随机图

随机图的概念
D是在平面上的一个有界凸域，N个点 被随机的布置在D上，点的位置由其坐标 表示，各个点的坐标为独立同分布的随机向量，其概率密度函数为 ，满足归一化条件 。若两个点之间的距离 (推荐使用欧式度量），则在点和之间连接上一条边，否则节点之间不存在边。这样，由节点及其之间连接的边就构成了凸域内的一个随机图。基于这种随机图讨论如下问题。
问题：
1. 节点度的统计特性研究
与某节点相连的边的个数称为该节点的度（degree） ，请研究在随机图中节点度的统计特性，可研究的问题包括如下几个方面：
1.1 N个节点度数的联合概率分布。
1.2 在给定节点位置坐标 的条件下，求节点度数的条件概率分布（以k为参数），并在此基础上讨论随机图上节点度数的统计特征随位置的变化规律。
1.3 计算度数为 的节点个数的概率分布（以 为参数），即求 ， ，其中 为示性函数。
1.4 求节点度数k的概率分布，即求 ，；
1.5 在因特网的建模中，人们发现它的随机图模型中节点度的统计特性具有“幂律”（Power Law）特征，即网络中节点的度为k的概率 服从幂律分布，即满足 。其中，c为归一化常数，m为网络中顶点的最小度数，γ为幂指数。设计概率密度函数以及边的生成准则，使上述随机图中具有“幂律”特征。
4. 基于随机图的随机过程研究 在前面三个问题中已经研究了许多基于随机图的随机变量。显然，这些随机变量的统计特征是和总节点数N及凸域的总面积D相关的。下面试将N或凸域的总面积D作为指标集构造基于随机图的随机过程，需要特别注意的是随机过程对样本空间的要求。希望你所构造的随机过程具有一些基本性质，如平稳性、遍历性、独立增量性、马尔可夫性、鞅性等等。如果你认为根本构造不出具有某种性质的随机过程，你也可以尝试给出证明。

具体分析与讨论：
1． 节点度的统计特性研究
 给定了N个节点 的情况下，设 为这些节点之间边的集合。可以表示为一个 阶的邻接矩阵 ，其中， 。显然， 满足如下性质：E为对称阵，且对角线的元素值一定为0。
当节点间的边的关系确定，即 中所有元素确定时，E就被确定，就唯一的确定了一个图。且这个图中节点 的度
 。 （1-1）
现考虑，各节点之间的边的关系是随机的，那么E中的元素 是随机变量，且
 ，（1-2）
其中 。这样，如果不考虑节点的具体位置，随机矩阵就表征了一个随机图的全部信息。实际上也就是 个随机变量 表征了随机图的信息。例如，随机图中的节点的度可以由式（1-1）得到，在已知的分布的情况下，可以利用随机变量之间的关系可以求得度的分布。
下面将利用上述模型来求解题中的问题。在此之前，还有几个问题还需要说明。
第一，此次题目中的随机图严格来讲节点的位置有关的，由于我们最终考虑的节点的度是图的拓扑性质，故认为这个模型是适用的。
第二，随机图定义中的  在这个模型之中都没有了，这并不表明不需要它们能得到最后的结果。实际上，它们的具体形式决定了模型中的 ，从而反映在最后的结果里。
第三，将定义中的 从定义在凸域D扩展到 上，规定其在D内部等于原来的定义值，在D之外则等于零。这样，在作形式推导时候，可以不考虑D的形状大小等，致使在最后计算特定分布和特定形状的结果时，再来考虑。
第四，假设模型中的随机变量 是独立的。由于两节点间有没有边至于它们本身的欧式距离有关系，且与它们的节点序号没有关系。所以这个假设一定程度上是合理的（后面利用它得到的结论也说明了这点）。此外，假设 比假设 的独立性更为合理，因为不同点的度是要服从一定规律约束的（如欧拉定理）。
首先讨论1.2小问。
由于在已知 在(x,y)条件时，有式（1-3）如下          表示 在以 为中心，半径为d的圆中的概率。一般地，给定具体 ， 只是与参数d和（x,y）在凸域D中位置有关，因为在一些（x,y）条件下， 可能取道凸域外。
在d远小于凸域的半径且 在凸域边缘内部不是很大时，这时候凸域形状可以不考虑，因为 在在凸域外部的概率用内部概率来来替代的影响可以忽略。此时， 是一个定值p，只与d和凸域面积有关。所以这种情况下， 在（x，y）条件下均服从参数为p的0~1分布。而 得度 ,又 在条件下仍然独立，所以其和 服从二项分布，参数为（N-1，p），故分布为 。
如果不忽略在边界上的情况，则得到的 ，所以 此时的条件分布为服从参数 的0~1分布，类似得到 ，此时这个条件分布是坐标（x,y）的函数。
下面考虑 的条件均值方差也是（x,y）的函数
 
如果 离D所有边界距离大于d，则 ，小于d时则p’<p,定性来看看，统计特性条件均值在（x,y）从D的内部到外部变化过程中，逐渐变小的，具体变化情况取决于 具体形式和D的形状形式，这些因素可以集中由 。反映。
下面讨论1.4。
以上说明说明随机变量 的条件分布是均服从0~1分布，参数p’。下证 分布
 。（1-4）
利用再由连续形式的贝叶斯全概率公式就得到了（1-4）式。当不考虑边界效应时，条件分布于（x，y）无关，可以提到概率积分号外，里面概率的积分恒等于1，所以不论对于什么分布，结果 。考虑边界时，p’是（x，y）函数，所以对区域积分之后也为与（x，y）无关的数。此时，不同的 的具体形式就会影响到 的值的大小。但无论考虑还是不考虑在边界情况，得到的 是与（x，y）无关的数，影响它的只有d，D的面积和形状。上述推导对任意 都适用用。所以 同分布，且服从参数为  的0~1分布。
又它们独立，由（1-1）式，知 服从参数为（N-1， ）的二项分布。即
 （1-5）
当N-1很大时，且 充分小时候， 的分布近似服从参数为 的泊松分布。
 
这个结果也由仿真试验得到了验证。
设计的仿真试验如下，给定D为边长为L的正方形区域，d=aL， 为D内部均匀分布。根据在正方形内产生模拟均匀分布的点，按照定义计算每次试验里节点度
数，才重复10000试验，统计节点数为不同值的频率，即得到仿真值。
理论计算在不考虑边界效应的情况下， ，利用前面的推导，可以得到算得理论曲线与方针结果比较。
根据前面的结论，在D形状和d定下来后，如果考虑边界效应， 也是一个定值，可以计算确定。所以，用这个值代入（1-5）式能得到更准确的理论值。
由于计算 与N值无关，而每次改变L，d的比值重新计算很麻烦，这里采用了一个替换的方法。首先作N=2的这个贝奴利试验，可以得到理论值。由（1-5）式在N=2式可以反求的 的估值。用这个值代替 ，效果在会更接近于理论值（统计意义下）。
用这个方法，在不同L，d，N下作了多次试验，都证实了理论值和仿真结果相吻合。图1是L/d=20，N=500，10000次试验统计频率得到的一次结果。
下面讨论1.3小问。
首先讨论一下 ，将（1-1）代入，计算
 
而
 。
看出，在N足够大， 足够小的条件下时，两者近似相等，认为 具有统计独立性。
对于指定的 ， 一定，可知，示性函数 是一个服从参数为 的0~1分布。N足够大， 足够小的条件下，利用上面的结论，这些示性函数统计独立，所以它们的和 ， 是服从参数 二项分布。又条件是N足够大， 足够小的条件下，所以这时二