假设一枚硬币抛了一百次，其中六十次朝上的是同一面。有人觉得它有问题，也有人认为这只是一次普通的波动。
这两种判断都可以说得很有把握。真正困难的地方，是怎样说明自己的依据：如果硬币公平，这样的结果有多罕见？抛掷方式是否稳定？换一批观察，比例会怎样变化？
EvoClass 的 MATH003《概率与统计：不确定性科学》是一门大学入门层次课程，当前包含十一个课时，课程说明要求具备一年微积分基础。它把概率模型、随机变量、抽样分布和统计推断连在一起，帮助学习者将“看起来不寻常”变成可以讨论和检验的问题。
判断偶然之前，先说明什么会随机变化
一句“概率是一半”，背后需要一个明确的试验和事件。观察哪一面？怎样抛掷？连续结果之间是否可以视为独立？如果这些条件含混，后续计算就可能回答了另一个问题。
Lesson 1：概率模型基础 从直觉进入样本空间、事件、条件概率与独立性。
课件中的双色卡片问题尤其适合提醒自己：获得一条新信息后，剩下的可能性并不一定仍然等可能。直觉会很快把它们分成几个选项，模型却要求继续追问，每个选项是怎样被观察到的。
这也是概率语言的价值。它让双方先对齐讨论的对象，再比较各自的推理，而不只是在“我觉得”之间来回。
一个样本算出的数字，也会变化
六十次正面，是这一百次试验的结果。若重新做一百次，结果通常不会原样出现。样本比例、样本均值等统计量，也会随着样本改变。
在 Lesson 4：抽样分布与极限定理 中，课程把统计量本身作为随机变量来分析，并讨论大数定律、中心极限定理、误差与样本量。
于是，问题开始从“这次的比例是多少”转向“在这个模型下，这样的比例可能怎样波动”。一个单独的结果，才有了可以比较的背景。
增加样本量往往能减少随机误差，但仍需要检查抽样过程。如果观察对象一直偏向某一类，更多记录也可能只是把偏差重复得更加稳定。
从数据走向结论，需要交代推断的方法
概率模型帮助我们讨论可能出现的数据，统计推断则从已经观察到的数据出发，研究未知的机制或参数。
Lesson 5：统计推断基础 将样本、模型与推断联系起来。这里需要练习的，是分清哪些内容来自观察，哪些内容依赖额外假设。
继续进入 Lesson 7：贝叶斯统计推断，先验、似然和后验让“看到新数据之后怎样更新判断”有了明确的表达方式。更新后的判断同时依赖观测数据与所采用的先验，学习时也需要检查这些选择的影响。
不同推断方法有各自的条件与解释。理解这些条件，比把一个数字当成最终裁决更有帮助。硬币例子中的六十次正面，本身还不能替我们交代完整的分析。
算得精确之后，再检查模型是否合适
如果一部分试验由不同装置完成，或者抛掷方式在中途改变，把全部记录当成同一个稳定过程就需要重新考虑。
Lesson 9：模型检查与诊断 将注意力从估计参数转向检查模型。残差、拟合检查和交叉验证等主题，帮助学习者寻找假设与数据之间尚未解释的差异。
可以给自己安排一个小练习：先写下数据是怎样产生的，再说明准备使用什么模型，最后列出哪些观察会让自己怀疑这个模型。即使暂时不做复杂计算，这三步也能让一次判断变得更清楚。
文中的硬币情境没有给出实验结论，而是为这条思考路径提供起点。在 MATH003 课程页面 中，可以顺着概率、抽样和推断继续深入。
当一个结果显得格外醒目时，值得多看一步：它在什么条件下出现？可能怎样波动？还有哪些解释没有被排除？对不确定性的理解，就从这些问题开始。
本文依据 EvoClass 当前课程概述与课件整理，课时链接指向英文材料。硬币数据为设定的教学例子，未实施实验或据此完成假设检验；课程涉及微积分基础，适合按大学层次循序学习。