第二讲：随机变量的定义及分布.pptVIP

Gaussian Random Variable Remark: Under a wide range of conditions X can be used to approximate the sum of a large number of independent random variable. * Gamma Random Variable Remark: Chi-Square random variable with k degree of freedom: k=2?, ?=1/2 * Laplacian Random Variable * Rayleigh Random Variable * 随机变量的定义与分布 （1）概率的基本术语： 随机试验 基本事件 随机事件 样本空间，频率与概率 （2）随机变量的定义 从样本空间到实轴的映射 （3）随机变量的分布 PMF CDF PDF 典型随机变量的分布 （4）条件分布 小结 * 随机变量的数字特征 均值 反映随机变量取值的统计平均值 方差 随机变量取值偏离均值的偏离程度 相关系数 X与Y线性程度的度量 注意：线性不相关并不意味他们没有关系 注意与独立的差别 4. 协方差矩阵 5. 常见随机变量的数字特征 * * 在随机试验中，试验的结果不止一个，为了表示这些试验的结果，我们定义一个变量，变量的取值反映试验的各种可能结果，由于试验前我们无法确知试验结果，所以变量的值在试验前是无法确知的，即变量的值具有随机性，我们称这个变量为随机变量。 * 二个随机变量是同一样本空间的元素映射成两个实值函数，比如，评估某个学校的学员的健康状态，随机抽取一个学员，测量量有身高、体重等参数。 * 这是一个混合型随机变量的例子，这时用联合CDF往往比较困难。 * 实际上这是一个检测问题，检测器要判断发送的是+1还是-1，信道噪声服从均匀分布，检测门限为0，本例求的是输入端发送+1而接收端错误地判为-1的错误概率。 * 在两个随机变量中，根据一个随机变量的观测值与预测另外一个随机变量的值，相关系数提供了预测好坏的一个测度。如果X和Y用线性方程Y=a+bX来描述，相关系数等于1表示了两者的高的线性度，正的相关系数意味着b0，负的相关系数意味着b0 * * f(x)和f(y)的边缘概率密度为arcsine PDF，在-1?x ?1, -1?y?1上非零，如果X和Y是相互独立的，则在正方体内点(X,Y)可以取任意值，但实际上并非如此，所以，X和Y互相依赖的。 参见Probability, Statistics and Random Processes for Electrical Engineering Example 4.36,Example 5.27 * 3. 常见概率分布 正态分布（Normal），也称高斯（Gauss）分布 -4 -3 -2 -1 0 1 2 3 4 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 N(0,1)正态分布概率密度 标准正态分布函数 * 瑞利分布（Rayleigh） 瑞利分布概率密度?＝2 0 2 4 6 8 10 12 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 * 指数（Exponential）分布 指数分布概率密度 0 1 2 3 4 5 6 7 0 0.5 1 1.5 * 对数正态分布（LogNormal） 高分辨率雷达杂波分布 0 1 2 3 4 5 6 7 8 9 10 0 0.1 0.2 0.3 0.4 0.5 对数正态分布概率密度 ?为尺度参数 ?为形状参数 * 1.4 多维随机变量及其分布 Multiple Random Variables and Distributions 1. 定义 S ● ● e * 2. 二维分布函数和概率密度 Bivariate CDF and PDF 二维分布函数图解 定义： * 二维分布函数性质： 边缘（Marginal）分布 由二维分布函数可以求出一维分布函数 * 二维概率密度： 由二维概率密度可以求出边缘概率密度 * 随机变量落在某个区域的概率 * 3. 条件分布(Conditional Distribution) 条件分布函数 条件概率密度 称随机变量X、Y独立 * Example: Communication Channel with Discrete Input and Continuous Output noise voltage N~U(-2,2