《随即按信号第讲》-公开课件（设计）.pptVIP

教学进度计划 先修课程: 《概率论与数理统计》 《信号与系统》 总理论学时：5*7=35 学分：2 教材：《随机信号分析》 赵淑清 哈尔滨工业大学出版社 参考教材: 《随机信号分析与应用 》 马文平等，科学出版社 第一章 随机信号基础 在大多数工程问题当中，被处理的信号往往不 是确定信号而是随机信号和确定信号的混合信 号。随机信号与一般的确定性信号有本质上的不 同，因此其分析方法也不尽相同。 本章首先对随机变量的要点做一系统的回顾， 然后介绍描述随机变量的另一种方法。本章后半 部分将给出通信与信息处理领域经常用到的一些 随机变量的分布，并重点讨论高斯随机变量。 随机变量（取值）： 一般用大写字母X,Y,Z来表示随机变量，而用小写字母x,y,z表示对应随机变量的取值.根据实际情况，还可把随机变量分为一维、二维和多维随机变量。我们主要以一维和二维为主进行介绍。 1.1.1随机变量的分布律 研究确定函数可以利用其函数关系，二随机试验的某一结果是否出现并不能根据函数的关系决定。譬如。掷硬币“出现正面” 的概率是0.5这一结论是根据大量的试验得到的。这种通过大量试验得到的结果就是统计规律。那么如何研究随机变量的统计规律呢？分布律就是研究随机变量统计规律的一种方法。它描述了随机变量各种取值与相应的概率之间的关系。 （二）. 概率密度函数 值得注意的是： 连续随机变量在某点取值的概率为零。因此对于连续随机变量，取值区间写成开区间和闭区间是一样的，但对于离散随机变量，开区间和闭区间是不同的。图1.2，1.3给出了连续和离散随机变量的分布律。 注： 两个随机变量X,Y相互统计独立的充要条件是 二维随机变量是多维随机变量中最简单的情况。n维随机变量统计独立的充要条件为:对于所有的x1,x2….xn,满足: 1.1.2 随机变量数字特征 分布律描述随机变量的统计特征是利用随机 变量的取值与取值概率的对应关系。但实际问题 中，分布律需要大量试验才能得到。但有时候并 不需要完全描述随机变量，而只要求知道随机变 量统计规律的主要特征。另一方面，有时候虽掌 握了分布律，但需要直观了解它的平均值和偏离 平均值的程度，也要用到数字特征。 数字特征很多，但主要的数字特征是描述 随机变量的集中特性，离散特性和随机变量之间 的相关性。 主要数字特征 一、数学期望 二、方差 三、矩函数 四、统计独立与不相关 数学期望和方差是随机变量分布的两个重要的特征，图1.7给出了具有不同数学期望和方差的概率密度。因为概率密度曲线下的面积恒为1，数学期望不同表现为概率密度曲线在横轴上的平移，二方差不同则变现为概率密度曲线在数学期望附近的集中程度。 例：1.1.1已知高斯随机变量X的概率密度 求它的数学期望和方差。 解:根据数学期望和方差的定义 三、矩函数 矩函数是一种数学定义，一阶原点距是曲线的几何重心。如果曲线是概率密度，那么一节原点矩就是数学期望。 随机变量X的n阶原点距定义为： 对于离散和连续随机变量，则分别有： 随机变量X的n阶中心矩定义为： 当n＝1时，一节原点距就是数学期望 当n＝2时，二阶中心矩是方差。 仿一维变量，给出二维随机变量的矩函数 二维随机变量X和Y的n+k阶联合原点距为： N＋k阶联合中心矩为 这里只给出了连续随机变量的表达式，对于离散 随机变量的矩函数有: 当n＝1，k＝0和n=0,k=1时，一阶原点距分别为X 和Y的数学期望： 当n＝2，k＝0和n=0,k=2时，二阶原点距分别为X和Y的方差 当n＝1，k＝1时，二阶联合原点距和二阶联合中心矩分别为X和Y的相关矩和协方差： 这两个统计变量分别反映了两个随机变量之间的 关联程度. 此外协方差还反映了两个随机变量各自的离散程 度。为去除两个随机变量离散程度对相关程度的影 响，可将协方差对两个随机变量的均方差进行归一 化： 归一化协方差也称相关系数，它只反映两个随机 变量之间的关联程度，与他们的数学期望和方差无 关。rXY=0时,称随机变量X,Y不相关,否则称为正相 关或者负相关. 例1.1.2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。 解：根据数学期望的定义，若E[X]＝mX， 则 先求协方差，再求相关系数 根据一系列的代换，我们可以得到