学习路径
Learning paths
路径是一种建议顺序，不是必须一次读完的课程。先完成一个小例子，再回到定义与证明；遇到陌生符号可查希腊字母发音表。
09 把数据看清楚
从一行记录的含义出发，按比较、构成、分布、关系和变化选择图形；重算图中数值，再讨论哪些结论需要更多证据。
统计图 → 条形图与扇形统计图 → 直方图与箱线图 → 散点图与折线图 → 统计推断10 给随机现象建立分布模型
先分清单点质量、密度面积和累计概率。计数可沿二项到泊松学习，等待可比较几何、指数与均匀，测量及均值推断可比较正态与 t。
概率 → 概率分布 → 二项分布与几何分布 → 泊松分布与指数分布 → 均匀分布与正态分布 → 学生t分布 → 统计推断11 从一步更新到相互作用
先手算水量的逐月变化，用平衡点和误差递推判断长期行为；再把两个物种的相互作用写成连续方程，比较时间曲线、相图与数值误差。
线性代数 → 差分方程模型 → 微分方程 → 洛吉斯蒂模型 → 捕食者-猎物模型12 从有限对象练习证明
从后继和归纳建立自然数的规则，用余数分类寻找必然重复，再用非负平方证明向量内积的界。逐次指出归纳、计数和取最小值各自解决了哪一步。
逻辑 → 皮亚诺公理 → 组合数学 → 抽屉原理 → 向量空间 → 柯西不等式带着同一个问题往下学
在“变化与演化”这条路上，可以始终追问一杯热水怎样冷却。导数描述某一时刻的降温速度；微分方程把速度与温差联系起来；一阶线性微分方程求出随时间变化的温度；数值积分则说明，在没有简单原函数时如何计算累积量。每向前一步，写下新增的假设和已经会求的量。
在“线性与模型”这条路上，先在矩阵中认识一组数怎样把输入变成输出，再到向量空间与线性代数理解哪些输出能达到。最小二乘法把这个问题改为：观测值达不到时，怎样找到最接近的输出？它与数学建模使用同一组水位数据；后者再用未参与拟合的数据检验模型。
在“不确定性”这条路上，从十次硬币投掷出发。组合数学数出各种次序，概率给这些结果分配权重，期望描述重复试验的平均结果。读到统计推断，再反过来问：只有投掷结果时，对未知概率能作出多强的判断？用交互图分别改变样本量和真实概率，检查自己的判断是否混淆了数据与假设。
在“形状与空间”这条路上，先用环面的粘边图追踪一条线越过边界后去了哪里，再在三维模型上找到同一条环路。接着读拓扑空间与连续映射，解释哪些变化保留连接方式、哪些结论仍需要证明。转动模型能帮助观察，不能替代对所有路径或所有开集的论证。 在“把数据看清楚”这条路上，先用统计图中的四十名参加者，比较“哪类人多”与“各类占多少”的区别。再记录每人的用时，思考直方图如何保留分布形状、箱线图又省略了哪些细节。需要研究路程与用时的关系时，先保留每个人的成对数据，再读散点图；观测同一对象随时间的变化时则读折线图。不要把类别、数值区间与时间顺序混为一谈。
在“分布模型”这条路上，先固定五次发送，计算成功次数，再改为一直发送到首次成功，观察变量为何从二项分布改成几何分布。对稳定到达的请求，同一个过程可用泊松分布描述次数，用指数分布描述等待。最后转向测量：正态分布中的总体标准差与学生t分布中用样本估计的标准差各承担什么角色？每次换模型，都把对象、单位和条件重新写一遍。
在“线性与模型”这条路的后半段，线性模型继续使用相同水位数据，区分平均响应的置信区间和新读数的预测区间。正态分布解释独立高斯误差怎样连接到平方误差，贝叶斯定理则用后验密度说明数据如何改变对未知参数的判断。先辨认自己要估计的是哪一个量，再决定怎样解释图与区间。
阅读时怎样检查自己理解了
能用自己的话解释定义，并说明一个正例与反例；能重算一个完整算例，指出每一步用了什么前提；能区分定义、定理、模型假设与历史事实。遇到生疏符号可沿先修链接补充知识，再回到例题尝试独立完成下一步。
想了解本站如何展开和核验文章，可读帮助:词条写作标准。