下载文档原格式
标准实验报告实验名称：随机数的产生及统计特性分析实验报告学生姓名：学号：指导教师：实验室名称：通信系统实验室实验项目名称：随机数的产生及统计特性分析实验学时：6（课外）【实验目的】随机数的产生与测量：产生瑞利分布随机数，测量它们的均值、方差、相关函数，分析其直方图、概率密度函数及分布函数。
通过本实验进一步理解随机信号的一、二阶矩特性及概率特性。
【实验原理】瑞利分布密度函数为：)0(,0,)(2222>⎪⎪⎩⎪⎪⎨⎧<≥=-σσσxxexxfx均值与方差：EX =σπ2，V ar(X）=2)22(σπ-相关函数：⎰+∞∞--=+=)(*)()()()(txtxdttxtxrxττ均值各态历经定义：E[X(t)]以概率1等于A[X(t)],则称X(t)均值各态历经。
物理含义为：只要观测的时间足够长，每个样本函数都将经历信号的所有状态，因此，从任一样本函数中可以计算出其均值。
——“各态历经性”、“遍历”。
于是，实验只需在其任何一个样本函数上进行就可以了，问题得到极大简化。
【实验记录】程序执行结果：rayl_mean =3.7523 err_mean = 0.7523 rayl_var = 3.8303 err_var = 0.8303【实验分析】可以看到，统计均值、统计方差与理论值都很接近。
当序列长度为1000时候，均值误差为5.63%，方差误差为12.19%；当序列长度为10000时，均值误差为0.79%，方差误差为1.04%，可以看到随着序列长度增大，样本的统计均值与统计方差与理论值得误差明显减小，当序列长度足够大的时候，样本的统计均值与统计方差会趋近与理论均值与理论方差，可以用统计均值、统计方差来计算理论均值与方差。
通过比较样本的直方图，与理论的瑞利分布概率密度函数图，发现样本出现的频率分布趋近于理论概率值，可见，当样本足够大的时候，随机变量取值的频率趋近于其概率，可以用频率分布近似概率分布。
随机序列的产生方法全文共四篇示例，供读者参考第一篇示例：随机序列的产生方法是数据科学领域中的一个重要问题，对于模拟实验、加密算法、随机化算法等领域都有着重要的应用。
随机序列是一组数字的排列，这组数字的出现顺序是无法预测的，且每个数字出现的概率是相同的。
在实际应用中，我们往往需要生成大量的随机序列，以满足各种需求。
本文将介绍几种常见的随机序列生成方法，希望能帮助读者更好地理解和应用随机序列的产生方法。
一、伪随机序列的产生方法在计算机领域中，常用的随机序列产生方法是伪随机序列的生成。
所谓的伪随机序列是指通过确定性算法生成的序列，虽然看起来像是随机序列，但实际上是可以被预测的。
伪随机序列的生成方法主要有以下几种：1. 线性同余法：线性同余法是一种较为简单的伪随机序列生成方法，其数学表达式为Xn+1=(a*Xn+c) mod m，其中a、c和m为常数，Xn为当前的随机数，Xn+1为下一个随机数。
这种方法产生的随机数序列具有周期性，并且很容易受到种子数的选择影响。
2. 梅森旋转算法（Mersenne Twister）：梅森旋转算法是一种较为先进的伪随机数生成算法，其周期长达2^19937-1，被广泛应用于科学计算领域。
3. 随机噪声源：随机噪声源是一种通过外部物理过程产生的伪随机序列，如大气噪声、热噪声等。
这种方法产生的随机序列具有较高的随机性和统计性质。
真随机序列是指通过物理过程产生的随机序列，其随机性是无法被预测的。
真随机序列的生成方法主要有以下几种：1. 环境噪声源：利用环境中的噪声源生成随机序列是一种常见的真随机数生成方法，如利用光传感器、声音传感器等产生的随机数序列。
2. 量子随机数生成器：量子随机数生成器利用量子力学的随机性质产生真正的随机序列，其随机性是无法被预测的。
目前，量子随机数生成器在密码学、随机数模拟等领域有着广泛的应用。
3. 核裂变反应：核裂变反应是一种非常稳定的自然过程，其产生的中子数是一个很好的随机数源。
一、实验目的1. 理解数字序列的概念及其在数字信号处理中的应用。
2. 掌握数字序列的生成方法，包括随机序列和确定性序列。
3. 熟悉数字序列的时域和频域分析。
4. 学习数字序列的线性调制和解调方法。
二、实验原理数字序列是指一系列离散的数字信号，通常用二进制数表示。
数字序列在数字通信、信号处理等领域有着广泛的应用。
本实验主要研究数字序列的生成、分析、调制和解调。
1. 数字序列的生成数字序列的生成方法主要有两种：随机序列和确定性序列。
（1）随机序列：通过随机数发生器产生，具有随机性、无规律性。
（2）确定性序列：根据某种算法生成，具有规律性。
2. 数字序列的时域分析数字序列的时域分析主要包括序列的长度、周期性、自相关函数等。
3. 数字序列的频域分析数字序列的频域分析主要包括序列的频谱、功率谱密度等。
4. 数字序列的线性调制和解调线性调制是将数字信号调制到高频载波上，以便在信道中传输。
解调是将接收到的信号恢复为原始数字信号。
三、实验内容1. 数字序列的生成（1）随机序列生成：使用随机数发生器生成随机序列，观察序列的特性。
（2）确定性序列生成：根据某种算法生成确定性序列，观察序列的特性。
2. 数字序列的时域分析（1）序列长度：计算序列的长度。
（2）周期性：观察序列的周期性。
（3）自相关函数：计算序列的自相关函数，分析序列的特性。
3. 数字序列的频域分析（1）频谱：计算序列的频谱，分析序列的频域特性。
（2）功率谱密度：计算序列的功率谱密度，分析序列的频域特性。
4. 数字序列的线性调制和解调（1）调制：将数字序列调制到高频载波上。
（2）解调：将接收到的信号恢复为原始数字序列。
四、实验步骤1. 实验准备：安装实验软件，熟悉实验环境。
2. 实验一：随机序列生成（1）使用随机数发生器生成随机序列。
（2）观察序列的特性，记录实验数据。
3. 实验二：确定性序列生成（1）根据某种算法生成确定性序列。
（2）观察序列的特性，记录实验数据。
随机信号分析实验报告——基于MATLAB语言姓名：_班级：_学号：专业：目录实验一随机序列的产生及数字特征估计 (2)实验目的 (2)实验原理 (2)实验内容及实验结果 (3)实验小结 (6)实验二随机过程的模拟与数字特征 (7)实验目的 (7)实验原理 (7)实验内容及实验结果 (8)实验小结 (11)实验三随机过程通过线性系统的分析 (12)实验目的 (12)实验原理 (12)实验内容及实验结果 (13)实验小结 (17)实验四窄带随机过程的产生及其性能测试 (18)实验目的 (18)实验原理 (18)实验内容及实验结果 (18)实验小结 (23)实验总结 (23)实验一随机序列的产生及数字特征估计实验目的1.学习和掌握随机数的产生方法。
2.实现随机序列的数字特征估计。
实验原理1.随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布， U(0,1)。
即实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：，序列为产生的(0,1)均匀分布随机数。
定理1.1若随机变量X 具有连续分布函数，而R 为(0,1)均匀分布随机变量，则有2.MATLAB中产生随机序列的函数(1)(0,1)均匀分布的随机序列函数：rand用法：x = rand(m,n)功能：产生m×n 的均匀分布随机数矩阵。
(2)正态分布的随机序列函数：randn用法：x = randn(m,n)功能：产生m×n 的标准正态分布随机数矩阵。
大理大学实验报告课程名称生物医学信号处理实验名称随机信号的数字特征分析专业班级姓名羽卒兰cl学号实验日期实验地点2015—2016学年度第 3 学期图36 L=512，N=2的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图37 L=256，N=4的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图38 L=128，N=8的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图39 L=64，N=16的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图40 L=32，N=32的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图图41 L=16，N=64的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图答：图36-41是改变输入每段数据长度L分别为：512，256，128，64，32 ，16。
输入段数N分别为：2，4，8，16，32，64。
不同的L，N长度的伪随机序列、心电、脑电、呼吸和颅内压信号的信号直方图，通过查看它们的直方图可以发现，不同的L，N长度的伪随机序列信号的直方图在区间[-5 5]之间是相似的；不同的L，N长度的心电信号的直方图在区间[-1 1]之间都是相似的；不同的L，N长度的脑电信号的直方图在区间[-10 10]之间都是相似的；不同的L，N长度的呼吸信号的直方图在区间[0 10]之间都是相似的；不同的L，N长度的颅内压信号的直方图在区间[0 1000]之间是相似的。
（2）过同一数据分段估计数字特征，大致判断该数据是否可以看作广义平稳。
导入信号为4 ：实际测量的呼吸信号图42 L=512，N=2的呼吸信号的数字特征图图43 L=256，N=4的呼吸信号的数字特征图图44 L=128，N=8的呼吸信号的数字特征图图45 L=64，N=16的呼吸信号的数字特征图图46 L=32，N=32的呼吸信号的数字特征图图47 L=16，N=64的呼吸信号的数字特征图答：广义平稳的概念：如果随机信号的概率特性不随时间变化而变化，就称为广义平稳随机过程。
电子科技大学通信与信息工程学院标准实验报告实验名称：随机数的产生及统计特性分析电子科技大学教务处制表电子科技大学实验报告学生姓名：吴子文学号：2902111011 指导教师：周宁实验室名称：通信系统实验室实验项目名称：随机数的产生及统计特性分析实验学时：6（课外）【实验目的】随机数的产生与测量：分别产生正态分布、均匀分布、二项分布和泊松分布或感兴趣分布的随机数，测量它们的均值、方差、相关函数，分析其直方图、概率密度函数及分布函数。
通过本实验进一步理解随机信号的一、二阶矩特性及概率特性。
编写MATLAB程序，产生服从N（m, sigma2）的正态分布随机数，完成以下工作：（1）、测量该序列的均值，方差，并与理论值进行比较，测量其误差大小，改变序列长度观察结果变化；（2）、分析其直方图、概率密度函数及分布函数；（3）、计算其相关函数，检验是否满足Rx(0)=mu^2+sigma2，观察均值mu 为0和不为0时的图形变化；（4）、用变换法产生正态分布随机数，重新观察图形变化，与matlab函数产生的正态分布随机数的结果进行比较。
【实验原理】1、产生服从N（m, sigma2）的正态分布随机数，在本实验中用matlab中的函数normrnd()产生服从正态分布的随机数。
（1）R = normrnd(mu,sigma) 产生服从均值为mu，标准差为sigma的随机数，mu和sigma可以为向量、矩阵、或多维数组。
（2）R = normrnd(mu,sigma,v) 产生服从均值为mu 标准差为sigma的随机数，v是一个行向量。
如果v是一个1×2的向量，则R为一个1行2列的矩阵。
如果v 是1×n 的，那么R 是一个n 维数组。
（3）R = normrnd(mu,sigma,m,n) 产生服从均值为mu 标准差为sigma 的随机数，标量m 和n 是R 的行数和列数。
2、测量该序列的均值、方差，并与理论值进行比较，测量其误差大小，改变序列长度观察结果变化。
实验一随机序列的产生与统计分析1.实验内容与目标：利用计算机产生常见随机序列，并对不同分布的随机序列进行统计分析，目的是了解随机信号的产生与主要统计分析方法。
1)利用计算机产生常见随机序列；2)随机序列的统计特性分析与特征估计；3)数字图像直方图的均衡；2.实验任务及结果分析1)利用计算机产生正态分布、均匀分布和指数分布的随机数，分别画出200点和2000点的波形；程序：x1=randn(200,1); %产生200个样本点的正态分布白噪声y1=randn(2000,1) %产生2000个样本点的正态分布白噪声subplot(3,2,1);plot(x1);title('正态分布白噪声(200点)');subplot(3,2,2);plot(y1);title('正态分布白噪声(2000点)');x2=rand(200,1); %产生200个样本点的均匀分布白噪声y2=rand(2000,1);subplot(3,2,3);plot(x2);title('均匀分布白噪声(200点)');subplot(3,2,4);plot(y2);title('均匀分布白噪声(2000点)');x3=exprnd(2,200,1); %产生200个样本点的指数分布白噪声y3=exprnd(2,2000,1);subplot(3,2,5);plot(x3);title('指数分布白噪声(200点)');subplot(3,2,6);plot(y3);title('指数分布白噪声(2000点)');2）计算上面三种分布的均值与方差的理论值，并画出理论的概率密度（图）；利用计算机分析画出这3种随机序列分别在100、5000和10000点的概率密度、均值与方差，比较分析不同长度下的统计结果；解：(1)理论分析：①对于正态分布：E（x）=m, D(x)=δ2，其中m，δ为曲线中的系数.解得均值E(x)=0，D(x)=1②对于均匀分布：E(x)=（a+b）/2, D(X)=(b-a)2/12, 其中a，b代表均匀分布的区域上下限. a=0,b=1解得均值E(x)=0.5，D(x)≈0.083③对于指数分布：E(x)=µ，D(x)=µ2，其中µ为函数中的系数解得均值E(x)=2，D(x)=4程序：x=-6:0.01:10;x1=-5:0.1:5y1=normpdf(x,0,1); y2=unifpdf(x1,0,1); y3=exppdf(x,2); subplot(2,2,1);plot(y1); subplot(2,2,2);plot(y2);title('均匀分布概率密度'); subplot(2,2,3);plot(y3);title('指数分布概率密度');title('正态分布概率密度');(2) 正态分布分别在100点，5000点，10000点的均值与方差表一：不同长度下正态分布的统计结果理论值100点5000点10000点均值0 -0.0510 0.0115 -0.0023 方差 1 0.9684 0.9830 1.0027②正态分布分别在100点，5000点，10000点概率密度曲线Methods one:程序：x=randn(100,1);[f,xi]=ksdensity(x);subplot(2,2,1);plot(xi,f);title('正态分布随机序列概率密度（100点）');x=randn(5000,1);[f,xi]=ksdensity(x);subplot(2,2,2);plot(xi,f);title('正态分布随机序列概率密度（5000点）');x=randn(10000,1);[f,xi]=ksdensity(x);subplot(2,2,3);plot(xi,f);title('正态分布随机序列概率密度（10000点）');Methods two:x=-6:0.01:10;y=randn(100,1);subplot(3,1,1);hist(y,x);title('随机正态分布概率密度（100点）');y=randn(5000,1);subplot(3,1,2);hist(y,x);title('随机正态分布概率密度（5000点）');y=randn(10000,1);subplot(3,1,3);hist(y,x);title('随机正态分布概率密度（10000点）');（3） 均匀分布分别在100点，5000点，10000点的均值与方差表二：不同长度下均匀分布的统计结果理论值100点5000点10000点均值0.5 0.5111 0.4954 0.4972 方差0.083 0.0803 0.0829 0.0837 ②均匀分布分别在100点，5000点，10000点概率密度曲线Methods one:程序：x=0:0.01:1;y=rand(100,1);subplot(3,1,1);hist(y,x);title('随机均匀分布概率密度（100点）');x=0:0.01:1;y=rand(5000,1);subplot(3,1,2);hist(y,x);title('随机均匀分布概率密度（5000点）');x=0:0.01:1;y=rand(10000,1);subplot(3,1,3);hist(y,x);title('随机均匀分布概率密度（10000点）');Methods two:程序：x=rand(100,1);[f,xi]=ksdensity(x);subplot(2,2,1);plot(xi,f);title('均匀分布随机序列概率密度（100点）'); x=rand(5000,1);[f,xi]=ksdensity(x);subplot(2,2,2);plot(xi,f);title('均匀分布随机序列概率密度（5000点）'); x=rand(10000,1);[f,xi]=ksdensity(x);subplot(2,2,3);plot(xi,f);title('均匀分布随机序列概率密度（10000点）');（4） 指数分布分别在100点，5000点，10000点的均值与方差表三：不同长度下指数分布的统计结果理论值100点5000点10000点均值 2 2.0711 2.0075 2.0039 方差 4 3.6713 4.0603 3.9859②指数分布分别在100点，5000点，10000点概率密度曲线Methods one:程序：x=-1:0.01:20;y=exprnd(2,100,1);subplot(3,1,1);hist(y,x); %画随机序列概率密度的直方图title('随机指数分布概率密度（100点）');y=exprnd(2,5000,1);subplot(3,1,2);hist(y,x);title('随机指数分布概率密度（5000点）');y=exprnd(2,10000,1);subplot(3,1,3);hist(y,x);title('随机指数分布概率密度（10000点）');Methods two:程序：x=exprnd(2,100,1);[f,xi]=ksdensity(x); %求随机序列在xi处得概率密度f subplot(2,2,1);plot(xi,f);title('指数分布随机序列概率密度（100点）');x=exprnd(2,5000,1);[f,xi]=ksdensity(x);subplot(2,2,2);plot(xi,f);title('指数分布随机序列概率密度（5000点）');x=exprnd(2,10000,1);[f,xi]=ksdensity(x);subplot(2,2,3);plot(xi,f);title('指数分布随机序列概率密度（10000点）');分析：从理论概率密度和100,5000,10000点的概率密度曲线可以看出，取点越多，概率密度曲线与理论概率密度曲线越接近，其均值与方差也越接近理论计算的均值与方差。
实验一随机序列的产生及数字特征估计一、实验目的1、学习和掌握随机数的产生方法。
2、实现随机序列的数字特征估计。
二、实验原理1、随机数的产生随机数指的是各种不同分布随机变量的抽样序列（样本值序列）。
进行随机信号仿真分析时，需要模拟产生各种分布的随机数。
在计算机仿真时，通常利用数学方法产生随机数，这种随机数称为伪随机数。
伪随机数是按照一定的计算公式产生的，这个公式称为随机数发生器。
伪随机数本质上不是随机的，而且存在周期性，但是如果计算公式选择适当，所产生的数据看似随机的，与真正的随机数具有相近的统计特性，可以作为随机数使用。
(0,1)均匀分布随机数是最最基本、最简单的随机数。
(0,1)均匀分布指的是在[0,1]区间上的均匀分布，即U(0,1)。
实际应用中有许多现成的随机数发生器可以用于产生(0,1)均匀分布随机数，通常采用的方法为线性同余法，公式如下：y0=1, y n= ky n−1(mod N)（1.1）⁄x n=y n N序列{x n}为产生的(0,1)均匀分布随机数。
下面给出了（1.1）式的3 组常用参数：①N = 1010，k = 7，周期≈5*10^7；②（IBM随机数发生器）N = 2^31，k = 2^16 + 3，周期≈5*10^8；③（ran0）N = 2^31 - 1，k = 7^5，周期≈2*10^9；由均匀分布随机数，可以利用反函数构造出任意分布的随机数。
定理1.1 若随机变量X具有连续分布函数F X(X)，而R为(0,1)均匀分布随机变量，则有X=F X−1(R)（1.2）由这一定理可知，分布函数为F X(X)的随机数可以由(0,1)均匀分布随机数按（1.2）式进行变换得到。
2、MATLAB 中产生随机序列的函数（1）(0,1)均匀分布的随机序列函数：rand用法：x = rand(m, n)功能：产生m×n的均匀分布随机数矩阵。
（2）正态分布的随机序列函数：randn用法：x = randn(m, n)功能：产生m×n的标准正态分布随机数矩阵。
如果要产生服从N(μ,σ2)分布的随机序列，则可以由标准正态随机序列产生。
（3）其他分布的随机序列MATLAB 上还提供了其他多种分布的随机数的产生函数，表1.1 列出了部分函数。
表1.1 MATLAB 中产生随机数的一些函数3.随机序列的数字特征估计对于遍历过程，可以通过随机序列的一条样本函数来获得该过程的统计特性。
这里我们假定随机序列X(n)为遍历过程，样本函数为x(n)，其中n = 0, 1, 2, … N-1。
那么，X(n)的均值、方差和自相关函数的估计为:利用MATLAB 的统计分析函数可以分析随机序列的数字特征。
（1）均值函数函数：mean用法：m = mean(x)功能：返回按(1.3)式估计X(n)的均值，其中x为样本序列x(n)。
- 4 -（2）方差函数函数：var用法：sigma2 = var(x)功能：返回按（1.4）式估计X(n)的方差，其中x为样本序列x(n)，这一估计为无偏估计。
（3）互相关函数函数：xcorr用法： c = xcorr(x, y)c = xcorr(x)c = xcorr(x, y, 'opition')c = xcorr(x, 'opition')功能：xcorr(x,y)计算X(n)与Y(n)的互相关，xcorr(x)计算X(n)的自相关。
option选项可以设定为：'biased' 有偏估计，即'unbiased' 无偏估计，即按（1.5）式估计。
'coeff' m = 0时的相关函数值归一化为1。
'none' 不做归一化处理。
三、实验内容及结果1. 采用线性同余法产生均匀分布随机数1000个，计算该序列均值和方差与理论值之间的误差大小。
改变样本个数重新计算。
Script计算脚本：num=input('num= ');N=2^31;k=2^16+3; %IBM random number generatorY=zeros(1, num);X=zeros(1, num);Y(1)=1;for i = 2:numY(i)=mod(k*Y(i-1), N);endX=Y/N;a=0;b=1;m0=(a+b)/2;sigma0=((b-a)^2)/12; %theoritical valuem1=mean(X);sigma1=var(X); %actual valuedelta_m=abs(m1-m0)delta_sigma=abs(sigma1-sigma0) %errorplot(X, 'k');xlabel('n');ylabel('X(n)');axis tight;实验结果：num = 1000delta_m = 0.0110 delta_sigma =0.0011num = 5000delta_m = 2.6620e-04 delta_sigma =0.0020nX (n )0.10.20.30.40.50.60.70.80.9nX (n )num = 10000delta_m = 8.7166e-05 delta_sigma =4.1864e-04由结果可知， 当num=10000时的均值和方差与理论值误差最小，因此效果比较好。
2. 参数为λ的指数分布的分布函数为F X (x )=1−e −λx利用反函数法产生参数为0.5的指数分布随机数1000个，测试其方差和相关函数。
script 计算脚本R = rand(1, 1000); lambda = 0.5;X = -log(1-R)/lambda;Dx = var(X)[Rm, m] = xcorr(X);0.10.20.30.40.50.60.70.80.9nX (n )subplot(2,1,1); plot(X, 'k'); xlabel('n'); ylabel('X(n)'); axis tight;subplot(2,1,2); plot(m, Rm, 'k'); xlabel('m'); ylabel('R(m)'); axis tight;运行结果：Dx =4.1286结果分析：参数为λ的指数分布，其方差为1λ2。
当λ=0.5时， 应有D[X]=4，实验的结果D[X]=4.1286，可见大致与理论相符，误差来源于样本数量过少。
100200300400500600700800900100051015nX (n )-800-600-400-20002004006008002000400060008000mR (m )3. 产生一组N(1,4)分布的高斯随机数（1000个样本），估计该序列的均值、方差和相关函数。
script计算脚本：X = normrnd(1, 2, [1, 1000]);mx = mean(X)Dx = var(X)[Rm, m] = xcorr(X);subplot(2,1,1);plot(X, 'k');xlabel('n');ylabel('X(n)');axis tight;subplot(2,1,2);plot(m, Rm, 'k');xlabel('m');ylabel('R(m)');axis tight;运行结果：Dx =3.8872结果分析：样本方差为3.8872， 可见与理论值4比较接近。
误差主要来源于样本数量过少。
样本的自相关函数表明：正态分布的随机序列在任意两个不等的时刻相关性均比较弱。
四、心得体会通过本次实验，首先了解了计算机中随机数的产生方法。
线性同余法可产生[0, 1]上的均匀分布随机数，通过函数变换即可或得任意分布的随机数。
其次，通过计算指数分布与高斯分布序列的自相关函数，对这两种分布的相关性有了更加直观的理解。
同时，实验复习了matlab 函数调用及绘图操作。
1002003004005006007008009001000nX (n )-800-600-400-20002004006008001000200030004000mR (m )。
