随机信号分析1.1.pptVIP

例 1.1.10 已知二维随机变量 ( X1 , X 2 ) 的联合概率密 度 f X ( x1 , x 2 ) ,求 X1 , X 2之和 Y = X 1 + X 2 的概率密度 0 1 2 1 2 2 1 1 2 1 = 1 1 ? 1 = ? ? ? ? ? ? ? ? = y y y x x y x x J 2. 方差 描述（度量）随机变量偏离其数学期望的程度 描述随机变量在数学期望附近的离散程度 描述随机变量取值分布的离散特性 表示：D[X]或 均方差、标准差: X离散随机变量 X连续随机变量 图1.1.7出示了不同数学期望和方差的概率密度； 说明： 概率密度曲线下的面积恒为1； 对于相同分布的随机变量，若数学期望不同但方差相同，表现为概率密度曲线在横轴上平移； 若方差不同但数学期望相同，表现为概率密度曲线在数学期望附件的集中程度，越集中，方差越小； 习题1.3 离散随机变量X由0、1、2、3四个样本组成，四个样本的取值概率分别是1/2、1/4、1/8、1/8。求随机变量的数学期望和方差。 例 1.1.3 已知高斯随机变量的概率密 度，求数学期望和方差 ∑ x f X ( x ) dx 3. 矩函数 随机变量Ｘ的n阶原点矩定义为 mn = E[X n ] n = 1,2,? ? ? ∞ i = 1 x in Pi m n = n = 1,2,? ? ? n ∞ ∫ ? ∞ m n = n = 1,2,? ? ? X离散 X连续 3.1.一维随机变量 ∑ ( x n n = 1,2,? ? ? 随机变量Ｘ的n阶中心矩定义为 n [ X ]) Pi ∞ i = 1 n = 1,2,? ? ? ]) n f X ( x ) d x μ n = ( x ? E [ X ∞ ∫ ?∞ n = 1,2,? ? ? X离散 X连续 关系：一阶原点矩是数学期望－－－集中特性 二阶中心矩是方差－－－－－离散特性 二维连续随机变量X和Y的n+k阶联合原点矩为 n+k阶联合中心矩为 3.2 二维随机变量 协方差：二阶联合中心矩是X和Y的协方差 当n=1，k=1时 相关矩：二阶联合原点矩是X和Y的相关矩 XY R [ X Y ] = m 11 = E 相关矩反映两随机变量之间的关联程度 C XY = μ11 = E {( X ? E [ X ])(Y ? E [Y ])} 协方差反映两随机变量之间的关联程度 还反映两随机变量各自的离散程度 相关系数： 将协方差对两个随机变量的均方差进行归一化 例 1.1.4 随机变量Y=aX+b,其中X为随机变 量,a b为常数，且a0，求X与Y的相关系数. E [X ] = mX E[Y ] = aE[X ]+ b = amX + b = mY CXY = E {( X - E [X ])( Y - E [Y ]) } 将Y=aX+b,mY=amX+b代入，消去y，得到 同理，将X=(Y-b)/a,mX=(mY-b)/a代入，消去y，得到 结论：当X与Y呈线性关系Y=aX+b,且a0,二者的相关函数,即X与Y是完全相关的. 例 1.1.5 X与Y为互相独立的随机变量，求二者 的相关系数 f XY ( x, y) = fX ( x) fY ( y) 结论：两个随机变量互相独立肯定不相关 4.统计独立与不相关 (1)随机变量X与Y统计独立的充要条件是: f XY ( x , y ) = f X ( x ) f Y ( y ) (2)随机变量X与Y不相关的充要条件是: 证明： 相互关系 (3) 两随机变量统计独立，必然不相关 （独立必不相关） (4) 两随机变量不相关，不一定互相独立 （不相关，不一定独立） 正交 (5)若随机变量X,Y的相关矩为零,则称X,Y互相正交. 0 ] = 正 交 : R XY = E [ X Y 若随机变量正交,且其中一个随机变量的数学期望 为0,则二者一定不相关 C XY = RXY -E [ X ] E [Y ] = RXY = 0 C XY = 0 例1.1.6 二维随机变量(X,Y)满足 X=cosφ Y=sinφ 式中,φ是在[0,2π]上均匀分布的随机变量,讨论X,Y 的独立性和相关性. 结论：两个随机变量不相关，不一定互相独立 1.1.3 随机变量的函数变换 作用： 间接确定一个随机变量的分布方法 系统仿真时－－直接仿真某个分布信号 利用函数关系来产生需要 的随机信号 例如：根据无线电信号的输入信号X和噪声信号Y的函数分布X+Y， 产生接收信号。