第二章信号检测与估计理论1.ppt

分布函数左连续的证明教材p9 N维联合高斯随机矢量的三条主要性质 说明 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 图4.2 高斯 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 练习题 标准高斯分布的一维累积分布函数和右尾积分 例:data=normrnd (0,1,30,1); p=capaplot(data,[-2,2]) p =0.9793 在指定的界线之间画正态密度曲线 p=normspec(specs,mu,sigma) %specs指定界线，mu、sigma为正态分布参数，p为样本落在 上、下界之间的概率。 例:p=normspec([10 Inf],11.5,1.25);p=0.8849 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, 若随机变量x具有概率密度 3 指数分布随机变量 图2.6单/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 (1)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； (2)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 瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。两个正交高斯噪声信号之和的包络服从瑞利分布。 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） 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,相位 在 之间均匀分布，高 斯过程的均值为0，方差为 5 广义瑞利分布随机变量 如果令 , 则得到归一化的广义瑞利分布的概率密度函数为 图2.9广义瑞利分布随机变量的PDF曲线（σ2=1） 5 广义瑞利分布随机变量 广义瑞利分布随机变量的各阶矩由下式给出 为输入功率信噪比，1F1为库默尔函数，亦称合流超几何函数 6 三角对称分布随机变量 图2.4 三角对称分布 图2.5三角对称分布 2.2.5 随机矢量及其统计描述 主 要 内 容1 随机矢量的概念2 随机矢量的概率密度函数3 均值矢量和协方差矩阵4 统计独立性和独立同分布5 联合高斯随机矢量 1 随机矢量的概念 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 4 均值矢量和协方差矩阵 协方差矩阵定义为 如果xj与xk互不相关， , 协方差矩阵 变为对角矩阵 5 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 例： mu1=[-1,2]; Sigma2=[1 1; 1 3]; % 输入均值向量和协方差矩阵 [X,Y]=meshgrid(-3:0.1:1