大数定律的核心表述：当独立重复试验的次数足够大时，样本均值会趋近于总体期望值。换言之，短期结果充满随机性，长期结果趋向确定性。这是概率论最基础也最深刻的定理之一。
这个定律的真正威力在于它的反面：小样本极不可靠。我们日常犯的大量认知错误，根源都是在小样本上过度归纳——看了三篇文章就得出结论，试了两次就断言方法无效，观察了一个季度就预判全年趋势。大数定律提醒我们：在样本量不够大之前，保持判断的谦逊。它也暗示了一个实践策略——增加试验次数本身就是一种优势。能快速、低成本地多次试验的人，更接近真相。
值得注意的是，大数定律不是"赌徒谬误"。它不保证短期内"回本"或"平衡"，它只保证在足够长的周期里，均值收敛。这两者的混淆是日常决策中最危险的误解之一。
The Law of Large Numbers states that as trial count grows, the sample mean converges to the expected value. Small samples are unreliable and prone to misleading conclusions. The practical implication: increase your iteration count before drawing judgments, and never confuse short-run randomness with long-run certainty.
回归均值是统计学中最反直觉的现象之一：当一个变量在某次测量中表现极端（特别好或特别差）时，下一次测量往往会回到更接近平均水平的位置。这不是因为存在某种"纠正力"，而是因为极端表现本身往往包含了大量随机波动——而随机波动在下一次不太可能恰好重复。
这个概念由高尔顿（Francis Galton）在研究父母与子女身高关系时发现：特别高的父母，子女往往没那么高；特别矮的父母，子女往往比他们高一些。他称之为"回归平庸"。回归均值最危险的陷阱在于因果归因错误：表现差之后批评了员工，下次表现好了，你以为是批评起了作用；表现好之后表扬了员工，下次表现差了，你以为是表扬让人松懈。但实际上，两次回归可能都只是统计现象——与你的干预毫无关系。
理解回归均值，能帮你避免对随机波动做过度反应，无论是在投资、管理还是育儿中。极端表现后的"回归"几乎是必然的，不需要额外的因果解释。
Regression to the mean explains why extreme performances — good or bad — tend to be followed by more average outcomes. The trap: we invent causal stories for what is merely statistical inevitability. Recognizing this prevents overreacting to outliers and misattributing results to interventions that had no real effect.
幂律分布（也称帕累托分布或长尾分布）描述的是一种极度不均匀的分布模式：极少数节点/事件占据了绝大部分的影响力或资源。与正态分布（钟形曲线）中大多数值集中在均值附近不同，幂律分布中均值几乎没有意义——因为极端值的影响远超"平均"水平。
幂律无处不在：1% 的论文获得 50% 的引用，0.1% 的视频获得 90% 的播放量，少数城市聚集了多数人口，少数地震造成了多数破坏。这不是偶然——幂律通常由"富者越富"的正反馈机制驱动（物理学称之为"优先连接"）。理解幂律的实践意义极其深远：在幂律世界中，你的策略应该是集中资源押注少数高杠杆机会，而非平均分配。正态分布世界适合"不犯错"策略，幂律世界适合"找到那个 10 倍回报"策略。
幂律思维也揭示了一个反直觉的事实：在幂律系统中，"平均水平"是一个误导性指标。风险投资的平均回报率毫无意义，因为少数超级明星项目贡献了几乎全部利润。
Power Law distributions mean a tiny minority captures the vast majority of outcomes — wealth, citations, returns, impact. Unlike bell curves, averages are meaningless here. The strategic implication: concentrate resources on finding and maximizing the few high-leverage opportunities rather than spreading effort evenly.
人类大脑的默认模式是线性思维：投入翻倍，产出翻倍；原因越大，结果越大。但真实世界的大部分系统是非线性的——存在临界点、指数增长、S 曲线、相变和混沌效应。线性外推是我们最常犯的思维错误之一。
非线性系统的核心特征：(1) 阈值效应——水在 99°C 和 100°C 之间发生质变，不是量变；(2) 指数增长——复利、病毒传播、网络效应的初期不起眼，一旦越过拐点就爆炸式增长；(3) 敏感依赖——蝴蝶效应，初始条件的微小差异导致截然不同的结果；(4) 涌现——整体展现出部分之和无法预测的新性质。
非线性思维的实践要求：放弃用简单的线性比例来预测复杂系统的行为。当你发现"投入和产出不成比例"时，不要困惑——这恰恰是非线性系统的常态。你需要寻找的是系统中的临界点和杠杆点，在那里施加微小的力，可以撬动巨大的变化。
Nonlinear thinking recognizes that most real-world systems don't follow proportional cause-and-effect. They exhibit thresholds, exponential growth, phase transitions, and emergent properties. Linear extrapolation — our brain's default — fails catastrophically in these systems. Look for tipping points and leverage points where small inputs produce outsized effects.