1.机械摩擦零件磨损量和耐磨性寿命不仅是随机变量，而且受载荷大小、材料情况等因素的模糊性影响。

2.由于模型的目标函数中含有随机变量的积分，模型的最优性条件之一就是积分的可积性。

3.当单调函数的反函数不能显性表示时，连续型随机变量的分布密度曲线仍可通过参数方程的形式获得。

4.18 基于太沙基公式，将土粒相对密度和孔隙比作为随机变量，推导了临界水力比降的概率密度函数。

5.20 在此方法中，构造一个与基本随机变量相关的虚拟随机过程，使得基本随机变量成为该随机过程的截口随机变量。

6.风速U及波高H的三维随机变量作了统计分析。

7.在各被保人的未来余命随机变量相互独立的情形下，得到了现值函数的极限分布。

8.16 3方差的专业定义是随机变量的二次中心矩，与期望值之差的平方的加权平均值。

9.基于太沙基公式，将土粒相对密度和孔隙比作为随机变量，推导了临界水力比降的概率密度函数。

10.采用满足伯努利分布的随机变量来描述数据的随机丢失。

11.3 主要讨论了一类随机规划在函数序列上图收敛和随机变量序列均方收敛意义下，该类随机规划的最优解和最优值的收敛情况。

12.4 文中给出了模糊随机变量的熵的变换结果，同时对模糊互信息也进行了论述。

13.5 由于模型的目标函数中含有随机变量的积分，模型的最优性条件之一就是积分的可积性。

14.24 但随机变量是离散的话,我们可以把所有的可能值列出来,然后算出加权平均值。

15.23 引出了给定随机变量下条件期望的一般数学定义，并讨论了它的性质，得出条件分布与条件期望的若干常用结论。

16.主要讨论了一类随机规划在函数序列上图收敛和随机变量序列均方收敛意义下，该类随机规划的最优解和最优值的收敛情况。

17.28 采用回归法分析了矿体厚度与古地貌之间的关系，据统计研究，矿体厚度属随机变量。

18.10 当单调函数的反函数不能显性表示时，连续型随机变量的分布密度曲线仍可通过参数方程的形式获得。

19.文中给出了模糊随机变量的熵的变换结果，同时对模糊互信息也进行了论述。

20.采用回归法分析了矿体厚度与古地貌之间的关系，据统计研究，矿体厚度属随机变量。

21.相依随机变量部分和过程的滞后增量有多大?本文回答了这个问题。在适当的混合条件下，有。

22.由于准则方程的高次非线性和复杂性，文中利用复合函数求导法则，直接针对基本随机变量求解。

23.11 本文研究了一类离散型随机变量的概率分布，称之为负几何分布和负超几何分布。

24.随机变量的加权平均值是期望值。

25.引出了给定随机变量下条件期望的一般数学定义，并讨论了它的性质，得出条件分布与条件期望的若干常用结论。

26.考虑缺货损失以及多阶段订购毋需订购费用时的最优进货量。

27.13 所以我们用概率密度的概念来描述,连续型随机变量的情况。

28.12 方差是描述随机变量分布情况的指标，本文用方差来描述特征词在类间的分布情况。

29.25 由于准则方程的高次非线性和复杂性，文中利用复合函数求导法则，直接针对基本随机变量求解。

30.基于太沙基公式，将土粒相对密度和孔隙比作为随机变量，推导了临界水力比降的概率密度函数。

31.本文研究了一类离散型随机变量的概率分布，称之为负几何分布和负超几何分布。

32.以模拟技术中的重点抽样法为理论根据，对该地区的水位、风速U及波高H的三维随机变量作了统计分析。

33.22 采用蒙特卡罗法，分析了输入随机变量对套管可靠性的影响。

34.贝叶斯神经网络中，每个权值和误差被视为随机变量，它们的先验概率分布是遵从正态分布的。

35.19 随机变量的加权平均值是期望值。

36.以模拟技术中的重点抽样法为理论根据，对该地区的水位、风速U及波高H的三维随机变量作了统计分析。

37.7 在一定条件下，满足上述两个性质的随机变量是正态变量。

38.8 应用测度论的知识，给出了非独立随机变量可测函数的期望积分的转换定理的一个证明。

39.在此方法中，构造一个与基本随机变量相关的虚拟随机过程，使得基本随机变量成为该随机过程的截口随机变量。

40.14 随机变量的方差衡量随机变量值与期望值偏离的程度。

41.3方差的专业定义是随机变量的二次中心矩，与期望值之差的平方的加权平均值。

42.材料情况等因素的模糊性影响。

43.21 采用满足伯努利分布的随机变量来描述数据的随机丢失。

44.本文讨论了系统的最优维修策略问题，考虑到题目中所涉及的变量大多为随机变量，我们建立了单目标的期望值模型。

45.采用蒙特卡罗法，分析了输入随机变量对套管可靠性的影响。

46.方差是描述随机变量分布情况的指标，本文用方差来描述特征词在类间的分布情况。

47.所以我们用概率密度的概念来描述,连续型随机变量的情况。

48.15 同时，对随机变量的优化应用亦做了扼要说明。

49.9 贝叶斯神经网络中，每个权值和误差被视为随机变量，它们的先验概率分布是遵从正态分布的。

50.但随机变量是离散的话,我们可以把所有的可能值列出来,然后算出加权平均值。