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
S曲线
S-Curve
增长先慢后快再慢：事物增长通常呈S形——初期缓慢，中期快速，后期趋于饱和。
蚁群算法
Ant Colony Optimization
模拟蚂蚁觅食的优化算法：蚂蚁通过信息素找到最短路径，模拟这个过程解决复杂优化问题。
遗传算法
Genetic Algorithm
模拟生物进化的优化算法：通过选择、交叉、变异操作，在解空间中搜索最优解，适合复杂优化问题。
标准差
Standard Deviation
衡量数据离散程度：数据偏离平均值的平均距离，标准差越大数据越分散，越小越集中。
哥德尔不完备定理
Gödel's Incompleteness Theorems
任何足够强的公理系统都有不可证明的真命题：哥德尔证明了任何包含算术的公理系统，要么不完备要么不一致。
辛普森悖论
Simpson's Paradox
分组趋势与整体趋势相反：在每个分组中都成立的趋势，在合并后可能反转，是数据分析中的经典陷阱。
蒙特卡洛模拟（蒙特卡罗模拟）
Monte Carlo Simulation
当问题太复杂无法精确求解时，用大量随机抽样来估算概率分布——让计算机帮你「试一万次」。
中心极限定理
Central Limit Theorem
无论原始分布是什么形状，大量独立随机变量的和/均值会趋近于正态分布——这是统计推断的基石。
无限猴子定理（无限猴子定律）
Infinite Monkey Theorem
无限只猴子在无限时间内随机敲键盘，几乎必然能敲出莎士比亚全集——小概率事件在无限次重复后必然发生。
72法则
Rule of 72
快速估算复利翻倍时间：用72除以年化收益率，得到资金翻倍大约需要的年数。