决策是一种形状
选择具有几何性
每个在不确定性下的决策都将可能的收益分布在数轴上。某些结果为你带来回报，某些则让你付出代价，且每种结果都带有概率。这团加权收益云具有形状：& 而形状正是你实际决策的对象。
该形状的第一个地标是其期望值（EV）：即收益的概率加权平均值。
EV = sum of p_i x_i
其中每个 $x_i$ 代表收益，每个 $p_i$ 代表其概率。可以将其类比为物理学：在数轴上，于位置 $x_i$ 处放置质量为 $p_i$ 的质点。期望值即为质心，即加权收益达到平衡、不会倾斜的唯一平衡点。
概率越大（质量越重），平衡点就越向对应的收益方向移动。然而，即使某个结果极其极端，只要其发生概率极低，对平衡点的影响也微乎其微。期望值并非单次尝试中必然得到的结果，而是所有可能结果构成的“质量中心”。
寻找平衡点
一位街头小贩提供一种免费参与的游戏。
- 60% 的概率赢得 10 美元。
- 40% 的概率损失 5 美元。
将赢视为 +10，输视为 -5。
平衡点并非全貌
相同的中心，不同的形状
质心告诉你收益云在哪里达到平衡。它并未说明结果偏离该平衡点的程度。这种离散程度即为离散度，由方差衡量：收益相对于质心的平均平方距离。
两个选项可以拥有完全相同的期望值，却具有截然不同的形状：
- 选项 A：50% 概率获得 $2，50% 概率获得 $6。EV = 0.5(2) + 0.5(6) = $4。
- 选项 B：50% 概率获得 -$16，50% 概率获得 $24。EV = 0.5(-16) + 0.5(24) = $4。
两者都在 $4 处达到平衡。但选项 A 的结果紧密聚集在中心附近，而选项 B 的结果则向两侧大幅发散。从几何上看，A 是窄形状，B 是宽形状。
对于重复数千次的决策，离散度通常会被抵消，质起主导作用。但对于一次性决策，离散度至关重要：你只能抽取一次，而选项 B 的一次抽取可能落在 -$16。期望值从未承诺平均值会在任何单次尝试中出现。
仅掷一次
你必须选择选项 A 或选项 B，且只能玩一次。没有第二次机会。
- 选项 A：50% 概率获得 $2，50% 概率获得 $6。
- 选项 B：50% 概率损失 $16，50% 概率获得 $24。
两者的期望值（EV）均为 $4。
选择发生翻转的界线
优势如何变为劣势
将你的选项映射到你无法控制的因素上：一个概率、一个价格、一个需求水平。这个未知空间是一个特征空间。在其中，某个选项在某些区域更优，而另一个选项在其他区域更优。分隔这些区域的曲面是决策边界：即两个选项的期望值完全相等的那些点的集合。
在边界的一侧，选择选项一。越过边界，选项二获胜。边界本身是冷漠的刀刃。
这里有一个一维示例。你价值 1,000 美元的自行车可能会被偷。保险公司提供全额保障，保费为 100 美元。
- 不投保：预期成本 = p x 1000，其中 p 为被盗概率。
- 投保：成本 = 100，无论发生什么情况。
边界是使两种预期成本相等的被盗概率 p：p x 1000 = 100。在 p 以下，平均而言自行承担风险更便宜。在 p 以上，购买保险更有利。这个单一数值 p 将整个概率线划分为“不投保”区域和“投保”区域。
求解边界
相同的设定：被盗损失 1,000 美元，全额保障的保费为 100 美元。
不投保的平均成本为 p x 1000。投保的成本固定为 100。
当一个选项在所有方面都胜出时
在每个维度上都更优
有时候你根本不需要概率。将每个选项放入一个空间，其中每个轴代表你关心的属性：价格、电池续航、存储空间。如果一个选项在所有轴上同时优于另一个选项，那么它就支配了该选项。这就是帕累托支配。
被支配的选项永远无法获胜，无论如何对各个轴进行加权，也无论概率如何，因为无论未来如何，支配它的选项在那个维度上已经更好了。你可以不进行任何计算就直接丢弃被支配的选项。
比较两款手机：
- 手机 A：200 美元，12 小时电池续航，128 GB 存储。
- 手机 B：250 美元，10 小时电池续航，64 GB 存储。
手机 A 更便宜，续航更长，且存储容量更大。它在所有三个轴上都胜出，因此 A 支配 B。不需要概率，不需要期望值，也不需要权衡权重：A 就是更好。
支配关系是罕见且珍贵的。大多数现实选择都是权衡：更便宜但更慢，更安全但更小。一旦某个选项在一个轴上胜出而在另一个轴上失利，支配关系就会消失，你又将回到权衡各个轴、分配概率并比较期望值的状态。
识别支配关系
考虑两台笔记本电脑：
- 笔记本 A：$900，8 小时电池续航，1.4 公斤。
- 笔记本 B：$1,100，6 小时电池续航，1.8 公斤。
假设越轻越好，电池续航越长越好。
单点推荐掩盖了整体形态
一个数字并非决策本身
自动推荐系统旨在给出一个点状答案：买这个、走这条路、批准那项。单个选择易于展示，也易于执行。但一个点只是其背后整体形态的投影。它掩盖了你已学会去观察的一切。
专业人士不会止步于那个点。在信任任何推荐之前，他们会重构其背后的几何结构：
- 质心（期望值）：该选择是否在追求最高的期望值？请记住，质心是长期平均值，而非任何单次尝试的结果。
- 离散度（方差）：两个选项可能具有相同的期望值（EV），但风险却天差地别。单点推荐无法说明单个结果可能偏离多远，而这一点对于一次性决策至关重要。
- 边界：该决策距离翻转有多近？如果输入值位于决策边界附近，估计中的微小误差就可能导致正确选择的反转，& 看似自信的选项实际上可能很脆弱。
同时看到质心、离散度 & 边界，就是看到了完整的收益几何结构。推荐只是一个坐标；专业人士想要的是地图。
解读推荐背后的信息
一个自动化工具研究你的选项并打印出一行字：“推荐选择：选项 3。”
它没有显示分布、风险区间，也没有敏感性分析。
决策的几何学：总结
你学到了什么
不确定性下的决策是一种形状，由四个标志点来描述：
- 期望值是质心：EV = sum of p_i x_i，即按概率加权的收益平衡点。较大的概率会将平衡点拉向对应的收益。
- 风险是分散的：方差衡量结果偏离质心的程度。两个选项可能拥有相同的期望值（EV），但风险不同，对于一次性决策而言，更宽的分布可能意味着更糟糕的后果。
- 决策边界是翻转线：即两个选项期望值相等的点的集合。跨越这条线会反转更优的选择，且靠近边界的决策是脆弱的。
- 优势无需概率：如果一个选项在每个维度上都胜出，它就具有优势，你可以直接选择它，完全不需要权重或期望值。
自动化系统给你一个点。专业人士看到的是整体几何结构：质心、分布与边界，三者结合。建议是一个坐标；智慧则是解读它来源的那张地图。