一、统计学的历史时间
统计方法能够 上溯很早以前，基本上在记数方式被创造发明的那时候就会有了初始的统计方法。来到16新世纪，因为掷骰子赌钱的强盛（听说），学者们刚开始科学研究等级的頻率，测算几率。它是初期的概率论。此外，政府部门以便提高自制力必须掌握人口数量的特点。学者们发展了基本国情学，刚开始运用在人口数量统计上，例如男人女人性別。统计方法以概率论和基本国情学为2个科学方法论的根源，拥有进一步的发展。
统计方法发展变成当代（五格数理）统计学，则是更近的事。17、18新世纪的物理学家再次发展了概率论，为当代统计学的确立了一部分基础理论基本。这在其中就会有物理学家Thomas Bayes，他在18新世纪中后期明确提出条件概率的贝叶斯公式以后，他都不知道会给统计学产生多少的转变。
迫不得已提及的一个巨人图片是Karl Pearson。没有错，就是说Pearson test 哪个Pearson，他还要姓式首写取名了一个拆磨了统计系学员们一百年的自变量—— p value。此外，他在统计基础理论的各个领域常有自主创新，最关键的是，他建立了全世界第一个统计系。他被认可为是当代（五格数理）统计学的创建者，都是微生物统计的创建者（第一个微生物统计学刊物就是说他开的）。实际上能者是无人能敌的，他在业余组还获得了大律师资格，還是一个坚定不移的遗传基因改良主义者，要了解那才算是1890年！
下边一幅图是Pearson的媳妇为他的学术专著画的插页（1），主题风格就是说：Chance of death。从左往右含意是人从出世到老要亲身经历不一样的身亡风险性。
Pearson以后，统计学就发展得十分快了：Spearman、Bonferroni、Neyman、Tukey、Cox、Box这些，大部分人们如今常见到的专用工具在1950s以前早已被发展的较为完善了。在这里以后，较为大的转变是贝叶斯现实主义的强盛。
在贝叶斯现实主义以前，应用prior knowledge不是标准的。你务必较为准确地了解某一随机事件产生的几率，才可以用它来测算一些物品。如何判断呢？你得去吭哧吭哧统计这一随机事件产生的頻率，假如碰到一个挺大的整体，那将会等着你统计出去别人的paper早发了。贝叶斯现实主义者较为简单直接，依据一些prior knowledge，立即给几率赋值。看起来果断，实际上大大的扩展了统计学的发展和运用室内空间。
二、 统计学的区划
统计学能够 那样区划：基础理论统计学和运用统计学。
统计学的基础知识包含概率论、实解析、线性代数、asymptotic theory 这些数学课內容。如今又包含了computational statistics。Computational statistics发展了bootstrapping、Monte Carlo simulation这种新的方式，在电子计算机被创造发明之前，这种技术性是无法想像的，由于测算量太大（不太明确computational statistics是不是应当放到基础理论统计学里，但是这一不关键）。
运用统计学基础分成两大块：descriptive statistics 和 inferential statistics。前面一种是以整体中抓样版数据信息开展叙述，后面一种是根据针对样版的解析对整体的特点开展推论。
那样形象化的记忆力较为好：前面一种：population ---> sample后面一种：sample ---> population
从population到sample，这一要以应用概率论主导。但是descriptive statistics自身并不是发展新的基础知识。从sample到population，这一才算是运用统计学的关键目地。由于统计学应对的是随机事件，并且不是详细的信息内容（sample），但是对详细的全球（population）作出估算。
统计学历经悠长的发展，特别是在是电子计算机的很多运用，现阶段包含但是不限于下边这种支系（或是交叉式行业）：
理论与实践：概率论（例如stochastic process），测算统计基础理论（例如asymptotic theory，在CS系的computational theory下边）。
统计实体模型（在先人基本上再次发展各种各样regression model，stratification，clustering，blocking，classification这些）、各种各样test的发展（例如time series，likelihood ratio test, Wald test, permutation test 这些）。
测算统计方法的发展（例如Monte Carlo simulation，Bootstrap）
数据收集（census，survey和clinical trial等）
微生物统计（例如longitudinal analysis， spatial analysis）
data mining
现阶段最火爆的课程全是跟电子计算机融合较为密不可分的。统计学行业也是如此，data mining 和 machine learning全是一出世就创建在统计学（和概率论）基本之中的，如今很多的人到做这一。而处理的具体难题包含：环境卫生、自然环境、个人行为这些。例如你的每一次点一下都一部分地决策了Google即将让你推广哪些的广告词，你的每一个手机上应用个人行为都一部分地决策了iPhone下一款手机上的开发设计方位。这里边大量的数据信息的收集、统计解析、个人行为解析，全是以统计学为关键的。
三、学生就业迈向
1、 统计／数据信息有关：不用资格证书
data analyst -- 统计/BA/数学课/及其别的各种各样想转专业的同学们/（大学本科，研究生，博士研究生均可）
data scientist -- 统计/数学课/电子计算机/ （趋向研究生，博士研究生多一些）
data engineer -- 电子计算机/有有关工作经验/（大学本科，研究生，博士研究生均可）
statistician -- 统计/数学课 （趋向研究生，博士研究生多一些）
报考专业与相匹配实用软件語言与工作职责归纳
data analyst -- Excel, Tableau, Sql, 将会有SAS或R -- 写数据分析报告，叙述发展趋势，销售量等，占有率等
data scientist -- R, SAS, Python, Sql -- 建预测分析实体模型，例如金融机构依据私人信息历史账单等，模型，决策是不是回绝给申请者开透支卡。还可以信息量挺大。
data engineer -- Hadoop, Java/python/scala, Spark, Sql, Hive, Hbase，linux等 -- etl 倒数据信息，信息量巨大，比如上亿条数据信息。从web server清除获取系统日志数据信息，存进非关系数据库，再用Java或Scala依据业务逻辑敲代码。用Hive查寻数据信息。必须许多前后左右web端专业知识。有的做推荐算法，或是machine learning
statistician -- SAS, SPSS, Excel -- 方差分析或t检测看两组数据信息有没差别，算出药力或服务项目是不是有提高。
