度分布(Degree Distribution)

  在图论和网络中,度(degree)是指网络(图)中一个点的与其他点的连接数量,度分布(Degree Distribution)就是整个网络中,各个点的度数量的概率分布。

  对于有向图,有入度(in-degree)和出度(out-degree),入度是指指向该节点的边的数量,出度是指从该节点出发指向其他节点的边的数量。

  度分布P(k)是指,网络中,度为k的节点的出现概率;对于有向图来说又分为入度分布和出度分布。如果网络中总共有n个节点,其中有nk个节点,他的度为k,那么P(K)=nk/n。

  累计度分布(cumulative degree distribution)就是度数大于或者等于k的节点出现的概率。

  度分布对于真实网络(如互联网、社会网络、理论网(theoretical networks)等)研究非常的重要。其中,最简单的网络模型-伯努利随机图(任何两个节点连接的概率是独立的,概率为P),则其度分布应该为,

  

  但是,真实网络中的度分布是与之不同,许多是右偏的(right-skewed),即,有大量的度比较小的节点,少量度比较大的节点。一些网络中,尤其是互联网和社会网络中,发现度分布往往近似于指数分布(power law),P(k) ~ kγγ是一个常数。这样的网络被称为无标度网络(scale-free networks),对于他的结构和动态特性,引起了人们的广泛关注。

翻译自:http://en.wikipedia.org/wiki/Degree_distribution

时间: 2024-08-05 22:39:52

度分布(Degree Distribution)的相关文章

02-gnp-smallworld 图机器学习之最小世界

本节重点:如何衡量一个网络 (网络量化) 网络的关键属性: 1. 度的分布:P(k) 2. 路径长度:h 3. 集聚系数(clustering coefficient):C 4. 连通分量(connected components):s 1. 度的分布 degree distribution:P(k) 统计每个节点的度,形成归一化后的直方图 2. 路径 3. 距离:最短路径 4. 直径:网络中任意节点最短距离的最大值 5. 平均路径长度(针对连通图或强连通的有向图) 6. 集聚系数(无向图):

信号处理——曲线拟合与分布拟合

作者:桂. 时间:2017-03-11  06:45:46 链接:http://www.cnblogs.com/xingshansi/p/6533840.html 声明:欢迎转载,不过记得注明出处哦~ 未完待续 前言 数据拟合中,最常用的两个就是曲线拟合(curve fitting)与分布拟合(distribution fitting),打算写四篇博文对该问题进行整理,不求面面俱到,只希望串出一个思路,篇目如下: 1)常用拟合函数理论推导及代码实现: 2)常用混合分布的理论推导及代码实现: 3)

各种分布(转)

. 伯努利分布 伯努利分布(Bernoulli distribution)又名两点分布或0-1分布,介绍伯努利分布前首先需要引入伯努利试验(Bernoulli trial). 伯努利试验是只有两种可能结果的单次随机试验,即对于一个随机变量X而言: 伯努利试验都可以表达为"是或否"的问题.例如,抛一次硬币是正面向上吗?刚出生的小孩是个女孩吗?等等 如果试验E是一个伯努利试验,将E独立重复地进行n次,则称这一串重复的独立试验为n重伯努利试验. 进行一次伯努利试验,成功(X=1)概率为p(0

常见的机器学习与数据挖掘知识点之常见分布

常见的机器学习与数据挖掘知识点之常见分布 Common Distribution(常见分布): Discrete Distribution(离散型分布): 0-1 Distribution(0-1分布) 定义:若随机变量X只取0和1两个值,且其分布律为 P{X=k}=pk(1?p)1?k,k=0,1 其中X服从参数为p的(0?1)分布,记作X-(0?1). 如抛掷硬币一次便服从两点分布. ??两点分布的期望与方差分别为:p,1?p. Geometric Distribution(几何分布) 定义

常用的概率分布:二项式分布,贝塔分布,狄里克雷分布

知识点:伯努利分布.二项式分布.多项式分布.先验概率,后验概率,共轭分布.贝塔分布.贝塔-二项分布.负二项分布.狄里克雷分布,伽马函数.分布 一,伯努利分布(bernouli distribution) 又叫做0-1分布,指一次随机试验,结果只有两种.也就是一个随机变量的取值只有0和1.记为: 0-1分布 或B(1,p),其中 p 表示一次伯努利实验中结果为正或为1的概率. 概率计算: P(X=0)=p0P(X=1)=p1 期望计算: E(X)=0?p0+1?p1=p 最简单的例子就是,抛一次硬

前端代码质量-圈复杂度原理和实践

写程序时时刻记着,这个将来要维护你写的程序的人是一个有严重倾向,并且知道你住在哪里的精神变态者. 导读你们是否也有过下面的想法? 重构一个项目还不如新开发一个项目...这代码是谁写的,我真想...你们的项目中是否也存在下面的问题? 单个项目也越来越庞大,团队成员代码风格不一致,无法对整体的代码质量做全面的掌控没有一个准确的标准去衡量代码结构复杂的程度,无法量化一个项目的代码质量重构代码后无法立即量化重构后代码质量是否提升针对上面的问题,本文的主角 圈复杂度 重磅登场,本文将从圈复杂度原理出发,介

(转)Gamma分布,Beta分布,Multinomial多项式分布,Dirichlet狄利克雷分布

1. Gamma函数 首先我们可以看一下Gamma函数的定义: Gamma的重要性质包括下面几条: 1. 递推公式: 2. 对于正整数n, 有 因此可以说Gamma函数是阶乘的推广. 3.  4.  关于递推公式,可以用分部积分完成证明: 2. Beta函数 B函数,又称为Beta函数或者第一类欧拉积分,是一个特殊的函数,定义如下: B函数具有如下性质: 3. Beta分布 在介绍贝塔分布(Beta distribution)之前,需要先明确一下先验概率.后验概率.似然函数以及共轭分布的概念.

伯努利分布、二项分布、多项分布、Beta分布、Dirichlet分布

1. 伯努利分布 伯努利分布(Bernoulli distribution)又名两点分布或0-1分布,介绍伯努利分布前首先需要引入伯努利试验(Bernoulli trial). 伯努利试验是只有两种可能结果的单次随机试验,即对于一个随机变量X而言: 伯努利试验都可以表达为“是或否”的问题.例如,抛一次硬币是正面向上吗?刚出生的小孩是个女孩吗?等等 如果试验E是一个伯努利试验,将E独立重复地进行n次,则称这一串重复的独立试验为n重伯努利试验.进行一次伯努利试验,成功(X=1)概率为p(0<=p<

barabasilab-networkScience学习笔记3-随机网络模型

第一次接触复杂性科学是在一本叫think complexity的书上,Allen博士很好的讲述了数据结构与复杂性科学,barabasi是一个知名的复杂性网络科学家,barabasilab则是他所主导的一个实验室,这里的笔记则是关于里面介绍的课程的slider的笔记,当然别人的课程不是公开课,所以从ppt里只能看到骨干的东西了,对了补充下,slider相关的书籍在这里可以找到 说实话这一节的slider我没有看很明白公式,数学功底差了,如果你能够有更好的解释欢迎留言 Random Networks