统计学
🧮 数学与计算机共 14 节 · 免费预览 -8 节
0. 速览 Quick Facts
| 项目 | 内容 |
|---|---|
| 学位类型 | BS（理科） / BA（文理） |
| 常见学制 | 4 年 |
| 学科本质 | 研究数据的收集、分析、推断与预测的科学 |
| 适合学生 | 数学扎实、喜欢用数据回答问题、希望本科毕业就能就业 |
| 本科毕业直接就业 | 多（科技公司、金融、医药、市场研究都招统计 BS） |
| 研究生方向宽度 | ⭐⭐⭐⭐⭐（数据时代几乎每个行业都需要统计） |
| 国际学校推荐课程 | AP Calculus BC、AP Statistics、AP Computer Science A |
| 代表性强校（美） | Stanford、Berkeley、Harvard、Chicago、CMU |
| 代表职业 | 数据科学家、生物统计师、风险分析师、用户研究分析师 |
| 美本起薪（BS 统计） | 约 $65K–$95K（PayScale） |
| 研究生后起薪（生物统计 MS） | 约 $90K–$130K（药企 / 医院） |
1. 专业定义与本质
1.1 统计学是什么？
统计学是研究如何收集、分析、解释数据，并从数据中做出推断与决策的科学。
统计学可分为两大类：
| 大类 | 内容 | 特点 |
|---|---|---|
| 理论统计 Theoretical Statistics | 概率论、统计推断、渐近理论 | 关注方法背后的数学基础 |
| 应用统计 Applied Statistics | 生物统计、金融统计、官方统计、因果推断 | 解决具体领域的问题 |
1.2 统计学不是什么？
| 误解 | 实际 |
|---|---|
| ❌ "统计就是算平均数" | ✅ 现代统计核心是推断、因果、建模，描述统计只是入门 |
| ❌ "统计 = 数学的一个小分支" | ✅ 统计有自己独立的方法论：数据驱动、模型假设、不确定性度量 |
| ❌ "AI 时代统计被机器学习取代" | ✅ ML 的基础几乎全是统计（贝叶斯、回归、偏差-方差），统计学家在 AI 公司是核心岗 |
| ❌ "统计毕业只能去算账" | ✅ 科技、医药、金融、政策、体育——所有需要"用数据决策"的领域 |
1.3 学科本质
统计学培养的核心能力是：
- 不确定性思维：用概率和置信区间量化"不确定"
- 建模能力：把现实问题抽象为统计模型（回归、时间序列、贝叶斯）
- 推断能力：从样本推断总体，并知道何时推断不可靠
- 因果思维：区分"相关"与"因果"，用实验设计或观察数据回答"为什么"
- 数据沟通：把分析结果讲给非技术听众
统计 vs 数学的本质差异：数学用证明建立结构，统计用数据回答问题。统计学家接受"结论永远带有不确定性"，而数学家追求"确定的真理"。
2. 学科发展简史
| 时期 | 事件 |
|---|---|
| 17 世纪 | 帕斯卡、费马创立概率论（赌博问题） |
| 18-19 世纪 | 高斯提出最小二乘法、正态分布；凯特勒将统计用于社会科学 |
| 20 世纪初 | 高尔顿、皮尔逊、费舍尔（R.A. Fisher）奠基现代统计推断——假设检验、方差分析、极大似然 |
| 20 世纪中 | 奈曼（Neyman）& 皮尔逊（E.S. Pearson）提出假设检验理论；瓦尔德（Wald）发明序贯分析 |
| 20 世纪中后 | 贝叶斯学派复兴（de Finetti、Savage、Lindley）；非参数统计、稳健统计发展 |
| 20 世纪末 | 因果推断（Rubin Causal Model、Pearl 的因果图）；Efron 发明 Bootstrap |
| 21 世纪 | 大数据 + 机器学习驱动统计变革；高维统计、因果推断、贝叶斯计算成为热门 |
当下的特殊机遇：AI / 大数据时代，统计学家是算法伦理、A/B 测试、可信 AI 的核心力量——科技公司、药企、政策部门都在抢统计人才。