在本模块中，我们将深入探讨一个你可能在成年后都会遇到，但可能从未从统计学角度探讨过的话题：正态曲线。 更广泛地说，我们将讨论概率分布，包括其主要特征和与量化不确定性的相关性。 虽然学习概率论有时会感觉与应用统计相脱节，但对概率有一个基础性的了解，对于批判性地评估统计模型还是很有价值的。对概率及其反直觉性质的理解将帮助您尽可能准确地解释统计结果的不确定性。 当事关重大，决策者希望知道是否要根据统计结果采取行动时，这一点尤为重要。

在本模块中，我们将应用概率、随机变量和分布的概念来测量和解释不确定性。 我们将特别关注统计意义。 如果一种关系可以与零区分开来，那么这种关系在统计上就是显著的。 假设您想研究接触负面竞选广告对投票可能性的影响。 自变量是一个人接触负面竞选广告的程度，因变量是一个人投票的可能性。 如果我们发现接触负面竞选广告与投票可能性没有关系，我们就会说这是一种统计上不显著的关系。 相反，如果我们发现接触负面竞选广告会导致投票可能性下降，那么我们就发现了一种统计意义上的显著关系（即非零关系）。

在本课程的最后一个模块中，我们将介绍如何测量回归估计和民意调查结果的不确定性。 通常情况下，回归模型会揭示出一种非零关系，但重要的是要确定这种关系是否与零有足够大的差异，从而使我们可以得出结论认为这种关系在统计学上是显著的。 例如，假设回归模型显示某种药物可使患者的治疗效果提高 3.2%。 3.2% 在统计学上与 0 有差异吗？ 统计显著性检验可以回答这个问题。不过，本模块也将讨论依赖统计显著性进行数据驱动决策的一些弊端。 虽然统计显著性是一个重要的考虑因素，但它并不是决定是否根据一组统计结果采取行动的唯一标准。