0013 · 决策树与期望值
用可视化方式拆解复杂决策，让概率和结果说话
1
决策树的核心组成部分是？
2
期望值的计算公式是？
3
决策树期望值计算的局限不包括？
4
如果一个决策的期望值为正但下行风险极大，芒格会说？
5
「做 AI 功能：30% 成功赚 $200K，70% 失败亏 $50K」。期望值是多少？
6
「不做 AI 功能：30% 市场流失亏 $50K」——不做这个选择的期望值是多少？
7
决策树最能帮你做什么？
8
以下哪个因素让决策树更不可靠？
9
「只看期望值」是决策树使用的最大陷阱之一，原因是什么？
10
以下哪个是决策树的正确使用方式？
读代码题
R1
R1. 场景：你面临两个方案。方案 A：成功概率 60%，成功收益+$100K，失败概率 40%，失败损失-$20K。方案 B：成功概率 30%，成功收益+$300K，失败概率 70%，失败损失-$100K。
计算期望值并判断哪个更优——同时考虑下行风险。
R2
R2. 场景：你评估一个新功能的期望值。成功的概率你估计为 40%——但你意识到这个概率是纯猜的。用决策树思考时，这个「纯猜的概率」意味着什么？
六、答题提示
展开提示
- Q1 — 决策树由节点、分支和叶子组成
- Q2 — 期望值 = 概率 × 结果的总和
- Q3 — 决策树不适合处理不确定性不是其局限
- Q4 — 芒格提醒关注下行风险
- Q5 — 期望值 = $25K
- Q6 — 不做 = -$15K
- Q7 — 关键价值是显式考虑概率和结果
- Q8 — 概率不准确让树不可靠
- Q9 — 期望值相同但风险分布不同
- Q10 — 同时考虑期望值和下行风险
七、本课行动清单
- 做一个重要决策时，画一个简单的决策树——即使粗略也好过没有
- 下次方案评审时，问「这个决策的期望值怎么算？」
- 计算期望值后额外检查下行风险——如果最坏结果无法接受，不要只看期望值
- 把决策树作为方案文档的标准组件——让判断更透明
八、参考来源
- ③ 学术：Decision Analysis and Expected Utility — Frank Ramsey, Leonard Savage
- ④ 芒格文集：Poor Charlie’s Almanack — 「看下行风险，不要只看期望值」。
- ③ 学术：《Thinking, Fast and Slow》— Kahneman 关于预期理论和决策树的讨论。
下一步：看 Lesson 0014 · 事前验尸