Appearance
引言：决策是一门数学
人生的所有重大选择——投资、跳槽、创业、产品方向——本质上都是在不确定性中下注。我们无法消除不确定性，但可以用数学工具把它量化、结构化、穷举化，从而把"凭感觉拍板"升级为"算清楚再决策"。
这套工具有三件套，环环相扣：
- 概率与期望值：用数字表达"有多大可能"和"长期平均能得到多少"——这是决策的度量衡。
- 决策树：把多步骤、多分支的复杂决策画成一张图，让所有选项和后果一目了然——这是决策的结构化工具。
- 排列组合：在做选择前，先算清楚到底有多少种可能——这是决策的穷举工具。
下面依次展开。
一、概率与期望值：决策的度量衡
1.1 两个基本概念
概率是事件发生的可能性，取值在 0 到 1 之间。
| 概率值 | 含义 |
|---|---|
| 0 | 不可能发生 |
| 0.5 | 50% 的可能性 |
| 1 | 必然发生 |
期望值是长期反复下注后的平均收益。它是把每个可能结果的收益，按其发生概率加权求和：
期望值 = Σ(结果 × 概率)期望值的意义在于：它告诉你"如果这个决策做一万次，平均每次能得到多少"。单次的输赢是运气，长期的期望值才是实力。
1.2 用期望值做决策：三个例子
例子 1：投资决策
方案A：70% 概率赚 10 万，30% 概率亏 2 万
期望值 = 0.7×10 + 0.3×(-2) = 7 - 0.6 = 6.4 万
方案B：50% 概率赚 8 万，50% 概率亏 1 万
期望值 = 0.5×8 + 0.5×(-1) = 4 - 0.5 = 3.5 万
✓ 选择方案A（期望值更高）例子 2：求职选择
大厂offer：80% 概率稳定发展年薪 40 万，20% 概率被裁收入 0
期望值 = 0.8×40 + 0.2×0 = 32 万
创业公司：30% 概率成功年薪 80 万，70% 概率失败年薪 20 万
期望值 = 0.3×80 + 0.7×20 = 24 + 14 = 38 万
✓ 按期望值，创业公司更优——前提是概率估得准例子 3：产品上线节奏
快速上线：60% 概率成功收益 100 万，40% 概率失败损失 20 万
期望值 = 0.6×100 + 0.4×(-20) = 60 - 8 = 52 万
充分测试后上线：90% 概率成功收益 80 万，10% 概率失败损失 5 万
期望值 = 0.9×80 + 0.1×(-5) = 72 - 0.5 = 71.5 万
✓ 充分测试策略更优三个例子的共同点：直觉常常会选错，算一遍期望值就清楚了。
1.3 常见误区
| 误区 | 正确理解 |
|---|---|
| 赌徒谬误 | 前一次结果不影响下一次概率，硬币连出 5 次正面，第 6 次仍是 50% |
| 忽视基础概率 | 要先考虑事件本身在总体中发生的概率，再看个例 |
| 过度自信 | 人们普遍高估自己成功的概率，对自己的方案打个折 |
1.4 进阶：从静态概率到贝叶斯更新
上面用的概率都是"一次性估好、不再改变"的静态概率。但现实中，每当出现新证据，我们就应该更新对概率的判断——这就是概率认知的进阶形态：贝叶斯更新（基于先验 + 新信息持续迭代认知）。它把概率思维从一次性计算，升级为一套动态学习机制。本文不展开，权威讲解见 世界观三大基石。
二、决策树：复杂决策的结构化工具
当决策只有一步、两三个选项时，直接算期望值就够了。但现实决策往往是多步骤、多分支的：选了 A 之后还要再选，每一步又有不同结果。这时需要把决策画成一棵树。
2.1 决策树的结构
决策点
/ \
选择A 选择B
| |
结果1 结果2
(概率50%) (概率50%)
收益10万 收益5万四个组成要素：
- 决策节点（方框）：你主动做的选择。
- 机会节点（圆圈）：不由你控制的、不确定的结果。
- 分支：每个节点引出的选项或结果。
- 概率与收益：每个结果发生的可能性，以及对应的价值。
2.2 决策树实战：三个例子
例子 1：要不要创业
要不要创业？
/ \
创业 不创业
/ \ |
成功(30%) 失败(70%) 上班
| | |
年入100万 年入10万 年入40万
创业期望值 = 0.3×100 + 0.7×10 = 37 万
不创业 = 40 万
理性选择：不创业——但要考虑成就感等非货币因素例子 2：产品方向选择
新产品方向
/ \
ToB方向 ToC方向
/ \ / \
成功(40%) 失败 成功(20%) 失败
| | | |
1000万 -100万 5000万 -200万
ToB期望值 = 0.4×1000 + 0.6×(-100) = 340 万
ToC期望值 = 0.2×5000 + 0.8×(-200) = 840 万
期望值 ToC 更高——但风险也更大例子 3：30 岁的职业发展
现在30岁，如何发展？
/ | \
深耕技术 转管理 创业
/ \ / \ / \
成功 失败 成功 失败 成功 失败
80万 50万 100万 40万 500万 20万
需要评估：各路径成功概率、个人能力匹配度、风险承受能力2.3 使用步骤
1. 列出选项 → 所有可能的选择
↓
2. 画出分支 → 每个选择的可能结果
↓
3. 标注概率 → 每个结果的发生概率
↓
4. 计算期望值 → 结合概率算出每条路径的收益
↓
5. 做出决策 → 选择期望值最高、且自己能承受风险的路径2.4 注意事项
| 注意点 | 说明 |
|---|---|
| 概率估计要准确 | 垃圾进，垃圾出——概率拍脑袋，结论就不可信 |
| 考虑非货币因素 | 期望值只算钱，但成就感、健康、家庭同样重要 |
| 量入为出 | 期望值最高不代表适合你，要匹配自己的风险承受能力 |
| 动态调整 | 情况变化时，重画决策树、重新评估 |
三、排列组合：决策前先穷举可能性
决策树帮你结构化已知的选项，但你怎么确定"选项列全了"？这正是排列组合的作用——在做选择前，先算清楚选择空间到底有多大。
3.1 排列与组合的区别
排列讲究顺序。A、B、C 三人排队：
排法数 = 3 × 2 × 1 = 6 种
ABC、ACB、BAC、BCA、CAB、CBA组合不讲顺序。A、B、C 三人里选 2 个：
选法数 = 3 种
AB、AC、BC（AB 和 BA 视为同一种）| 排列 | 组合 | |
|---|---|---|
| 顺序 | 重要 | 不重要 |
| 例子 | 密码、排名 | 选人、配菜 |
| 公式 | P(n,r) = n!/(n-r)! | C(n,r) = n!/[r!(n-r)!] |
3.2 排列组合实战：三个例子
例子 1：职业选择的全貌
行业：3 个（科技、金融、制造）
职位：4 个（技术、销售、管理、运营）
地点：5 个城市
总可能性 = 3 × 4 × 5 = 60 种组合启示：做选择前，先算清楚到底有多少种可能，避免一上来就钻进某一个选项。
例子 2：密码安全
4 位数字密码：10^4 = 10,000 种可能
6 位数字密码：10^6 = 1,000,000 种可能
只增加 2 位，安全性提升 100 倍例子 3：投资组合
有 10 只股票，选 3 只构建组合
组合数 = C(10,3) = 120 种
系统评估全部 120 种，才能找到最优组合3.3 排列组合的核心启示
| 启示 | 说明 |
|---|---|
| 全面思考 | 系统化列举，不遗漏任何可能性 |
| 量化选择空间 | 用数字衡量"我到底在多大的范围里做选择" |
| 避免盲点 | 决策树的分支是否画全了？先用排列组合检查 |
四、三件套如何协同
这三个工具不是孤立的，它们构成一条完整的决策流水线：
排列组合 → 穷举所有可能的选项，确保不遗漏
↓
决策树 → 把选项及其后续分支结构化成一张图
↓
概率/期望值 → 给每条路径标概率、算期望值，量化对比
↓
= 一个算清楚的理性决策先用排列组合确认选择空间的全貌，再用决策树把复杂决策画成结构，最后用概率与期望值量化每条路径——决策就从"凭感觉"变成了"看得见、算得出"。而当新证据出现时，再用贝叶斯思维持续更新概率（见 世界观三大基石），整个决策系统就活了起来。
五、应用场景汇总
| 场景 | 排列组合 | 决策树 | 概率/期望值 |
|---|---|---|---|
| 投资决策 | 列举可选标的组合 | 分析多步投资方案 | 计算预期收益 |
| 职业规划 | 穷举行业×职位×地点 | 比较不同职业路径 | 量化各路径收益 |
| 产品迭代 | 功能组合的可能性 | 评估迭代方向风险 | 评估功能优先级 |
| 风险管理 | 计算不同情况的数量 | 提前识别潜在风险 | 量化风险大小 |
一句话总结：先用排列组合看清所有可能，再用决策树理清结构，最后用概率和期望值量化比较——单次输赢不重要，长期期望值为正才重要。