统计光学随机变量.ppt

一、 随机相位复矢之和 设有 N个 基元相位复矢的和为， 假设 构成合矢量的基元相位复矢有以下统计性质： 1. 每个基元相位幅矢的振幅和位相互相统计独立，且同所有其他基元的相幅矢量的振幅和位相统计独立。 合成相位复矢实部与虚部分别为 R 和 I : 3. 所有的位相 都在(－π,π)区间上均匀分布。 2. 对于一切 k ，随机变量的 a 有完全相同的分布，其均值为 , 二阶矩为 。 注意到 R 和 I 二者都是许多独立的随机基元之和，根据中心极限定理，R 和 I 在 N 大时都近似为Gauss随机变量．为了确定 R 和 I 的联合密度函数，必须首先计算它们的均值、方差和相关系数。 均值： 方差： 所以，随机位相复矢和的实部和虚部是不相关的. 相关系数: 实部和虚部的联合概率密度函数: 引入变换 边缘概率: 二、一个常位相复矢与大量随机位相复矢的和 其中： 该函数称为莱斯（Rice）密度函数或广义瑞利函数，I0(·)是零阶修正贝塞尔函数 振幅分布（边缘分布）： 一个常位相复矢与大量随机位相复矢的和的振幅pA(a)的概率密度函数 —— 位相分布： 其中 由于k=s/σ，当k=0 时，位相分布变为均匀分布， 当k 很大时，位相分布变为 一个常相幅矢量加上一个随机相幅矢量和得到概率密度函数Pθ(θ) 列矩阵 u 及其转置矩阵ut 分别为 于是有 由此结果便得到零均值二维高斯随机变量概率密度函数的矩阵表示式为 相应的零均值二维高斯随机变量的特征函数表示式： 其矩阵形式的表示式为 式中 式中 （2）具有非零均值m1和m2时，二维高斯随机变量的概率密度与特征函数 式中 假设零均值的高斯随机变量U1和U2，借助于线性变换可得随机变量V1和V2 这个变换可以写成矩阵形式 式中 a 是变换矩阵 5. 二维高斯随机变量的线性变换 两个高斯随机变量的线性变换仍然是两个高斯随机变量。 V是元素V1和V2的列矩阵 显然，由于U1和U2皆为零均值随机变量，故V1和V2 亦为零均值随机变量． V1和V2的方差和协方差经计算可得 随机变量V1和V2 的协方差矩阵Cv可以用随机变量U1和U2 的协方差矩阵CU来表示： 经推导可得线性变换后的随机变量V1和V2 的二维特征函数的矩阵表示式： 其中 ——这正是协方差矩阵为 CV 的二维高斯随机变量特征函数矩阵表示式．所以两个高斯随机变量的线性变换仍然是两个高斯随机变量。 四、多维高斯分布 1. 多维高斯变量 u 的均值 m与协方差 C 2. 多维高斯变量的概率密度函数与特征函数 当n个随机变量互不相关时，协方差矩阵变成对角矩阵，此时： 因此互不相关的多维高斯随机变量的概率密度变成n个一维高斯随机变量概率密度函数的乘积 3. 联合高斯随机变量的性质 (1) 若U1，U2，…，Un服从n维联合高斯分布，则每一变量的边缘分布和各种条件分布都服从高斯分布。 值得注意的是：联合高斯变量中的每一变量的边缘分布都服从高斯分布，但是其逆定理并不成立：如果每个变量单独都服从高斯分布，这些变量并不见得服从联合高斯分布。 (2) 联合高斯变量U1， U1 ，… Un的任意线性组合 (线性变换)。 得出的新变量也是联合高斯变量。 逆变换也成立。 (3) 联合高斯变量若不相关，则相互独立。 对于一般的随机变量，互不相关并不一定相互独立。但是对于高斯变量，互不相关就是相互独立。 既然联合高斯分布完全由各变量的平均值和协方差矩阵确定，那么它的高阶矩应当可以通过一阶矩和二阶矩表示出来。 对于零平均值联合高斯变量，对特征函数进行适当次数的微商，可以得到实数高斯变量的矩定理： 五、联合高斯变量的矩定理 例如：当 N = n = 4 时，有 §1.8 复值随机变量 如果 R 和 I 是二维实值随机变量，则称 为复值随机变量，其中 。在对光波进行研究时，常常有必要将随机变量看成是一个复值。 复随机变量的统计特性可用实随机变量 R 和 I 的联合概率分布完整地描述。 有实随机变量 R 和 I ，则 R 和 I 的联合分布函数称为复随机变量 U＝R＋j I 的分布函数即 R与I 的联合概率密度函数，称为复随机变量 U＝R＋j I 的概率密度函数，即 一、复随机变量的分布函数和密度