信号检测及估计 部分基础汇总 通信抗干扰技术国家级重点实验室.ppt

* 《概率论与数理统计》（周概容编），P289 * 《概率论与数理统计》（周概容编），P374 有：马尔科夫定理，伯努利定理，辛钦定理，波莱尔强大数定律，柯尔莫戈洛夫强大数定律等 弱大数定律：概率意义上收敛 强大数定律：一般意义上收敛 * 《概率论与数理统计》（周概容编），P392 * 统计量的概念：《概率论与数理统计》（周概容编），P425 在处理理论问题和应用时，通常不直接使用随机样本，而使用利用它们计算出的某些量，即统计量。 * * n个独立同标准正态分布的随机变量的平方和。 * * * t分布非常接近标准正态分布 * * * X2分布 自由度为n的x2分布，即参数为（n/2,1/2)的Gamma分布 Xi具标准正态分布，且相互独立。 X2分布 t-分布 t-分布 F-分布 F-分布 随机过程 独立增量过程 维纳过程 马尔可夫过程 * * 后面要细讲，所以这里只提一下。 * * 表征随机变量一切可能值的集中位置。 《概率论与数理统计》P.240的例子。 * * 例子： 《概率论与数理统计》P.257例11、P.258例12、13 * * 《概率论与数理统计》P.267例6。 * * * 《概率论与数理统计》P.281例1，P.282例2 独立，则不想关，反之，不成立 * * * * 《概率论与数理统计》P.42、P.45 * 称H事件组为完全的。 完全事件组又叫基本事件空间的分割，也就是说完全事件组中的事件在每次试验中必出现一个且只能出现一个。 全概率公式可以把较复杂的问题分为若干互不相容的简单情形来处理。 例子：书P.46例2、P.48例4、例5 * Hi构成完全事件组。 * 假设完全事件组Hi在试验中不能直接观察到，，而只能观察到与这些事件有联系的事件A，且A必然与H中之一相伴随出现，则称P(Hi | A)为Hi的验后概率，称P(Hi)为验前概率。因此也称贝叶斯公式为验后概率公式。 * 例子有掷硬币，通信中的数字通信。 * * * * * * 概率与数理统计预备知识 雷霞 概率与数理统计预备知识 概率基本概念 均值 方差 协方差和相关系数 矩 条件概率 概率与数理统计预备知识 伯努利试验 一些常用分布 关于矩的一些常用不等式 大数定律 中心极限定理 统计推断的基本问题 随机变量的概率均值（数学期望） 离散随机变量的概率分别为： 连续随机变量的概率密度为： 数学期望的性质 随机变量的函数的均值 设y是随机变量x的函数，y=g(x) 随机变量的函数的均值 已知随机变量x、y的联合分布 随机变量的方差 随机变量方差的性质 协方差和相关系数 协方差和相关系数基本性质 矩 协方差矩阵 对于二维的随机变量（x1，x2）有： 协方差矩阵 可以构成矩阵： 对于多维随机变量，有： 条件概率 与条件概率有关的基本公式 乘法公式 全概率公式 完全事件组 与条件概率有关的基本公式 贝叶斯公式 验前概率与验后概率 P(Hk):验前概率（先验概率，a priori probability） P(Hk|A):Hk的验后概率（后验概率，a posteriori probability） 伯努利试验 如果试验只有两个对立的结局 ，就称该试验为伯努利试验。 假设E为伯努利试验，把“E在完全相同的条件下，独立地重复n次”作为一随机试验，该试验就被称为n重伯努力试验。 一些常用分布 均匀分布 指数分布 正态分布 Gamma分布 均匀分布 指数分布 正态分布 Gamma分布 关于矩的一些重要不等式 马尔科夫不等式 车贝晓夫不等式 轲西-布尼亚科夫斯基不等式 赫尔德不等式 N维正态分布的数学期望和方差 大数定律 关于大量随机现象之平均结果稳定性的定理，统称为大数定律。 弱大数定律 强大数定律 如果一随机现象服从大数定律，那么它的平均结果实际上是非随机的，或者说，如果影响某过程（或系统）之随机因素的数量无限增大，则该过程的平均特征无限接近于某一常数。 中心极限定理 凡是在一定条件下断定随机变量之和的极限分布是正态分布的定理，统称为中心极限定理。 直观上，如果一随机变量决定于大量随机因素的总和，其中每个随机因素的单独作用微不足道，且各因素的作用相对均匀，那么它就服从正态分布。 一些常用统计量的分布 统计量 统计量是随机样本的函数，也是一个随机变量，其分布被称为抽样分布。 一些关于正态随机变量的统计量的分布 X2 T F 几个常用统计量 * * 后面要细讲，所以这里只提一下。 * * 表征随机变量一切可能值的集中位置。 《概率论与数理统计》P.240的例子。 * * 例子： 《概率论与数理统计》P.257例11、P.258例12、13 * * 《概率论与数理统计》P.267例6。 * * * 《概率论与数理统计》P.281例