随机信号与系统 数字特征与条件数学期望.pptVIP

随机信号与系统 2007年春 饶渐升 第一章 概率论基础 1.1 概率公理与随机变量 1.2多维随机变量与条件随机变量 1.3 随机变量的函数 1.4 数字特征与条件数学期望 1.5 特征函数 1.6 典型分布 1.7 随机变量的仿真与实验 1.4.1 数学期望（或统计平均） 定义1.1：随机变量X的统计平均E[X]，数学期望（Expectation），或统计（集）平均（Ensemble average） ，或均值（Mean），也简记作mX C.R.V D.R.V 一般地 1.4.1 数学期望（或统计平均） 随机向量 的统计平均E[X] 1.4.1 数学期望（或统计平均） 1.4 .2 矩与联合矩（Joint Moment） 原点矩 随机变量X的k阶原点矩通常记为 ，其定义为 C.r.v D.r.v 1.4 .2 矩与联合矩 中心矩 随机变量X的k阶中心矩通常记为 ，其定义为 当k＝2时， μ2称为方差(Variance)，σ称为标准差(standard deviation) 1.4 .2 矩与联合矩 联合（混合）原点矩 随机变量 的（k+r）阶联合原点矩通常记为 ，定义为： 当k=r=1时， 称为 的相关矩 (correlation)。 1.4 .2 矩与联合矩 联合中心矩 (moment of inertia) 随机变量 的（k+r）阶联合中心矩通常记为 ，定义为 当k=r=1时， 称为 的互协方差(Covariance)。 1.4 .2 矩与联合矩 相关系数 (Correlation Coefficient) |ρ |＝1 ，线性相关 ρ =0，不相关 0ρ≤1，正相关 －1 ≤ρ0 ，负相关 举例3.9 例3.9 随机变量 和 线性相关，并有关系 。试证明， 和 的相关系数 。 举例3.9续 证明： 举例 例：若X与Y统计独立，讨论X与Y的相关性。 解答： 举例续 所以X与Y不相关(uncorrelated) 。 举例 例：若X与Y不相关，讨论X与Y的统计独立性。 解答： 例如： 显然，X与Y不独立。 举例续 正交性 (orthogonality) 随机变量 和 满足下述条件时，称两个随机变量 和 正交，即 举例 讨论正交性与不相关之间的关系。 解： 独立性、正交和不相关之间的关系 一般地， 独立性、正交和不相关之间的关系 高斯（正态）随机变量 独立性、正交和不相关之间的关系 高斯（正态）随机变量，且有一个均值为零 1.4.4 条件数学期望(Conditional expectation) 1.4.4 条件数学期望 1.4.4 条件数学期望 在一定条件下的数学期望，称为条件数学期望（或条件均值）。以二维为例，定义如下： 对于离散型随机变量， 是y的函数，即 1.4.4 条件数学期望 如果该函数的自变量为Y，则 是一个新的随机变量。对它求平均有: 称为全期望公式。 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.4 条件数学期望 1.4.5 重要不等式 1.4.5 重要不等式 第1章 作业3 1.21，1.24，1.26 * 电子科技大学通信学院 * 统计独立 互不相关 相互正交 任一随机变量 均值为0 (a) 正态分布除外 互不 相关 统计 独立 互不 相关 统计 独立 相互 正交