目录
12.1 随机变量（Random Variables，RVs）
12.1.1 离散随机变量（Discrete Random Variables）
12.1.2 连续随机变量（Continuous Random Variables）
12.1.3.3 中心矩（和方差）（Central moments (and variance)）
12.1.3.4 高斯分布（Gaussian distribution）
12.1.3.5 归一化高斯函数和Q函数（Normalized Gaussian, and the Q function）
12.1.3.6 中心极限定理（Central limit theorem）
12.2 平稳随机过程（Stationary Random Processes）
12.2.1 自相关函数（Auto-correlation function）
12.2.1.1 激励示例（Motivational example）
12.2.2 广义平稳（WSS）随机过程（Wide Sense Stationary (WSS) Random Processes）
12.2.3 遍历随机过程 （Ergodic Random Processes）
前言
本笔记是基于北京都柏林学院2022年EEEN3005J Communication Theory课程课件总结出的笔记。任课教师为Dr Deepu John。
阳老板建议: 本节内容之后的为期末考试内容，前11章内容配合期末试卷一同使用效果最佳。
Chapter 12 Random Signals
12.1 随机变量（Random Variables，RVs）
随机变量X是一个与实验结果有关的数字。如果我们重复实验，我们可能会得到一个不同的数字，以一种不可预测的方式——每次重复实验都会产生一个样本值。
12.1.1 离散随机变量（Discrete Random Variables）
离散随机变量是指只能从有限的一组可能值中取值的变量，示例包括：
• 掷骰子
• 从牌堆中挑选一张牌
• 轮盘赌的价值。
我们通过其概率质量函数（PMF）来描述离散随机变量，定义如下：
pmf告诉我们每个可能结果的概率。例子：
• 扔骰子：
• 从牌堆中挑选一张牌：
• 轮盘赌：
注意所有概率之和=1。
这是因为，当然，可以保证（即概率=1）每次都会发生一个结果。我们可以用数学来表达：
其中的总和是x的所有可能值。
12.1.2 连续随机变量（Continuous Random Variables）
连续随机变量可以在连续范围内取任意值，
例如
• 随机选择的人的身高。
• 噪声电阻器上的电压振幅
让我们进一步看看第一个例子，并提出以下问题：
1.随机选择的人身高1.7米的概率是多少？
2.随机选择的人身高2.7米的概率是多少？
在北京（2010年），人的平均身高是1.747米，所以我们可能认为
170万人的概率远远高于270万人，对吗？也许不是。如果…怎么办
我们将问题重新表述如下：
1.随机选择的人身高1.70000000’米的概率是多少？
2.随机选择的人身高2.70000000’米的概率是多少？
（这里的’意味着永远重复）。
我们没有改变这个问题，但现在答案是什么？
0 ！！！！
我们可以把它放在数学中，对于一个连续的随机变量来说
因此，对于x的每一个可能值，连续RV的PMF为零；
PMF是连续RVs概率的无用度量，我们需要另一个工具。。。
12.1.2.1 概率密度函数（PDF）
基于以上讨论，讨论X在一系列值上的概率才有意义。因此，我们定义了概率密度函数（PDF），它具有以下性质：
其在[a，b]范围内的积分（或从x=a到b的曲线下的面积）给出了x在该范围内（包括）获得一个值的概率。
现在我们可以问以下问题：
1.随机选择的人身高在1.69到1.71米之间的概率是多少？
2.随机选择的人身高在2.69到2.71米之间的概率是多少？
现在，这些问题将有非零答案，如图12.1.1所示。
PDF具有以下性质
• 该函数为非负函数，
• 该函数总和为1，
12.1.2.2 累积分布函数（CDF）
有时（实际上通常）更容易考虑RV小于（或等于）某个值的概率，因此我们将连续随机变量X的累积分布函数（CDF）定义为：
一些属性：
• 它包含与PDF相同的所有信息
• 这是一个非递减函数
12.1.2.3 CDF和PDF之间的关系
从CDF的定义来看：
其中是
的PDF。
这也可以写为：
从这两个表达式可以清楚地看出，或
足以完全描述独立RV，因为我们可以使用它们来计算任何结果的概率。
根据它们，我们可以计算RV函数的值，以及一些重要的基本统计数据，例如均值和方差。
最低0.47元/天 解锁文章
扫一扫
1111
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
