下载文档原格式
例说数学期望与方差的实际应用【摘要】数学期望作为概率分布中重要的数字特征之一，反应的是随机变量取值的平均水平，方差则是反应随机变量取值在其平均值附近的离散程度。
利用概率论中数学期望与方差的思想可以计算出实际生活中的许多问题的最大可能值以及该事件发生的偏差的大小，从而为实际决策提供更具体的参考。
[关键词]数学期望方差最佳决策数学期望反应的是随机变量取值的平均水平，而方差则是反应随机变量取值在其平均值附近的离散程度。
现代实际生活中，越来越多的决策需要应用数学期望与方差这思想来对事件发生大小的可能性进行评估，通过计算分析可以比较科学地得出各个方案的预期效果及出现偏差的大小，从而决定要选择的最佳方案。
在当前社会生产中，更多商家等追求的是效益最大化，以下我将就现实生活中的种种问题，利用离散型随机变量的期望和方差的思想对实际问题进行分析计算，并通过各个方案的比较得出最佳方案。
首先介绍一些基本概念知识：（1）概率分布，（i=1,2,3，、、、，ｎ，、、、，），离散型随机变量的概设离散型随机变量为i率为Ｐi，其概率分布如下：（1）数学期望根据（1）的概率分布，即Ｐ（ξ=i χ）=i P ，i =1,2，…，n,…,称和数∑ii χiP 为随机变量ξ的数学期望，简称期望，记作E(ξ)，则E(ξ)=1χp 1+2χp 2+…+n χp n +…。
（3）方差由（2）推出数学期望E （ξ）存在时，如果E[ξ-E(ξ)]2存在，则称E[ξ-E(ξ)]2为随机变量ξ的方差，记为D(ξ),有D(ξ)=E[ξ-E(ξ)]2=E(2ξ)-E 2(ξ)。
1、数学期望与方差在投资风险程度分析中的应用在市场经济条件下，要想获得较高的期望收益，必须把资金投向几种不同的收益不同风险的金融资产上，而这将为投资者选择投资方案提供一定的理论依据和数字参考，以便于投资者选择可行的投资决策方案。
下面以两个例子进行说明： 例1、某投资者有10万元,现有两种投资方案:一是购买股票,二是存入银行获取利息。
高中数学备课教案概率与统计中的期望与方差高中数学备课教案主题：概率与统计中的期望与方差导语：概率与统计是数学中的一个重要分支，它帮助我们理解随机事件的发生规律，并能够对未知事件进行预测。
在本次备课教案中，我们将重点关注概率与统计中的期望与方差，深入探讨其概念、计算方法和实际应用。
1. 期望的概念和计算方法1.1 期望的定义期望是一种统计指标，常用于衡量一个随机变量的平均取值水平。
1.2 期望的计算方法（这里可以根据教学需要，结合具体题型讲述计算方法，例如离散型随机变量的期望计算公式、连续型随机变量的期望计算公式等）1.3 期望的实际应用（这里可以介绍期望在实际问题中的应用，如游戏中的期望值、股票投资中的期望收益等）2. 方差的概念和计算方法2.1 方差的定义方差是衡量一个随机变量的取值偏离其期望值的程度。
2.2 方差的计算方法（这里可以介绍方差的计算公式及其推导过程，例如离散型随机变量的方差计算公式、连续型随机变量的方差计算公式等）2.3 方差的实际应用（这里可以介绍方差在实际问题中的应用，如风险评估中的方差、品质控制中的方差等）3. 期望与方差的联系3.1 期望与方差的关系期望和方差是概率与统计中两个重要的概念，它们在一定程度上反映了随机事件的特征。
3.2 期望和方差的计算方法比较（这里可以比较期望和方差的计算方法，分析它们的异同点，并结合具体例题进行讲解）3.3 期望与方差的实例分析（这里可以通过一个具体的实例，让学生理解期望和方差的联系和应用，如某种产品销售量的期望和方差，通过分析期望和方差可以得到该产品的销售趋势等）结语：概率与统计中的期望和方差是数学中重要的概念和工具，在实际应用中具有广泛的意义。
通过本节课的学习，学生将深入了解期望和方差的概念和计算方法，并能够将其运用到实际问题中。
希望本教案能够帮助学生更好地掌握概率与统计中的期望和方差知识，并提升他们的数学思维能力和应用能力。
高二数学概率与统计中的期望与方差的应用概率与统计作为数学的重要分支之一，在高中数学课程中占据着重要的地位。
而其中的期望与方差更是概率与统计中的重要概念，具有广泛的应用价值。
本文将探讨高二数学概率与统计中的期望与方差的应用。
一、期望的应用期望是指一个随机变量所有可能取值的加权平均值。
在实际生活中，期望有许多应用。
首先，期望可以用来计算平均值。
例如，在一次掷骰子的实验中，骰子有6个面，每个面上的数字分别为1、2、3、4、5、6，每个数字出现的概率相等。
那么，掷一次骰子，出现的数字的期望就是(1+2+3+4+5+6)/6=3.5。
这意味着在多次重复的实验中，出现的数字的平均值接近于3.5。
其次，期望可以用来评估投资的回报率。
假设某股票有两种可能的收益，收益1的概率为0.6，收益2的概率为0.4，对应的收益分别为100元和200元。
那么，这只股票的期望收益就是0.6 * 100 + 0.4 * 200 = 160元。
这意味着在多次投资中，每次投资的平均回报为160元。
此外，期望还可以应用于赌博的分析。
例如，在轮盘赌中，轮盘共有36个数字，其中18个为红色，18个为黑色。
假设赌徒每次下注5元，并且下注的数字与轮盘最终停在的数字相同，则赌徒获胜，获得10元的收益；反之，输掉下注的5元。
那么，赌徒在一次下注中的期望收益就是(18/36 * 10) + (18/36 * (-5)) = 0元。
这意味着在多次下注中，赌徒每次下注的平均回报为0元。
二、方差的应用方差是衡量随机变量离其期望值有多远的统计量。
在实际问题中，方差也有着广泛的应用。
首先，方差可以用来度量一个样本的离散程度。
例如，在某考试中，某班级的学生总成绩对应的随机变量为X，其期望值为E(X)，方差为Var(X)。
在这个班级中，学生的总成绩越分散，说明学生之间的差异越大，方差就越大。
而方差越小，则说明学生的总成绩越接近平均水平，差异性越小。
其次，方差可以用于风险评估。
期望与方差的关系
方差与期望的关系公式：DX=E(X^2-2XEX+(EX)^2)。
方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。
概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。
统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。
在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。
它反映随机变量平均取值的大小。
需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。
期望值是该变量输出值的平均数。
期望值并不一定包含于变量的输出值集合里。
— 1 —。
数学期望与方差的运算性质教程一：复习公式离散随机变量(),(,)(,)(,)(,)i j ij i j ij i jP X Y a b p Eh X Y h a b p ==→=∑连续随机变量()()()2,~,(,)(,),R f x y Eg g x y f x y dxdy ξηξη→=⎰⎰二：期望运算性质()E aX bY c aEX bEY c ++=++应用例题、袋中装有m 个不同色小球，有返回取球n 次，出现X 种不同颜色，求EX 解答：用i X ⎧=⎨⎩１第ｉ颜色球在n次取球中出现０第ｉ颜色球在n次取球中没出现，则m X X X ++= 1由于()()1101,111,n ni i P X P X m m ⎛⎫⎛⎫==-==-- ⎪ ⎪⎝⎭⎝⎭()111/ni EX m =--，()⎥⎥⎦⎤⎢⎢⎣⎡⎪⎭⎫ ⎝⎛--==++=∑=nmi i m m m EX X X E EX 11111三、协方差：若,EX EY θμ==，()()cov(,)X Y E X Y θμ=--⎡⎤⎣⎦称为随机变量X 、Y 的协方差.covariance()()cov(,)X Y E X Y θμ=--⎡⎤⎣⎦()()()()()()()()()()()EYEX XY E XY E XY E Y E X E XY E E Y E X E XY E Y X XY E ⨯-=-=+--=+--=+-+-+=+--=θμθμθμμθθμθμθμθμθμθμ 例题：害虫一生产卵个数X 服从参数为λ的Ｐｏｉｓｓｏｎ分布，若每个卵能孵化成下一代的概率都是p ，假定害虫后代个数为Y ，求cov(,)X Y解答：(,)()()(1)!i i jj ji j i e P X i Y j P X i P Y j X i C p p i λλ-≥-=======-!(1)(1)!!()!!()!i i j i j j i j e i e p p p p i j i j j i j λλλλ----=-=---000(,)(1)!()!i ij i ji j i i j e EXY ijP X i Y j ij p p j i j λλ-∞∞-=≤======--∑∑∑∑000(,)(1)!()!iij i j i j i i j e EX iP X i Y j i p p j i j λλ-∞∞-=≤======--∑∑∑∑000(,)(1)!()!iij i j i j i i j e EY jP X i Y j j p p j i j λλ-∞∞-=≤======--∑∑∑∑clear clcsyms i j p lamda positiveEXY=symsum(symsum(i*j*exp(-lamda)*lamda^i/gamma(j+1)/gamma(i-j+1)*p^j*(1-p)^(i-j),j,0,i),i,0,inf)EX=symsum(symsum(i*exp(-lamda)*lamda^i/gamma(j+1)/gamma(i-j+1)*p^j*(1-p)^(i-j),j,0,i),i,0,inf)EY=symsum(symsum(j*exp(-lamda)*lamda^i/gamma(j+1)/gamma(i-j+1)*p^j*(1-p)^(i-j),j,0,i),i,0,inf)cov=simple(EXY-EX*EY); cov EXY =p*lamda*(lamda+1) EX = lamda EY = lamda*p cov = lamda*p可以看到，协方差不为０ 例题：P180 3.4.8()[0,1][0,2],~(,)1/3()(,)f x y x y I x y ξη⨯=+，求(238)Var X Y -+syms x y positivemoment1=int(int((2*x-3*y+8)*1/3*(x+y),x,0,1),y,0,2); moment2=int(int((2*x-3*y+8)^2*1/3*(x+y),x,0,1),y,0,2); Var=moment2-moment1^2 Var = 245/81协方差计算公式()()()(),cov(,)EX a EY bX Y E X EX E Y EY E X a E Y b ===--=--()()()()E XY aY bX ab E XY aE Y bE X ab =--+=--+ ()E XY ab ba ab =--+ ()()()E XY E X E Y =-注： Ｙ＝Ｘ时得到什么公式？例题：若随机变量,X Y 独立，求它们的协方差解答：,EX EY θμ==，因为,X Y 独立，所以X Y θμ--、也相互独立()()()()cov(,)0X Y E X Y E X E Y θμθμ=--=-⨯-=⎡⎤⎣⎦注：相互独立随机变量协方差为０的逆命题不成立，如，假定随机变量~(1,1)X U -，则显然2cov(,)0X X =，但是2X X 、不独立 四、协方差和方差性质１：协方差是方差推广，方差是特殊协方差cov(,)()X X Var X =，cov(,)0X c =，cov(,)cov(,)X Y Y X =1111cov(,)cov(,)m n m ni i j j i j i j i j i j c X d Y c d X Y =====∑∑∑∑特殊地11111()cov(,)cov(,)mmmmmi i i i j i i i i j Var X X X X X =======∑∑∑∑∑111cov(,)cov(,)cov(,)m m m i j i j i i i j i j i X X X X X X ===≠⎡⎤==+⎢⎥⎣⎦∑∑∑∑1cov(,)()mi j i i j i X X Var X =≠⎡⎤=+⎢⎥⎣⎦∑∑11cov(,)()mmi j i i i j i X X Var X ==≠⎡⎤=+⎢⎥⎣⎦∑∑∑12cov(,)()mi j i i j iX X Var X =>=+∑∑特别地121212()()()2cov(,)Var X X Var X Var X X X +=++121212112212()cov(,)cov(,)cov(,)Var X X X X X X X X X X X X -=--=-+-- 11122122cov(,)cov(,)cov(,)cov(,)X X X X X X X X =+-+-+-- 11122122cov(,)cov(,)cov(,)cov(,)X X X X X X X X =+-+-+-- 1122122()cov(,)cov(,)cov(,)Var X X X X X X X =---- 1121222()cov(,)cov(,)cov(,)Var X X X X X X X =--+ 1212()()2cov(,)Var X Var X X X =+-这个结论说明，一般，和的方差并不等于方差之和 定理：若随机变量1,,n X X 相互独立，则111()2cov(,)()()nnni i j i i i i i j iVar X X X Var X Var X ===>=+=∑∑∑∑。
随机变量的期望与方差知识点统计学中的随机变量是指在一次试验中可以取得不同数值的变量。
对于随机变量，我们常常关注它的期望与方差，这些是描述随机变量性质的重要指标。
本文将介绍随机变量的期望与方差的概念、计算方法以及它们的实际含义。
一、随机变量的期望随机变量的期望是一个数学期望值，用来衡量随机变量的平均取值水平。
对于离散型随机变量X，其期望的计算公式为：E(X) = Σ[x * P(X=x)]其中Σ 表示求和，x 表示随机变量X可以取到的值，P(X=x) 表示随机变量X取到值x的概率。
对于连续型随机变量X，其期望的计算公式为：E(X) = ∫ [x * f(x)]dx其中∫ 表示积分，x 表示随机变量X可以取到的值，f(x) 表示X的密度函数。
期望的计算方法可以帮助我们了解随机变量的平均取值水平。
例如，在某个游戏中，随机变量X表示一次投掷骰子的结果。
假设骰子是均匀的，那么它的每个面出现的概率都是1/6。
我们可以通过计算期望来了解投掷骰子的平均结果是多少。
二、随机变量的方差随机变量的方差是衡量随机变量取值的离散程度，它描述了随机变量偏离期望的程度。
方差的定义如下：Var(X) = E[(X-E(X))^2]其中 E(X) 表示随机变量X的期望。
方差的计算方法可以帮助我们了解随机变量取值的离散程度。
对于同样表示投掷骰子结果的随机变量X，假设我们想知道投掷10次骰子的结果的离散程度。
我们可以通过计算方差来了解。
三、随机变量期望与方差的实际含义随机变量的期望和方差都是对随机变量的性质进行描述的重要指标。
它们不仅有着严格的数学定义，也有着实际的含义。
期望是描述随机变量的平均取值水平，它可以用来预测随机变量的未来表现。
例如，在股票市场中，可以用过去的股价数据计算股票未来收益的期望，帮助投资者做出投资决策。
方差是描述随机变量取值离散程度的指标，它可以用来评估随机变量的风险。
例如，在金融领域中，可以利用方差来衡量投资组合的风险。
数学期望和方差公式数学期望和方差是概率论和统计学中重要的概念，在许多领域中有广泛的应用。
它们是度量随机变量分布的指标，可以帮助我们了解随机现象的平均值和离散程度。
本文将详细介绍数学期望和方差的定义、性质以及计算公式。
一、数学期望数学期望，也称为均值或平均值，是衡量随机变量平均值的指标。
对于离散型随机变量X，它的数学期望E(X)的定义如下：E(X) = Σx * P(X = x)其中，x代表随机变量X可能取到的值，P(X = x)表示随机变量取到x的概率。
对于连续型随机变量X，它的数学期望E(X)的定义如下：E(X) = ∫x * f(x) dx其中，f(x)表示X的概率密度函数。
数学期望具有以下性质：1. 线性性质：对于任意实数a和b，以及任意两个随机变量X和Y，有E(aX + bY) = aE(X) + bE(Y)。
2. 递推性质：对于离散型随机变量X，可以通过递推公式E(X) = Σx * P(X = x)来计算。
3. 位置不变性：对于随机变量X和常数c，有E(X + c) = E(X) + c。
数学期望的计算公式可以帮助我们求解随机变量的平均值，进而了解随机现象的集中程度。
二、方差方差是衡量随机变量取值的离散程度的指标，它表示随机变量与其均值之间的差异程度。
对于离散型随机变量X，其方差Var(X)的定义如下：Var(X) = Σ(x - E(X))^2 * P(X = x)对于连续型随机变量X，其方差Var(X)的定义如下：Var(X) = ∫(x - E(X))^2 * f(x) dx方差具有以下性质：1. 线性性质：对于任意实数a和b，以及任意随机变量X和Y，有Var(aX + bY) = a^2 * Var(X) + b^2 * Var(Y)。
2. 位置不变性：对于随机变量X和常数c，有Var(X + c) = Var(X)。
3. 零偏性：Var(X) >= 0，当且仅当X是一个常数时，等号成立。
期望与方差的性质及应用期望与方差是概率论中两个重要的概念，用于描述一个随机变量的特征。
以下是对期望与方差的性质及其在实际应用中的一些例子。
1. 期望的性质期望是随机变量取值的加权平均，表示了变量的中心位置。
其性质如下：- 线性性质：对于两个随机变量X和Y，和常数a，b，有E(aX + bY) = aE(X) + bE(Y)。
这个性质是期望的一个重要特点，它使得我们可以将复杂的问题简化为线性组合。
- 常数性质：对于一个常数c，E(c) = c。
这表示常数的期望等于常数本身。
- 单调性：如果随机变量X和Y满足X ≤Y，那么E(X) ≤E(Y)。
这个性质说明了期望的顺序性。
2. 期望的应用- 对于离散型随机变量，期望的应用很广泛。
例如，我们可以用期望来求解投掷一枚骰子的平均点数，以及计算购买彩票的预期收益。
期望还可以用于计算游戏的平均盈亏。
- 在连续型随机变量中，期望可以用于计算概率密度函数下的面积。
例如，我们可以用期望来计算某个地区的平均降雨量，或者计算某个产品的平均寿命。
期望还可以用于求解连续概率分布的中位数和众数。
3. 方差的性质方差是随机变量与其期望之间差异的平方的期望，用于衡量变量的离散程度。
其性质如下：- 线性性质：对于两个随机变量X和Y，和常数a，b，有Var(aX + bY) = a^2Var(X) + b^2Var(Y)。
这个性质表示方差与常数放缩相关。
- 非负性：方差始终大于等于0，即Var(X) ≥0。
- 方差的开方称为标准差，它表示了随机变量的离散程度。
标准差越大，表示随机变量的取值越分散。
4. 方差的应用- 方差可以用于评估一个投资组合的风险。
在投资领域中，投资者往往希望选择一个方差较小的投资组合，以降低风险。
- 方差还可以用于评估统计模型的拟合程度。
在回归分析中，我们可以通过计算残差的方差来评估模型的质量。
- 方差还可以用于度量数据的波动性。
例如，股票市场中的波动性可通过计算股价的方差来进行衡量。
数学期望与方差的公式数学中，期望和方差是两个重要的概念。
它们是统计学和概率论中的核心概念，用于描述和衡量概率分布的特性和不确定性。
在本文中，我们将详细介绍数学中期望和方差的定义和计算公式，并对其性质和应用进行详细讨论。
首先，让我们从期望开始。
期望是概率分布的平均值，表示对概率分布的中心位置的度量。
对于一个离散随机变量X，其期望E(X)可以用以下公式来计算：E(X)=Σ(x*P(X=x))其中，x是随机变量X可能取的值，P(X=x)是X取值为x的概率。
对于一个连续随机变量X，其期望E(X)可以用以下公式来计算：E(X) = ∫(x * f(x))dx其中，f(x)是X的概率密度函数。
期望有很多重要的性质。
首先，期望是线性的，即对于常数a和b，E(aX+b)=aE(X)+b。
这意味着我们可以将常数系数从一个随机变量中提取出来。
此外，期望还满足E(c)=c，其中c是一个常数。
这意味着一个常数的期望就是它本身。
接下来，让我们来讨论方差。
方差衡量了随机变量偏离其期望值的程度。
对于一个离散随机变量X，其方差Var(X)可以用以下公式来计算：Var(X) = Σ((x - E(X))^2 * P(X = x))同样，对于一个连续随机变量X，其方差Var(X)可以用以下公式来计算：Var(X) = ∫((x - E(X))^2 * f(x))dx方差也有一些重要的性质。
首先，方差可以用来度量概率分布的离散程度。
方差越大，随机变量的取值就越分散。
其次，方差是非负的，即Var(X) ≥ 0，且只有当X是常数时，方差才为0。
最后，方差具有一个重要的线性性质，即对于常数a和b，Var(aX + b) = a^2 * Var(X)。
这意味着我们可以通过常数系数的平方来调整随机变量的方差。
除了期望和方差，还有一些其他的重要的概念与它们相关。
例如，协方差是用来度量两个随机变量之间线性关系的程度。
Cov(X,Y) = E((X - E(X)) * (Y - E(Y)))协方差的符号可以表明随机变量之间的关系是正相关还是负相关。
指数分布期望和方差
指数分布是一种统计概率分布，它模拟单个随机变量在无限次重复试验中的概率分布。
指数分布主要用于模拟随机变量的到达时间间隔，也用于模拟生物的寿命，以及模拟由随机因素引起的过程的发生时间。
指数分布的期望和方差是两个重要概念，它们可以帮助我们更好地理解指数分布。
指数分布的期望是一个重要的概念，它可以帮助我们了解随机变量X在一段时间内的分布。
期望是概率分布的一种有效表示，表示概率分布曲线中各点的平均值。
指数分布的期望可以用数学表达式来表示，即：E(X)=1/λ。
其中λ是指数分布的参数，表示随机变量X在某个时间范围内的发生率。
指数分布的方差也是一个重要的概念，它可以帮助我们了解随机变量X的波动程度。
方差是衡量概率分布的变化程度的一种重要的统计量，用数学表达式可以表示为：
Var(X)=1/λ^
2。
其中λ是指数分布的参数，表示随机变量X在某个时间范围内的发生率。
指数分布的期望和方差是重要的概念，可以帮助我们分析和理解随机变量X在某一时间范围内的分布情况。
期望表示概率分布曲线中各点的平均值，可以用数学表达式E(X)=1/λ表示；而方差则表示概率分布的变化程度，可以用数学表达式
Var(X)=1/λ^2表示。
了解指数分布的期望和方差，可以帮助我们更好地理解指数分布，也能帮助我们更好地分析和利用指数分布，从而更好地做出决策。
２ＱＱ２±：箜！塑工－学术－理论现代衾案一数学期望和方差的应用陈奕宏张鑫（武警广州指挥学院广东广州５１０４４０）摘要：本文主要讨论随机变量的数学期望和方差的性质，利用随机变量的对称性可简化求数学期望和方差的计算过程：关键词：对称性数学期望方差在教学过程中，由于很多同学对概牢论巾的定义和性质认识不深刻，冈此对概率论巾的问题存在许多认识误区，进一步影响了计算、证明能力。
性质ｌ对随机变量ｘ和ｙ，则有Ｅ（ｎｎ簟Ⅸ＋Ｅｙ①性质２设随机变量ｘ和ｙ相互独立，贝咿育层陇ｎ＝Ｅｘ·Ｅｙ②定义ｌ设Ｘ是一个随机变量，若ＥＩ肛删Ｉｚ存在，则称其为Ｘ的方差，记为Ｄｘ。
即Ｄｘ＝坦Ｉｘ—Ｅｘ】２③显然可得：们，－ＥｌＸ一以】２＝Ｅ瞄２—２ｘＥＸ＋（踊２］＝麟ｚ一（删）：④性质３设随机变量ｘ和ｙ相互独立，则有层孵ｙ：净Ｅ孵·Ｅｙ２⑤证明：设随机变量Ｘ和ｙ的联合分布密度为ｍ砂），｜ｊｌ《为ｘ和ｙ相互独立，有“ｒ，ｙ）＝＾（掌）。
，ｒ（ｙ）．’．Ｅ（ｘ２ｙ２）＝Ｊ一。
Ｊ一。
工２ｙ２“ｒ，ｊ，）ｄ膏咖＝ｅｅｘ２ｙ２以（ｒ）厂ｒ（ｙ）如咖＝Ｃｘ２＾（工）如Ｃｙ２加）咖：Ｅｘ２Ｅ】，２⑥性质４设随机变量ｘ和ｌ，，ｎ和西为常数，则有Ｅ（口Ｘ２＋６ｙ２）＝ｎ露ｘ２＋６曰ｙ２（Ｄ证明：设随机变量ｘ和ｌ，的联合分布密度为厂（ｘ，ｊ，），则有Ｅ似ｘ２＋６ｙ２）＝Ｊ＋。
Ｊ一。
（口工２＋６ｊ，２）“ｒ，ｊ，）ｄ＿咖＝ｅ仁ｎｘ２ｆｌｘ，，Ｍｘｄｙ＋ｅ仁ｂ矿ｆＩｘ，ｙⅪｘｄｙ＝ｎ＼一。
＼一亭２ｆＩｘ，如ｄｘｄ，＋ｂ１．。
１一。
旷ｆＩｘ，，Ⅺｘｄｙ＝口ｆ）２【ｅ№ｊ，）ｄｙ】ｄｒ拍ｅｊ，２【Ｃ“础）ｄｘ协＝口仁量２【ｅ，（Ⅵ）ｄｙＪｄｘ柏ｅｊ，２【Ｃ，（础）ｄｘ坳＝ｎ尽２以（ｒ）ｄｙ拍Ｄ２加）ｄｙ＝口ＥＸ２＋西Ｅｙ２掣狮，＝∥茗引ｍ，＝驴㈣’翟引求Ｅ伍２＋ｙ２）。
解：Ｅ（ｘ２＋ｙ２）＝Ｅｘ２＋Ｅｙｚ（南公式⑦）＝Ｉ：一４ｒ３出＋炒．１２ｙ２（１＋ｙ）咖《性质５设随机变量ｘ和ｙ卡Ｈ互独立，则有Ｄ（ｘ的＝Ｄｘ·Ｄｙ＋（Ｅ幻２·Ｄｌ，＋（层ｙ）２·Ｄｘ⑧证明：ＯＤⅨｙ）＝层（ｘｙ）２一ＩＥ（ｘｙ）Ｊ＝Ｅ（Ｘ２ｙ２）一（ＥＸ）２（Ｅ】，）２南公式⑤，所以Ｄ（Ｘｎ＝ＥＸ２Ｅｙ２一（ＥＸ）２（Ｅ”２＝曰ｘ２Ｅｌ，２一（Ｅ的２ＥＰ＋（Ｅ的２（Ｅｌ，）２一（Ｅ抑２僻ｙ）２＝【层ｘ２一（ＥＸ）２】ＥＰ＋（Ｅｘ）２【（Ｅ】，）２一（日ｙ）２】矗剪陋妒＋（雕净汗钮曙（联）辚苦帮＝ｎ碰Ｉｙ＋（ＥＹ）２Ｄｙ＋（Ｅｙ）２蹦显然，若随机变量ｘ和ｙ独立，则可得Ｄ（ｘｎ＞Ｄｘ·Ｄｙ⑨例设随机变量ｘ和ｌ，相互独立，均服从Ⅳ（Ｏ，１）分布，ｆ＝ｘ—ｙ，叩＝ｘｙ，试求１）Ｄ叩；２）ｐ￡。
解：１）方法一ＯＸ和ｙ相互独立．‘．Ｄ即＝Ｄ（ｘｙ）＝Ｅ（ｘｌ，）２一【层（ｘ聊】２＝Ｅ（ｒ—ｌ，）２一（以Ｅ的２＝Ｅ舻ＥＰ（由公式⑤）＝【脚“（Ｅ的２】【Ｄｙ；（Ｅ玢２】＝１方法二０Ｘ和ｙ相互独立．·．Ｄｑ＝Ｄ（ｘ】，）＝似Ｄｙ＋（Ｅ柳２Ｄｙ＋（目】，）２Ｄｘ＝ｌ（由公式⑧）２）ｏｐ。
：』业ｑ厩丽又ＯｃｏＶ（ｆ，＇７）＝层【（ｆ—Ｅｆ）（＇７一露７７）ｊ＝层（ｘ２ｙ）一Ｅ（ｘＰ）（把ｆ＝ｘ—ｙ，’７＝ｘｙ代人）曲（南ｘ与ｒ鹃对称性）综上所述，本文主要讨论连续型随机变量的数字特征的性质，结合对随机变量的对称性可解决存概率论巾一些常见的求数［字特征的问题。
参考文献：…盛骤等编概率论与数理统计高等教育出版社２００１．１２口现代企业教育ＭＯＤＥＲＮＥＮＴＥＲＰＲＩＳＥＥＤＵＣＡＴＩＯＮ１１７ 万方数据数学期望和方差的应用作者：陈奕宏， 张鑫作者单位：武警广州指挥学院,广东,广州,510440刊名：现代企业教育英文刊名：MODERN ENTERPRISE EDUCATION年，卷(期)：2007，(2)引用次数：0次1.盛骤.谢式千.潘承毅概率论与数理统计 20011.期刊论文陈思源利用对称性巧解概率与数学期望问题-高等数学研究2007,10(4)给出古典概型和几何概型的实例,说明它们所具有的对称性,利用这种对称性可解决概率和数学期望问题,其方法与一般解法相比,具有初等和简明的优越性.2.期刊论文姜玉英.刘强离散型随机变量数学期望的几种巧妙算法-大学数学2008,24(5)利用定义求解离散型随机变量的数学期望有时显得非常复杂,本文给出了三种巧妙计算离散型随机变量数学期望的方法:对称性法、随机变量分解法、公式演变法.计算过程非常简洁,达到了简化计算的目的.3.期刊论文肖文华.Xiao Wenhua数学期望的计算方法与技巧-湖南工业大学学报2008,22(3)利用数学期望的定义、性质、公式、随机变量分布的对称性,以及母函数、特征函数等,探讨了数学期望的几种计算方法.4.期刊论文张唯春.Zhang Weichun浅谈概率论中数学期望的计算方法-辽宁省交通高等专科学校学报2008,10(2) 本文介绍了用特征函数、条件数学期望、对称性等求解数学期望的方法,解法各具特色.5.期刊论文覃光莲.Tan Guanglian数学期望的计算方法探讨-高等理科教育2006(5)本文探讨了各种简化计算随机变量数学期望的方法:利用一些特殊求和与积分公式、利用数学期望定义的不同形式、利用随机变量分布的对称性、全期望公式以及特征函数等,以期对该内容的学习和教学有所启发.6.期刊论文徐传胜离散型随机变量数学期望的求法探究-高等数学研究2005,8(1)除借用定义求解外,利用对称性、套用已有公式、将随机变量进行分解,借助递推法、母函数法等技巧也可求出随机变量的数学期望.7.学位论文张静一类g-概率的对称性问题2007Choquet(1953)把概率测度扩展到一类非线性测度，称之为容度。
并通过下面的式子定义了一类非线性数学期望-Choquet期望：C(ζ)：=f<'0><,-∞>[V(ζ≥t)-1]dt+f<'∞><,0>V(ζ≥t)dt． Choquet期望处理不确定性问题，在统计，经济，金融和物理中都有非常广泛的应用。
许多文章研究了它的性质和应用，具体可见Anger(1977)，Dellacherie(1970)，Graf (1980)，Satin andWakker(1992)，Schmeidler(1989)，Wakker(2001)，Wasserman and Kadane(1990)等等。
Choquet容度在稳健性分析，决策论和对策论中也有很广泛的应用。
其中一类重要的Choquet容度是对称相关容度，在稳健性分析中许多容度都是对称相关容度，或者可以通过一对一光滑映射到对称相关容度。
[Buja(1986)，Huber and Strassen(1973)，Wasserman and Kadane(1990)and Fortini and Ruggeri(1994)]．许多其他文章也研究了对称容度，具体可见Armstrong(1990)，Dempster(1967，1968)，Anger and Lembcke(1985)，Walley(1991)，Talagrand(1978)，Wasserman and Kadane(1992)等等．Peng and Pardoux(1990)提出倒向随机微分方程(以下简写BSDE)．Peng(1997)通过BSDE的解定义了g-期望和条件g-期望，并证明了在生成元g和终端值ζ满足一定条件时，g-期望和条件g-期望保持了经典数学期望除了线性性以外的一切性质。
g．期望在金融中得到了广泛的应用，可参见Chert and Epstein(2002)． Chen(2005)研究了g-期望和Choquet期望之间的关系，并给出了一个充分必要条件。
在这篇文章里，我们给出了g-概率的对称性的概念。
在g-期望中，有一类g-期望和Choquet期望等价，我们就研究用这类g-期望定义的g-概率的对称性问题。
8.学位论文黄泽先均值复归与资本市场效率理论创新研究2007如何使稀缺性经济资源实现最优配置是经济学研究中最具占优性、基础性和复杂性的目标。
商品市场和要素市场中衡量资源配置效率的主流准则是帕累托标准，传统的资源配置效率研究存在两个主要缺陷，一是如果两个资源配置都没有达到帕累托最优状态，那么，无法确定哪一个资源配置的效率较高，哪一个资源配置的效率较低，即资源配置效率的测度缺乏连续性；二是通过解除外部约束条件，一个帕累托次优状态实现的帕累托最优状态是否是惟一、稳定和存在的还没有定论。
对资本市场而言，效率的研究更凸现了不成熟性、复杂性和不稳定性，以信息效率为主要目标的有效市场假说本身存在比较严重的缺陷，如市场有效的时间和状态动态不一致性、信息充分性悖论、信息有效和配置有效的兼容性问题、市场有效性内涵的统计性趋向严重、时间序列分析的平均权重问题、市场有效的功能脆弱性、对异象的解释不足、联合检验问题等等，因此，有效市场理论虽然是主流，但并不成熟，并不稳定；而其它的非主流资本市场效率理论如分形市场理论和功能观效率理论等更缺乏理论的严谨性和系统性，因此，对资本市场效率理论进一步探讨的必要性是非常突出的。
本文结合帕累托标准，在确定信息理性预期下对传统的有效市场理论进行完善：同时，在不确定信息理性预期下利用贝叶斯学习和市场序列均衡理论将不可得信息引入预期模型中，尝试建立了一个新的资本市场效率分析框架即均值复归理论，最终得出与确定信息理性预期下一致的结论。
本文的第一部分首先介绍了常见的资源配置标准，如庇古标准、帕累托标准、希克斯-卡尔多标准、X-效率标准和信息效率标准：其次，探讨了瓦尔拉斯均衡中的资源配置问题，瓦尔拉斯均衡中所有消费者都是价格的接受者，价格的数学期望等于任一消费者的交易价格，价格的波动方差为零；再次探讨了帕累托均衡的存在性、惟一性和稳定性问题，指出帕累托次优状态通过帕累托改进可以实现一阶状态惟一、稳定和存在的帕累托最优或帕累托均衡状态，且帕累托均衡中的价格等于资源配置的价格数学期望或均值，即价格具有均值复归性，然而，其零阶状态虽然存在，但不惟一也不稳定；同时，在商品组合交易的基础上给出了商品市场中帕累托次优条件，并提出了用资源配置价格方差来衡量帕累托次优状态效率高低的标准，并对其统计含义进行了解释。
帕累托均衡意味着均值复归性，这是资本市场均值复归性的理论基础，将帕累托均衡引入资本市场是接下来的主要工作之一，另一部分的工作是对传统有效市场理论进行完善，并时刻保持了这两项工作的协同性和一致性。
在锁定上述思路后，本文的第二部分主要基于确定信息理性预期拓展了传统拓展的有效市场理论。
