断，不是数学。
- 可重复。期望值是大数定律的影子：扔一万次骰子，平均值会靠近期望值；只做一次的决定，期望值只是「长期平均」，单次结果可以离它很远。
三、期望值最容易被搞错的一点：它不预测结果。 「这个方案期望收益 20 万」不等于「你会赚 20 万」。它是「同样的事重复很多次之后的平均」，单次可以大赚、大亏，甚至归零。塔勒布把这一点称作偏态问题：如果一个策略「99% 赚 100 块、1% 亏 5 万」，期望值仍是正的，但重复下去迟早遇到那 1%，而多数人承受不起那一次（塔勒布 / 《随机漫步的傻瓜》）。期望值正 ≠ 值得做；还得看最坏结果是否可承受——这正是《风险与杠杆》《损失厌恶》要接住的地方。
四、与相邻概念的分界。 一是期望值 vs 期望效用：前者算钱，后者算「钱对你的意义」；同一笔钱，穷人和富人的效用不同，所以保险对双方都合理。二是期望值 vs 赔率与凯利公式：期望值告诉你「值不值得下注」，凯利公式告诉你「下多少」——期望值为正但下注过重，照样破产。三是期望值 vs 最坏情况：能重复、损失可承受时看期望值；不能重复、损失致命时先看最坏情况（航空安全、核电站的逻辑就是这样）。
一个例子
保险是理解期望值最好的镜子。买重疾险，纯数学期望通常是负的——保费里包含保险公司的运营成本与利润，你交的钱平均拿不回那么多。那为什么还买？因为你要的不是期望收益，而是把「扛不起的尾部」换成「扛得起的小钱」：一百万医疗费的 1% 概率，期望值是一万，但那一万你随时拿得出，那一百万拿不出。保险公司做的则是相反的事：收几万人的小钱，赔其中少数人的大钱，靠大数定律把风险变成可预测的成本。同一份合同，对你是「买确定性」，对公司是「卖确定性」——期望值解释不了这笔交易，期望效用可以。
常见误解
- 以为期望值高就一定要做：还得看最坏结果扛不扛得住，以及概率是不是可靠估出来的。
- 以为期望值就是预测：它是长期平均，单次结果可能完全相反。
- 以为算钱就够了：钱要用效用折算——第一万块和第一百万块对你的意义完全不同。
- 以为概率都是已知的：掷骰子的概率是已知的，商业与人生里的多数概率是估的，估计的误差常常比结论重要。
应用场景
- 生活：面对「要不要花两万块学一个证书」，把它拆成「有用的概率 × 涨薪幅度」和「没用的损失」，再问最坏情况扛不扛得住——比凭感觉可靠。
- 职场：两个 offer 不用算期望值也能比，但列出「最好/一般/最坏」三种情形与各自大致概率，能暴露你真正在意的是哪一项。
- 写作与创作：写赌徒、写商人、写骗子，让角色的算盘与他的处境对上——期望值算得对，但下注下错，故事才好看。
关联知识点
- 期望值（expected-value，本篇的入门篇，先读它拿公式）
- 贝叶斯更新（bayesian-updating，概率从哪来、该怎么改）
- 不确定性（uncertainty，连概率都给不出的情况怎么办）
- 决策树（decision-tree，把多个选择与概率画成一张图）
- 损失厌恶（loss-aversion，为什么人对得失的效用不对称）
- 风险与杠杆（risk-and-leverage，下注多少决定能不能活到长期）
- 所属主线：风险与概率、稀缺与选择