如何理解方差和标准差的意义？ 随机变量X的方差为: ,方差的平方根称为标准差，它描述随机变量取值与其数学期望值的离散程度，描述随机变量稳定与波动，集中与分散的状况。标准差大，则随机变量不稳定，取值分散，预期数学期望值的偏离差大，在量纲上它与数学期望一致。 在实际问题中，若两个随机变量X,Y,且E(X),E(Y)或比较接近时，我们常用来比较这两个随机变量。方差值大的，则表明该随机变量的取值较为离散，反之则表明他较为集中。同样，标准差的值较大，则表明该随机变量的取值预期期望值的偏差较大，反之，则表明此偏差较小。 随机变量X的数学期望和方差有何区别和联系？ 随机变量X的数学期望E(X)描述的是随机变量X的平均值，而方差刻画的是随机变量X与数学期望的平均离散程度。方差大，则随机变量X与数学期望的平均离散程度大，随机变量X取值在数学期望附近分散；方差小，则随机变量X与数学期望的平均离散程度小，随机变量X取值在数学期望附近集中。 方差是用数学期望来定义的，方差是随机变量X函数的数学期望，所以，由随机变量函数的数学期望的计算公式我们得到： 若X为离散型，则有（2.3） 若X为连续型，则有（2.4） 在实际问题中，我们经常用来计算方差。由此可以得到：随机变量X与数学期望不存在，则方差一定不存在。 若随机变量X与数学期望存在，方差也可能不存在。 切比雪夫不等式的意义是什么？有哪些应用？ 切比雪夫不等式有两种等价形式的表达形式：或。它反映了随机变量在数学期望的邻域的概率不小于。如果随机变量的分布不知道，只要知道它的数学期望和方差，我们就可以利用切比雪夫不等式估计概率。 它的应用有以下几个方面： 已知数学期望和方差，我们就可以利用切比雪夫不等式估计在数学期望的邻域的概率。 已知数学期望和方差，对确定的概率，利用切比雪夫不等式求出，从而得到所需估计区间的长度。 对n重贝努力试验，利用切比雪夫不等式可以确定试验次数。 它是推导大数定律和其他定理的依据。 解题的具体步骤： 首先，根据题意确定恰当的随机变量X，求出数学期望E(X)与D(X)； 其次，确定的值， 最后，由切比雪夫不等式进行计算和证明。 注:（一）相关系数的含义 1.相关系数刻画随机变量 X和Y之间的什么关系？ （1）相关系数也常称为“线性相关系数”。这是因为，实际相关系数并不是刻画了随机变量X和Y之间的“一般”关系的程度，而只是“线性”关系的程度。这种说话的根据之一就在于，当且仅当X和Y有严格的线性关系是才有达到最大值1.可以容易举出例子说明：即使X和Y有严格的函数关系但非线性关系，不仅不必为1，还可以为0. （2）如果，则解释为：随机变量X和Y之间有一定程度的“线性关系而非严格的线性关系” 2.相关系数刻画了随机变量X和Y之间的“线性相关”程度. 3. 的值越接近1, Y与X的线性相关程度越高; 4. 的值越近于0, Y与Y的线性相关程度越弱. 5. 当时, Y与X的变化可完全由X的线性函数给出. 6. 当时, Y与X之间不是线性关系. 7. 上面谈到的“线性相关”的意义还可以从最小二乘法的角度解释：（p95） 设称为用来近似Y的均方误差,则有下列结论. 设则使均方误差达到最小. 注: 我们可用均方误差e来衡量以近似表示Y的好坏程度, e值越小表示与Y的近似程度越好.且知最佳的线性近似为而其余均方误差. 从这个侧面也能说明. 越接近1, e越小.反之, 越近于0, e就越大.Y与X的线性相关性越小. 本文来源：https://www.wddqw.com/doc/3596a01377c66137ee06eff9aef8941ea76e4bd0.html