连续型随机变量的期望怎么理解？直观意义是什么？

1. 公式
   观察依据

   画面中多处出现大写字母 X，用于表示随机变量。

X

随机变量；前半段指离散型随机变量，后半段指连续型随机变量。

视频未说明

1. 公式
   观察依据

   画面显示 P(X=x_k)=p_k 与 E(X)=∑_{k=1}^∞ x_k p_k。

2. 声音
   观察依据

   讲解内容转述：离散型随机变量 X 的第 k 个可能取值。

x_k

离散型随机变量 X 的第 k 个可能取值。

离散型随机变量的取值集合

1. 公式
   观察依据

   画面显示 P(X=x_k)=p_k 与 E(X)=∑_{k=1}^∞ x_k p_k。

2. 声音
   观察依据

   讲解内容转述：离散型随机变量取值为 x_k 的概率，在期望公式中充当权重。

p_k

离散型随机变量取值为 x_k 的概率，在期望公式中充当权重。

概率值

1. 公式
   观察依据

   画面显示 k=1,2,⋯ 以及求和号下标 k=1。

k

离散取值的序号，正整数指标。

k=1,2,⋯

1. 公式
   观察依据

   画面显示记为 E(X)，并给出 E(X)=∑_{k=1}^∞ x_k p_k 与 E(X)=∫_{-∞}^{∞} x f(x) dx。

E(X)

随机变量 X 的数学期望，亦称均值。

视频未说明

1. 公式
   观察依据

   画面显示“概率密度为 f(x)”以及 E(X)=∫_{-∞}^{∞} x f(x) dx。

2. 声音
   观察依据

   讲解内容转述：连续型随机变量 X 的概率密度函数。

f(x)

连续型随机变量 X 的概率密度函数。

视频未说明

1. 公式
   观察依据

   画面显示被积表达式 x f(x)。

x f(x)

连续型随机变量期望公式中的被积函数，由取值 x 与概率密度 f(x) 相乘得到。

视频未说明

1. 公式
   观察依据

   画面显示 ∑_{k=1}^∞ x_k p_k。

∑_{k=1}^∞ x_k p_k

离散型随机变量期望定义中的无穷级数。

视频未说明

1. 公式
   观察依据

   画面显示 ∫_{-∞}^{∞} x f(x) dx。

∫_{-∞}^{∞} x f(x) dx

连续型随机变量期望定义中的广义积分。

视频未说明

1. 公式
   观察依据

   画面文字给出“连续型随机变量 X”和记号 E(X)。

X

连续型随机变量

视频未说明具体取值范围；作为随机变量使用

1. 公式
   观察依据

   画面文字给出“概率密度为 f(x)”。

f(x)

连续型随机变量 X 的概率密度函数

视频未说明；通常作为实变量函数出现在积分中

1. 公式
   观察依据

   画面公式 (1.2) 写为 E(X)=∫_{-∞}^{+∞} x f(x) dx。

E(X)

随机变量 X 的数学期望，简称期望，又称为均值

当 ∫_{-∞}^{+∞} x f(x) dx 绝对收敛时定义为该积分值

1. 公式
   观察依据

   画面给出“设离散型随机变量 X 的分布律为 P(X=x_k)=p_k, k=1,2,⋯”以及“若级数 ∑_{k=1}^∞ x_k p_k 绝对收敛，则称级数 ∑_{k=1}^∞ x_k p_k 的和为随机变量 X 的数学期望，记为 E(X)，即 E(X)=∑_{k=1}^∞ x_k p_k.”

2. 声音
   观察依据

   讲解内容转述：视频先以教材页面给出离散型随机变量期望的定义：给定分布律 P(X=x_k)=p_k，若级数 ∑ x_k p_k 绝对收敛，则把该级数的和定义为 X 的数学期望 E(X)。这一页同时用红字补充说明其本质是加权平均。

视频先以教材页面给出离散型随机变量期望的定义：给定分布律 P(X=x_k)=p_k，若级数 ∑ x_k p_k 绝对收敛，则把该级数的和定义为 X 的数学期望 E(X)。这一页同时用红字补充说明其本质是加权平均。

1. X 为离散型随机变量

2. 已知分布律 P(X=x_k)=p_k

3. 级数 ∑_{k=1}^∞ x_k p_k 绝对收敛

1. 公式
   观察依据

   红字写明“它是一种加权平均，从本质上体现了随机变量 X 取可能值的真正的平均值，也称为均值。”

2. 声音
   观察依据

   讲解内容转述：视频把 E(X)=∑ x_k p_k 解释为“取值 × 权重”的总和，其中 p_k 是取到 x_k 的权重；把所有可能取值按权重相加，得到的就是随机变量取值的平均，亦称均值。

视频把 E(X)=∑ x_k p_k 解释为“取值 × 权重”的总和，其中 p_k 是取到 x_k 的权重；把所有可能取值按权重相加，得到的就是随机变量取值的平均，亦称均值。

1. 适用于离散型随机变量

2. 期望存在的前提是相应级数绝对收敛

1. 离散型随机变量的数学期望定义

1. 公式
   观察依据

   画面给出“设连续型随机变量 X 的概率密度为 f(x)，若积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛，则称积分 ∫_{-∞}^{∞} x f(x) dx 的值为随机变量 X 的数学期望，记为 E(X)，即 E(X)=∫_{-∞}^{∞} x f(x) dx。数学期望简称期望，又称为均值。”

2. 声音
   观察依据

   讲解内容转述：视频随后切换到连续型情形：若连续型随机变量 X 的概率密度为 f(x)，且广义积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛，则把该积分的值定义为 X 的数学期望 E(X)。页面还注明“数学期望简称期望，又称为均值”。

1. 音频在“如果这个积分”处被切断，后续口头解释未出现在本片段内。

视频随后切换到连续型情形：若连续型随机变量 X 的概率密度为 f(x)，且广义积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛，则把该积分的值定义为 X 的数学期望 E(X)。页面还注明“数学期望简称期望，又称为均值”。

1. X 为连续型随机变量

2. 已知概率密度 f(x)

3. 积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛

4. 本站补充：X有概率密度；有限实数期望要求绝对可积，允许无穷值的扩展约定需另说。

1. 公式
   观察依据

   画面给出“设连续型随机变量 X 的概率密度为 f(x)，若积分 ∫_{-∞}^{+∞} x f(x) dx 绝对收敛，则称积分 ∫_{-∞}^{+∞} x f(x) dx 的值为随机变量 X 的数学期望，记为 E(X)”。

2. 声音
   观察依据

   讲解内容转述：视频先给出定义：对连续型随机变量 X，若以概率密度 f(x) 加权 x 的反常积分绝对收敛，则把这个积分值定义为 X 的数学期望，记作 E(X)。讲解进一步强调，这里的期望本质上是一个反常积分。

视频先给出定义：对连续型随机变量 X，若以概率密度 f(x) 加权 x 的反常积分绝对收敛，则把这个积分值定义为 X 的数学期望，记作 E(X)。讲解进一步强调，这里的期望本质上是一个反常积分。

1. X 为连续型随机变量

2. f(x) 是 X 的概率密度

3. \int_{-\infty}^{+\infty} x f(x)\,dx 绝对收敛

4. 本站补充：X有概率密度；有限实数期望要求绝对可积，允许无穷值的扩展约定需另说。

1. 公式
   观察依据

   画面末行写“数学期望简称期望，又称为均值。”

2. 声音
   观察依据

   讲解内容转述：视频明确说明 E(X) 的名称有三个层次：正式名称是数学期望，简称是期望，又称均值。

视频明确说明 E(X) 的名称有三个层次：正式名称是数学期望，简称是期望，又称均值。

1. 对象为连续型随机变量 X 的期望 E(X)

1. 连续型随机变量数学期望的定义

1. 声音
   观察依据

   讲解内容转述：视频提出的理解路径是：先把连续型随机变量的期望看成反常积分，再借助更熟悉的定积分定义与几何意义来解释这个反常积分。

2. 声音
   观察依据

   讲解内容转述：视频提出的理解路径是：先把连续型随机变量的期望看成反常积分，再借助更熟悉的定积分定义与几何意义来解释这个反常积分。

视频提出的理解路径是：先把连续型随机变量的期望看成反常积分，再借助更熟悉的定积分定义与几何意义来解释这个反常积分。

1. 目标是理解连续型随机变量期望的积分含义

1. 连续型随机变量数学期望的定义

1. 公式
   观察依据

   手写公式为 ∫_a^b f(x) dx。

2. 图示
   观察依据

   画出坐标轴、曲线 y=f(x)>0 以及由 x=a、x=b、x 轴和曲线围成的区域。

3. 声音
   观察依据

   讲解内容转述：复习环节中，视频把 ∫_a^b f(x) dx 解释为曲线 y=f(x) 在区间 [a,b] 上与 x 轴围成的曲边梯形面积。图中还特别标注 y=f(x)>0，使面积解释直观成立。

复习环节中，视频把 ∫_a^b f(x) dx 解释为曲线 y=f(x) 在区间 [a,b] 上与 x 轴围成的曲边梯形面积。图中还特别标注 y=f(x)>0，使面积解释直观成立。

1. 函数图像位于 x 轴上方，图中写作 y=f(x)>0

2. 积分区间为 [a,b]

1. 声音
   观察依据

   讲解内容转述：视频按定积分定义复习：先把 [a,b] 任意分割成 n 个小区间，其中一个典型小区间写作 [x_{i-1},x_i]，其长度为 Δx_i。讲解强调理论上这个区间很短，画图放大只是为了便于观察。

2. 图示
   观察依据

   横轴上标出 x_{i-1}、x_i，并在二者之间标出 Δx_i。

视频按定积分定义复习：先把 [a,b] 任意分割成 n 个小区间，其中一个典型小区间写作 [x_{i-1},x_i]，其长度为 Δx_i。讲解强调理论上这个区间很短，画图放大只是为了便于观察。

1. 区间 [a,b] 被分成 n 个小区间

2. 第 i 个小区间为 [x_{i-1},x_i]

1. 定积分的几何意义：曲边梯形面积

1. 声音
   观察依据

   讲解内容转述：在得到小区间 [x_{i-1},x_i] 后，视频说明可在该小区间上任意选取一点 ξ_i，作为后续近似面积的取样点。

2. 图示
   观察依据

   在小区间对应的曲线位置标出 ξ_i。

在得到小区间 [x_{i-1},x_i] 后，视频说明可在该小区间上任意选取一点 ξ_i，作为后续近似面积的取样点。

1. ξ_i 取自第 i 个小区间 [x_{i-1},x_i]

1. 定积分定义中的区间分割

1. 公式
   观察依据

   先写出 f(ξ_i)Δx_i，再扩展为 Σ_{i=1}^n f(ξ_i)Δx_i。

2. 声音
   观察依据

   讲解内容转述：视频把第 i 个窄曲边梯形的高度取为 f(ξ_i)，底边取为 Δx_i，因此该小条面积近似为 f(ξ_i)Δx_i；再把 n 个小条相加，得到整个图形面积的黎曼和近似。

视频把第 i 个窄曲边梯形的高度取为 f(ξ_i)，底边取为 Δx_i，因此该小条面积近似为 f(ξ_i)Δx_i；再把 n 个小条相加，得到整个图形面积的黎曼和近似。

1. 函数在 [a,b] 上有定义

2. ξ_i 取自第 i 个小区间

3. 图中额外给出 y=f(x)≥0，便于把和式解释为面积近似

1. f(x)
2. x_{i-1}, ξ_i, x_i, Δx_i

1. 公式
   观察依据

   板书写出 lim_{λ→0} Σ_{i=1}^n f(ξ_i)Δx_i = ∫_a^b f(x)dx。

2. 声音
   观察依据

   讲解内容转述：视频将定积分定义为：当分割加细到最大子区间长度 λ 趋于 0 时，黎曼和的极限若存在且与任意分割、任意取点无关，则此极限等于曲边梯形面积，也记作 ∫_a^b f(x)dx。

视频将定积分定义为：当分割加细到最大子区间长度 λ 趋于 0 时，黎曼和的极限若存在且与任意分割、任意取点无关，则此极限等于曲边梯形面积，也记作 ∫_a^b f(x)dx。

1. λ=max_i Δx_i

2. 极限存在

3. 极限值不依赖于分割方式和取点方式

1. 用矩形近似窄曲边梯形面积
2. λ

1. 字幕依据
   观察依据

   讲解内容转述：视频后半页给出概率论中的标准定义：若连续型随机变量 X 的密度为 f(x)，且 xf(x) 在整个实轴上的反常积分绝对收敛，则把这个积分值定义为 X 的数学期望 E(X)，又称均值。

2. 声音
   观察依据

   讲解内容转述：视频后半页给出概率论中的标准定义：若连续型随机变量 X 的密度为 f(x)，且 xf(x) 在整个实轴上的反常积分绝对收敛，则把这个积分值定义为 X 的数学期望 E(X)，又称均值。

视频后半页给出概率论中的标准定义：若连续型随机变量 X 的密度为 f(x)，且 xf(x) 在整个实轴上的反常积分绝对收敛，则把这个积分值定义为 X 的数学期望 E(X)，又称均值。

1. X 为连续型随机变量

2. f(x) 是 X 的概率密度

3. ∫_{-∞}^{+∞} x f(x) dx 绝对收敛

4. 本站补充：X有概率密度；有限实数期望要求绝对可积，允许无穷值的扩展约定需另说。

1. 定积分作为黎曼和的极限
2. X
3. E(X)

1. 声音
   观察依据

   讲解内容转述：对连续型随机变量 X，其期望 E(X) 就是积分 ∫_{-∞}^{+∞} x f(x) dx 的值，因此可从反常积分角度理解。

2. 公式
   观察依据

   画面定义式 E(X)=∫_{-∞}^{+∞} x f(x) dx 本身是无穷限积分。

对连续型随机变量 X，其期望 E(X) 就是积分 ∫_{-∞}^{+∞} x f(x) dx 的值，因此可从反常积分角度理解。

1. X 为连续型随机变量

2. f(x) 为 X 的概率密度

3. ∫_{-∞}^{+∞} x f(x) dx 绝对收敛

对满足上述条件的连续型随机变量 X

1. 声音
   观察依据

   讲解内容转述：在视频所示情形下，∫_a^b f(x) dx 表示曲线 y=f(x) 与 x 轴在区间 [a,b] 上围成的曲边梯形面积。

2. 图示
   观察依据

   图中画出 y=f(x)>0 与区间 [a,b] 围成的曲边梯形。

在视频所示情形下，∫_a^b f(x) dx 表示曲线 y=f(x) 与 x 轴在区间 [a,b] 上围成的曲边梯形面积。

1. 图中函数满足 y=f(x)>0

2. 积分区间为 [a,b]

对所画出的非负函数情形

1. 公式
   观察依据

   页面明确写有“若积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛”。

只有当 ∫_{-∞}^{∞} x f(x) dx 绝对收敛时，才把该积分值称为连续型随机变量 X 的数学期望 E(X)。

1. X 为连续型随机变量

2. f(x) 为 X 的概率密度函数

3. ∫_{-∞}^{∞} x f(x) dx 绝对收敛

对所有满足上述条件的连续型随机变量 X。

1. 公式
   观察依据

   第二页写有“若不计高阶无穷小，有 P{x < X ≤ x + Δx} ≈ f(x)Δx”。

2. 公式
   观察依据

   第二页解释句：“这表示 X 落在小区间 (x, x+Δx] 上的概率近似地等于 f(x)Δx。”

在不计高阶无穷小的条件下，X 落在小区间 (x,x+Δx] 上的概率近似等于 f(x)Δx。

1. 区间 (x,x+\Delta x] 足够小

2. 忽略高阶无穷小项

3. 本站补充：此局部一阶近似要求密度f在参考点x连续。

对很小的区间增量 \Delta x 成立。

1. 公式
   观察依据

   印刷体文本明确指出：“若积分 $\int_{-\infty}^{+\infty} x f(x) dx$ 绝对收敛，则称积分...的值为随机变量 X 的数学期望”。

设X有概率密度f，其有限实数期望E(X)有定义的充要条件是积分 $\int_{-\infty}^{+\infty} x f(x) dx$ 绝对收敛。这一有限值条件不同于允许无穷值的扩展期望。

1. X有概率密度f。

2. 本命题讨论有限实数期望，允许无穷值的扩展约定需另说。

对于所有满足前提的连续型随机变量 X

1. 声音
   观察依据

   讲解内容转述：本片段通过“先讲离散加权平均，再给出连续积分定义”的顺序，建立两类期望定义之间的类比关系；但视频在本片段内尚未展开连续情形的进一步直观解释。

2. 公式
   观察依据

   画面先后并列呈现离散定义 E(X)=∑ x_k p_k 与连续定义 E(X)=∫ x f(x) dx。

1. 公式

   $$E(X)=\sum_{k=1}^{\infty} x_k p_k$$
   解释

   视频先展示离散型随机变量期望的定义，并把 p_k 解释为权重。

   步骤依据

   教材页面公式与讲解者口头解释共同给出。

   视频直接表达
2. 公式

   $$E(X)=\int_{-\infty}^{\infty} x f(x)\,dx$$
   解释

   随后视频切到连续型随机变量期望的定义，用概率密度 f(x) 取代离散概率 p_k，用积分取代求和。

   步骤依据

   第二页教材公式直接给出。

   视频直接表达

本片段通过“先讲离散加权平均，再给出连续积分定义”的顺序，建立两类期望定义之间的类比关系；但视频在本片段内尚未展开连续情形的进一步直观解释。

1. 声音
   观察依据

   讲解内容转述：视频在本片段内完成了从定积分面积意义到分割、取样、近似小矩形宽度的铺垫；但“高”的具体表达和后续极限求和未在片段内出现。

2. 图示
   观察依据

   依次画出坐标轴、曲线、区间端点 a,b、分点 x_{i-1},x_i、长度 Δx_i、取样点 ξ_i。

3. 声音
   观察依据

   讲解内容转述：视频在本片段内完成了从定积分面积意义到分割、取样、近似小矩形宽度的铺垫；但“高”的具体表达和后续极限求和未在片段内出现。

1. 片段在“它的高”之后结束，未看到完整的小矩形高度表达式和后续求和极限步骤。

1. 公式

   $$\int_a^b f(x)\,dx$$
   解释

   先写出一个普通定积分，作为复习对象。

   步骤依据

   视频手写公式直接给出。

   视频直接表达
2. 公式

   $$y=f(x)>0,\quad x\in[a,b]$$
   解释

   把积分解释为曲线 y=f(x) 在区间 [a,b] 上方与 x 轴围成的曲边梯形面积。

   步骤依据

   音频说明“表示……曲边梯形的面积”，图示同步画出该区域。

   视频直接表达
3. 公式

   $$[a,b]\to [x_{i-1},x_i],\quad \Delta x_i=x_i-x_{i-1}$$
   解释

   将 [a,b] 任意分成 n 个小区间，取其中一个典型小区间并标出其长度 Δx_i。

   步骤依据

   音频说“分成 n 个小区间”“区间长度 Δx_i”，图中相应标出 x_{i-1},x_i,Δx_i。

   视频直接表达
4. 公式

   $$\xi_i\in[x_{i-1},x_i]$$
   解释

   在该小区间上任取一点 ξ_i，作为近似矩形的取样点。

   步骤依据

   音频明确说“任意选取一个点 ξ_i”，图中在小区间上方标出 ξ_i。

   视频直接表达
5. 公式

   $$\text{小矩形宽度}=\Delta x_i$$
   解释

   由于 Δx_i 很小，视频把对应曲边窄条近似看作小矩形，并先确定其宽度。

   步骤依据

   音频说“我们可以近似的把它看作是一个小矩形，宽就是 Δx_i”。

   视频直接表达

视频在本片段内完成了从定积分面积意义到分割、取样、近似小矩形宽度的铺垫；但“高”的具体表达和后续极限求和未在片段内出现。

1. 公式
   观察依据

   板书依次出现 f(ξ_i)Δx_i、Σ_{i=1}^n f(ξ_i)Δx_i、lim_{λ→0}Σ_{i=1}^n f(ξ_i)Δx_i=∫_a^b f(x)dx。

2. 声音
   观察依据

   讲解内容转述：视频用黎曼和极限的方式建立定积分概念，并把定积分解释为曲边梯形面积。

1. 公式

   $$f(\xi_i)\Delta x_i$$
   解释

   把第 i 个窄曲边梯形近似成高为 f(ξ_i)、宽为 Δx_i 的矩形。

   步骤依据

   视频直接以图形和口述说明这是“窄曲边梯形面积的近似值”。

   视频直接表达
2. 公式

   $$\sum_{i=1}^n f(\xi_i)\Delta x_i$$
   解释

   将 n 个小区间上的近似面积相加，得到整体面积的近似和。

   步骤依据

   讲解者说“把这 n 个相加”。

   视频直接表达
3. 公式

   $$\lim_{\lambda\to 0}\sum_{i=1}^n f(\xi_i)\Delta x_i$$
   解释

   令最大子区间长度 λ 趋于 0，使分割无限加细并取极限。

   步骤依据

   讲解者明确说“这个 λ 就是那 n 个 Δx_i 里面最大的那一个”，并说“无限细分取极限”。

   视频直接表达
4. 公式

   $$\int_a^b f(x)\,dx$$
   解释

   若上述极限存在且与任意分割、任意取点无关，则把它定义为 f 在 [a,b] 上的定积分。

   步骤依据

   讲解者说“我们也把这个极限定义为 f(x) 在 a 到 b 上面的定积分”。

   视频直接表达

视频用黎曼和极限的方式建立定积分概念，并把定积分解释为曲边梯形面积。

1. 声音
   观察依据

   讲解内容转述：视频表明连续型随机变量的期望可以类比定积分来理解：先有反常积分定义，再用分割实轴的方法准备做近似解释；但完整推导在本片段内未出现。

2. 字幕依据
   观察依据

   讲解内容转述：视频表明连续型随机变量的期望可以类比定积分来理解：先有反常积分定义，再用分割实轴的方法准备做近似解释；但完整推导在本片段内未出现。

3. 动画
   观察依据

   随后画出密度曲线，并把 (-∞,+∞) 分成小区间，举出 [x_{i-1},x_i] 一段。

1. 片段在 85 秒处结束，尚未看到完整的期望离散近似推导。

1. 公式

   $$E(X)=\int_{-\infty}^{+\infty} x f(x)\,dx$$
   解释

   先给出连续型随机变量期望的标准定义。

   步骤依据

   教材页面直接显示该公式及绝对收敛条件。

   视频直接表达
2. 公式

   $$(-\infty,+\infty)\to [x_{i-1},x_i]$$
   解释

   接着把整个实轴像前面处理 [a,b] 那样进行分割，取其中一段 [x_{i-1},x_i] 来说明后续近似思路。

   步骤依据

   讲解者说“把负无穷到正无穷任意分割，比如说其中一段 x_{i-1} 到 x_i”。

   视频直接表达

视频表明连续型随机变量的期望可以类比定积分来理解：先有反常积分定义，再用分割实轴的方法准备做近似解释；但完整推导在本片段内未出现。

1. 声音
   观察依据

   讲解内容转述：视频用小区间近似把连续期望积分解释为“取值 × 对应小概率”的累积思想，其中 f(ξ_i)Δx_i 近似表示概率，ξ_i 表示该区间内代表的取值。

2. 公式
   观察依据

   右侧写出 f(ξ_i)Δx_i。

3. 声音
   观察依据

   讲解内容转述：视频用小区间近似把连续期望积分解释为“取值 × 对应小概率”的累积思想，其中 f(ξ_i)Δx_i 近似表示概率，ξ_i 表示该区间内代表的取值。

4. 图示
   观察依据

   手绘图把 x 轴分成小区间，标出 ξ_i 和 Δx_i，并用竖线表示区间上的高度。

1. 视频没有写出完整的求和极限式 \sum_i \xi_i f(\xi_i)\Delta x_i \to \int_{-\infty}^{\infty} x f(x)dx；它只是用离散近似解释积分项含义。

1. 公式

   $$\int_{-\infty}^{\infty} x f(x)\,dx$$
   解释

   从页面给出的期望定义出发，先看被积表达式 x f(x) dx。

   步骤依据

   页面公式 (1.2) 直接给出 E(X)=∫_{-∞}^{∞} x f(x) dx。

   视频直接表达
2. 公式

   $$\Delta x_i$$
   解释

   把实轴分成若干小区间，第 i 个小区间长度为 Δx_i。

   步骤依据

   讲解者口头说“长度德尔塔 x i”，图中也标出 Δx_i。

   视频直接表达
3. 公式

   $$\xi_i$$
   解释

   在第 i 个小区间内选取一个代表取值 ξ_i。

   步骤依据

   讲解者说“它在这个区间里面的某一个取值可赛 i”，图中横轴标出 ξ_i。

   视频直接表达
4. 公式

   $$f(\xi_i)\Delta x_i$$
   解释

   用密度在代表点处的值乘以区间长度，得到该小区间概率的近似。

   步骤依据

   第二页公式 P{x<X≤x+Δx}≈f(x)Δx 提供了这一近似依据。

   视频直接表达
5. 公式

   $$\xi_i f(\xi_i)\Delta x_i$$
   解释

   再把积分中的 x 替换为代表值 ξ_i，得到期望积分在小区间上的近似贡献项。

   步骤依据

   讲解者明确说“前面这个地方还有小x呢，在这就是它取到可赛 i 了”。

   视频直接表达

视频用小区间近似把连续期望积分解释为“取值 × 对应小概率”的累积思想，其中 f(ξ_i)Δx_i 近似表示概率，ξ_i 表示该区间内代表的取值。

1. 图示
   观察依据

   下方手绘曲线 f(x) 下有竖直区间，横轴标出 ξ_i、Δx_i。

2. 声音
   观察依据

   讲解内容转述：手绘图把抽象积分项转化为“高度×宽度”的小矩形面积，帮助理解密度函数与小区间概率近似之间的关系。

1. 视频没有明确说出“面积等于概率”这句话，但图示和后续公式共同支持这一理解。

1. 公式

   $$f(\xi_i)$$
   解释

   图中竖直高度对应密度函数在代表点处的取值。

   步骤依据

   曲线旁标注 f(x)，讲解者指出“它所对应的函数值 f 可赛 i”。

   视频直接表达
2. 公式

   $$\Delta x_i$$
   解释

   图中水平宽度对应小区间长度。

   步骤依据

   横轴上标出 Δx_i，讲解者说“长度德尔塔 x i”。

   视频直接表达
3. 公式

   $$f(\xi_i)\Delta x_i$$
   解释

   小矩形面积近似等于该小区间上的概率。

   步骤依据

   结合第二页公式 P{x<X≤x+Δx}≈f(x)Δx 可知该面积具有概率近似含义。

   依据视频推导

手绘图把抽象积分项转化为“高度×宽度”的小矩形面积，帮助理解密度函数与小区间概率近似之间的关系。

1. 声音
   观察依据

   讲解内容转述：连续型随机变量的期望可以通过将离散型期望的求和过程取极限（无限细分）转化为积分来理解。 本站补充：有密度的加权均值在绝对可积条件下对应期望积分；无限指标图不是完整证明。

2. 公式
   观察依据

   手写笔记 $\sum_{i=-\infty}^{+\infty} x_i f(x_i) \Delta x$ 配合讲师关于“无限细分”、“趋于零”的讲解。

1. 公式

   $$\sum_{i} x_i P(x_i)$$
   解释

   离散型随机变量期望的基本形式：取值乘以概率求和。

   步骤依据

   离散型期望定义

   视频直接表达
2. 公式

   $$P(x_i<X\le x_i+\Delta x)\approx f(x_i)\Delta x$$
   解释

   本站修正点概率记号：这是密度在参考点连续时的小区间概率近似；精确点概率为零。

   步骤依据

   概率密度的几何意义

   补充解释
3. 公式

   $$\sum_{i=-\infty}^{+\infty} x_i f(x_i) \Delta x$$
   解释

   将近似概率代入求和公式，得到黎曼和的形式。 画面无限指标求和是原片直觉记号，不是一般的全实轴分割定理。

   步骤依据

   代数替换

   视频直接表达
4. 公式

   $$\int_{-M}^{M}x f(x)\,dx=\lim_{\lambda\to0}\sum_{i=1}^{n}\xi_i f(\xi_i)\Delta x_i$$
   解释

   本站补充有限区间写法：M为有限正数，λ为[-M,M]分割的最大宽度；这个等式要求xf(x)在该区间黎曼可积。再以绝对可积控制尾部、令M趋于无穷，不以无穷相消替代收敛。

   步骤依据

   对原片直观求和的本站适用条件补充。

   补充解释

连续型随机变量的期望可以通过将离散型期望的求和过程取极限（无限细分）转化为积分来理解。 本站补充：有密度的加权均值在绝对可积条件下对应期望积分；无限指标图不是完整证明。

1. 图示
   观察依据

   白底幻灯片显示红色标题“友情提醒：”及三条提示文字。

1. 红色标题“友情提醒：”

2. 三条黑色提示文字

1. 画面静止显示提醒文字

1. 无数学对象或公式出现

这是视频开场说明页，不包含本片段内的数学内容。

1. 图示
   观察依据

   画面切换为教材扫描页，顶部可见“定义 设离散型随机变量 X 的分布律为 P(X=x_k)=p_k, k=1,2,⋯”，中部可见“若级数 ∑_{k=1}^∞ x_k p_k 绝对收敛……E(X)=∑_{k=1}^∞ x_k p_k.(1.1)”，底部红字为“它是一种加权平均，从本质上体现了随机变量 X 取可能值的真正的平均值，也称为均值。”

2. 动画
   观察依据

   红色激光笔依次指向“92”页码、“第四章 随机变量的数字特征”、分布律公式、级数式、E(X) 记号、求和式中的 x_k 与 p_k，并在 p_k 下方画红线。

1. 教材扫描页

2. 页码 92

3. 章节标题“第四章 随机变量的数字特征”

4. 公式 P(X=x_k)=p_k

5. 级数 ∑_{k=1}^∞ x_k p_k

6. 公式 E(X)=∑_{k=1}^∞ x_k p_k

7. 底部红字说明

8. 红色激光笔

1. 激光笔先圈出页码 92

2. 随后指向章节标题

3. 再指向分布律与级数绝对收敛条件

4. 最后反复指向 E(X) 公式中的 x_k 与 p_k，并在 p_k 下画线强调其为权重

1. 页面文本本身不变

2. 公式 (1.1) 始终可见

视觉标注把讲解重点落在“绝对收敛”这一前提以及“p_k 是权重”这一点上，帮助观众把抽象公式读成加权平均。

1. 图示
   观察依据

   画面切换为另一教材页，内容为“设连续型随机变量 X 的概率密度为 f(x)，若积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛，则称积分 ∫_{-∞}^{∞} x f(x) dx 的值为随机变量 X 的数学期望，记为 E(X)，即 E(X)=∫_{-∞}^{∞} x f(x) dx.(1.2) 数学期望简称期望，又称为均值。”

2. 动画
   观察依据

   红色激光笔指向 f(x)、积分号、被积式 x f(x) 以及公式编号 (1.2)。

1. 教材扫描页

2. 文字“概率密度为 f(x)”

3. 积分 ∫_{-∞}^{∞} x f(x) dx

4. 公式 E(X)=∫_{-∞}^{∞} x f(x) dx

5. 公式编号 (1.2)

6. 红色激光笔

1. 页面从离散定义切换到连续定义

2. 激光笔依次指向 f(x)、积分表达式和公式编号

1. 整页定义文字保持不变

2. 公式 (1.2) 持续可见

这一页把离散求和定义替换为连续积分定义，视觉上突出 f(x) 与 xf(x) 的位置，为后续解释连续期望的意义做铺垫。

1. 图示
   观察依据

   白底幻灯片展示连续型随机变量期望定义和公式 (1.2)。

2. 动画
   观察依据

   红色圆点依次指向“绝对收敛”、积分式、E(X) 和末行名称说明；约 5 秒后在公式右侧出现红色对勾。

1. 文字定义

2. 公式 E(X)=∫_{-∞}^{+∞} x f(x) dx

3. 红色圆点

4. 红色对勾

1. 红点先指向“绝对收敛”

2. 随后指向积分式和 E(X)

3. 公式右侧补画对勾

4. 红点再指向“数学期望简称期望，又称为均值”

1. 幻灯片正文文字和公式保持不变

视觉强调顺序与讲解一致：先突出绝对收敛条件，再突出期望记号和名称。

1. 动画
   观察依据

   画面切到空白白板后，依次手写 ∫_a^b f(x) dx、坐标轴、曲线、区间端点、分点和取样点。

2. 图示
   观察依据

   最终可见图形包括 y=f(x)>0、a、b、x_{i-1}、x_i、Δx_i、ξ_i。

1. 手绘线条较简略，未画出完整小矩形高度标注。

1. 手写积分式

2. 直角坐标轴

3. 曲线 y=f(x)>0

4. 区间端点 a,b

5. 分点 x_{i-1},x_i

6. 长度标记 Δx_i

7. 取样点 ξ_i

1. 先写积分式

2. 再画坐标轴和曲线

3. 接着标出 a,b 与曲边梯形区域

4. 然后标出第 i 个小区间及其长度

5. 最后在小区间上方标出 ξ_i

1. 曲线始终位于 x 轴上方

2. 讨论对象始终是区间 [a,b] 上的定积分几何意义

动画过程把抽象的定积分定义拆解成可视步骤：面积对象→区间分割→局部取样→准备近似为小矩形。

1. 图示
   观察依据

   红色手绘坐标系中，曲线 y=f(x)≥0 位于 x 轴上方，区间 [a,b] 被分成若干小段，其中一段标出 x_{i-1}, ξ_i, x_i 和 Δx_i。

2. 动画
   观察依据

   红点先在 ξ_i 附近移动，随后板书逐步补全求和号和极限号。

1. 坐标轴

2. 曲线 y=f(x)≥0

3. 区间 [a,b]

4. 小区间 [x_{i-1},x_i]

5. 取样点 ξ_i

6. 长度 Δx_i

7. 求和式与极限式

1. 先给出单个小条近似 f(ξ_i)Δx_i

2. 再补成 Σ_{i=1}^n f(ξ_i)Δx_i

3. 最后加上 lim_{λ→0} 并写出等于 ∫_a^b f(x)dx

1. 曲线始终在 x 轴上方

2. 讨论对象始终是 [a,b] 上的分割与取点

该图把“面积近似—求和—取极限—定义积分”的过程可视化，帮助理解定积分的几何来源。

1. 字幕依据
   观察依据

   讲解内容转述：视觉上把抽象的期望定义与概率密度图形联系起来，为后续“分割实轴再近似”的讲解做铺垫。

2. 动画
   观察依据

   红笔在公式下方画出概率密度曲线，并标出 x_{i-1}, x_i 的一段分割。

1. 教材文字

2. 公式 E(X)=∫_{-∞}^{+∞} x f(x) dx

3. 红色密度曲线

4. 横轴分割点 x_{i-1}, x_i

1. 从纯文字定义页过渡到手绘密度曲线

2. 在曲线下标出实轴上的一个小区间

1. 页面核心定义始终是连续型随机变量期望的反常积分表达

视觉上把抽象的期望定义与概率密度图形联系起来，为后续“分割实轴再近似”的讲解做铺垫。

1. 图示
   观察依据

   第一页上方是期望定义和公式 (1.2)，下方是红笔手绘的概率密度曲线与小区间示意。

2. 动画
   观察依据

   讲解者在右侧逐步写出 f(ξ_i)Δx_i。

1. 印刷体定义文字

2. 公式 E(X)=∫_{-∞}^{∞} x f(x) dx

3. 手绘曲线 f(x)

4. 横轴标记 ξ_i、Δx_i

5. 右侧手写 f(ξ_i)Δx_i

1. 讲解者先在图上指出区间长度 Δx_i 和代表点 ξ_i

2. 随后在右侧写出 f(ξ_i)Δx_i

3. 红色下划线和勾号强调定义与公式

1. 页面主定义始终是连续型随机变量期望

2. 曲线始终表示概率密度 f(x)

这一页把期望的正式定义与几何示意放在一起，为后面解释积分项含义做铺垫。

1. 图示
   观察依据

   画面切换到第二页，显示“由(4.2)式知道，若不计高阶无穷小，有 P{x < X ≤ x + Δx} ≈ f(x)Δx”。

2. 动画
   观察依据

   红色下划线划出“概率近似地等于 f(x)Δx”。

1. 印刷体公式 (4.3)

2. 文字解释句

3. 红色下划线

1. 页面从第一页切到第二页

2. 重点句子被红线标出

1. 公式核心是 P{x<X≤x+Δx}≈f(x)Δx

这一页提供把密度乘以小区间长度解释为小概率的依据。

1. 动画
   观察依据

   画面回到第一页，讲解者在 f(ξ_i)Δx_i 前补写 ξ_i，形成 ξ_i f(ξ_i)Δx_i。

2. 声音
   观察依据

   讲解内容转述：这一步把“小区间概率近似”与“取值加权”结合起来，说明期望积分中每一项的直观来源。

1. 手写式 ξ_i f(ξ_i)Δx_i

2. 第一页原有定义和草图

1. 在原有 f(ξ_i)Δx_i 前增加 ξ_i

2. 讲解者把“取值”和“小概率”合并成一个近似贡献项

1. 仍围绕期望积分 x f(x) dx 的离散化理解

这一步把“小区间概率近似”与“取值加权”结合起来，说明期望积分中每一项的直观来源。

1. 图示
   观察依据

   屏幕下方有一个手绘的概率密度曲线图，横轴为 x，纵轴为 y。曲线下方的一个窄条被标注为 $x_i, x_i+\Delta x$ 和 $\Delta x$。

2. 动画
   观察依据

   讲师使用红色画笔在右侧空白处逐步写出 $\sum_{i=-\infty}^{+\infty} x_i f(x_i) \Delta x$，并在 $\Delta x$ 下方画线强调。

1. 概率密度曲线 f(x)

2. 横轴 x

3. 纵轴 y

4. 微元区间 [x_i, x_i+\Delta x]

5. 微元宽度 \Delta x

1. 红色笔迹逐步添加求和公式

2. 在 \Delta x 下方画线以示强调

1. 概率密度曲线的形状保持不变

2. 坐标轴位置不变

图示直观展示了连续型随机变量取值的“无限细分”过程：将 x 轴分成许多宽度为 $\Delta x$ 的小区间，每个小区间内的代表值 $x_i$ 乘以该区间的概率近似值 $f(x_i)\Delta x$，最后将所有这些乘积相加并取 $\Delta x \to 0$ 的极限，即得到期望的积分表达式。

1. 公式
   观察依据

   离散页明确写“若级数 ∑_{k=1}^∞ x_k p_k 绝对收敛，则称……为数学期望”；连续页明确写“若积分 ∫_{-∞}^{∞} x f(x) dx 绝对收敛，则称……为数学期望”。

2. 声音
   观察依据

   讲解内容转述：视频两页定义都把“绝对收敛”写在“则称……为数学期望”之前，说明只有当相应级数或积分绝对收敛时，才把它定义为数学期望。

1. 连续部分的口头强调因片段截断而未完整听到，但页面文字清楚。

把 E(X)=∑ x_k p_k 或 E(X)=∫ x f(x) dx 当成无条件恒成立的表达式。

视频两页定义都把“绝对收敛”写在“则称……为数学期望”之前，说明只有当相应级数或积分绝对收敛时，才把它定义为数学期望。

1. 声音
   观察依据

   讲解内容转述：视频明确把 p_k 解释为“取到 x_k 的权重”，从而把离散期望理解为“取值乘以权重再求和”的加权平均。

2. 动画
   观察依据

   激光笔在 E(X)=∑ x_k p_k 中反复指向 p_k，并在其下方画红线。

只把 ∑ x_k p_k 看成机械求和，不理解 p_k 的角色。

视频明确把 p_k 解释为“取到 x_k 的权重”，从而把离散期望理解为“取值乘以权重再求和”的加权平均。

1. 公式
   观察依据

   定义文字明确写“若积分 ∫_{-∞}^{+∞} x f(x) dx 绝对收敛，则称……为……数学期望”。

2. 动画
   观察依据

   红点首先停在“绝对收敛”处。

误以为只要写出 ∫_{-∞}^{+∞} x f(x) dx 就自动是 E(X)。

视频把“绝对收敛”放在定义前提位置，并先用红点强调，说明只有该反常积分绝对收敛时，才把这个积分值称为 X 的数学期望。

1. 声音
   观察依据

   讲解内容转述：视频明确说明真实情形中 Δx_i 很小，图画放大只是为了便于观看。

把白板上画得较宽的 Δx_i 误解为理论上的实际大小。

视频明确说明真实情形中 Δx_i 很小，图画放大只是为了便于观看。

1. 声音
   观察依据

   讲解内容转述：视频明确指出 λ 是所有小区间长度 Δx_i 的最大值；λ→0 表示最大子区间也趋于 0，从而所有子区间都趋于 0。

容易把 lim_{λ→0} 中的 λ 误解为任意参数或子区间个数。

视频明确指出 λ 是所有小区间长度 Δx_i 的最大值；λ→0 表示最大子区间也趋于 0，从而所有子区间都趋于 0。

1. 字幕依据
   观察依据

   讲解内容转述：页面明确把“绝对收敛”作为定义 E(X) 的前提条件。

容易以为只要反常积分形式上能写出 ∫ x f(x) dx，就自动存在期望。

页面明确把“绝对收敛”作为定义 E(X) 的前提条件。

1. 声音
   观察依据

   讲解内容转述：本站澄清：严格来说，连续型随机变量在单点的概率为 0；视频中的 f(ξ_i)Δx_i 是“落在包含 ξ_i 的小区间内”的概率近似，而不是点概率本身。此条为分析员基于公式 (4.3) 作出的澄清。

2. 公式
   观察依据

   第二页实际给出的是 P{x<X≤x+Δx}≈f(x)Δx，即小区间概率近似。

听到“大X取到 ξ_i 的概率”时，容易误以为连续型随机变量在某一点 ξ_i 有非零概率。

本站澄清：严格来说，连续型随机变量在单点的概率为 0；视频中的 f(ξ_i)Δx_i 是“落在包含 ξ_i 的小区间内”的概率近似，而不是点概率本身。此条为分析员基于公式 (4.3) 作出的澄清。

1. 声音
   观察依据

   讲解内容转述：本站澄清：连续型随机变量取任何单个特定值的概率均为 0。公式中的 $f(x_i)$ 是概率密度，必须乘以微元宽度 $\Delta x$ （即 $f(x_i)\Delta x$）才近似代表落在该小区间内的概率。这也是为什么最终形式是积分 $\int x f(x) dx$ 而不是简单的求和。

认为连续型随机变量在某一点 $x_i$ 的概率就是 $f(x_i)$，从而写出 $\sum x_i f(x_i)$ 这样的错误公式。

本站澄清：连续型随机变量取任何单个特定值的概率均为 0。公式中的 $f(x_i)$ 是概率密度，必须乘以微元宽度 $\Delta x$ （即 $f(x_i)\Delta x$）才近似代表落在该小区间内的概率。这也是为什么最终形式是积分 $\int x f(x) dx$ 而不是简单的求和。

1. 公式
   观察依据

   视频先后给出 E(X)=∑_{k=1}^∞ x_k p_k 与 E(X)=∫_{-∞}^{∞} x f(x) dx。

2. 声音
   观察依据

   讲解内容转述：视频用对照方式组织内容：离散情形用分布律 p_k 和级数求和，连续情形用概率密度 f(x) 和广义积分；两者都以“绝对收敛”作为期望存在的前提。

视频用对照方式组织内容：离散情形用分布律 p_k 和级数求和，连续情形用概率密度 f(x) 和广义积分；两者都以“绝对收敛”作为期望存在的前提。

1. 公式
   观察依据

   底部红字直接写在离散期望公式之后：“它是一种加权平均……也称为均值。”

2. 声音
   观察依据

   讲解内容转述：“加权平均”的解释被用来阐明离散期望公式 E(X)=∑ x_k p_k 的含义。

“加权平均”的解释被用来阐明离散期望公式 E(X)=∑ x_k p_k 的含义。

1. 声音
   观察依据

   讲解内容转述：连续型随机变量期望的定义直接落到一个反常积分上，因此视频用反常积分方法来理解 E(X)。

2. 公式
   观察依据

   定义式本身是无穷限积分。

连续型随机变量期望的定义直接落到一个反常积分上，因此视频用反常积分方法来理解 E(X)。

1. 声音
   观察依据

   讲解内容转述：视频把定积分的几何意义作为理解反常积分和期望的先行工具。

2. 公式
   观察依据

   画面从 E(X)=∫_{-∞}^{+∞} x f(x) dx 转到手写 ∫_a^b f(x) dx。

视频把定积分的几何意义作为理解反常积分和期望的先行工具。

1. 图示
   观察依据

   先画出曲边梯形，再在同一图上加入 x_{i-1},x_i,Δx_i,ξ_i。

2. 声音
   观察依据

   讲解内容转述：定积分面积解释内部包含分割区间、取小区间长度和取样点这些定义步骤。

定积分面积解释内部包含分割区间、取小区间长度和取样点这些定义步骤。

1. 声音
   观察依据

   讲解内容转述：只有在小区间 [x_{i-1},x_i] 确定后，才能在其上选取样本点 ξ_i。

2. 图示
   观察依据

   先标出 x_{i-1},x_i,Δx_i，后标出 ξ_i。

只有在小区间 [x_{i-1},x_i] 确定后，才能在其上选取样本点 ξ_i。

1. 公式
   观察依据

   板书从 Σ f(ξ_i)Δx_i 推到 lim_{λ→0}Σ f(ξ_i)Δx_i=∫_a^b f(x)dx。

定积分定义直接建立在黎曼和及其极限之上。

1. 声音
   观察依据

   讲解内容转述：视频把前面建立的积分思想迁移到概率论中，用反常积分定义连续型随机变量的期望。

2. 字幕依据
   观察依据

   讲解内容转述：视频把前面建立的积分思想迁移到概率论中，用反常积分定义连续型随机变量的期望。

视频把前面建立的积分思想迁移到概率论中，用反常积分定义连续型随机变量的期望。

1. 公式
   观察依据

   页面定义先给出“概率密度为 f(x)”，再给出 E(X)=∫ x f(x) dx。

理解期望积分中 x f(x) dx 的含义，需要先理解密度函数与小区间概率近似 f(x)Δx 的关系。

1. 公式
   观察依据

   第二页给出 P{x<X≤x+Δx}≈f(x)Δx。

2. 声音
   观察依据

   讲解内容转述：小区间概率近似公式被应用到期望积分的被积项上，用来说明 ξ_i f(ξ_i)Δx_i 的直观意义。

小区间概率近似公式被应用到期望积分的被积项上，用来说明 ξ_i f(ξ_i)Δx_i 的直观意义。

1. 公式
   观察依据

   第一页给出正式定义 E(X)=∫ x f(x) dx。

2. 声音
   观察依据

   讲解内容转述：前者是严格的积分定义，后者是把积分项拆成“取值×小概率”的直观理解，两者层次不同但互相对应。

前者是严格的积分定义，后者是把积分项拆成“取值×小概率”的直观理解，两者层次不同但互相对应。

1. 声音
   观察依据

   讲解内容转述：离散型期望通过求和计算，连续型期望通过积分计算。两者本质都是“取值×权重”的累加，区别在于权重的形式（概率 vs 概率密度×微元）和累加的方式（有限/可数求和 vs 连续积分）。

离散型期望通过求和计算，连续型期望通过积分计算。两者本质都是“取值×权重”的累加，区别在于权重的形式（概率 vs 概率密度×微元）和累加的方式（有限/可数求和 vs 连续积分）。

1. 公式
   观察依据

   离散期望定义页完整可见。

1. 离散型随机变量的数学期望定义
2. 离散期望作为加权平均的解释

1. 公式
   观察依据

   两页定义都先写“若……绝对收敛”，再写“则称……为数学期望”。

1. 离散型随机变量的数学期望定义
2. 连续型随机变量的数学期望定义

1. 声音
   观察依据

   讲解内容转述：在 E(X)=∑ x_k p_k 里，p_k 起什么作用？

2. 动画
   观察依据

   激光笔在 p_k 下画线强调。

1. 离散期望作为加权平均的解释

1. 公式
   观察依据

   连续期望定义页完整可见。

1. 音频在解释过程中被截断。

1. 连续型随机变量的数学期望定义

1. 公式
   观察依据

   画面直接给出 E(X) 的定义式。

2. 声音
   观察依据

   讲解内容转述：连续型随机变量的数学期望 E(X) 是怎么定义的？

1. 连续型随机变量数学期望的定义
2. 数学期望的名称

1. 公式
   观察依据

   定义句首强调“若积分……绝对收敛”。

2. 动画
   观察依据

   红点首先指向“绝对收敛”。

1. 连续型随机变量数学期望的定义
2. 不能忽略期望定义中的绝对收敛条件

1. 声音
   观察依据

   讲解内容转述：怎样把连续型随机变量的期望理解成反常积分？

1. 连续型随机变量数学期望的定义
2. 从反常积分和定积分几何意义理解期望
3. 连续型随机变量的期望可视为反常积分

1. 图示
   观察依据

   手绘曲边梯形并标注 y=f(x)>0。

2. 声音
   观察依据

   讲解内容转述：定积分 ∫_a^b f(x) dx 的几何意义是什么？

1. 定积分的几何意义：曲边梯形面积
2. 定积分表示曲边梯形面积

1. 声音
   观察依据

   讲解内容转述：视频如何用分割区间和取样点来复习定积分定义？

2. 图示
   观察依据

   图中逐步标出 x_{i-1},x_i,Δx_i,ξ_i。

1. 定积分定义中的区间分割
2. 小区间内任取样本点 ξ_i
3. 用定积分几何意义为理解期望做铺垫

1. 声音
   观察依据

   讲解内容转述：为什么白板上的 Δx_i 看起来比理论值大？

1. 不要把示意图中的小区间宽度当成真实比例
2. 定积分定义中的区间分割

1. 声音
   观察依据

   讲解内容转述：定积分极限记号里的 λ→0 中 λ 代表什么？

1. 定积分作为黎曼和的极限
2. λ 不是普通参数而是分割模

1. 公式
   观察依据

   板书写出 f(ξ_i)Δx_i 和 Σ_{i=1}^n f(ξ_i)Δx_i。

1. 用矩形近似窄曲边梯形面积
2. 曲边梯形与黎曼和示意图