概率密度函数与小区间概率之间有什么关系？

视频首先将定积分回顾为曲边梯形的面积，通过分割、采样和取黎曼和的极限来构建。然后将相同的逻辑应用于期望积分 $\int_{-\infty}^{+\infty} x f(x) dx$，将项 $x f(x) dx$ 解释为值 $x$ 与近似概率 $f(x)dx$（小条带的面积）的乘积，从而将期望视为连续加权平均。

适用条件：X 是连续随机变量；$f(x)$ 是概率密度函数；积分绝对收敛

使用积分是因为连续随机变量可以在区间内取任何值，导致不可数个可能值。求和适用于离散的值集。

适用条件：X 是连续随机变量；$f(x)$ 是概率密度函数；积分绝对收敛

视频通过将区间内某点的概率密度 $f(x)$ 乘以区间的宽度 $\Delta x$ 来近似连续随机变量 $X$ 落入小区间 $(x, x+\Delta x]$ 的概率。这表示为 $P\{x < X \le x + \Delta x\} \approx f(x)\Delta x$，忽略了高阶无穷小量。

适用条件：区间 $(x, x+\Delta x]$ 非常小；忽略高阶无穷小量；$f(x)$ 是概率密度函数

数学期望 $E(X) = \sum_{k=1}^{\infty} x_k p_k$ 被解释为加权平均，其中随机变量的每个可能值 $x_k$ 由其概率 $p_k$ 加权。这些值与权重乘积的总和代表了随机变量可能结果的真实平均值。

适用条件：X 是离散随机变量；$x_k$ 是 X 的可能值；$p_k$ 是概率 $P(X=x_k)$；级数绝对收敛

该定义要求绝对收敛，以确保期望是一个良定义的有限实数。如果没有绝对收敛，反常积分可能会发散或依赖于求和/积分的顺序，这意味着期望值将无法唯一定义。

适用条件：X 是连续随机变量；$f(x)$ 是 X 的概率密度函数；积分 $\int_{-\infty}^{+\infty} x f(x) dx$ 绝对收敛