讀完這章你要能回答：面對一個不確定的決策，我能不能把它拆成「機率 × 後果」算出一個數，而不是憑感覺拍板？
風險管理那一章談的是「辨識與應對」風險；這一章談的是把風險算出來——當資訊不全時，仍能用結構化的方法做出可辯護的選擇。
期望值：機率 × 後果的加總#
最基本的工具是期望值（Expected Value）：把每個可能結果的數值，依其發生機率加權後相加。
$$ E[X] = \sum_{i} p_i , x_i $$
其中 $p_i$ 是第 $i$ 種結果的機率（且 $\sum p_i = 1$），$x_i$ 是該結果的數值（收益為正、損失為負）。
期望值幫你跳出「最好情況/最壞情況」的二元爭論，逼自己同時面對「多大機率、多大後果」兩件事。
小例子：要不要花 100 萬做一個新功能？
- 60% 機率成功，帶來 300 萬收益 → $0.6 \times 300 = 180$
- 40% 機率失敗，收益為 0 → $0.4 \times 0 = 0$
$$ E[X] = 180 + 0 = 180 \text{（萬）} $$
期望收益 180 萬 > 成本 100 萬，從期望值看值得做。但別忘了：期望值是「長期多次重複的平均」，對只賭一次、且輸了會傷筋動骨的決策，還要看下面的情境與敏感度分析。
決策樹：把選擇與機率畫出來#
當決策有多個階段、每個階段又分岔，用決策樹把它畫出來。約定俗成：
- 方框 □ 代表「決策節點」——由你選的分岔。
- 圓圈 ○ 代表「機率節點」——由運氣決定的分岔，各枝標上機率。
flowchart LR
D{{"□ 要不要自研？"}}
D -->|自研| C1(("○ 結果"))
D -->|採購| C2(("○ 結果"))
C1 -->|成功 60%| R1["收益 +300"]
C1 -->|失敗 40%| R2["收益 0"]
C2 -->|順利 80%| R3["收益 +120"]
C2 -->|踩坑 20%| R4["收益 +40"]算法是從右往左回算：先算每個圓圈節點的期望值，再在方框節點選期望值較高的那條路。
- 自研：$0.6 \times 300 + 0.4 \times 0 = 180$
- 採購：$0.8 \times 120 + 0.2 \times 40 = 96 + 8 = 104$
期望值上自研（180）勝過採購（104）。但若自研失敗的代價遠不只「收益 0」（例如拖垮主線、團隊流失），就要把那些後果也計入 $x_i$ 再重算。
情境分析：壓力測試 3–4 個分歧的未來#
期望值與決策樹需要機率與數字，而這些往往本身就不確定。情境分析不去猜單一未來，而是構造 3–4 個彼此分歧、但都合理的未來，看你的決策在每個未來裡撐不撐得住：
- 例如：樂觀（市場大爆發）、基準（穩定成長）、悲觀（需求萎縮）、黑天鵝（顛覆性對手出現）。
- 對每個情境，問：這個決策還成立嗎？哪個情境會讓它崩？我能不能加個保險，讓它在多數情境下都不至於太糟？
好的戰略往往不是「在最可能的情境下最優」，而是「在多數情境下都不會死」。
成本效益與敏感度分析#
對需要投資的決策，做成本效益分析：把未來的收益與成本折現到現在比較。但折現率（discount rate）的選擇會大幅影響結論，所以一定要配上敏感度分析——讓關鍵假設在合理區間內變動，看結論會不會翻盤。
敏感度分析的核心問句：「折現率從 4% 變到 8%，我的結論還成立嗎？」 如果一個小幅、合理的假設變動就讓結論反轉，代表這個決策很脆弱，需要更多資訊或更保守的承諾，而不是直接拍板。
同理也可對其他關鍵假設做敏感度測試：成功機率從 60% 掉到 45% 還划算嗎？收益少 30% 還划算嗎？凡是「結論禁不起小幅變動」的決策，都該打個問號。
本章要點#
- 期望值 $E[X]=\sum p_i x_i$：同時面對機率與後果，跳出最好/最壞的二元爭論。
- 期望值是長期平均：對「只賭一次且輸不起」的決策要特別小心。
- 決策樹從右往左回算：方框是你選的、圓圈是運氣決定的；先算機率節點期望值，再在決策節點擇優。
- 情境分析求穩健：構造 3–4 個分歧未來，挑「多數情境都不會死」的方案。
- 敏感度分析測脆弱度：關鍵假設（如折現率 4%–8%）小幅變動，結論若反轉就別急著拍板。