Modelo de Pensamiento Múltiple 4: Árbol de Decisión - Cómo tomar decisiones ante la incertidumbre.

Por lo tanto, esperamos resolver algunos patrones de pensamiento importantes mencionados por Charlie Munger para ayudar a todos a evitar el pensamiento de "ganar a la gente" y dominar la sabiduría básica y universal. El modelo de árbol de decisión es el cuarto modelo de los modelos de pensamiento múltiple que hemos seleccionado.

Munger dijo: "He trabajado con Buffett durante muchos años. Tiene muchas ventajas, una de las cuales es que puede pensar automáticamente basándose en los principios básicos de la teoría del árbol de decisiones y en la organización de los miembros del equipo".

Fei Los esfuerzos de Ma y Pascal marcaron el nacimiento de la teoría de la probabilidad, que es la base de la teoría de la gestión de riesgos y la toma de decisiones.

Mencioné antes la probabilidad condicional y el teorema de Bayes, que puede ser un poco complicado, pero el principio es muy simple, es decir, "cuando se actualiza la información, la probabilidad de nuestra conclusión también cambia".

Lo que describe la fórmula es: probabilidad inicial & nueva información = nueva probabilidad

Por ejemplo, un ejemplo dado en ese artículo: Supongamos que la probabilidad de que los seres humanos sufran una ciertos tipos de cáncer es del 0,08%, la tecnología más avanzada La precisión de detección de este cáncer es del 99%. Si a Xiao Ming se le detecta este cáncer, ¿cuál es la probabilidad de que desarrolle este cáncer?

La intuición sería que la precisión de detección de este cáncer es del 99%, por lo que la probabilidad de que padezca este cáncer debería ser del 99%.

Pero el enfoque correcto es: 0,08% (probabilidad inicial) y 99% (nueva información). El resultado final es 7,34%, que es muy inferior al 99% intuitivo. El método de cálculo se menciona en el artículo Teorema de Bayes.

Si este ejemplo es difícil de entender, probemos con otro.

Sabemos que la probabilidad de que salga un 3 en el dado es 1/6. En este momento, hay un dato más y el número de puntos es un número impar, por lo que la probabilidad se convierte en 1/3.

Probabilidad inicial & nueva información = nueva probabilidad

(1/6)& (número impar) = 1/3

Supongamos que hay otro para una pieza de información con "pocos" puntos, la probabilidad pasa a ser 1/2.

El método de análisis bayesiano añade nueva información al proceso de razonamiento y toma de decisiones. Este es el "árbol de decisiones" del que hablaremos en este artículo. Los árboles de decisión son herramientas de pensamiento que nos ayudan a tomar decisiones correctas con mayor probabilidad cuando la información está incompleta.

Usar un árbol de decisión es realmente muy simple. Hay tres pasos principales:

1. Dibujar un árbol de decisión (dibujar ramas). varias probabilidades y pérdida de ingresos;

3. Solución inversa (deriva desde el final, confirma el valor de cada rama y luego descubre la elección que debes hacer en cada nodo).

Cuatro funciones de los árboles de decisión:

1. Ayudarnos a elegir la decisión con mayor rentabilidad media.

2. Inferir las predicciones de otras personas sobre la probabilidad de eventos basándose en las elecciones de otras personas.

3. Adivina el valor, o el valor que piensan los demás.

4. Determinar el valor de la información.

Veamos el siguiente ejemplo:

Función 1 del árbol de decisiones: Nos ayuda a elegir la decisión con mayor rentabilidad media.

Caso 1: Árbol de decisión bifurcado.

Supongamos que son las 2 en punto y quieres tomar el tren. Comprarás un billete de 200 yuanes a las 3 en punto, pero hay un 40% de posibilidades de que no tomes el de 400. billete de yuanes a las 4 en punto. ¿Cómo comprar?

Según el método anterior, puedes calcular la expectativa y comprar un boleto de las 3 en punto.

=0.6*200.4*600=360 yuanes, menos de 400, deberías comprar un billete de las tres en punto. ¿Cómo dibujar un árbol de decisión:

? El valor de la posición se puede calcular en 360 yuanes a través de los dos nodos de sucursal. Entonces, si eliges el billete de las 3 en punto, tienes más posibilidades de ahorrar dinero.

Caso 2: Árbol de decisión de bifurcación cuadrática.

Ahora tienes que participar en un concurso con un premio de 5.000 yuanes. Hay dos sesiones: preliminar y final.

En las elecciones primarias, pueden participar 200 personas y la tasa de inscripción es de 20 yuanes.

Diez personas participarán en la final y se necesitarán 40 yuanes para preparar los materiales.

Suponiendo que todos tengan la misma probabilidad, ¿deberías participar en las primarias y finales?

Hay 200 personas en las elecciones primarias, por lo que la probabilidad de participar en las elecciones primarias y entrar a la final = 1/200 = 0,05, y la probabilidad de no entrar es 0,9.

Hay 10 personas en la final, por lo que la probabilidad de ganar en la final es de 0,1 y la ganancia es de 5.000 a 60 yuanes. La probabilidad de no ganar en la final es de 0,9 y la pérdida equivale al doble del coste de 60 yuanes.

Árbol de decisión:

Primero podemos calcular la expectativa de participar en la final: B = 0,1*4940-0,9*60=440, en comparación con perder 20 yuanes, deberíamos participar. en las finales.

Entonces podemos calcular la expectativa de participar en la ronda preliminar: a = 0.05 & 440-0.95*20=3, deberías participar en la ronda preliminar.

Si el número de participantes es mayor, por ejemplo 250, entonces la probabilidad de ganar la ronda preliminar se convierte en 0,04 y el resultado esperado de A se convierte en -1,6. No deberías involucrarte en este momento.

Entonces, la esencia del árbol de decisión es facilitarnos el cálculo del valor esperado, para poder tomar mejores decisiones con una mayor probabilidad. La expectativa es también el concepto más básico e importante en la teoría de la decisión probabilística. Buffett dijo: "La probabilidad de perder se multiplica por la cantidad de pérdida posible, luego la probabilidad de ganar se multiplica por la cantidad de ganancia posible y, finalmente, la primera se resta de la segunda". hacer. El algoritmo no es perfecto, pero es así de simple. "

Función dos del árbol de decisiones: basándose en las elecciones de otras personas, infiere las predicciones de otros sobre la probabilidad de un determinado evento.

Supongamos que una acción requiere una inversión de 2.000 yuanes y un precio esperado. retorno de 50.000 yuanes Supongamos que una persona vota, puede calcular mentalmente la probabilidad de éxito

Supongamos que la probabilidad de éxito de la inversión es P y la probabilidad de fracaso es (1-P). árbol de decisión:

Dado que un inversor ha invertido, al menos cree que la expectativa de inversión debería ser mayor que 0.

Es decir, la inversión esperada a = 50000p-2000 ( 1-p) >: 0

Entonces P > 4%

Entonces los inversores creen que la probabilidad de éxito de la inversión debería ser superior al 4%. Función tres del árbol de decisión: valor adivinado, o el valor que otros piensan.

Este caso es interesante. Puedes adivinar cuánto cree tu novio que vale la pena verte. tu novio tiene un billete de espera para verte, y lo sabe a través de la aerolínea:

1/3 de probabilidad de poder volar

2/3 de no poder; volar

Por si va al aeropuerto, podemos juzgar si vale la pena verte

Supongamos que piensa que el valor de verte es G(niña). , y el coste del viaje es de 300 yuanes

Primero dibuja un árbol de decisión:

Si no va al aeropuerto, se puede considerar que se siente un

p>

a = (1/3)*(V-300)-(2/3)* 300 & gt; 0

V<900 yuanes

Entonces, si él. no va, puedes asumir que no vale 900 yuanes verte

Función 4 del árbol de decisiones: juzgar el valor de la información

Sabemos que la nueva información puede mejorar. la probabilidad de juicio. Si una nueva información puede hacer esto, decimos que la información es valiosa. Este valor se puede calcular.

El valor de la información = la expectativa de obtener información - la expectativa de no recibir información.

Supongamos que ahora compra grande o pequeño, por cada 20 yuanes que apueste, obtendrá 120 yuanes.

Supongamos que ahora alguien puede decirle si la información es par o impar. y el precio es 15 yuanes. ¿Deberías comprar esta información?

Sin expectativa de nueva información: 1/6 )-20 = 0.

Expectativa de obtener nueva información: 120* (1/3) -20 = 20 yuanes.

El valor de esta información: 15 yuanes. Comprar esta información es teóricamente rentable y se puede comprar. en muchos casos, la probabilidad no es tan obvia, por lo que la toma de decisiones correspondiente será más complicada y, muchas veces, es necesario considerar otros factores. El artículo "Conceptos básicos de la probabilidad: expectativas, varianzas y distribución normal" menciona que a veces. No basta con conocer las expectativas, pero utilizar árboles de decisión como referencia para la toma de decisiones es mucho más fiable que confiar en los sentimientos.

Charlie Munger dijo: "No es difícil dominar los principios de permutación y combinación. Lo que es realmente difícil es acostumbrarse a aplicarlos casi todos los días en la vida diaria. Lo mismo ocurre con la decisión". árboles. Los ejemplos anteriores no son difíciles de entender. Lo realmente difícil es acostumbrarse a la aplicación casi todos los días de la vida diaria. Todo el mundo toma muchas decisiones todos los días. Una o dos de ellas, intenta pensar utilizando el método del árbol de decisiones, tal vez puedas abrir un mundo nuevo.

Lectura relacionada:

Modelo de pensamiento múltiple 1: Modelo de interés compuesto: adopción del crecimiento exponencial

Modelo de pensamiento múltiple 2: Sistema Ferma-Pascal: comprensión de la realidad Cómo el mundo funciona

Tres modos de pensamiento múltiples: permutación y combinación: la forma de pensar necesaria para mejorar la calidad de la toma de decisiones