第二章信号检测与估计理论讲述.pptVIP

分布函数左连续的证明教材p9 教材P19 例2.2.1 N维联合高斯随机矢量的三条主要性质 说明 之间，若相互统计独立，一定互不相关；若互不相关，也相互统计独立。 例： mu1=[-1,2]; Sigma2=[1 1; 1 3]; % 输入均值向量和协方差矩阵 [X,Y]=meshgrid(-3:0.1:1,-2:0.1:4); xy=[X(:) Y(:)]; % 产生网格数据并处理(两列2501*2 ） p=mvnpdf(xy,mu1,Sigma2); % 求取联合概率密度 P=reshape(p,size(X)); % Change size(2501*1—61*41) surf(X,Y,P) 对协方差矩阵进行处理，可计算出新的联合概率密度函数。 Sigma2=diag(diag(Sigma2)); % 消除协方差矩阵的非对角元素 p=mvnpdf(xy,mu1,Sigma2); P=reshape(p,size(X)); surf(X,Y,P) R为m行n列。 例： mu1=[-1,2]; Sigma2=[1 1; 1 3]; R1=mvnrnd(mu1,Sigma2,2000); plot(R1(:,1),R1(:,2),o) Sigma2=diag(diag(Sigma2)); figure; R2=mvnrnd(mu1,Sigma2,2000); plot(R2(:,1),R2(:,2),o) 2.2.6 随机变量的函数 随机变量变换前的概率密度函数 随机变量变换后的概率密度函数 1 一维随机变量的情况 2 N维随机矢量的情况 图4.2 高斯 随机变量x: 用变量x来描述随机事件的结果，实验前知道x可能的取值，及取该值的概率 * 随机变量x: 用变量x来描述随机事件的结果，实验前知道x可能的取值，及取该值的概率 * * * * * * * 若随机变量 x的概率密度为 记作 p (x)所确定的曲线叫作正态曲线. 其中 和 都是常数， 任意， 0， 则称x服从参数为 和 的正态分布. (1) p(x)≥0, (2) 图 2.2高斯分布随机变量的pdf曲线（μx＞0） 正态分布 的图形特点 正态分布的密度曲线是一条关于 对称的钟形曲线. 特点是“两头小，中间大，左右对称”. 决定了图形的中心位置， 决定了图形中峰的陡峭程度. 正态分布 的图形特点 这说明曲线 p(x)向左右伸展时，越来越贴近x轴。即p(x)以x轴为渐近线。 当x→?∞时，p(x)→0, 用求导的方法可以证明， 为p (x)的两个拐点的横坐标。 x = μ ? σ 标准高斯分布 练习题 标准高斯分布的一维累积分布函数和右尾积分 例:data=normrnd (0,1,30,1); p=capaplot(data,[-2,2]) p =0.9793 在指定的界线之间画正态密度曲线 p=normspec(specs,mu,sigma) %specs指定界线，mu、sigma为正态分布参数，p为样本落在 上、下界之间的概率。 例:p=normspec([10 Inf],11.5,1.25);p=0.8849 则称 x 服从参数为 的单边带指数分布. 若随机变量x具有概率密度 常简记为 x~E( ) . 3 指数分布随机变量 分布函数为： p(x)≥0, 若随机变量x具有概率密度 3 指数分布随机变量 图2.6单/双边指数分布随机变量的PDF曲线（β＞0） 4 瑞利分布随机变量 (1)高斯过程通过窄带线性系统后成为窄带高斯过程，其包络的分布属于瑞利分布； (2)信号在信道中传输，其幅度的衰落通常也认为服从瑞利分布。 则称x服从瑞利分布. 若随机变量x具有概率密度 瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。两个正交高斯噪声信号之和的包络服从瑞利分布。 4 瑞利分布随机变量 图2.8 瑞利分布随机变量的PDF曲线（σ2=1） 高斯过程通过窄带线性系统后成为窄带高斯过程，其包络的分布属于瑞利分布； 信号在信道中传输，其幅度的衰落通常也认为服从瑞利分布。 5 广义瑞利分布随机变量(也称莱斯分布) 正弦信号加窄带高斯过程其包络的分布就服从广义瑞利分布。 设正弦信号的幅度为a,相位 在 之间均匀分布，高 斯过程的均值为0，方差为 I0是第一类零阶修改郑贝塞尔函数（Bessel functio