The Freakonomics of math—a math-world superstar unveils the hidden beauty and logic of the world and puts its power in our hands
The math we learn in school can seem like a dull set of rules, laid down by the ancients and not to be questioned. In How Not to Be Wrong, Jordan Ellenberg shows us how terribly limiting this view is: Math isn’t confined to abstract incidents that never occur in real life, but rather touches everything we do—the whole world is shot through with it.
Math allows us to see the hidden structures underneath the messy and chaotic surface of our world. It’s a science of not being wrong, hammered out by centuries of hard work and argument. Armed with the tools of mathematics, we can see through to the true meaning of information we take for granted: How early should you get to the airport? What does “public opinion” really represent? Why do tall parents have shorter children? Who really won Florida in 2000? And how likely are you, really, to develop cancer?
Jordan Ellenberg is a professor of mathematics at the University of Wisconsin-Madison, with a Ph.D. in mathematics from Harvard and an MFA in creative writing from Johns Hopkins. His areas of research specialization are number theory and algebraic geometry. He has written articles on mathematical topics in the New York Times, the Washington Post, Wired, the Wall Street Journal,...
- 本书旨在打破数学枯燥抽象的刻板印象，揭示数学思维在现实生活中的广泛应用。作者通过线性、推理、期望、回归四大板块，深入剖析数据背后的逻辑陷阱，如幸存者偏差、相关性不等于因果性等，帮助读者建立严谨的批判性思维框架，避免被错误信息误导。
- 书中详细讲解了贝叶斯推理、假设检验等统计学核心概念，并批判了滥用P值和零假设显著性检验的学术乱象。作者强调科学推理不能机械化，必须结合先验知识和具体情境，指出单纯依赖统计显著性可能导致荒谬结论，倡导更负责任、更严谨的数据解读方式。
- 作者运用大量生动案例，如二战飞机装甲优化、彩票概率、民意调查偏差等，展示数学如何揭示世界隐藏结构。内容涵盖从基础算术到高级统计的广泛领域，旨在提升公众数学素养，让读者理解数学不仅是计算工具，更是理解复杂世界、做出理性决策的必要思维武器。
- 适合对数学有畏难情绪或认为数学无用的人群。本书通过生活化案例消除数学恐惧，帮助读者重新认识数学价值。即使没有高深数学背景，也能通过阅读理解数学思维如何应用于日常决策，提升逻辑分析能力，纠正生活中的认知偏差和错误观念。
- 适合对统计学、数据分析、科学研究方法感兴趣的读者。书中深入探讨统计谬误、学术不端及正确科研伦理，适合希望提升数据素养、避免被虚假统计误导的普通大众。同时，对于从事数据分析、科研工作的专业人士，书中对统计滥用的批判具有警示意义。
- 适合喜欢科普读物、追求理性思维训练的读者。本书风格类似《魔鬼经济学》，以幽默风趣的方式探讨严肃话题。适合希望拓宽视野、学习如何用数学视角审视社会现象、政策制定及媒体报道的读者，培养独立判断能力和科学精神，拒绝盲从和谣言。
- 本书并非传统数学教材，不涉及复杂公式推导，重点在于思维方式的转变。阅读时无需纠结于具体计算过程，应专注于理解作者如何通过数学逻辑揭示问题本质。若遇到难以理解的统计概念，建议跳过细节，把握其核心警示意义，避免陷入技术细节而丧失阅读兴趣。
- 书中部分内容涉及专业统计学术语和学术争议，如P值滥用、贝叶斯学派与频率学派之争。读者需保持开放心态，理解作者批判的是统计方法的误用而非数学本身。若对某些案例背景不熟悉，可结合网络资源补充知识，但切勿因个别章节晦涩而放弃全书，整体阅读体验仍具启发性。
- 请注意区分书中幽默调侃与严肃论证。作者虽使用轻松笔调，但核心观点严谨。读者应警惕将书中观点简单化或断章取义。同时，书中对某些学术现象的批评可能引发争议，读者应保持独立思考，结合其他资料验证观点，避免形成新的偏见，理性看待统计学的局限性。
- 读者普遍认为本书成功打破了数学枯燥乏味的印象，以生动案例展示了数学思维的魅力。尽管部分读者批评书名营销味浓、内容浅显或偏向统计，但多数认可其科普价值。书中对数据陷阱的揭示令人警醒，有助于提升公众理性思维能力，是一本值得推荐的数学思维启蒙读物。
- 部分读者反映书中案例堆砌过多，数学原理讲解不足，导致阅读体验碎片化。有观点认为其内容不如专业统计教材严谨，甚至存在误导。然而，主流评价仍肯定其作为科普作品的价值，认为其降低了数学门槛，让普通人也能接触并理解复杂的统计概念，尽管深度有限，但启发性强。
- 读者共识认为，本书不适合寻求系统数学知识或专业统计技能的人，但非常适合希望提升逻辑批判能力、避免被错误数据欺骗的普通读者。书中对学术不端和统计滥用的揭露引发广泛共鸣，提醒人们在使用和解读数据时需保持谨慎和怀疑态度，这是本书最具价值的贡献。
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
- "大数定律不会对已经发生的情况进行平衡，而是利用新的数据来削弱它的影响力，直至前面的结果从比例上看影响力非常小，可以忽略不计"
- "尽管一些数学课程会要求你完成一道又一道计算题，让你觉得这些机械的计算过程不榨干你的所有耐心与精力就不会罢休，但事实并非如此。学习数学必须计算这些定积分题，就像足球运动员需要接受举重与韧性训练。如果你希望踢好足球(我是指抱着一种认真的态度，达到竞技水平)，就必须接受大量枯燥、重复、看似毫无意义的训练。职业足球运动员在比赛时会用到这些训练内容吗?不会的，我们从未在赛场上看到有足球运动员举杠铃或者在交通锥之间穿梭前行。但是，我们肯定会看到他们应用力量、速度、观察力与柔韧性，而要提高些能力，他们必须常年接受枯燥乏味的训练。可以说，这些训练内容是足球运动的一个组成部分"
- "At the 2009 Organization for Human Brain Mapping conference in San Francisco, UC Santa Barbara neuroscientist Craig Bennett presented a poster called "Neural correlates of interspecies perspective taking in the post-mortem Atlantic Salmon: An argument for multiple comparisons correction." It takes a"
- "因此，在进行政治民意测验时，如果投票入数很少，调查结果就不那么可靠。脑癌的调查也是如此。在人口较少的州，其样本数量比较小，因此，统计结果就会像羸弱的小草一样，一旦概率这股狂风吹过来，它们就会东倒西歪，而那些人口大州就像参天大树，在狂风中傲然挺立。如果统计脑癌致死的绝对人数人口大州的结果就会偏高，但是，如果计算脑癌致死人数的最高比例(计算最低比例的结果也一样)，又会把人口少的州推到靠前的位置。南达科他州是脑癌死亡人数比例最高的州之一，而北达科他州却位于最低的行列，原因就在这里。不是因为拉什莫尔山或者华尔药局会散布某种对大脑有害的毒素，而是因为小数比例天性多变。"
- "2013年，美国心理科学协会宣布，他们愿意发表一种叫作“重复实验报告”的新类型论文。这类报告的目的是通过重复实验验证被广泛引用的研究结果，在处理程序上与普通论文有很大的不同:在研究开始之前，必须就重复实验的结果提出发表申请。如果重复实验的结果支持原发现，就是个好消息;如果两者不一致，那也没关系，照样可以公开发表，让整个学术界都能完整地了解该项研究结果的重复实验情况。另外一个科研项目一一“多实验室计划”( Many Labs project)，旨在通过重复实验验证心理学方面的著名成果。2013年11月，该计划的第一批重复实验结果产生了，在接受重复实验验证的13项研究结果中，有10项验证成功，这让"
- "单纯地依靠零假设显著性检验的做法，严重违背了贝叶斯推理的精神。严格地讲，这种做法会让人认为抗癌药物与巨石阵塑料模型有相同的疗效。费舍尔的统计学会不会因此受到打击呢?事实恰好相反。费舍尔说过:“科研人员不会设一个固定的显著性临界值，然后年复一年，无论情况如何变化，都依据这条红线去推题各种假设。相反，他们会在证据的启示下，结合自己的想法，认真考虑每一个具体案例。”这句话的意思是，科学推理不能(至少不应该)过于机械，推理时必须随时考虑先前的想法与置信度。"
- "对于那些愿意接受概率就是置信度这种观点的人而言，贝叶斯定理不仅可以被看作一个数学方程式，还是一种偏重于数值的规则，它告诉我们如何结合新的观察结果修正我们予事物的置信度。当然，我们可以选择是否遵从这个规则。贝叶斯定理采用了一种新颖且更具一般性的形式，自然会引发更激烈的争议，坚信贝叶斯定理的人认为，对于所有事物，我们至少应该在有限的认知范围内根据严格的贝氏计算法来确定置信度，而其他人则认为贝氏规则更近似于一种宽松的定性指导原则。"
- "If only we could go back in time to the dawn of statistical nomenclature and declare that a result passing Fisher’s test with a p-value of less than 0.05 was “statistically noticeable” or “statistically detectable” instead of “statistically significant”! That would be truer to the meaning of the met"
