数学思维模型

从概率到因果推断——芒格多元思维模型的数学根基

---

数学不是公式和计算，而是量化思考。芒格说：“你必须知道重要学科的重要理论，并经常使用它们。“数学是几乎所有学科的基础语言——概率论帮你理解不确定性，优化理论帮你找到最优解，信息论帮你衡量知识的价值。这些模型帮你把模糊的直觉变成可衡量的判断。

每节课约 20–25 分钟，包含 3 道测验题（单选 + 案例 + 反事实）。

---

学习路径

第一阶段：基础数学工具（0001–0012）  ← 必修，建立直觉
    ↓
第二阶段：决策量化（0013–0016）      ← 把直觉变成数字
    ↓
第三阶段：不确定性（0017–0021）      ← 理解随机性，不被数据骗
    ↓
第四阶段：结构思维（0022–0024）      ← 用图和状态机理解复杂系统
    ↓
第五阶段：高级统计（0025–0027）      ← 从数据中挖更深层的模式
    ↓
第六阶段：因果与优化（0028–0030）    ← 从相关到因果，从被动到主动

建议：先完成第一阶段全部 12 节，建立概率和统计的直觉。后续阶段可以按兴趣跳读，但第三阶段（不确定性）强烈建议在第二阶段之后完成。

---

课程目录

第一阶段：基础数学工具（0001–0012）

#	课名	核心概念
0001	概率论基础：从直觉到公式	先验概率、后验概率、期望值、贝叶斯更新
0002	统计学基础：均值、方差与正态分布	均值回归、正态分布、标准差、大数定律
0003	排列组合：可能性的计算	排列 vs 组合、乘法定理、数量级感
0004	复利与指数增长：时间的价值	指数增长、72法则、正复利与负复利
0005	决策树：在不确定性中选择	期望值回溯、决策节点 vs 概率节点、信息价值
0006	机会成本：看不见的代价	稀缺性、隐藏成本、次优即损失
0007	盈亏不对称性：风险的不对称结构	不对称结构、下行风险优先、尾部风险
0008	条件概率与贝叶斯定理	条件概率、联合概率、贝叶斯公式
0009	均值回归与大数定律	均值回归陷阱、样本量的重要性、辛普森悖论
0010	全概率公式与贝叶斯更新	全概率公式、连续贝叶斯更新、先验选择
0011	排列组合进阶：容斥原理	容斥原理、概率计算、避免重复计数
0012	连续复利与年金	连续复利公式、年金、折现因子

第二阶段：决策量化（0013–0016）

#	课名	核心概念
0013	决策矩阵：多维度量化选择	加权评分、多准则决策、敏感性分析
0014	期望值与机会成本	期望值计算、机会成本量化、风险调整
0015	决策树：将复杂决策分解为概率分支	多阶段决策树、EMV计算、信息价值
0016	净现值与投资回报率	NPV、IRR、ROI、折现现金流

第三阶段：不确定性（0017–0021）

#	课名	核心概念
0017	蒙特卡洛模拟：用随机数理解不确定性	随机模拟、分布抽样、置信区间
0018	贝叶斯思维：从数据中更新信念	贝叶斯更新实战、先验选择、后验分布
0019	假设检验：用数据验证产品假设	p值、功效分析、A/B测试设计
0020	相关性与因果性：数据不会说谎，但会误导	相关≠因果、混杂变量、Simpson悖论
0021	概率分布：用数学描述不确定性	二项分布、泊松分布、正态分布、肥尾

第四阶段：结构思维（0022–0024）

#	课名	核心概念
0022	排列组合：从可能性中找到最优解	组合优化、约束条件、搜索空间剪枝
0023	图论基础：用网络思维理解产品	节点与边、最短路径、网络流、社交图谱
0024	马尔可夫链：用概率预测用户行为	状态转移、稳态分布、用户状态建模

第五阶段：高级统计（0025–0027）

#	课名	核心概念
0025	蒙特卡洛方法进阶：MCMC 与贝叶斯推断	MCMC采样、Gibbs采样、后验分布近似
0026	层次模型：用数据分层处理不同群体	多层次数据、随机效应、分群分析
0027	时间序列分析：从历史数据预测未来	趋势、季节性、自相关、ARIMA

第六阶段：因果与优化（0028–0030）

#	课名	核心概念
0028	因果推断：从观察数据中找因果关系	因果图、工具变量、双重差分、断点回归
0029	贝叶斯优化：用最少的实验找到最优参数	高斯过程、采集函数、超参数调优
0030	多臂老虎机：探索与利用的最优平衡	Epsilon-Greedy、UCB、Thompson采样

结语

#	课名
0031	数学思维模型：结语

---

芒格式视角

查理·芒格说：“你必须知道重要学科的重要理论，并经常使用它们——全部都用上，而不是只用几种。”

这门课的设计逻辑就是芒格的多元思维模型：

• 概率论 + 统计学 → 理解不确定性（不要被随机性欺骗）
• 决策树 + 期望值 → 把直觉变成数字（做可量化的决策）
• 贝叶斯思维 → 持续更新信念（不固执己见）
• 图论 + 马尔可夫链 → 理解复杂系统（看到结构而非表象）
• 因果推断 → 从”相关”到”因果”（找到真正的杠杆点）
• 贝叶斯优化 + 多臂老虎机 → 在探索与利用之间平衡（最优资源分配）

数学不是为了算题，而是为了在不确定性中做出更好的决策——这是芒格思维模型网格中最底层的支柱。