咱们先看看那三个公式到底在干啥。
说白了，就是三个数学大佬在琢磨如何把一堆乱七八糟的数据（要么说变量）整成整规整齐的数字。你未必认定这玩意儿有多高深，实际上就是咱们做预测、搞模型、算概率的时候，三个最常用的“万能钥匙”。 第一个，最老也最经典的，是线性的那个，叫 $E = X cdot W + b$。
这个公式实际上就是说，某个结局（比如你的预测得分、房价、销量）等于一堆因素（比如广告费、季节、地区）乘起来，再加上一个基础值（比如就算没因素，也有个底气和基准）。
这就像你点菜，老板说“这盘肉要 50 块”，再加个“这桌还有 5 个人”（基准），那就大约 50 + 5，你能够往这数里加“今天下雨”要么“风大”（权重乘数）。
只要这些因素关系拉得直直直，只要它们之间没搞啥复杂的猫腻，用这个公式就能算准。 第二个，略微有点“玄乎”一点，叫伯努利试验的期望，$E = p$。大量人一看到“期望”当作啥都复杂。
实际上它就是个最好办的平均数，就是那堆可能出现的结局，你狠狠摔在计算器上，啥都别管，只要你数过来罢了。
比如你要猜彩票号码，头奖肯定拿不到，大奖也要猜个屁，那你能指望中奖的数是多少？它就是个概率值，就是那算出来的数字。
比如抽一个签，1 抽中，那就是 1，那 2 抽中就是 0.5，3 抽中就是 0.333。
这个公式最朴素的点，就是它只关心“形成”和“没形成”这两个极端，中间的所有坑都不管，直接扔进去就能出个平均值。你能够把它想象成你在玩抽卡游戏，抽到的卡里，有红卡，有蓝卡，有绿卡，你把你所有抽过的卡片扔进计算器，加起来提个总平均值，这个平均值就是它的期望。 第三个，略微严肃点一点，叫齐次性期望，$E = px$。
这个公式挺有意思，出于它用到了“齐次”，意思是它跟前面的两个有点像，但它在处理“数量”要么“数量级”的时候更直接。比方说你做了 $N$ 次实验，每次成功的概率是 $p$，那么总共成功的次数大约是多少？你不用算 $1$ 次成功算出来再乘 $N$，直接就是 $N times p$。
这是最数学味的地方，出于它体现了“要是条件不变，数量翻倍，结局也应当翻倍”的逻辑，不需求中间再转个弯。
比如你在卖手机，每台手机的销量是 $N$，每台手机卖出的概率是 $p$，那总销量就是 $p times N$。
这个公式最直观，就是直接把概率乘以数量，再得出一个概数。 实际上你会发现，这三个公式别看名字不同，道理实际上相通。它们都是在估算一个“平均”结局。
第一个是加向量（加法结构），第二个是看概率（概率结构），第三个是乘数量（乘法结构）。 举个生活的例子吧。假设你要预测下个月下雨的概率 $p$，你查了气象资料，说概率是 0.3。
那你的期望 $E$ 就是 0.3。
要是你把这 30 天的数据加起来，每三天翻一次雨，那期望就是 $3 times 0.3 = 0.9$。
要是你把这 30 天的数据乘以 30 次，每次翻一次，那期望就是 $30 times 0.3 = 9$。
你看，实际上公式里那个 $p$ 是固定的，变化的只有前面的数字。 再扯点实际操作的。
比如你做市场调研，假设你的产品销往城市 $N$ 个，每个城市成功的概率是 $p$。你不用遍历每个城市算一次再乘，直接算 $p times N$ 就行了。
要是直接用第一个公式 $E = X cdot W + b$，你得先算出每个城市成功的概率作为权重 $W$，再算出基础值 $b$，最终相加，过程多绕。
第三个公式 $px$ 直接告诉你，成功次数等于概率乘城市数。书上写的是 $np$，但写成 $px$，意思差不多，都是让概率乘以数量。 不过，说正经的，这三个公式在应用的时候，有个大坑。就是要是那些“因素”之间不是线性的，不是概率独立，要么数量级变化忒大，套这三个公式出来的结局准不了。
比如你问用户“你愿不愿意买？”用户说“愿意”要么“不愿意”，这概率 $p$ 是 0.5。买 100 人的时候，期望是 50。
可是要是你的用户群体不均匀，要么他们是有门槛的，直接乘 100 可能不准。
这时候就得回归到第一个公式 $X cdot W + b$，你得先算每个用户的权重（比如大城市的权重高，小城市的权重低），再算个基础值，最终加起来。 另外，这三个公式在讲“期望”的时候，往往忽略了一个细节，叫方差要么离散。期望算的是平均值，它告诉你“大约率在哪”。但要是你关心的是“最坏情况”要么“最可能情况”，要么数据波动多大，这时候单看期望不够。
这时候就得回头去想，是不是得重新评估那些权重，是不是得换个公式，比如用方差公式要么贝叶斯公式。 最终说句心里话，这三个公式别看是个公式，但它们代表的是一种思维：别把难题复杂化，把数据好办化处理。
只要列清楚那些能加的东西（$X$），能乘的东西（$W$），能抛的概率（$p$），把公式套进去，你就知道这个平均值大约在哪个区间了。
这就是统计学的底色，好办明白，别看不够完美，但在大多数时候，它就是解决难题的最佳拍档。
