歡迎來到期望值的世界！
你有沒有想過，如果你射擊 50 次飛鏢，到底會中多少次紅心？或者投擲 100 次硬幣，會出現多少次「正面」？在統計學中，我們不只是隨意猜測——我們透過計算來得出期望值 (Expected Value)。
在本章中，我們將探討在二項分佈 (Binomial Distribution) 的框架下，什麼是平均值 (Mean)（即我們預期的平均結果）以及期望頻數 (Expected Frequencies)（即我們預期某個特定結果會發生的次數）。別擔心，剛開始接觸這些概念時可能會覺得抽象；讀完這份筆記後，你會發現這其實就像簡單的乘法一樣容易！
1. 前置檢查：什麼是 \(B(n, p)\)？
在計算平均值之前，讓我們快速重溫一下什麼構成了一個二項分佈。一個實驗要符合二項分佈，必須具備以下條件：
- 固定的實驗次數 (\(n\))。
- 只有兩個可能的結果（成功或失敗）。
- 固定的成功機率 (\(p\))。
- 獨立的實驗（前一次的結果不會影響下一次）。
我們將其表示為：\(X \sim B(n, p)\)
2. 二項分佈的平均值
機率分佈的平均值也稱為期望值，記作 \(E(X)\)，或使用希臘字母 \(\mu\)（讀作 "mew"）表示。
在二項分佈中，平均值告訴我們：如果我們將實驗重複非常多次，預期會獲得多少次的「成功」。
公式
要算出平均值，只需將實驗次數乘以成功機率：
\(E(X) = \mu = np\)
現實生活中的例子
想像你在練習投籃。你總共投了 20 球 (\(n = 20\))，而你每次投籃命中的機率是 0.7 (\(p = 0.7\))。
\(E(X) = 20 \times 0.7 = 14\)
類比：如果你告訴朋友：「我投 20 球通常能進 14 球」，你本質上就是在描述你表現的平均值！
快速回顧：拼圖的各個部分
- \(n\)：你總共嘗試了多少次？
- \(p\)：單次成功的機率是多少？
- \(np\)：總共預期會獲得多少次成功？
重點總結：二項分佈的平均值就是 \(np\)。它是成功次數的「長期平均」。
3. 期望頻數
有時候，我們不只是看一個人做一組實驗，而是觀察大量的人（或樣本），並詢問：「我們預期當中有多少人會得到特定的結果？」
這被稱為期望頻數 (Expected Frequency)。
計算步驟
1. 計算在單組實驗中發生該特定事件的機率（通常使用計算機中的二項分佈功能）。我們將其稱為 \(P(A)\)。
2. 將該機率乘以樣本總數 (\(N\))。
期望頻數 = \(N \times P(A)\)
例子：拋硬幣比賽
假設有 200 名學生 (\(N = 200\))，每人拋 10 次公平的硬幣。我們想知道預期有多少學生會得到剛好 8 次正面。
1. 首先，計算一名學生得到 8 次正面的機率：\(P(X = 8)\)，其中 \(n=10, p=0.5\)。
使用計算機：\(P(X = 8) \approx 0.04395\)
2. 乘以學生總數：\(200 \times 0.04395 = 8.79\)
因此，我們預期大約有 9 名學生會剛好得到 8 次正面。
你知道嗎？期望頻數不一定要是整數！即使現實中沒有「8.79 個人」，但在統計學中，我們保留小數點以展示精確的理論期望值。
重點總結：要找到期望頻數，先計算事件發生的機率，然後將其乘以整個實驗重複的總次數。
4. 避免常見錯誤
如果剛開始覺得混亂也不用擔心；許多學生會弄混這兩個 "n" 值。以下是區分它們的方法：
- 混淆 \(n\) 與 \(N\)：在試題中，\(n\) 通常是二項分佈中的單次實驗次數（例如：拋 10 次硬幣），而 \(N\) 則是這整個實驗被重複的總次數（例如：200 個人同時做這個實驗）。
- 忘記 \(p + q = 1\)：記住成功機率 (\(p\)) 與失敗機率 (\(q\)) 的總和必須永遠等於 1。如果 \(p = 0.3\)，那麼 \(q = 0.7\)。
- 誤解「平均值」：平均值 \(np\) 是一個平均數。這並不代表你每次都會得到這個數字；而是代表長期而言，結果會圍繞著這個數值分佈。
5. 總結清單
在進入下一章之前，請確保你已經掌握了以下要點：
- 你能從文字題目中找出 \(n\) 和 \(p\) 嗎？
- 你能使用 \(\mu = np\) 計算平均值嗎？
- 你理解平均值就是「預期的成功次數」嗎？
- 你能透過將樣本總數乘以特定機率來計算期望頻數嗎？
記憶小技巧：把平均值想成 "n-p"……就像一個新球員 (New Player) 加入球隊——你對這名新球員總是有一定的「期望 (Expectations)」！
最後感言：統計學其實就是一種為現實世界建模的方法。二項分佈幫助我們將「也許」轉化為可測量的「期望」。繼續練習，你會發現這將變得像本能一樣自然！