лекции / Математические методы в теории РТС - лекция 2 ФИНАЛ 2020
.pdfСвойства ДПФ |
31 |
1) Линейность {y(k)} – линейная комбинация сигналов
Спектр аналогичная линейная комбинация
Принцип суперпозиции - спектр суммы равен сумме спектров
2) y(k) – задержанная копия y(k)=x(k-k0)
m=k-k0
Амплитудный спектр не меняется
Из фазового спектра вычитается слагаемое, линейно зависящее от частоты и задержки
Свойства ДПФ |
32 |
3) Спектр свертки сигналов
Спектр аналогичная линейная комбинация
X2(w)exp(jwm
)
спектр свертки равен произведению спектров
4) Спектр произведения сигналов y(k)=x1(k)*x2(k)
X2(w-w`)
спектр произведения равен свертке спектров
Основные характеристики совокупности |
33 |
Функции распределения вероятностей совокупности случайных величин
ξ |
1 |
= ξ(t |
),ξ |
2 |
= (t |
2 |
),...,ξ |
n |
= ξ(t |
n |
) |
ξ |
(n) |
(t), |
x |
(n) = ( |
x1 |
) |
|
1 |
|
|
|
|
|
|
|
,...,xn . |
N - мерной функцией распределения вероятностей случайного вектора или совокупности случайных величин
n |
|
R |
(n) ) |
P Iξi |
≤ xi |
= Fξ (n)(x |
|
i=1 |
|
|
|
n
Основные характеристики совокупности |
34 |
|
n-мерной плотностью вероятностей совокупности СВ
Wξ (n)(xR(n) )=
Fξ (n)(x1,..., xn ) =
∂nFξ (n)(xR(n) )
∂x1,...,∂xn
x1 xn |
(n)(x1,..., xn ) dx1...dxn |
∫...∫Wξ |
−∞ −∞
|
|
Wξ (n)(x1 |
n |
(xi ) |
|
Для совокупности независимых с.в. |
,..., xn ) = ∏Wξ |
||||
|
|
|
|
i |
|
|
|
|
|
i=1 |
|
Для для любой с.в. xi |
|
|
|
|
|
|
∞ |
∞ |
|
|
|
Wξi |
(xi )= ∫ ... |
∫Wξ |
(n) (x1,..., xn )dx1...dxn |
||
|
−∞ (кроме |
xi ) −∞ |
|
|
|
n
Основные характеристики совокупности |
35 |
|
:Числовые характеристики совокупности случайных величин
В общем случае вводятся смешанные начальный и центральный моменты совместного распределения совокупности случайных величин
|
|
|
|
∞ |
∞ |
|
|
|
|
mk1...kn {ξ1,...,ξn }= ∫...∫x1k1 ...xnknWξ (n)(x1,...,xn )dx1...dxn ; |
|||||||||
|
|
|
|
−∞ |
−∞ |
|
|
|
|
|
|
|
∞ |
∞ |
|
− m1{ξn }]kn Wξ(n) (x1,..., xn )dx1...dxn . |
|||
Mk1...kn {ξ1,...,ξn }= ∫... ∫[x1 − m1{ξ1}]k1 ...[xn |
|||||||||
|
|
|
−∞ |
−∞ |
|
|
ξ |
|
|
Отсюда легко получить любые начальные и центральные моменты для каждой |
i |
|
|||||||
|
|
∞ |
∞ |
|
|
∞ |
|
|
|
|
|
|
|
|
|
|
|||
mki |
{ξi}= ∫...∫xikiWξ (n)(x1,..., xn )dx1...dxn = ∫xikiWξi (xi )dxi |
|
|||||||
|
|
−∞ |
−∞ |
|
|
−∞ |
|
|
|
|
∞ |
∞ |
|
ki |
|
∞ |
|
ki |
|
Mki {ξi }= ∫...∫[xi − m1{xi |
}] Wξ |
(n) (x1,..., xn )dx1...dxn |
= ∫[xi − m1{xi }] Wξi |
(xi )dxi . |
|||||
|
−∞ |
−∞ |
|
|
|
−∞ |
|
|
|
n
Основные характеристики совокупности |
36 |
|
Числовые характеристики совокупности случайных величин
Одна из важнейших характеристик совокупности случайных величин – смешанный центральный момент вида
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
∞ |
|
M11{ξi ,ξ j }= ∫... ∫(xi − m1{ξi})(xj − m1{ξ j })Wξ (2)(xi , xj )dxidxj = Kij |
|||||||||||||||
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
−∞ |
||
- ковариация случайных величин |
|||||||||||||||
|
|
∞ |
|
∞ |
|
|
|
|
|
(2)(xi , xj )dxidxj − m1{ξi} m1{ξ j }= m11{ξi ,ξ j }− m1{ξi} m1{ξ j } |
|||||
Kij = ∫ ∫xi xjWξ |
|||||||||||||||
|
|
−∞ |
|
−∞ |
|
|
|
|
|
|
|
|
|
||
Rij = |
|
|
|
Kij |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
M |
2 |
{ξ |
i |
}M |
2 |
{ξ |
j |
} |
коэффициентом корреляции. Для независимых СВ |
||||||
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||
|
∞ ∞ |
|
|
|
|
(xi )Wξ j |
(xj )dxidxj − m1{ξi } m1{ξ j }= m1{ξi } m1{ξ j }− m1{ξi } m1{ξ j }= 0. |
||||||||
Kij = ∫ ∫xi xjWξi |
−∞−∞
Итак, условие
Rij = 1 означает линейную зависимость случайных величин
Основные характеристики совокупности |
37 |
|
Пример
Рассмотрим в качестве примера двумерное нормальное распределение
(2) |
|
1 |
|
|
|
|
1 |
|
|
|
(x − a ) |
|||||
|
|
|
|
|
|
|
|
|||||||||
|
(x1, x2 ) = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
Wξ |
|
|
|
|
|
exp − |
|
|
|
|
|
1 |
|
|
1 |
|
|
|
|
|
|
2(1− r |
2 |
) |
|
σ |
2 |
|
|||||
|
|
|
|
|
|
|||||||||||
|
|
2π 1− r |
2 |
σ |
1σ 2 |
|
|
|
1 |
|
||||||
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(x − a )(x |
|
− a |
|
) |
|
(x |
|
− a |
|
2 |
|
|
− 2r |
2 |
2 |
+ |
2 |
2 |
) |
|
|
|||||
1 1 |
|
|
|
|
|
|
, |
||||||
|
|
|
|
|
|
|
|
|
|
|
|||
|
σ1σ 2 |
|
|
|
|
|
|
σ 22 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a1 = m1{ξ1}; |
a2 = m1{ξ2}; |
K12 = rσ1σ 2 , |
|
|
|||||||||||||||||
σ12 = M2{ξ1}; |
σ 22 = M2{ξ2} . |
R = |
r |
σ1σ 2 |
|
= r |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
12 |
|
|
σ12σ 22 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Для некоррелированных нормальных величин |
(r = 0) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Wξ (2)(x1, x2 ) = |
1 |
|
1 (x − a )2 |
1 (x |
2 |
− a |
2 |
)2 |
|
|
(x1 ) Wξ (x2 ). |
||||||||||
|
exp − |
|
|
1 1 |
|
− |
|
|
|
|
|
|
|
|
|
|
= Wξ |
||||
2πσ1σ 2 |
|
|
|
|
|
|
|
|
|
|
σ 22 |
|
|
||||||||
|
2 σ12 |
|
|
2 |
|
|
|
|
|
|
|
1 |
2 |
Условные распределения |
38 |
|
Вероятность P(A, Bi) – вероятность того что переданным является символ yi, а принятым некий символ yj (один из возможных передаваемых (y1,y2cyn). Тогда
|
n |
|
P(A, Bi ) = ∑ |
|
i=1 |
n
P(A,Bi ) = ∑P(A | Bi ) P(Bi )
i=1
P(A, Bi) — вероятность одновременного осуществления и ;
P(A | Bi)— условная вероятность при условии осуществления ;
P(B) — априорная вероятность.
i
P(ABk )P(Bk )= P(Bk A)P(A),
апостериорная вероятность события Bk (гипотезы) равна
формула Байеса: P(B / A)= |
P(A/ Bk )P(Bk ) |
= |
P(A/ Bk )P(Bk ) |
|
|
k |
P(A) |
|
n |
)P(Bi |
|
|
|
|
∑P(A/ Bi |
) |
i=1
Условные распределения |
39 |
|
Понятие условных вероятностей событий распространяется и на случайные величины:
|
|
|
|
|
|
x+ |
x |
y |
|
|
P{η ≤ y x < ξ ≤ x + |
x}= |
P{x < ξ ≤ x + |
x, η ≤ y} |
|
∫ |
∫W (2) (x, y)dxdy |
||||
= |
x |
|
−∞ |
|
. |
|||||
|
|
|
|
|
||||||
P{x < ξ |
≤ x1} |
x+ x |
∞ |
|
||||||
|
|
|
(2) (x, y)dxdy |
|||||||
|
|
|
∫ |
|
∫W |
|||||
|
|
|
|
|
|
x |
|
−∞ |
|
|
условная функция распределения величины x, зависящей от
величины y |
|
y |
|
|
y |
|
|
|
|
|
|
∫W (2) (x, y)dy x |
|
∫W (2) (x, y)dy |
|
1 |
y |
||
F (y x) = lim |
−∞ |
|
== |
−∞ |
|
= |
W (2) (x, y)dy . |
||
∞ |
|
∞ |
|
|
|||||
η |
x→0 |
(2) (x, y)dy x |
|
(2) (x, y)dy |
Wξ (x)−∞∫ |
||||
|
∫W |
|
∫W |
||||||
|
|
−∞ |
|
|
−∞ |
|
|
|
|
условная плотность вероятности непрерывной случайной |
|
||||||||||||||
величины x, зависящей от y |
|
|
Условие |
|
|
|
|||||||||
|
∂Fη (y x) |
|
W (2)(x, y) |
|
нормировки:: |
Wξ (x) |
|
||||||||
|
|
∞ |
1 |
|
∞ |
(2) |
|
|
|||||||
W (y x) = |
|
|
= |
|
|
|
∫Wη (y x)dy = |
|
|
∫W |
|
(x, y)dy = |
|
|
=1 |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|||||||
η |
∂y |
|
|
Wξ (x) |
−∞ |
Wξ (x)−∞ |
|
|
Wξ (x) |
|
|||||
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Условные распределения |
40 |
|
|
|
|
|
аналог формулы полной вероятности для условного |
|
||
распределения |
∞ |
∞ |
|
|
|
||
Wη (y)= ∫W |
(2) (x, y)dx = ∫Wη (y x)Wξ (x)dx |
|
|
|
−∞ |
−∞ |
|
для непрерывных случайных величин x и y и аналог формулы Байеса:
Wξ (xy)= ∞ Wη (yx)Wξ (x)
∫Wη (yx)Wξ (x)dx
−∞