更改

对于服从泊松分布的随机网络，如[[ER随机图]]，<math>G_1(x) = G_0(x) </math>就是这种类型的随机网络理论特别简单的原因。一阶和二阶近邻的概率分布由函数<math>G_0(x)</math> 和<math>G0(G1(x))</math>生成。进一步扩展，<math>m</math>阶近邻的概率分布由如下式子得到：

对于服从泊松分布的随机网络，如[[ER随机图]]，<math>G_1(x) = G_0(x) </math>就是这种类型的随机网络理论特别简单的原因。一阶和二阶近邻的概率分布由函数<math>G_0(x)</math> 和<math>G_0(G_1(x))</math>生成。进一步扩展，<math>m</math>阶近邻的概率分布由如下式子得到：

其中的 <math>G_1 </math> 函数作用到自身（递归调用）31次。

其中的 <math>G_1 </math> 函数作用到自身（递归调用）31次。

一阶近邻的平均数量c1就是<math>c_1</math>是<math>{\langle k \rangle} = {dG_0(x)\over dx}|_{x=1}</math> 二阶近邻的平均数量是：<math>c_2 = \biggl[ {d\over dx}G_0\big(G_1(x)\big)\biggl]_{x=1} = G_1'(1)G'_0\big(G_1(1)\big) =  G_1'(1)G'_0(1) = G''_0(1)</math>

一阶近邻的平均数量就是<math>c_1</math>是<math>{\langle k \rangle} = {dG_0(x)\over dx}|_{x=1}</math> 二阶近邻的平均数量是：<math>c_2 = \biggl[ {d\over dx}G_0\big(G_1(x)\big)\biggl]_{x=1} = G_1'(1)G'_0\big(G_1(1)\big) =  G_1'(1)G'_0(1) = G''_0(1)</math>

<br>

<br>