1.随机信号分析_概率论汇编.ppt

n维联合特征函数： 由多维特征函数性质 5 推出 X1,…,Xn 互相独立。证毕。 证明：设n维高斯变量(X1,…,Xn) ，用矢量 表示，作一线性变换 ，其中 为系数矩阵 2. n维高斯变量经线性变换后仍服从高斯分布 Y是m维随机变量 Y的均值 Y的方差 Y的特征函数 令U1 =AT U 则： 因为X~N(Mx , Cx ) 线性变换后的新的m维随机变量Y~N(MY , CY )仍是高斯分布 3、高斯矢量的边缘分布仍是高斯分布 因此有 其中 是k×k阶矩阵，是 的子矩阵。 证明：设n个分量的随机矢量 其中的子矢量kn 设 为 的子矢量。 所以 的特征函数是X的边缘特征函数 所以高斯矢量的边缘分布 也服从高斯分布。 因此 例 求二维高斯变量（X1,X2)的边缘分布 其边缘特征函数 可见，X1~N(m1 , σ12 ) ，X2 ~N(m2 , σ22 ) 解： 例 设 是二维高斯矢量，其中X1与X2相互独立， 且同分布 证明 变换后 与 仍独立。 证： 由于Y是X的线性变换，所以Y仍是高斯矢量 所以Y独立。 所以，Y1与Y2不相关 高斯变量的不相关与独立等价 例1.33 已知三维随机矢量， 令二维随机变量 ，其中 求：①随机矢量 的方差 ？ ②随机矢量 的概率密度和特征函数？ ③随机变量 和 服从什么分布？它们是否独立？给出理由。 其中 解：①随机矢量 的方差 ②因为随机矢量 其中 则有 可得其 方差的逆矩阵 其特征函数为 概率密度为 由性质 2 可知，随机矢量 也服从高斯分布。因此有 ③由性质 3 可知，高斯分布的边缘分布 与 也服从高斯分布。 由于随机矢量 的方差 不是对角阵，所以 和 是相关的， 即 和 是不独立的。 §1.7 极限定理 一、几个概念 mn：采样均值，^：估计量 n次相互独立基本试验Xi（i=1,2, … ,n) §1.7 极限定理 三种收敛的关系： 例1.30 求高斯变量的特征函数 先介绍一个积分公式 (复变函数积分的应用公式) = 1. 若X的n阶绝对矩存在，则它的特征函数CX (μ)有n阶导数存在， 且当1≤K≤n时，有： 三、特征函数与矩的关系 证明（1）：证明X的n阶绝对矩存在，则特征函数CX (μ)有n阶导数存在 特征函数也叫矩生成函数 例1.31 求二项分布的特征函数 二项分布Y －－代表n重贝努利试验 (n次重复的 独立试验)中某随机事件A发生的次数。 设： p － 每次试验中A事件发生的概率。 q=(1-p)－ 每次试验中A事件不发生的概率。 四、特征函数与概率密度的关系 四、 多维随机变量的联合特征函数 若n维随机变量 用随机矢量 表示， n个参变量 用矢量 表示，据定义 n维随机变量 的 联合特征函数： n维随机变量 的 联合特征函数的傅里叶逆变换： 五、 性质 1、 2、 3、 ①当矩阵 是 阶对角阵， 是 维列矢量时， 是随机矢量 ←n维 ②当矩阵 是 阵， 是一常数 时， 是一维随机变量 其特征函数为 ←1维 5、 由 独立的条件： 由唯一性可得 独立的另一条件为： 问：一维特征函数性质 5 和多维特征函数性质 5 有什么不同？ 5、相互独立的随机变量 的和 的特征函数 等于各个变量特征函数的乘积 由“独立随机变量乘积的期望＝期望的乘积”可得结果 一维特征函数性质 5： 6、若 的特征函数为 则任取其中k个 (kn)变量的联合特征函数为： 称为n维随机变量的边缘特征函数。 7、如果X