一. 随机变量1.1 概率分布概率分布 定义 : 随机变量X取各个值$x_i$的概率称为X的概率分布. 对于离散型随机变量: $ P(X=x_i)=p_i, (i=1,2,3,...) $ 特性 : a. $p_i>0$ b. $\sum_i^{\infty} p_i =1 $累积概率分布(CDF)...
分类：
其他好文 时间：
2014-07-16 19:28:51
阅读次数：
340
在官方文档ns-3-manual.pdf中，整个框架图：v 随机变量伪随机生成器pseudo-random number generator (PRNG)。默认情况下，ns-3仿真程序使用固定种子和运行数字，它们分别存在全局变量g_rngSeed 和 g_rngRun中，在ns-3.14版本以后，n...
分类：
其他好文 时间：
2014-06-28 11:01:09
阅读次数：
364
CONTINUOUS RANDOM VARIABLES AND PDFS
连续的随机变量，顾名思义，就是随机变量的取值范围是连续的值，例如汽车的速度，气温。如果我们要利用这些参数来建模，那么就需要引入连续随机变量。
如果随机变量X是连续的，那么它的概率分布函数可以用一个连续的非负函数来表示，这个非负函数称作连续随机变量的概率密度函数（probability density function）...
分类：
其他好文 时间：
2014-06-16 14:19:36
阅读次数：
285
1.Basic concept
随机变量的定义：随机变量是指针对实验结果的函数。
随机变量的函数可以生成另外一个随机变量
离散型随机变量的定义：
离散型随机变量是指有有限个取值的实验结果的实值函数。每个离散型随机变量有PMF给出每个随机变量取值的概率。
2.PMF（probability mass function）
如何获得PMF？
将随机变量X取值x的所有概率相加，得到Px（x）...
分类：
其他好文 时间：
2014-06-10 15:40:50
阅读次数：
239
这里简要的讨论 hybrid network 与一些时序数据的分析。hybrid network
指网络中存在离散随机变量与连续随机变量，这种情况下一般非常麻烦，这主要是因为连续型随机变量需要使用某个参数族来进行刻画，某些情况下对应的 margin
却不属于给定的参数族。常用的处理手段是离散化，即将...
分类：
其他好文 时间：
2014-06-08 23:00:42
阅读次数：
265
这部分讨论在有数据缺失情况下的 learning
问题，这里仍然假定了图结构是已知的。首先需要讨论的是为什么会缺失，很多情况下缺失并不是“随机”的：有的缺失是人为的，那么某些情况下缺失的可以直接补上，而某些情况下我们需要使用额外的随机变量对缺失进行
modeling；有的缺失是随机的，有的是因为的确...
分类：
其他好文 时间：
2014-06-08 22:31:40
阅读次数：
201
一、随机场定义http://zh.wikipedia.org/zh-cn/随机场随机场（Random field）定义如下：在概率论中, 由样本空间Ω =
{0, 1, …,G?1}n取样构成的随机变量Xi所组成的S= {X1, …,Xn}。若对所有的ω∈Ω下式均成立，则称π为一个随机场。π(ω) ...
分类：
其他好文 时间：
2014-06-07 20:26:18
阅读次数：
221
1、关键点#典型相关分析##典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法，它能够有效地揭示两组随机变量之间的相互（线性依赖）关系#例如
研究生入学考试成绩与本科阶段一些主要课程成绩的相关性#将研究两组变量的相关性问题转化为研究两个变量的相关性问题 此类相关为典型相关##总体典型相关...
分类：
其他好文 时间：
2014-06-07 03:02:49
阅读次数：
347
一、信息论基础： 熵： 联合熵：实际上就是描述一对随机变量平均所需要的信息量。
条件熵：给定随机变量 X 的情况下，随机变量 Y 的条件熵定义为： 熵率： 相对熵（KL距离）：两个概率分布 p(x) 和 q(x) 的相对熵定义为：
交叉熵：如果一个随机变量 X ~ p(x)，q(x)为用于近似 p(...
分类：
其他好文 时间：
2014-05-31 15:39:37
阅读次数：
319
1、协方差矩阵 协方差是衡量两个随机变量（同一样本，不同分量）的相关程度。（方差描述的是一维变量）
随机变量 之间的协方差可以表示为 根据已知的样本值可以得到协方差的估计值如下（列向量相关）： 可以进一步地简化为： 协方差矩阵： 说明：
（1）协方差矩阵中的每一个元素是表示的随机向量...
分类：
其他好文 时间：
2014-05-23 10:28:50
阅读次数：
330
