决策树实例计算
决策树算法介绍（DOC）
决策树算法介绍（DOC）3.1 分类与决策树概述3.1.1 分类与预测分类是⼀种应⽤⾮常⼴泛的数据挖掘技术，应⽤的例⼦也很多。
例如，根据信⽤卡⽀付历史记录，来判断具备哪些特征的⽤户往往具有良好的信⽤；根据某种病症的诊断记录，来分析哪些药物组合可以带来良好的治疗效果。
这些过程的⼀个共同特点是：根据数据的某些属性，来估计⼀个特定属性的值。
例如在信⽤分析案例中，根据⽤户的“年龄”、“性别”、“收⼊⽔平”、“职业”等属性的值，来估计该⽤户“信⽤度”属性的值应该取“好”还是“差”，在这个例⼦中，所研究的属性“信⽤度”是⼀个离散属性，它的取值是⼀个类别值，这种问题在数据挖掘中被称为分类。
还有⼀种问题，例如根据股市交易的历史数据估计下⼀个交易⽇的⼤盘指数，这⾥所研究的属性“⼤盘指数”是⼀个连续属性，它的取值是⼀个实数。
那么这种问题在数据挖掘中被称为预测。
总之，当估计的属性值是离散值时，这就是分类；当估计的属性值是连续值时，这就是预测。
3.1.2 决策树的基本原理1.构建决策树通过⼀个实际的例⼦，来了解⼀些与决策树有关的基本概念。
表3-1是⼀个数据库表，记载着某银⾏的客户信⽤记录，属性包括“姓名”、“年龄”、“职业”、“⽉薪”、......、“信⽤等级”，每⼀⾏是⼀个客户样本，每⼀列是⼀个属性（字段）。
这⾥把这个表记做数据集D。
银⾏需要解决的问题是，根据数据集D，建⽴⼀个信⽤等级分析模型，并根据这个模型，产⽣⼀系列规则。
当银⾏在未来的某个时刻收到某个客户的贷款申请时，依据这些规则，可以根据该客户的年龄、职业、⽉薪等属性，来预测其信⽤等级，以确定是否提供贷款给该⽤户。
这⾥的信⽤等级分析模型，就可以是⼀棵决策树。
在这个案例中，研究的重点是“信⽤等级”这个属性。
给定⼀个信⽤等级未知的客户，要根据他/她的其他属性来估计“信⽤等级”的值是“优”、“良”还是“差”，也就是说，要把这客户划分到信⽤等级为“优”、“良”、“差”这3个类别的某⼀类别中去。
决策树算法
3
第一节 决策树算法原理
优点： 使用者不需要了解很多背景知识，只要训练事例能用属性 →结论的方式表达出来，就能用该算法学习； 决策树模型效率高，对训练集数据量较大的情况较为适合； 分类模型是树状结构，简单直观，可将到达每个叶结点的 路径转换为IF→THEN形式的规则，易于理解； 决策树方法具有较高的分类精确度。
14
第一节 决策树算法原理
决策树算法的大体框架都是一样的，都采用了贪心（非回 溯的）方法来以自顶向下递归的方式构造决策树。 它首先根据所使用的分裂方法来对训练集递归地划分递归 地建立树的节点，直至满足下面两个条件之一，算法才停 止运行：（ 1）训练数据集中每个子集的记录项全部属于 一类或某一个类占压倒性的多数；（2）生成的树节点通 过某个终止的分裂准则；最后，建立起决策树分类模型。
4
第一节 决策树算法原理
缺点： 不易处理连续数据。数据的属性必须被划分为不同的类别 才能处理，但是并非所有的分类问题都能明确划分成这个 区域类型； 对缺失数据难以处理，这是由于不能对缺失数据产生正确 的分支进而影响了整个决策树的生成； 决策树的过程忽略了数据库属性之间的相关性。
5
第一节 决策树算法原理
21
2.1 ID3算法
属性选择度量 在树的每个节点上使用信息增益（information gain）度量选 择测试属性。这种度量称作属性选择度量或分裂的优良性度 量。 选择具有最高信息增益（或最大信息熵压缩）的属性作为当 前节点的测试属性。该属性使得对结果划分中的样本分类所 需的信息量最小，并反映划分的最小随机性或“不纯性”。 这种信息理论方法使得对一个对象分类所需的期望测试数目 达到最小，并确保找到一棵简单的（但不必是最简单的）树。
决策树实例计算
计算题一1.为生产甲产品，小行星公司设计了两个基本方案：一是建大工厂，二是建小工厂。
如果销路好3年以后考虑扩建。
建大工厂需投资300万元，建小工厂需投资160万元，3年后扩建另需投资140万元扩建后可使用7年，其年度损益值与大工厂相同。
每种自然状态的预测概率及年度损益值如下表：四、计算题（15分）精品文档就在这里各类专业好文档，值得你下载，教育，管理，论文，制度，方案手册，应有尽有581-300=281581大厂287-160447-160=2870、3扩-140不扩2590、970 90、1X 10X 71X 10X 7=701=3X 0、7X 100+616X0、7+3X 0、3X(-20)+0、3X(-140)2=3X 0、7X 40+476X0、7+3X 0、3X 10+0.3X 70=447答：建大厂收益=581-300=281建小厂收益=447-160=287 所以应选择建小厂方案。
山姆公司的生产设备已经落后，需要马上更新。
公司有人认为，目前产品销路增长，应在更新设备的同时扩大再生产的规模。
但也有人认为，市场形势尚难判断，不如先更新设备，3年后再根据形势变化考虑扩大再生产的规模问题。
这样，该公司就面临着两个决策方案。
决策分析的有关资料如下： A 、现在更新设备，需投资35万元，3年后扩大生产规模，另需投资40万元。
B 、现在更新设备的同时扩大再生产的规模，需投资60万元。
0、0、70、I X(-20)X 71、0l X 7X(-20)二1400、1476°、90、9X 100X 76160、9..0、9X 100X 7 \小厂-300616 -1400、70、3 447 0、10、1X(-20)X 70、9X 40X 7-C、现在只更新设备，在销售情况良好时，每年可获利6万元；在销售情况不好时，每年可获利4、5万元。
D、如果现在更新与扩产同时进行，若销售情况好，前3年每年可获利12万元；后7年每年可获利15万元；若销售情况不好，每年只获利3万元。
决策树分析方法
客户流失的预测
总结词
采用决策树分析方法对客户流失进行预测，帮助企业了解可能导致客户流失的关键因素，从而制定相应的客户 保持策略。
详细描述
通过对企业历史数据的深入挖掘和分析，利用决策树算法构建一个客户流失预测模型。该模型可以识别出那些 具有较高流失风险的客户，并为企业提供相应的解决策略，如针对这些客户提供更加个性化的服务和优惠，加 强客户关系维护等。
集成学习方法
深度学习
将决策树与其他机器学习方法集成，如随机 森林、梯度提升等，可以提高预测性能和可 解释性。
利用深度学习技术改进决策树的训练和优化 过程，提高模型的表示能力和预测精度。
特征选择和表示学习
可解释性和透明度
发展更有效的特征选择和表示学习方法，以 更好地捕捉数据中的复杂模式和关系。
研究提高决策树可解释性的方法，如决策树 剪枝、可视化技术等，以满足用户对模型透 明度的需求。
决策树在回归问题中的应用
适用场景
决策树在回归问题中也有广泛应用，如预测房屋售价、股票价格等连续值。
实例
在预测房屋售价场景中，决策树可以通过对房屋属性进行划分，并赋予各个属性 不同的权重，最终得出房屋售价的预测值。
决策树在时间序列预测中的应用
适用场景
决策树可以应用于时间序列预测问题中，如股票价格、气候 预测等。
决策树的计算过程
数据准备
收集和准备需要分析的数据集 ，对数据进行清洗、预处理和 规范化等操作，使其符合决策
树算法的要求。
特征选择
选择与目标变量相关性较高的 特征作为节点，并计算每个特 征的信息增益、基尼指数等指 标，为决策树的建立提供依据
。
树的建立
根据选择出的特征，从根节点 开始，按照一定的顺序将数据 集划分成若干个子集，然后为 每个子集生成新的分支，如此 递归地构建出整个决策树。
系统工程决策树
3.决策树法
（3）决策树法实例——多级决策树
【例10】某公司由于市场需求增加，使得公司决定要扩大公司规 模，供选方案有三种：第一种方案，新建一个大工厂，需投资250 万元；第二种方案，新建一个小工厂，需投资150万元；第三种方 案，新建一个小工厂，2年后若产品销路好再考虑扩建，扩建需追 加120万元，后3年收益与新建大工厂相同． 如下表所示，根据预测该产品前2年畅销和滞销的概率分别为 0.6，0.4．若前2年畅销，则后3年畅销和滞销概率为0.8，0.2； 若前2年滞销，则后3年一定滞销．请对方案做出选择。
解：
E (5(6) [500.1.0]( 3 150] 3 330 [150 8 0. E ) 80 0.8 20 50) ] 32 204 E (7) [ 0.2 330 畅销0.8 E (2) [150 0.6 (50) 0.4] 2 [330 0.6 (150) 150 ] 250 28 0.4
28 畅销0.6 5 -150 滞销0.2 -50
滞销1 E(3) [80 0.6 20 0.4] 2 [204 0.6 60 0.4] 150 108.4 -50 6 大工厂 250 112 1 小工厂 150
2
E (8) [20 1.0] 3 60 滞销0.4
150 畅销0.6 112 4 滞销0.4 210 扩建 210 150 滞销0.2 畅销0.8 滞销0.2 滞销1 -50 80 20 20 120 9 不扩建 204 60 10 12 11
20
E (10) [20 1.0] 3 60
前2年 后3年
比较方案,E(4)最大，则取最大值112，对应的方案是先小后大作 为选定方案，即先建小厂，后扩建大工厂的方案为最终方案。
决策树ppt课件
分类问题背景介绍
分类问题是机器学习中一类重要 的问题，旨在将数据划分为不同
的类别。
在现实世界中，分类问题广泛存 在，如垃圾邮件识别、疾病诊断、
信用评分等。
分类算法的目标是通过学习训练 数据中的特征与类别之间的关系， 从而对新的未知数据进行类别预
测。
决策树在分类问题中优势
直观易理解
决策树在处理缺失值和异常值时容易受到干扰，可能导致模型性能下降。可以通过数据 预处理等方法减少缺失值和异常值对模型的影响。
CART算法实例演示
实例背景
假设有一个关于信用卡欺诈的数据集，包含多个特征（如交 易金额、交易时间、交易地点等）和一个目标变量（是否欺 诈）。我们将使用CART算法构建一个分类模型来预测交易 是否属于欺诈行为。
构建决策树时间较长
C4.5算法在构建决策树时需要计算每 个特征的信息增益比，当数据集较大 或特征较多时，构建决策树的时间可 能会较长。
C4.5算法实例演示
数据集介绍
以经典的鸢尾花数据集为例，该数据集包含150个 样本，每个样本有4个特征（花萼长度、花萼宽度、 花瓣长度、花瓣宽度）和1个标签（鸢尾花的类 别）。
建造年份等特征。
选择合适的决策树算法 （如CART、ID3等），
对数据进行训练。
模型评估与优化
采用均方误差等指标评 估模型性能，通过调整 参数、集成学习等方法
优化模型。
结果展示与解读
展示决策树图形化结果， 解释每个节点含义及预
测逻辑。
08
CATALOGUE
总结与展望
决策树模型总结回顾
模型原理
决策树通过递归方式将数据集划分为若干个子集，每个子 集对应一个决策结果。通过构建树形结构，实现分类或回 归任务。
决策树ID3算法的实例解析
根据票数排名筛选出10大算法 (如果票数相同，则按字母顺序进行排名)
数据挖掘10大算法产生过程
1 2 3 4
三步鉴定流程 18种通过审核的候选算法 算法陈述 数据挖掘10大算法：一览
5
开放式讨论
18种通过审核的候选算法
§分类(Classification)
1. C4.5: Quinlan, J. R. 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc. 2. CART: L. Breiman, J. Friedman, R. Olshen, and C. Stone. Classification and Regression Trees. Wadsworth, Belmont, CA, 1984. 3. K Nearest Neighbours (kNN): Hastie, T. and Tibshirani, R. 1996. Discriminant Adaptive Nearest Neighbor Classification. IEEE Trans. Pattern Anal. Mach. Intell. (TPAMI). 18, 6 (Jun. 1996), 607-616. 4. Naive Bayes Hand, D.J., Yu, K., 2001. Idiot's Bayes: Not So Stupid After All? Internat. Statist. Rev. 69, 385-398.
共有145人参加了ICDM 2006 Panel (会议的专题讨论),并对18种 候选算法进行投票，选出了数据挖掘10大算法
排名 挖掘主题
决策树例题经典案例
决策树例题经典案例决策树是一种常用的机器学习算法，它能够通过构建一棵树来对数据进行分类或者回归预测。
决策树通过对每个样本的特征进行划分，从而逐步构建树结构，最终得到一棵用于分类或者回归的决策树。
下面我们来看一个经典的决策树例题。
假设我们有一个数据集，包含了一些二分类问题的样本，每个样本有两个特征，特征1表示是否有房产（是/否），特征2表示是否有工作（是/否）。
我们的目标是通过这两个特征来预测样本的类别（是/否）。
我们可以根据这个问题构建一个决策树。
首先，我们需要选择一个特征来进行划分。
通常我们选择的划分特征是能够最大程度地将样本分开的特征。
在这个例子中，我们可以选择特征1作为划分特征。
然后，我们将特征1的取值分别为“是”和“否”的样本分成两个子集。
对于特征1取值为“是”的样本，我们可以看到它们的类别都为“是”，所以我们可以将其划分为一个叶子节点，并且将类别设为“是”。
对于特征1取值为“否”的样本，我们需要选择另一个特征来划分。
同样地，我们选择特征2作为划分特征。
对于特征2取值为“是”的样本，我们可以看到它们的类别有一部分为“是”，一部分为“否”，所以我们还需要继续划分。
我们选择特征1作为再次划分的特征。
对于特征2取值为“否”的样本，我们可以看到它们的类别都为“否”，所以我们可以将其划分为一个叶子节点，并且将类别设为“否”。
对于特征2取值为“是”，特征1取值为“否”的样本，我们可以看到它们的类别全部为“否”，所以我们可以将其划分为一个叶子节点，并且将类别设为“否”。
最后，我们得到的决策树如下：特征1是|--- 类别：是特征1否|--- 特征2是| |--- 类别：是||--- 特征2否|--- 类别：否通过这个决策树，我们可以根据样本的特征值来进行预测。
例如，对于一个样本，特征1为“是”，特征2为“否”，按照决策树的规则，我们可以预测该样本的类别为“否”。
决策树是一种直观、易于解释的机器学习算法，它能够根据数据集的特征进行分类或者预测，对于解决一些简单的二分类问题非常有效。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算题一 1.为生产甲产品，小行星公司设计了两个基本方案：一是建大工厂，二是建小工厂。
如果销路好，3年以后考虑扩建。
建大工厂需投资300万元，建小工厂需投资160万元，3年后扩建另需投资140万元。
扩建后可使用7年，其年度损益值与大工厂相同。
每种自然状态的预测概率及年度损益值如下表：前 3 年后 7 年根据上述资料试用决策树法做出决策。
四、计算题（15分）答：建大厂收益=581-300=281建小厂收益=447-160=287所以应选择建小厂方案。
二山姆公司的生产设备已经落后，需要马上更新。
公司有人认为，目前产品销路增长，应在更新设备的同时扩大再生产的规模。
但也有人认为，市场形势尚难判断，不如先更新设备，3年后再根据形势变化考虑扩大再生产的规模问题。
这样，该公司就面临着两个决策方案。
决策分析的有关资料如下：A、现在更新设备，需投资35万元， 3年后扩大生产规模，另需投资40万元。
B、现在更新设备的同时扩大再生产的规模，需投资60万元。
C、现在只更新设备，在销售情况良好时，每年可获利6万元；在销售情况不好时，每年可获利4、5万元。
D、如果现在更新与扩产同时进行，若销售情况好，前3年每年可获利12万元；后7年每年可获利15万元；若销售情况不好，每年只获利3万元。
E、每种自然状态的预测概率如下表前 3 年后 7 年根据上述资料试用决策树法做出决策。
答案：结点7收益值=0、85×7 × 15+0、15 ×7 ×3=92、4（万元）结点8收益值=0、85×7 ×6+0、15 ×7 ×4、5=40、4（万元）结点9收益值=0、1×7 × 15+0、9 ×7 ×3=29、4（万元）结点10收益值=0、1×7 × 6+0、9 ×7 ×4、5=32、6（万元）结点1收益值=0、7×[52、4+（3 × 6）]+0、3 ×[32、6+（3 × 4、5）]=63、1（万元）结点2收益值=0、7×[92、4+（3 × 12）]+0、3 ×[29、4+（3 × 3）]=101、4（万元）答：用决策树法进行决策应选择更新扩产方案，可获得收益41、4万元。
三某厂准备生产Y种新产品，对未来的销售前景预测不准，可能出现高需求、中需求、低需求三种自然状态。
组织有三个方案可供选择：新建一个车间；扩建原有车间；对原有车间的生产线进行局部改造。
三个方案在5年内的经济效益见下表（单位：万元）：0 1请分别用悲观决策法、乐观决策法、最大最小后悔决策法做出决策。
悲观决策法指当存在几种自然状态的情况下，宁可把情况估计得坏一些，从中选择一个收益最大的方案，决策稳妥可靠。
按此准则，在低需求的自然状态下，5年内新建方案亏损160万，扩建方案保本，改造方案获利80万。
改造方案最佳。
乐观决策法：新建E=（0、7X600）+（1-0、7）X（-160）=372（万元）扩建E=（0、7X400）+ （1-0、7）X0=280 （万元）改造E=（0、7X300）+ （1-0、7）X80=234 （万元）比较结果，新建方案最佳。
最大最小后悔决策，是用后悔值计算表进行计算的：后悔值计算表答：扩建方案的后悔值最小，即为最优方案。
四山姆公司生产丁种产品，现有三个方案供选择。
（1）建立新车间大量生产；（2）改造原有车间，达到中等产量；（3）利用原有设备，小批量生产。
市场对该产品的需求情况有如下四种可能：A、需求量很大；B、需求稍好；C、需求较差；D、需求量较小。
根据市场调查和市场预测，各个方案在四种可能需求情况下的利润（单位：元）如下页表所示：请分别用悲观决策法、乐观决策法（设定乐观系数为0、6）和最大最小后悔决策法进行决策。
答案悲观决策法指当存在几种自然状态的情况下，宁可把情况估计得坏一些，从中选择一个收益最大的方案，决策稳妥可靠。
按此准则，应选择方案（3）乐观决策法：（1）0、6X800，000+0、4X（-700，000）=200，000（2）0、6X550，000+0、4X（-240，000）=234，000（3）0、6X310，000+0、4X（-10，000）=182，000最大最小后悔决策法：根据计算乐观决策的结果应选择方案（2）五某公司为满足某地区对某一产品的需求设计了三个方案：第一个方案是新建一个大工厂,需投资320万元；第二个方案是新建一个小工厂,需投资140万元；第三方案是先投资140万元建造一个小工厂,三年以后,如果销路好再考虑扩建，扩建需追加投资200万元,收益与新建大工厂方案相同。
根据预测该产品在前三年销路好的概率为0.7，销路差的概率为0.3。
如果前三年销路好,后七年销路好的概率为0.9,销路差的概率为0.1;如果前三年的铺路差,则后七年的销路必定差。
每个方案的收益如下表所示。
试画出决策树图并做出方案决策。
1、画出决策树图2、计算出每个方案的综合损益期望值。
先算出⑤⑥⑦⑧⑨⑩的期望值:结点⑤= [0.9*160+0.1*(-40 )]*7 =980结点⑥=[1.0*（-40）]*7=-280结点⑦= [0.9 * 80+0.1 * 20]*7 =518结点⑧= (1.0*20)* 7 =140结点⑨= (1.0*20)* 7 =140⑼是决策点,先计算结点11、12的期望值,以确定该不该扩建结点11=[0.9 *160+0.1 * (-40 )]*7-200=780:结点12= [0.9 * 80+0.1 * 20]*7 =518舍去不扩建方案。
⑼=780。
求出三个方案的综合损益期望值。
结点② = [(0.7*160+0.3*(-40) ]*3+[0.7*980+O.3*（-280) ]-320=582(万元)结点③ =[(0.7*80+0.3*20) ]*3+[0.7*518+O.3*140]-140=450.6(万元)结点④=[(0.7*80+0.3*20) ]*3+[0.7*780+O.3*140 ]-140=634((万元)3、比较方案按照综合损益期望值的大小进行评价，则先建小工厂,后扩大工厂方案优于其他方案,可选为决策方案。
六1、某工厂生产的某种产品有三种技术可行方案：大批生产、中批生产和小批生产。
按照市场调查与预测，该产品未来在市场上销售状况（自然状态）可能有四种：很好、较好、较差和很差，但这四种状态发生的概率均不能事先知道。
预测各个可行性方案计划期内在各种自然状态下的损益情况如下表所示：某厂生产在各种自然状态下的损益表：试用最小最大后悔值法进行决策应采取那种方案。
1、（8分）最大最小后悔决策是通过后悔值计算表计算的。
后悔值计算表：通过后悔值计算Array表计算，最大后悔值中的最小后悔值是20，对应的方案是扩建方案，所以，最优方案是扩建方案。
答：用最大最小后悔决策法决策应当选择扩建方案。
2、（7分）根据公式固定成本C1X0 =单位售价P—单位变动成本C2600 000=300 — 150= 4000（双）答：该皮鞋的年保本产量（盈亏平衡点）应为 4000双。
七1 某企业计划生产某种产品，预计单位产品售价为800元，单位变动成本（如材料费、计件工资等）500元，年固定成本（设备折旧、企业管理费、广告费等）600000元，问该产品的年保本产量（盈亏平衡点）应为多少件？（7分）2 某企业准备生产一种新产品，未来的销售情况可能会有三种状态：畅销、稍好、滞销。
现有三种生产方案可供选择：大批生产、中批生产、小批生产，各种方案在各种销售状态下的收益值（万元）如下表：请用最大最小后悔值法，选择你的决策方案（8分）1、根据公式固定成本C1X0 =单位售价P —单位变动成本C2600 000=800 — 500= 2000（件）答：该产品的年保本产量（盈亏平衡点）应为2000件。
2、最大最小后悔决策是通过后悔值计算表计算的。
后悔值计算表：由表、决策方案为最大最小后悔值20所对应的方案是中批生产方案。
答：用最大最小后悔决策法决策应选择中批生产方案。
八1、乐天公司计划年度目标利润30万元，已知报告年度固定成本10万元，单位变动成本60元，销售单价80元，请确定该公司计划年度产量指标（件）？（7分）？2、华美莱公司准备生产甲种新产品，对未来3年市场预测资料如下：企业现在有两个方案可以选择：（1）新建一个新产品生产车间，投资需140万元；（2）扩建原有车间，投资需60万元。
两个方案在不同自然状态下的年收益如下表（单位：万元）：根据上述资料试用决策树法做出决策。
（8分）1、（7分）已知：目标利润PZ=30万元；固定成本C1=10万元；单位变动成本C2=60元；销售单价P=80元解：实现目标利润销售额Y Z =（C1+PZ ）/（1- C2/P ）=（10+30）/（1-60/80）=160（万元） 该公司计划年度产量指标=1600000/80=20000（件） 答：该公司计划年度产量指标为20000件。
2、（8分）根据资料自然状态1=3[（0、3X170）+（0、5X90）]=288自然状态2=3[（0、3X100）+（0、5X50）+0、2X20）]=177答：用决策树法九1某企业准备生产一种新产品，未来的销售情况可能会有三种状态：畅销、平销、滞销。
现有三种生产方案可供选择：新建、扩建、改建，各种方案在各种销售状态下的收益值（万元）如下表：请用最大最小后悔值法，选择你的决策方案1、（8分）最大最小后悔决策是通过后悔值计算表计算的。
后悔值计算表：最大最小后悔值20所对应的方案是扩建方案。
答：运用最大最小后悔值法应选择扩建方案。
2、（7分）已知：目标利润PZ=640万元；固定成本C1=2000万元；单位变动成本C2=1.2万元；销售单价P=1.6万元求：该厂计划年度产量指标（台）？计划年度产量指标=（C1+PZ）/（1- C2/P）=（2000+640）/（1-1、2/1、6-）/1.6=6600（台）答：该厂计划年度产量指标为6600台。
十大华工厂的生产设备已经落后，需要马上更新。
公司有人认为，目前产品销路增长，应在更新设备的同时扩大再生产的规模。
但也有人认为，市场形势尚难判断，不如先更新设备，3年后再根据形势变化考虑扩大再生产的规模问题。
这样，该公司就面临着两个决策方案。
决策分析的有关资料如下：A、现在更新设备，需投资35万元， 3年后扩大生产规模，另需投资40万元。
B、现在更新设备的同时扩大再生产的规模，需投资60万元。
C、现在只更新设备，在销售情况良好时，每年可获利6万元；在销售情况不好时，每年可获利4、5万元。