第二章信号检测与估计理论1课件.pptVIP

2 随机矢量的分布函数 3 随机矢量的概率密度函数 4均值矢量和协方差矩阵 均值矢量 3均值矢量和协方差矩阵 协方差矩阵 如果xj与xk互不相关，j~=k,则对称的协方差矩阵变为对角矩阵 4 统计独立性和独立同分布 统计独立 独立同分布 5 联合高斯随机矢量 N维联合高斯随机矢量的三条主要性质 说明：N维联合高斯随机矢量的边缘分布仍是高斯分布的，所以，也可以这样定义N维联合高斯随机矢量的定义：如果N维随机矢量的每一个分量都是时服从高斯分布的，则称其为N维联合高斯随机矢量。 N维联合高斯随机矢量的三条主要性质 N维联合高斯随机矢量的三条主要性质 说明x(kosiK)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。 教材P19 例2.2.1 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 3. 随机变量函数的均值 设随机变量的函数 现求随机变量函数的均值。 方法1：先用一维雅可比变换求出随机变量函数的概率密度函数 ，再求其均值，即 方法2：由 直接求随机变量函数的均值，式中 是随机变量 的概率密度函数 。这种方法可推广到多元变量。 图4.2 高斯 图4.1 高斯 高斯 高斯 高斯 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 正态分布的概率密度 的性质 （1） 密度曲线 以 为对称轴，即 （2） 密度函数 在 处达到最大值 ， 越远值越小，表明对于同样长度的区间，当区间离 越远 时， 落在这个区间上的概率越小。 （3） 位于 轴上方，以 轴为渐近线，即 （4） 的图形依赖于两个参数 ： 动而不改变形状，故 称为 的位置参数； 若固定 的值改变 的值，则 的图形沿着 轴平行移 随 的增大而减小。故称 为 的形状参数（图2-9）。 若固定 的值改变 的值，由于最大值为 ， 可知当 越小时， 越大， 的图形越尖陡；当 越大时， 越小， 的图形越低平。因而， 落在 附近的概率 标准高斯分布的一维累积分布函数和右尾积分 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, 则称 x 服从参数为 的双边带指数分布. 若 r.v x具有概率密度 3 指数分布随机变量 3 指数分布随机变量 图2.6单边指数分布随机变量的PDF曲线（β＞0） 3 指数分布随机变量 图2.7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 在实际中，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。 则称 x 服从瑞利分布. 若随机变量x具有概率密度 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） 在实际中，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 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