链图模型的可压缩性研究-应用数学专业论文.docxVIP

山东 山东师范大学硕士学位论文 万方数据 万方数据 图G_ V 上的条件独立性限制，则条件独立性可压缩性可以写成: I(G_ V )V \{v} = I(G_ V \{v}), 条件独立性可压缩性与估计可压缩性存在着一定的关系，并且满足可压缩性的 条件要较估计可压缩性弱一些。除了条件独立性可用压缩性之外，还存在着模 型可压缩性。模型可压缩性表示对于给定的变量或者变量集，压缩后的自己所 构成的部分同样保持与整体相同的统计性质，也就是说由子集所取变量分布与 整体中对应集合所取变量的分布一致，即对于p(x) ∈ M ,我们有p(xB ) ∈ MB 。模 型可压缩性可以写成 M (G_ V )B = M (G_ B ) 模型可压缩性可以导出条件独立性可压缩性，可以证明在离散分布和高斯分布 中与条件独立性可压缩性保持一致关系。 本文第二章介绍了链图模型的块估计可压缩性，具体来说，§2.1节介绍了 估计可压缩性的背景知识与发展过程，§2.2节罗列与解释了块估计可压缩性的 符号与概念，§2.3节阐述了链图模型分块的估计可压缩性理论，并推导证明了 可压缩性与C可移除性的充分必要条件。 第二章论述了链图模型的链式块条件独立可压缩性与模型可压缩性，同 时阐述了二种可压缩性的关系并给出算法寻找满足估计可压缩性的最小链式 块集合。其中§3.1节介绍链图模型条件独立可压缩性与模型可压缩性的背景知 识，S3.2节表述两种可压缩性的相关概念与内在关系，并解释了与此部分内容 相关的一些符号。§3.3节论证了链图模型的条件独立性可压缩性与t可移除性的 关系以及在特定分布的假设下与模型可压缩性的等价关系。§3.3节论述了链图 模型块估计可压缩性、块条件独立性可压缩性以及模型可压缩性的相互关系， 并针对块估计可压缩性，给出了寻找满足估计可压缩性条件的最小集合的算 法，通过图例得以验证。 关键词: 统计图推断，链图模型，可压缩性，可移除性。 分类号: O157.5 2 Collapsibility for Chain Graphs Yin Xiaoyu Institute of Science of Mathematics, Shandong Normal University Jinan, Shandong, 250014, P. R. China ABSTRACT In recent years,Statistical graph theory develops dramatically.By combing graph model,this method can well explain a lot of problem such as multivariate causal rela- tionships.Espasically in recent years,statistical inference by combing graph theory has a extensive a application in various aspects like clinical pharmacy,epidemiology.And com- puter science,even in data mining aspect,which is very popular nowadays,this theory has been involved frequently.Statistics graph model can be divide into two kind of based net- work，which are called Markovian network and Bayesian network. Markovian network is a graph model whose variables are simple symmetrical correl- ativity while Bayesian network has variables which are causal relationships each other.In graph model,Markovian network consists of undirected edged which represents that vari- ables are correlative but causal,Bayesian network,while,by using directed edges from vari- able to show two variables are causal if reason points to result.We call it Undirect