分类:概率与统计

描述随机现象，并解释数据支持什么结论。

英文名称：Probability and statistics。

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。

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。

想知道怎样给随机现象选择模型，先读概率分布，弄清概率质量、密度面积和累计概率，再按变量选择：

• 固定试验次数中的成功数：二项分布；直到首次成功的试验次数：几何分布。
• 稳定事件过程在窗口内的次数：泊松分布；等待下一次事件的时间：指数分布。
• 有界区间内等长范围等概率：均匀分布；中心附近的对称测量模型：正态分布。
• 正态总体标准差未知时，样本均值的标准化统计量：学生t分布。

• 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。
• 概率分布：质量、密度、累计函数与模型选择。
• 二项分布、几何分布：重复试验中的计数与等待。
• 泊松分布、指数分布：同一事件过程的次数与间隔。
• 均匀分布、正态分布、学生t分布：区间、测量与带估计误差的均值推断。
• 贝叶斯定理、统计推断：条件化、样本证据与不确定性。

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。