查看“︁分类:概率与统计”︁的源代码

描述随机现象，并解释数据支持什么结论。

英文名称：Probability and statistics。

== 本领域研究什么 ==
统计图帮助我们观察类别、分布、关系和时间变化；概率模型表达随机机制，期望描述加权平均，贝叶斯定理说明如何条件化，统计推断研究从有限样本向未知量推论时的不确定性。图中出现的现象是分析的起点，需要结合数据来源和模型条件来解释。

== 从哪里开始 ==
想先学会读图，可从[[统计图]]出发，再按手头的问题选择：
* 比较类别人数、金额或其他数量：[[条形图]]；表示共同整体的各部分：[[扇形统计图]]。
* 观察数值在哪些区间集中：[[直方图]]；比较几组数据的中位数和分散程度：[[箱线图]]。
* 研究两个量的成对关系：[[散点图]]；研究随时间或有序坐标的变化：[[折线图]]。

想学习不确定性的数学表达，可以沿 [[概率]] → [[期望]] → [[贝叶斯定理]] → [[统计推断]] 前进。先辨清样本空间与抽样机制，再计算；条件概率、后验概率、置信区间覆盖率和 p 值需要各自的解释。

== 本站核心词条 ==
* [[统计图]]：从原始记录、频数和比例出发，按问题选图。
* [[条形图]]、[[扇形统计图]]：比较数量与描述构成。
* [[直方图]]、[[箱线图]]：区间、密度、分位数与分布信息。
* [[散点图]]、[[折线图]]：配对、相关、时间尺度与插值假设。
* [[概率]]、[[期望]]：随机模型与加权平均。
* [[贝叶斯定理]]、[[统计推断]]：条件化、样本证据与不确定性。

== 与其他分支的联系 ==
[[组合数学]]帮助计算有限等可能模型中的概率；[[积分]]联系连续分布的密度与概率。研究数据中的关系时，[[最小二乘法]]解释拟合直线怎样得到；把模型用于实际问题时，[[数学建模]]要求写清假设、单位和验证方式。进一步阅读可回到[[学科导航]]或[[学习路径]]。

本分类是本站的学习入口，不等同于研究文献的完整细分目录。正文结合具体问题、逐步推导和必要图解，提供定义、算例及参考来源。写作约定见[[帮助:词条写作标准]]。

[[分类:数学]]