欢迎来到期望值的世界！
你有没有想过，如果你射击 50 次飞镖，到底会中多少次红心？或者投掷 100 次硬币，会出现多少次“正面”？在统计学中，我们不只是随意猜测——我们通过计算来得出期望值 (Expected Value)。
在本章中，我们将探讨在二项分布 (Binomial Distribution) 的框架下，什么是平均值 (Mean)（即我们预期的平均结果）以及期望频数 (Expected Frequencies)（即我们预期某个特定结果会发生的次数）。别担心，刚开始接触这些概念时可能会觉得抽象；读完这份笔记后，你会发现这其实就像简单的乘法一样容易！
1. 前置检查：什么是 \(B(n, p)\)？
在计算平均值之前，让我们快速重温一下什么构成了一个二项分布。一个实验要符合二项分布，必须具备以下条件：
- 固定的实验次数 (\(n\))。
- 只有两个可能的结果（成功或失败）。
- 固定的成功概率 (\(p\))。
- 独立的实验（前一次的结果不会影响下一次）。
我们将其表示为：\(X \sim B(n, p)\)
2. 二项分布的平均值
概率分布的平均值也称为期望值，记作 \(E(X)\)，或使用希腊字母 \(\mu\)（读作 "mew"）表示。
在二项分布中，平均值告诉我们：如果我们通过实验重复非常多次，预期会获得多少次的“成功”。
公式
要算出平均值，只需将实验次数乘以成功概率：
\(E(X) = \mu = np\)
现实生活中的例子
想象你在练习投篮。你总共投了 20 球 (\(n = 20\))，而你每次投篮命中的概率是 0.7 (\(p = 0.7\))。
\(E(X) = 20 \times 0.7 = 14\)
类比：如果你告诉朋友：“我投 20 球通常能进 14 球”，你本质上就是在描述你表现的平均值！
快速回顾：拼图的各个部分
- \(n\)：你总共尝试了多少次？
- \(p\)：单次成功的概率是多少？
- \(np\)：总共预期会获得多少次成功？
重点总结：二项分布的平均值就是 \(np\)。它是成功次数的“长期平均”。
3. 期望频数
有时候，我们不只是看一个人做一组实验，而是观察大量的人（或样本），并询问：“我们预期当中有多少人会得到特定的结果？”
这被称为期望频数 (Expected Frequency)。
计算步骤
1. 计算在单组实验中发生该特定事件的概率（通常使用计算器中的二项分布功能）。我们将其称为 \(P(A)\)。
2. 将该概率乘以样本总数 (\(N\))。
期望频数 = \(N \times P(A)\)
例子：抛硬币比赛
假设有 200 名学生 (\(N = 200\))，每人抛 10 次公平的硬币。我们想知道预期有多少学生会得到刚好 8 次正面。
1. 首先，计算一名学生得到 8 次正面的概率：\(P(X = 8)\)，其中 \(n=10, p=0.5\)。
使用计算器：\(P(X = 8) \approx 0.04395\)
2. 乘以学生总数：\(200 \times 0.04395 = 8.79\)
因此，我们预期大约有 9 名学生会刚好得到 8 次正面。
你知道吗？期望频数不一定要是整数！即使现实中没有“8.79 个人”，但在统计学中，我们保留小数点以展示精确的理论期望值。
重点总结：要找到期望频数，先计算事件发生的概率，然后将其乘以整个实验重复的总次数。
4. 避免常见错误
如果刚开始觉得混乱也不用担心；许多学生会弄混这两个 "n" 值。以下是区分它们的方法：
- 混淆 \(n\) 与 \(N\)：在试题中，\(n\) 通常是二项分布中的单次实验次数（例如：抛 10 次硬币），而 \(N\) 则是这整个实验被重复的总次数（例如：200 个人同时做这个实验）。
- 忘记 \(p + q = 1\)：记住成功概率 (\(p\)) 与失败概率 (\(q\)) 的总和必须永远等于 1。如果 \(p = 0.3\)，那么 \(q = 0.7\)。
- 误解“平均值”：平均值 \(np\) 是一个平均数。这并不代表你每次都会得到这个数字；而是代表长期而言，结果会围绕着这个数值分布。
5. 总结清单
在进入下一章之前，请确保你已经掌握了以下要点：
- 你能从文字题目中找出 \(n\) 和 \(p\) 吗？
- 你能使用 \(\mu = np\) 计算平均值吗？
- 你理解平均值就是“预期的成功次数”吗？
- 你能通过将样本总数乘以特定概率来计算期望频数吗？
记忆小技巧：把平均值想成 "n-p"……就像一个新球员 (New Player) 加入球队——你对这名新球员总是有一定的“期望 (Expectations)”！
最后感言：统计学其实就是一种为现实世界建模的方法。二项分布帮助我们将“也许”转化为可测量的“期望”。继续练习，你会发现这将变得像本能一样自然！