数学
Mathematics
数量、结构与概率的形式化工具
共 30 个模型
什么是数学？
数学研究数量、结构、空间和变化的抽象规律，核心问题是「如何用形式化的语言描述和推理世界」。数学不只是计算，更是一种思维方式：抽象、逻辑、证明、建模、概率。数学思维的关键是：把模糊的问题转化为精确的形式，用逻辑推理得出必然结论，用概率处理不确定性，用模型简化复杂世界。理解数学，能让你的思考更严谨、决策更理性、表达更清晰、解决问题更系统。
学习路径
- 1
入门：先读《数学之美》或《什么是数学》，建立对数学的整体认识和兴趣
- 2
基础：复习代数、几何、函数，掌握基本的数学语言和工具
- 3
概率：重点学习概率论和统计学，这是最实用的数学分支
- 4
离散：学习离散数学（集合、逻辑、图论、组合），适合计算机和决策
- 5
微积分：了解微积分的核心思想（极限、导数、积分），理解变化和累积
- 6
应用：将数学思维应用到数据分析、风险评估、决策建模、逻辑推理
数学模型列表
复利
Compounding
利息生利息，增长在时间维度上呈指数级加速——第八大奇迹。关键不是利率多高，而是时间多长和永不中断。
概率思维
Probabilistic Thinking
世界是不确定的，用概率而非「必然/不可能」来估计结果，并据此决策——不追求正确，追求概率上占优。
幸存者偏差
Survivorship Bias
只看到经过筛选后幸存下来的样本，忽略了被淘汰的沉默大多数，从而得出错误结论。
贝叶斯推理
Bayesian Inference
用新证据更新信念：先有初始判断，看到新证据后，按贝叶斯公式更新概率。
正态分布
Normal Distribution
钟形对称的概率分布：大多数数据集中在平均值附近，越往两端越少，是自然界最常见的分布。
贝叶斯更新
Bayesian Updating
新证据出现时，用先验概率 × 证据似然度来理性更新信念，而非全盘推翻或固守。
回归均值（均值回归）
Regression to the Mean
极端表现之后通常会回到平均水平——不是因为你做了什么，而是因为极端值本来就不可持续。
大数定律（大数法则）
Law of Large Numbers
样本量越大，统计结果越接近真实概率——抛 10 次硬币可能 8 次正面，但抛 10000 次会接近 50%。
凯利公式（凯利准则）
Kelly Criterion
在有正期望值的重复赌局中，最优下注比例是 f* = (bp - q)/b——最大化长期财富增长率，同时避免破产。
肥尾效应
Fat Tail Effect
极端事件比正态分布预测的更常见：概率分布的尾部比正态分布更'肥'，黑天鹅频发。
均值回归
Mean Reversion
极端之后会回归平均：表现远超或远低于平均的，后续往往会向平均水平靠拢。
林迪效应
Lindy Effect
越老的东西越长寿：对于不会自然衰老的事物（如书籍、技术、思想），已经存在的时间越长，预期剩余寿命越长。
幂律分布
Power Law Distribution
少数占大多数：分布高度不均，少数个体占据大部分资源，如财富分布、城市规模、网站流量。
小世界网络
Small-World Network
既有局部聚集又有短路径：大多数连接是局部的，少数长连接大幅缩短任意两点的距离。
因果推断
Causal Inference
从数据中推断因果关系：用随机实验、自然实验、匹配等方法，区分相关和因果。
回归分析
Regression Analysis
用变量预测另一个变量：建立自变量和因变量之间的数学关系，用于预测和解释。
聚类分析
Cluster Analysis
把相似的对象分组：无监督学习方法，根据相似度把对象分成不同的簇。
假设检验
Hypothesis Testing
用数据判断假设是否成立：提出原假设和备择假设，用统计量判断是否拒绝原假设。
P值
P-value
观察到当前结果的概率：在原假设成立的条件下，观察到当前或更极端结果的概率，越小越显著。
分形
Fractal
局部与整体自相似：分形物体在不同尺度上具有自相似性，局部放大后看起来像整体。