（感叹一下，陈希孺先生这本书真的讲的好。）
CH3 随机变量的数字特征
数学期望也常成为“均值”，即“随机变量取值的平均值”之意，这个平均是指以概率为权的加权平均。
各种分布的数学期望和方差。
如果说条件分布是变量X与Y的相依关系在概率上的完全刻画，那么，条件期望则在一个很重要的方面刻画了二者的关系，它反映了随着X取值x的变化，Y的平均变化的情况如何。统计学上，常把条件期望E(Y|x)作为x的函数成为Y对X的“回归函数”。
变量的期望，等于其条件期望的期望。E(Y)=E[E(Y|X)]。
中位数和期望值相比的一个有点是：它受个别特大或特小值的影响很小。
均值具有很多优良的性质，中位数本身所固有的某些缺点（中位数可以不唯一；离散变量可能不存在理想的“中位数”）。
方差Var(X)=E(X-EX)^2=E(X^2)-(EX)^2。
设X为随机变量，c为常数，k为正整数，则量a_k=E[(X-c)^k]称为X关于c点的k阶矩。C=0时，\mu_k=E(X^k)为X的k阶原点矩；c=E(X)，E[(X-EX)^k]为X的k阶中心矩。
E(X)=m1，E(Y)=m2，Var(X)=\sigma_1^2，Var(Y)=\sigma_2^2。E[(X-m1)(Y-m2)]为XY的协方差，并记作Cov(X, Y)。Cov(X, Y)=E(X, Y)-m1m2。
Cov(X, Y)/\sigma_1\sigma_2为XY的相关系数，记为Corr(X, Y)。形式上可以把相关系数视为“标准尺度下的协方差”。相关系数并不是刻画了XY之间“一般”关系的程度，而只是“线性”关系的程度。
统计学应用中，最重要的二维分布是二维正态分布。对二维正态分布而言，相关系数是XY的相关性的一个完美的刻画。
在很一般的情况下，和的极限分布就是正态分布。这一事实增加了正态分布的重要性。在概率论上，习惯于把和的分布收敛于正态分布的那一类定理都叫做“中心极限定理”。
大数定理和中心极限定理。
