解题过程如下：
F(y)=P(Y<y)=P(x^2<y)=P(-y^0.5<x<y^0.5)=Fx(y^0.5)-Fx(-y^0.5)，其中Fx(x)=1-e^-x带入即可
微分得到f(y)=(0.5y^-0.5)(e^(y^0.5)+e^(-y^0.5))。
x=(+or-y^0.5)，|Jacobian|=|dx/dy|=1/2y^-0.5
f(y)=(0.5y^-0.5) (fx(y^0.5)+fx(-y^0.5))= (0.5y^-0.5)(e^(y^0.5)+e^(-y^0.5))
其实任意的随机变量x，y=x^2的分布都是(0.5y^-0.5)(fx(y^0.5)+fx(-y^0.5))下次直接套这个公式就好，上面的证明对于一切随机变量x都适用。
性质：
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)、EY=2E(X)=2
(2)、E(Y)=∫(-∞，+∞)f(x)e^(-2x)dx=1/3
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。
扩展资料
按照随机变量可能取得的值，可以把它们分为两种基本类型：
1、离散型
离散型（discrete）随机变量即在一定区间内变量取值为有限个或可数个。例如某地区某年人口的出生数、死亡数，某药治疗某病病人的有效数、无效数等。离散型随机变量通常依据概率质量函数分类，主要分为：伯努利随机变量、二项随机变量、几何随机变量和泊松随机变量。
2、连续型
连续型（continuous）随机变量即在一定区间内变量取值有无限个，或数值无法一一列举出来。例如某地区男性健康成人的身长值、体重值，一批传染性肝炎患者的血清转氨酶测定值等。有几个重要的连续随机变量常常出现在概率论中，如：均匀随机变量、伽马随机变量和正态随机变量。
(1)、EY=2E(X)=2
(2)、E(Y)=∫(-∞，+∞)f(x)e^(-2x)dx=1/3
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。
扩展资料
对于均匀分布函数，概率密度等于一段区间(事件的取值范围)的概率除以该段区间的长度，它的值是非负的，可以很大也可以很小。
单纯的讲概率密度没有实际的意义，它必须有确定的有界区间为前提。可以把概率密度看成是纵坐标，区间看成是横坐标，概率密度对区间的积分就是面积，而这个面积就是事件在这个区间发生的概率，所有面积的和为1。所以单独分析一个点的概率密度是没有任何意义的，它必须要有区间作为参考和对比。
(2)E(Y)=∫(-∞,+∞)f(x)e^(-2x)dx=1/3
如有意见，欢迎讨论，共同学习;如有帮助，请选为满意回答!
