数据挖掘原理及实践 - xmu mirel - 厦门大学.pdf

教育部-IBM产学合作专业综合改革项目精品课程 数据挖掘原理及实践 主讲教师: 吴云峰, 吴梅红, 刘恺之 助教: 罗鑫 厦门大学信息科学与技术学院 Email: cloudswu@ /course/DM 第6章数据的统计分析 1 随机数据序列的特征分析 2 数据分布的概率密度建模 3 基于概率密度分布的统计分析 4 数据序列的自相似度分析 2 6.1 随机数据序列的特征分析 1 随机数据序列的特征分析 • 随机过程定义 • 随机过程的分类 • 随机过程的概率分布统计描述 • 随机过程的数字特征 3 6.1.1 随机过程的定义 • 随机过程 X (t, ω) (t ∊T, ω∊Ω) 在不同情况下的含义: – （1 ）当 t 和 ω 都是变量时, 是一个时间函数族, 或依赖与 t 的随 机变量族; – （2 ）当 t 是变量、ω 固定时, 是一个确定的时间函数(样本函数); – （3 ）当 t 固定、ω 是变量时, 是一个随机变量; – （4 ）当 t 和 ω 固定时, 是一个确定的值。 • 为简便起见, 书写时常省略随机因素ω, 将随机过程 X (t, ω) (t ∊T, ω∊Ω) 简记为 X (t) (t∊T)。 4 6.1.2 函数、随机变量、随机过程的主要区别 • 函数、随机变量、随机过程的主要区别 函数: 实数→实数 随机过程: 随机变量→实数 随机变量: 随机试验结果→时间函数 随机试验结果→实数 随机性, 函数性 5 6.1.3 随机过程的分类 • 按参数集和状态空间是连续还是离散取值分类: – (1) 若参数 T 是可数有限集, 即T = {t , k = 0, 1, 2, …, n}, 称为有限 k 随机变量序列; 若参数T是可数无限集, 即T = {tk , k = 0, 1, 2, …}或T