使用的过程可能是这样的，先从数字特征开始，先从整体看，在逐个的去看，叫做“分析”！

按照我前面对期望的理解，那么方差就能理解为“随机变量最有可能偏离最有可能靠近的值多少”，也是一个很概述的概念，
正是因为它的概括才能够反应整体的信息。

比如，如果一个随机变量的分布的概率密度函数波动很大，它的方差就会很大，它偏离最有可能靠近的值的可能性就会相对
的小，它最有可能偏离那个值的量的平方会比较大，也就是说均值的指导意义将不大。

再详细下去，其实我们看标准差意义会更大，因为在数量上，它就和随机变量平级了。

如果，进入到一个具体的问题，偏离超过多少（比如是随机变量均值的一个百分数），我们就不按照均值的指导做判断了，
而我们做上一个判断的依据，就正好是标准差的大小。

如果，再进一步，如果标准差/均值，在不同的区间内，对我们有怎样不一样的意义，怎样的临界点就是量变的临界点了，这
需要我们对现实做出观察。

再更深一步，对于所有的均值、标准差，怎样的临界点已经是被很多自然界中现象证实了的具有普遍意义的东西，对于我们
面临的新情况，我们可以尝试以过去普遍意义的东西做出假设，再去证实我们的猜想。

其实对于这种理解的严格数学表示可以使用车贝晓夫不等式的。

我们在说“偏离最有可能靠近的值”，如果，我有一个很明确的要求，我要求随机变量偏离最有可能靠近的值为一个数字，
那么，问这种可能性是多少呢？其实，我们这里研究的样本空间是变了的，之前就是最直接的那个样本空间对应的随机
变量，现在，样本空间变成了“原样本空间中事件偏离最有可能事件的概率”，其实这个衍生出来的样本空间对我们是十分
有意义的，我们会经常被问到，你的预期在多大程度上能指导行动。如果我们负责的这一部分作为一个很大问题一部分时
，我们有必要给出做下步组合策略的概率值。