实验二随机过程的模拟与数字特征
一、实验目的
1. 学习利用MATLAB模拟产生随机过程的方法。
2. 熟悉和掌握特征估计的基本方法及其MATLAB实现。
二、实验原理
1. 正态分布白噪声序列的产生
MATLAB提供了许多产生各种分布白噪声序列的函数，其中产生正态分布白噪声序列
的函数为randn。
函数：randn
用法：x = randn(m,n)
功能：产生 m Xn的标准正态分布随机数矩阵。
如果要产生服从 N ( ,「)分布的随机序列，则可以由标准正态随机序列产生。如果X ~ N(0,1)，则—■- N (,)。
2. 相关函数估计
MATLAB提供了函数 xcorr用于自相关函数的估计。
函数：xcorr
用法：c= xcorr (x,y)
c= xcorr (x)
c= xcorr (x,y ,'opiti on') c= xcorr (x, ,'opiti on')
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。
'un biased'无偏估计。
'coeff m = 0时的相关函数值归一化为1。
'none'不做归一化处理。
3. 功率谱估计
对于平稳随机序列X (n)，如果它的相关函数满足
(2.1)
那么它的功率谱定义为自相关函数R X (m)的傅里叶变换：
(2.2)
功率谱表示随机信号频域的统计特性，有着重要的物理意义。我们实际所能得到的随机
信号的长度总是有限的，用有限长度的信号所得的功率谱只是真实功率谱的估计，称为谱估计或谱分析。功率谱估计的方法有很多种，这里我们介绍基于傅里叶分析的两种通用谱估计方法。
(1 )自相关法
■
先求自相关函数的估计「X (m)，然后对自相关函数做傅里叶变换
N-L
R
fw) = 乂鞋(耐占皿
x
(2.3)
其中N表示用于估计样本序列的样本个数。
实验三随机过程的计算机模拟 实验目的 1、理解伪随机序列的产生原理，掌握产生伪随机序列的算法； 2、提高用计算机程序实现算法的能力； 3、进一步掌握Matlab的使用和程序设计方法； 4、增强独立设计能力。 实验原理 参见附图“4.4随机信号的计算机模拟”。 实验内容 1、用Matlab语言实现“乘同余法”，用“乘同余法”产生1000个（0,1）区间内均匀分布的随机数，并根据这1000个随机数的统计规律画出概率密度曲线；同时画出均匀分布的理论概率密度曲线，二者进行比较； 源代码： A=ones(1,10000); M=2^32-1; A(1)=45165; a=32719; for i=1:1:10000 A(i+1)=mod((a*A(i)),M); end for i=1:1:10000 A(i)=A(i)/M; end; x=linspace(0+0.0125,1-0.0125,40); yx=hist(A,x); %计算各个区间的个数 yy=(yx/10000)/(x(2)-x(1)); plot(x,yy) %画出概率密度分布图
●概率密度函数曲线 ●理论概率密度曲线 ●比较： 用“乘同余法”产生1000个（0,1）区间内均匀分布的随机数比较剧烈变化，改成了10000个之后依然不变。
2、用Matlab语言实现“混合同余法”，用“混合同余法”产生1000个（0,1）区间内均匀分布的随机数，并根据这1000个随机数的统计规律画出概率密度曲线；同时画出均匀分布的理论概率密度曲线，二者进行比较； ●源代码 （1）先建立M文件 function r=suijishu1(x0,n) format long; m=power(2,35); a=power(5,15); c=1; r=zeros(n,1); x=zeros(n+1,1); x(1)=x0; for i=2:n+1 y=a*x(i-1)+c; x(i)=mod(y,m); r(i-1)=x(i)/m; end format short; （2）在窗口中输入以下程序： >> r=suijishu1(1,1000) ●得出的随机数作图呈随机分布
介绍了指数随机图（P *）社交网络模型 （加里·罗宾斯，皮普派特森，尤瓦尔·卡利什，院长Lusher） 心理学系，行为科学，墨尔本大学商学院。 3010，澳大利亚 摘要： 本文提供的介绍总结，制定和应用指数随机的图模型的社交网络。网络的 各个节点之间的可能的关系被认为是随机的变量和假设，这些随机的领带变量 之间的依赖关系确定，一般形式的指数随机图模型的网络。不同的相关性假设 的例子及其相关的模型，给出了包括伯努利，对子无关，马尔可夫随机图模型。在社会选择机型演员的加入属性也被审查。更新，更复杂依赖的假设进行了简 要介绍。估计程序进行了讨论，其中包括新的方法蒙特卡罗最大似然估计。我 们预示着在其它组织了讨论论文在这款特别版：弗兰克和施特劳斯的马氏随机 图模型[弗兰克，澳，施特劳斯，D.，1986年马氏图。杂志美国统计协会81，832-842]不适合于许多观察到的网络，而Snijders等人的新的模型参数。[Snijders，TAB，派特森，P.，罗宾斯，GL，Handock，M.新规范指数随机图模型。社会学方法论，在记者]提供实质性的改善。 关键词：指数随机图模型;统计模型的社交网络; P *模型 在最近几年，出现了在指数随机图模型对于越来越大的兴趣社交网络，通常称为P *类车型（弗兰克和施特劳斯，1986;派特森和沃瑟曼，1999;罗宾斯等人，1999;沃瑟曼和帕蒂森，1996年）。这些概率模型对一组给定的演员网络 允许泛化超越了早期的P1模型类（荷兰和Leinhardt，1981年）的限制二元独立性假设。因此，它们允许模型从社会行为的结构基础的一个更为现实的构建。这些模型车的研究多层次，multitheoretical假说的有效性一直在强调（例如，承包商等，2006）。 已经有一些自Anderson等重大理论和技术的发展。（1999）介绍了他们对 P *型号知名底漆。我们总结了本文上述的进步。特别是，我们认为重要的是在概念上从依赖假设的衍生地，这些模型，模型的基本依据，然后作出了明确， 并与有关（不可观察）社会进程底层网络的形成假说更容易联系。正是通过新 的模式，可以开发一个有原则的方式，包括结合了演员的属性模型这样的做法。在模型规范和估计最近的发展需要注意的是，因为这样做就设置结构和部分新 技术的步骤依赖的假设，不仅扩大了级车型，但具有重要意义的概念。特别是，我们现在有一个更好的了解马尔可夫随机图，和有前途的新规格的性能已经提 出来克服他们的一些不足之处。 本文介绍了模型，并总结当前方法的发展与扩展概念的阐述（更多技术总 结最近被沃瑟曼和罗宾斯，2005年定;知更鸟和派特森，2005; Snijders等人，出版。）我们首先简要介绍理分析社交网络的统计模型（第1节）。然后，我 们提供指数随机图模型的基本逻辑进行了概述，并概述我们框架模型构建（第 2节）。在第3节中，我们讨论的重要概念一个依赖假设的建模方法的心脏。 在第4节中，我们提出了一系列不同的相关性假设和模型。对于模型估计（第 5章），我们简单总结伪似然估计（PLE）的方法，并检讨最近的事态发展蒙特 卡罗马尔可夫链最大似然估计方法。在第6节中，我们提出拟合模型，网络数
第三章随机过程 本节首先介绍利用matlab现有的库函数根据实际需要直接产生均分分布和高斯分布随机变量的方法，然后重点讲解蒙特卡罗算法。 一、均匀分布的随机数 利用MATLAB库函数rand产生。rand函数产生（0，1）内均匀分布的随机数，使用方法如下： 1）x=rand(m)；产生一个m×m的矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 2）x=rand(m，n)；产生一个m×n的矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 3）x=rand；产生一个随机数。 举例：1、产生一个5×5服从均匀分布的随机矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 x=rand(5) 2、产生一个5×3服从均匀分布的随机矩阵，所含元素取值均为在（0，1）内均匀分布的随机数。 x=rand(5,3) 二、高斯分布的随机数 randn函数产生均值为0，方差为1的高斯分布的随机数，使用方法如下： 1）x=randn(m)；产生一个m×m的矩阵，所含元素都是均值
为0，方差为1的高斯分布的随机数。 2）x=randn(m，n)；产生一个m×n的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 3）x=randn；产生一个均值为0，方差为1的高斯分布的随机数。 举例：1、产生一个5×5的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 x=randn(5) 2、产生一个5×3的矩阵，所含元素都是均值为0，方差为1的高斯分布的随机数。 x=randn(5,3) 3、产生一个5×3的矩阵，所含元素都是均值为0，方差为4的高斯分布的随机数。 x=2×randn(5,3) 三、蒙特卡罗仿真 1、蒙特卡罗算法 蒙特卡罗估计是指通过随机实验估计系统参数值的过程。蒙特卡罗算法的基本思想：由概率论可知，随机实验中实验的结果是无法预测的，只能用统计的方法来描述。故需进行大量的随机实验，如果实验次数为N，以 N表示事件A发 A 生的次数。若将A发生的概率近似为相对频率，定义为 N N。 A 这样，在相对频率的意义下，事件A发生的概率可以通过重
基本操作 -5/(4.8+5.32)^2 area=pi*2.5^2 x1=1+1/2+1/3+1/4+1/5+1/6 exp(acos(0.3)) a=[1 2 3;4 5 6;7 8 9] a=[1:3,4:6,7:9] a1=[6: -1:1] a=eye(4) a1=eye(2,3) b=zeros(2,10) c=ones(2,10) c1=8*ones(3,5) d=zeros(3,2,2)； r1=rand(2, 3) r2=5-10*rand(2, 3) r4=2*randn(2,3)+3 arr1=[1.1 -2.2 3.3 -4.4 5.5] arr1(3) arr1([1 4]) arr1(1:2:5) arr2=[1 2 3; -2 -3 -4;3 4 5] arr2(1,:) arr2(:,1:2:3) arr3=[1 2 3 4 5 6 7 8] arr3(5:end) arr3(end) 绘图
x=[0:1:10]; y=x.^2-10*x+15; plot(x,y) x=0:pi/20:2*pi y1=sin(x);y2=cos(x); plot(x,y1,'b-'); hold on; plot(x,y2,‘k--’); legend (‘sin x’,‘cos x’); x=0:pi/20:2*pi; y=sin(x); figure(1) plot(x,y, 'r-') grid on 以二元函数图 z = xexp(-x^2-y^2) 为例讲解基本操作，首先需要利用meshgrid 函数生成X-Y平面的网格数据，如下所示： xa = -2:0.2:2; ya = xa; [x,y] = meshgrid(xa,ya); z = x.*exp(-x.^2 - y.^2); mesh(x,y,z); 建立M文件 function fenshu( grade ) if grade > 95.0 disp('The grade is A.'); else if grade > 86.0 disp('The grade is B.'); else
随机过程——马尔可夫过程的应用 年级：2013级 专业：通信工程3班 姓名：李毓哲 学号：31
摘要：随机信号分析与处理是研究随机信号的特点及其处理方法的专业基础， 是目标检测、估计、滤波灯信号处理理论的基础，在通信、雷达、自动检测、随机振动、图像处理、气象预报、生物医学、地震信号处理等领域有着广泛的应用，随着信息技术的发展，随机信号分析与处理的理论讲日益广泛与深入。 随机过程是与时间相关的随机变量，在确定的时刻它是随机变量。随机过程的具体取值称作其样本函数，所有样本函数构成的集合称作随机过程的样本函数空间，所有样本函数空间及其统计特性即构成了随机过程。通信工程中存在大量的随机现象和随机问题。如：信源是随机过程；信道不仅对随机过程进行了变换，而且会叠加随机噪声等。 马尔可夫过程是一类非常重要的随机过程。随着现代科学技术的发展，很多在应用中出现的马氏过程模型的研究受到越来越多的重视。在现实世界中，有很多过程都是马尔可夫过程，马尔可夫过程在研究质点的随机运动、自动控制、通信技术、生物工程等领域中有着广泛的应用。我们可以通过对马尔可夫过程的研究来分析马尔可夫信源的特性。 关键词：随机过程，马尔可夫过程，通信工程，应用
目录 一、摘要 二、随机过程 、随机过程的基本概念及定义 、随机过程的数学描述 、基于MATLAB的随机过程分析方法三、马尔可夫过程 马尔可夫过程的概念 马尔可夫过程的数学描述 四、马尔可夫过程的应用 马尔可夫模型在通信系统中的应用 马尔可夫模型在语音处理的应用 马尔可夫模型的其他应用 五、结论 参考文献
二、随机过程 、随机过程的基本概念及定义 自然界变换的过程通常可以分为两大类——确定过程和随机过程。如果每次试验所得到的观测过程都相同，且都是时间t的一个确定函数，具有确定的变换规律，那么这样的过程就是确定过程。反之，如果每次试验所得到观测过程都不相同，是时间t的不同函数，没有为确定的变换规律，这样的过程称为随机过程。 、随机过程的数学描述 设随机试验E的样本空间Ω，T是一个数集（T∈(-∞,∞)），如果对于每一个t ∈T，都有一个定义在样本空间Ω上的随机变量 X(w,t)，w∈Ω，则称依赖于t的一族随机变量{X(w,t)，t∈T}为随机过程或随机函数，简记为{X(t)，t∈T }或X(t)，其中t称为参数，T称为参数集。当T={0,1,2,…}，T={1,2,…}，T={…,-2,-1,0,1,2,…}时，{X(w,t)t∈T}称为随机序列或时间序列。 、基于MATLAB的典型随机过程的仿真 信号处理仿真分析中都需要模拟产生各种随机序列，通常都是先产生白噪声序列，然后经过变换得到相关的随机序列，MATLAB有许多产生各种分布白噪声的函数。
第三章 随机变量的数字特征答案 一、1、35；2、 6175；;259,59,259, 563、σ σμ1 , =±=b a ； 4、()(),2 1212 1211 )(2 2 2 212111 2??? ? ??-- ---+-? = ? = = x x x x e e e x πππ ? ），（～所以2 1 1N ξ ，2 1 ,12 = ===σ ξμξD E 5、2 1-；6.a=2,b=0,或a=-2,b=2；32)(=ξE 或31 ； 7、()()125,01022===+=+=+=+a D a b a D b a b aE b a E ξξξξ 所以2,5 1 2,51=-=-== b a b a 或 8、()()6.2022,2=++=++=+ηξρηξηξηξηξξηD D D D Cov D D D ()()4.232,2=-+=-+=-ηξρηξηξηξηξξηD D D D Cov D D D 9、148，57； 10、()()()()n D a E D a E i i 2 2 ,,,σξ ξσξξ= ===所以 二、1、C 2、B 3、C 4、B 5、C 三、1、,2.03.023.004.02-=?+?+?-=ξE ()8.23.023.004.02222 2=?+?+?-=ξE ()() ()() ( )04.114,412,4.1353532 222=-==-=+=+ξξξξξξE E D D E E 2、ξ~[]10,0U ，()32512010,5210 02 =-==+=ξξD E ， 3 35=ξD 3、4)(,1)2 (==ξξ D D ，则 1)(,4)1(==-ξξ E D 所以0)1(=-ξE 所以 ()()()() 2 2 2111404E D E ξξξ-=-+-=+= 4、()()()()()()32323223,2D D D D Cov ξηξηξηξη-=+-=+-+- ()( )941225.6D D ξηρ=+-=
第四章随机变量的数字特征试题答案 一、 选择（每小题2分） 1、设随机变量X 服从参数为2的泊松分布，则下列结论中正确的是（D ） A.E （X ）=0.5，D （X ）=0.5?B.E （X ）=0.5，D （X ）=0.25 C.E （X ）=2，D （X ）=4?D.E （X ）=2，D （X ）=2 2 Y X -=，则34） A C 5A 6、)1= （C ） A ．3 4?B ．3 7C ． 323?D ．3 26 7、设随机变量X 服从参数为3的泊松分布，)3 1 ,8(~B Y ，X 与Y 相互独立，则 )43(--Y X D =（C ） A ．-13? B ．15 C ．19? D ．23 8、已知1)(=X D ，25)(=Y D ，XY ρ=0.4，则)(Y X D -=（B ）
A ．6? B ．22 C ．30? D ．46 9、设)3 1 ,10(~B X ，则)(X E =（C ） A ．31? B ．1 C ．3 10?D ．10 10、设)3,1(~2N X ，则下列选项中，不成立的是（B ） A.E （X ）=1? B.D （X ）=3? C.P （X=1）=0? D.P （X<1）=0.5 11 A ．C ．12、XY ρ= （D 13x =(B) A ． 14、（C ） A.-15、为（A ．C ．21)(,41)(== X D X E ?D ．4 1 )(,21)(==X D X E 16、设二维随机变量（X ，Y ）的分布律为
则)(XY E =（B ） A ．9 1-?B ．0 C ．9 1?D ．3 1 17、已知随机变量X 服从参数为2的泊松分布，则随机变量X 的方差为（D ） A 18，0.5)，则A 19，则X A 20， 则21（B A C 22、设n X X X ,,,21 是来自总体),(2σμN 的样本，对任意的ε>0，样本均值X 所满足的切比雪夫不等式为（B ） A ．{}2 2 εσεμn n X P ≥ <-?B ．{} 22 1ε σεμn X P -≥<- C ．{}2 2 1ε σεμn X P - ≤≥-?D ．{}2 2 εσεμn n X P ≤ ≥-
第四章 随机变量的数字特征试题答案 一、选择（每小题2分） 1、设随机变量X 服从参数为2的泊松分布，则下列结论中正确的是（D ） A. E （X ）=，D （X ）=? B. E （X ）=，D （X ）= C. E （X ）=2，D （X ）=4? D. E （X ）=2，D （X ）=2 2、设随机变量X 与Y 相互独立，且X~N （1，4），Y~N （0，1），令Y X Z -=，则D （Z ）=? （??C?） A. 1 ? B. 3 C. 5? D. 6? 3、已知D （X ）=4，D （Y ）=25，cov （X ，Y ）=4，则XY ρ =（C ） A. 0.004? B. ? C. ? D. 4 4、设X ，Y 是任意随机变量，C 为常数，则下列各式中正确的是（?D ） A ． D （X+Y ）=D （X ）+D （Y ） ?B ． D （X+C ）=D （X ）+C C ． D （X-Y ）=D （X ）-D （Y ） ?D ． D （X-C ）=D （X ） 5、设随机变量X 的分布函数为???? ???≥<≤-<=4, 14 2,12 2, 0)(x x x x x F ，则E(X)=（D ） A ． 31 ?B ． 21 C ．2 3 ?D ． 3 6、设随机变量X 与Y 相互独立，且)61,36(~B X ，)3 1 ,12(~B Y ，则)1(+-Y X D =（C ） A ． 34 ? B ． 37 C ． 323 ? D ． 3 26 7、设随机变量X 服从参数为3的泊松分布，)3 1 ,8(~B Y ， X 与Y 相互独立，则)43(--Y X D =（C ） A ． -13 ? B ． 15 C ． 19 ? D ． 23 8、已知1)(=X D ，25)(=Y D ，XY ρ=，则)(Y X D -=（B ） A ． 6 ?B ． 22 C ． 30 ?D ． 46 9、设)3 1,10(~B X ，则)(X E =（C ） A ． 31 ?B ． 1 C ． 3 10 ?D ． 10 10、设)3,1(~2 N X ，则下列选项中，不成立的是（B ） A. E （X ）=1? B. D （X ）=3? C. P （X=1）=0? D. P （X<1）= 11、设)(X E ，)(Y E ，)(X D ，)(Y D 及),cov(Y X 均存在，则)(Y X D -=（C ） A ． )(X D +)(Y D ?B ． )(X D -)(Y D
实验一 平稳随机过程的数字特征 一、实验目的 1、加深理解平稳随机过程数字特征的概念 2、掌握平稳随机序列期望、自相关序列的求解 3、分析平稳随机过程数字特征的特点 二、实验设备 计算机、Matlab 软件 三、实验内容和步骤 设随机电报信号X(n)(-∞
m k k e k m I m n X n X P λλ-∞ =+∑+==+0122 )!12()(})()({ m e I m n X n X E m R λ22)]()([)(-=+= 五、实验要求 1、写出求期望和自相关序列的步骤； 2、分析自相关序列的特点； 3、打印相关序列和相关系数的图形； 4、附上程序和必要的注解。 六、实验过程 input('王斌欢迎您') I=input('输入I 的值'); a=0.5; %a 的值为P{X(n)=+I} b=0.5; %b 的值为P{X(n)=-I} EX=I*a+(-I)*b %EX 为期望的输出值 xuehao=21; %学号为21 k=1/xuehao; Ex=I*0.5+(-I)*0.5; m=-64:1:64; Rx=I*I*exp(-2*k*abs(m)); Cx=Rx-Ex*Ex; Cx0=I*I*exp(-2*k*abs(0))-Ex*Ex; rx=Cx/Cx0; figure(1); subplot(211);stem(EX);title('期望') %输出图像 subplot(212);stem(m,Rx);title('自相关序列'); figure(2); stem(m,rx);title('相关系数'); 七、实验结果及分析
实验名称：相关正态随机过程的仿真 一、实验目的 以正态随机过程为例，掌握离散时间随机过程的仿真方法，理解正态分布随机过程与均匀分布随机过程之间的相互关系，理解随机过程的相关函数等数值特征;培养计算机编程能力。 二、实验内容 相关正态分布离散随机过程的产生 （1）利用计算机语言的[0,1]区间均匀分布随机数产生函数生成两个相互独立的序列 {U1(n)|n=1,2,…100000}，{U2(n)|n=1,2,…100000} 程序代码： clc; N=100000; u1=rand(1,N); u2=rand(1,N);%----------------在[0,1] 区间用rand函数生成两个相互独立的随机序列 n1=hist(u1,10);%--------------------------hist函数绘制分布直方图 subplot(121);%-----------------------------一行两列中的第一个图 bar(n1); n2=hist(u2,10); subplot(122); bar(n2); 实验结果：
（2）生成均值为m=0，根方差σ=1的白色正态分布序列 {e(n)|n=1,2, (100000) [][]m n u n u n +=)(2cos )(ln 2-)(e 21πσ 程序代码： clc; N=100000; u1=rand(1,N); u2=rand(1,N);%---------------在[0,1] 区间用rand 函数生成两个相互独立的随机序列 en=sqrt(-2*log(u1)).*cos(2*pi*u2);%--------定义白色正态分布e(n) n=hist(en,100);%--------------------------hist 函数绘制分布直方图 bar(n); 实验结果： （3）假设离散随机过程x(n)服从均值为x m =0、根方差为2x =σ、相关函数为||2)(r k x x k ασ= )6.0(=α 功率谱函数为
平稳随机过程及其数字特征
平稳随机过程 粗略的说——随机过程的统计特征不随时间的推移而变化。一.严平稳随机过程 1. 定义设有随机过程{ X(t) , t ∈T}，若对于任意n 和任意t1 因此：严平稳过程的二维数字特征仅是（时间差τ）的函数 综上所述：要按上述严平稳过程的定义来判断一个过程是否平稳?是很困难的。 a)：一般在实用中，只要产生随机过程的主要物理条件，在时间 进程中不变化。则此过程就可以认为是平稳的。 例如：在电子管中由器件的颗粒效应引起的“散弹噪声”，由于产生此噪声的主要物理条件与时间无关，所以此噪声可以认为是平稳过程。 12121212 12 1 21212 2 2 2 (,)(,;)() (,)()()(,;)()()(0)(0)[()] X X X X X X X X X X X X X X R t t x x f x x dx dx R C t t x m x m f x x dx dx C R m C R m D X t τττττσ=?==??==?=?==∫∫∫∫ ∞<)]([2 t X E b)：另一方面，对有些非平稳过程，可以根据需要，如果它在所观测的时间段内是平稳的，就可以视作这一时间段上的平稳过程来处理。即在观测的有限时间段内，认为是平稳过程。 因此，工程中平稳过程的定义如下： 二、宽平稳过程1、定义 若二阶矩过程( )X(t) 满足: E[X(t)]=m x ←常数 R x (t 1,t 2)=R x (τ) ←只与时间间隔(τ=t 2-t 1)有关 则称过程X(t)为“宽平稳随机过程”（广义平稳过程）。 可见：一个均方值有限的严平稳过程，一定是宽平稳过程。反之：一个宽平稳过程，则不一定是严平稳过程。 c)：一般在工程中，通常只在相关理论的范围内讨论过程的平稳问题。即：讨论与过程的一、二阶矩有关的问题。 随机过程期末模拟题 一．填空题（每空2分，共20分） 1．设随机变量X 服从两点分布，则X 的特征函数为____________。 2．设X(t)=Vcos t,α ,t T=[0,+)∈∞，振幅V 是在区间（0,1）上均匀分布的随机变量， α为常数，则X (t)的相关函数=)4,2(X R ________。 3．强度为λ的泊松过程{}X (t),t 0≥,{}n T ,n 1≥是对应的时间间隔序列，则随机变量 n T (n =1,2,) 独立同分布，密度函数为________________。 4．设{}n W ,n 1≥是与泊松过程{}X (t),t 0≥对应的一个等待时间序列，则1W 的分布函数为 ______________。 5．设随机过程 X (t)只有两条样本曲线，1X (t,)=acost,ω2X (t,)=-acost,ω其中常数a >0，且 12P ()= 3 ω，21P ()= 3 ω，则随机过程的期望=)(t EX _________。 6．马氏链{}n X ,n 0≥，状态空间I ,记初始概率i 0p P(X =i)=，绝对概率j n p (n )P(X =j)=，n 步 转移概率(n) ij p ，三者之间的关系式为_____________。 7．设{} n X ,n 0≥为马氏链，状态空间I ，记初始概率i 0p P(X =i)=，一步转移概率{}ij n+1n p p X j X i ===，用其表示{}0011n n P X =i ,X =i ,,X i == ________________。 8．在马氏链{}n X ,n 0≥中，记 {}(n)ij v n 0f P X j,1v n-1,X j X i ,n 1,=≠≤≤==≥ (n) ij ij n=1 f f ∞ = ∑，若1 概率论与数理统计练习题 系 专业 班 姓名 学号 第四章 随机变量的数字特征（一） 一、选择题： 1．设随机变量X ，且()E X 存在，则()E X 是 [ B ] （A ）X 的函数 （B ）确定常数 （C ）随机变量 （D ）x 的函数 2．设X 的概率密度为910()9 00 x e x f x x -?≥?=?? 实验二随机过程的模拟与数字特征 一、实验目的 1. 学习利用MATLAB模拟产生随机过程的方法。 2. 熟悉和掌握特征估计的基本方法及其MATLAB 实现。 二、实验原理 1.正态分布白噪声序列的产生 MATLAB提供了许多产生各种分布白噪声序列的函数，其中产生正态分布白噪声序列的函数为randn。 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 (,) 分布的随机序列，则可以由标准正态随机序列产生。如果X ~ N(0,1)，则N (,)。 2.相关函数估计 MATLAB提供了函数xcorr用于自相关函数的估计。 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。 'unbiased' 无偏估计。 'coeff' m = 0 时的相关函数值归一化为1。 'none' 不做归一化处理。 3.功率谱估计 对于平稳随机序列X(n)，如果它的相关函数满足 (2.1) 那么它的功率谱定义为自相关函数R X(m)的傅里叶变换： (2.2) 功率谱表示随机信号频域的统计特性，有着重要的物理意义。我们实际所能得到的随机信号的长度总是有限的，用有限长度的信号所得的功率谱只是真实功率谱的估计，称为谱估计或谱分析。功率谱估计的方法有很多种，这里我们介绍基于傅里叶分析的两种通用谱估计方法。 （1）自相关法 先求自相关函数的估计X(m)，然后对自相关函数做傅里叶变换 (2.3) 其中N 表示用于估计样本序列的样本个数。 （2）周期图法 随机过程的模拟与特征估计 一、实验目的 了解随机过程特征估计的基本概念和方法，学会运用MATLAB 软件产生各种随机过程，对随机过程的特征进行估计，并通过实验了解不同估计方法所估计出来的结果之间的差异。 二、实验原理 （1）高斯白噪声的产生 提示：利用MA TLAB 函数randn 产生 （2）自相关函数的估计 ||10 1?()()()||N m x n R m x n m x n N m --==+-∑ 提示：MA TLAB 自带的函数为xcorr （3）功率谱的估计 先估计自相关函数?()x R m ，再利用维纳－辛钦定理，功率谱为自相关函数的傅立叶变换：1(1)()()N jm x x m N G R m e ωω+-=--= ∑ 提示：MA TLAB 自带的函数为pyulear （4）均值的估计 11 1?()N x n m x n N -==∑ 提示：MA TLAB 自带的函数为mean （5）方差的估计 12211??[()]N x x n x n m N σ-==-∑ 提示：MA TLAB 自带的函数为var (6) AR(1)模型的理论自相关函数和理论功率谱 对于AR(1)模型()(1)()X n aX n W n =-+ 自相关函数22()1m X a R m a σ=-，0m ≥ 功率谱为2 2()(1)X j G ae ωσω-=- (7) ARMA(N,N)模型的理论自相关函数和理论功率谱 对于ARMA(N,N)模型12()(1)(2)()()N X n a X n a X n a X n N W n =-+-++-+ 功率谱为2211()N j k k k X N j k k k b e G a e ωωωσ-=-==∑∑ 三、实验内容（带*为选作） 1. 相关高斯随机序列的产生 按如下模型产生一组随机序列()(1)()x n ax n w n =-+，其中()w n 为均值为1，方差为4的正态分布白噪声序列。 （1）产生并画出a=0.8和a=0.2的x(n)的波形； （2）估计x(n)的均值和方差； （3）估计x(n)的自相关函数。 源代码： a=0.8; sigma=2; N=500; u=1+4*randn(N,1); x(1)=sigma*u(1)/sqrt(1-a^2); for i=2:N x(i)=a*x(i-1)+sigma*u(i); end subplot 221 plot(x);title('0.8') Rx=xcorr(x,'coeff'); subplot 222 plot(Rx);title('0.8自相关函数') junzhix=mean(x); 第一章随机事件的概率 第二节概率的定义及性质 所谓随机事件的概率,概括地说就是用来描述随机事件出现（或发生）的可能性大小的数量指标. 其实概率的思想术语在我们日常生活中经常出现.对未来的不确定事件,我们经说有把握、希望、机会有多大,高考上线率,各种升学率等.“不怕一万，就怕万一”，就是人们对确定事件和不确定事件的认识，为此提前作出的思想准备，表明人类的智慧与先见之明。 古代智人（周文王，姜子牙，诸葛亮，刘伯温等）的掐指一算，就是算的样本空间和随机事件的概率。 数学上只能对简单的随机现象进行概率定义,复杂的随机现象有 待于研究. 随机事件在一次试验中既可能发生，也可能不发生，似乎无什么规律。 如果在相同的条件下，把一个试验重复做许多次，我们一定会发现，某些事件发生的次数多一些，而另一些事件发生的次数少一些。表现出一定的规律性。例如买彩票时投注号码，有极少一部分人能预感到中奖号码的规律。 例如，将一颗骰子重复投掷100次，毫无疑问，事件“出现奇数点”比事件“出现1点”发生的次数会多得多。那么，发生次数多的事件在每次试验中发生的可能性大一些，而发生次数少的事件在每次试验中发生的可能性小一些。 问题是：如何度量事件发生可能性的大小？ 对于事件A ，如果实数)(A P 满足： （1）数)(A P 的大小表示事件A 发生可能性的大小； （2）)(A P 是事件A 所固有的，不随人们主观意志而改变的一种度量。 那么数)(A P 称为事件A 的概率。它是事件A 发生可能性的度量。 在本节中，我们首先介绍一类 最简单的概率模型，然后逐步引出概率的一般定义。 一、 概率的古典定义 古典型随机试验: 如果试验E 的样本空间S 只包 含有限个基本事件， 设},,,{21n e e e S ， 并且每个基本事件发生的可能性相 第四章 随机变量的数字特征 ㈠ 数学期望 表征随机变量取值的平均水平、“中心”位置或“集中”位置． 1、数学期望的定义 (1) 定义 离散型和连续型随机变量X 的数学期望定义为 {}?????==?∑∞ ∞ - d )( )()( ， ， 连续型离散型x x xf x X x X k k k P E 其中Σ表示对X 的一切可能值求和．对于离散型变量，若可能值个数无限，则要求级数绝对收敛；对于连续型变量，要求定义中的积分绝对收敛；否则认为数学期望不存在． ①常见的离散型随机变量的数学期望 1、离散型随机变量的数学期望 设离散型随机变量的概率分布为 ，若，则称级数为随 机变量 的数学期望（或称为均值），记为 , 即 2、两点分布的数学期望 设 服从0—1分布，则有 ，根据定义， 的数学期望为 . 3、二项分布的数学期望 设 服从以 为参数的二项分布， ，则 。 4、泊松分布的数学期望 设随机变量 服从参数为的泊松分布，即，从而有 。 ①常见的连续型随机变量的数学期望 1)均匀分布 设随机变量ξ服从均匀分布，ξ～U [a，b] (a 随机过程数学建模分析 任何通信系统都有发送机和接收机，为了提高系统的可靠性，即输出信噪比，通常在接收机的输入端接有一个带通滤波器，信道内的噪声构成了一个随机过程，经过该带通滤波器之后，则变成了窄带随机过程，因此，讨论窄带随机过程的规律是重要的。 一、窄带随机过程。 一个实平稳随机过程X(t)，若它的功率谱密度具有下述性质： 中心频率为ωc，带宽为△ω=2ω0，当△ω<<ωc时，就可认为满足窄带条件。若随机过程的功率谱满足该条件则称为窄带随机过程。若带通滤波器的传输函数满足该条件则称为窄带滤波器。随机过程通过窄带滤波器传输之后变成窄带随机过程。 图1 为典型窄带随机过程的功率谱密度图。若用一示波器来观测次波形，则可看到，它接近于一个正弦波，但此正弦波的幅度和相位都在缓慢地随机变化，图2所示为窄带随机过程的一个样本函数。 图1 典型窄带随机过程的功率谱密度图 图2 窄带随机过程的一个样本函数 二、窄带随机过程的数学表示 1、用包络和相位的变化表示 由窄带条件可知,窄带过程是功率谱限制在ωc附近的很窄范围内的一个随机过程,从示波器观察(或由理论上可以推知):这个过程中的一个样本函数(一个实现)的波形是一个频率为?c且幅度和相位都做缓慢变化的余弦波。 写成包络函数和随机相位函数的形式： X(t)=A(t)*cos[ωc t+ Φ(t)] 其中:A(t)称作X(t)的包络函数; Φ(t)称作X(t)的随机相位函数。包络随时间做缓慢变化，看起来比较直观，相位的变化，则看不出来。 2、莱斯（Rice）表示式 任何一个实平稳随机过程X(t)都可以表示为： X(t)=A c(t) cosωc t-A S(t) sinωc t 其中同相分量： A c(t)= X(t) cosφt= X(t) cosωc t＋sinωc t=LP[X(t) *2cosωc t] 正交分量： A S(t) = X(t)sinφt=cosωc t— X(t) sinωc t= LP[-X(t) *2sinωc t] （LP[A]表示取A的低频部分）。A c(t)和A S(t)都是实随机过程，均值为0，方差等于X(t)的方差。 三、窄带随机过程仿真建模要求 1、用Matlab 编程仿真窄带随机信号：X(t)=(1+ A(t))*cos(ωc t+φ)+n(t)。其中包络A(t)频率为1KHz，幅值为l V。载波频率为：4KHz，幅值为l V，φ是一个固定相位，n(t)为高斯白噪声，采样频率设为16KHz。实际上，这是一个带有载波的双边带调制信号。 2、计算窄带随机信号的均值、均方值、方差、概率密度、频谱及功率谱密度、相关函数，用图示法来表示。 3、窄带系统检测框图如图3所示。 图3 窄带系统检测框图 实验二 随机过程的模拟与数字特征 实验目的 1. 学习利用MATLAB 模拟产生随机过程的方法。 2. 熟悉和掌握特征估计的基本方法及其MATLAB 实现。 实验原理 1.正态分布白噪声序列的产生 MATLAB 提供了许多产生各种分布白噪声序列的函数，其中产生正态分布白噪声序列的函数为randn 。 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),(2 σμN 分布的随机序列，则可以由标准正态随机序列产生。如果 )1,0(~N X ，则),(~σμσμN X +。 2.相关函数估计 MATLAB 提供了函数xcorr 用于自相关函数的估计。 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)(n X 与)(n Y 的互相关，xcorr(x)计算)(n X 的自相关。 option 选项可以设定为： 'biased' 有偏估计。 'unbiased' 无偏估计。 'coeff' m = 0时的相关函数值归一化为1。 'none' 不做归一化处理。 3.功率谱估计 对于平稳随机序列)(n X ，如果它的相关函数满足 ∞<∑+∞ -∞ =m X m R )( （2.1） 那么它的功率谱定义为自相关函数)(m R X 的傅里叶变换： ∑+∞ -∞ =-= m jm X X e m R S ωω)()( （2.2） 功率谱表示随机信号频域的统计特性，有着重要的物理意义。我们实际所能得到的随机信号的长度总是有限的，用有限长度的信号所得的功率谱只是真实功率谱的估计，称为谱估计或谱分析。功率谱估计的方法有很多种，这里我们介绍基于傅里叶分析的两种通用谱估计方法。 （1）自相关法 先求自相关函数的估计)(?m R X ，然后对自相关函数做傅里叶变换 ∑---=-=1 ) 1()(?)(?N N m jm X X e m R S ωω （2.3） 其中N 表示用于估计样本序列的样本个数。 （2）周期图法 先对样本序列)(n x 做傅里叶变换 ∑-=-=1 )()(N n n j e n x X ωω （2.4） 其中10-≤≤N n ，则功率谱估计为 2)(1)(?ωωX N S = （2.5） MATLAB 函数periodogram 实现了周期图法的功率谱估计。 函数：periodogram 用法：[Pxx,w] = periodogram(x) [Pxx,w] = periodogram(x,window) [Pxx,w] = periodogram(x,window,nfft) [Pxx,f] = periodogram(x,window,nfft,fs) periodogram(...) 功能：实现周期图法的功率谱估计。其中： Pxx 为输出的功率谱估计值； f 为频率向量； w 为归一化的频率向量；随机过程期末模拟题
随机变量的数字特征(答案)
随机过程的模拟与数字特征
随机过程的模拟与特征估计
107521-概率统计随机过程课件-第一章(第二节)古典概率
随机变量的数字特征归纳
Matlab仿真窄带随机过程
随机信号分析报告实验：随机过程的模拟与数字特征
相关主题
文本预览