随机实验报告
随机实验的实验报告
随机实验的实验报告随机实验的实验报告引言：随机实验是科学研究中常用的一种实验方法，通过随机选择和处理实验对象，以消除主观因素的干扰，从而得到更加客观、准确的实验结果。
本实验旨在探究随机实验的原理和应用，并通过具体实验案例来展示其实验效果。
实验目的：探究随机实验的原理和应用，验证随机实验的有效性和可靠性。
实验材料与方法：1. 实验材料：一副标准扑克牌、一枚骰子、一台计算机、一组随机数生成器。
2. 实验方法：a. 实验一：随机抽取扑克牌- 将一副标准扑克牌洗牌，并放置在桌面上。
- 使用随机数生成器生成一个随机数，代表抽取的牌的位置。
- 根据生成的随机数，从洗好的扑克牌中抽取一张牌。
- 记录抽取的牌的花色和点数，并重复上述步骤10次。
b. 实验二：随机掷骰子- 将骰子放置在桌面上。
- 使用随机数生成器生成一个随机数，代表骰子的点数。
- 根据生成的随机数，掷骰子一次。
- 记录掷骰子的结果，并重复上述步骤10次。
c. 实验三：随机选择实验对象- 准备一组实验对象，如十个学生。
- 使用随机数生成器生成一个随机数，代表选择的实验对象的编号。
- 根据生成的随机数，选择对应编号的实验对象进行实验。
- 记录实验结果，并重复上述步骤10次。
实验结果与分析：1. 实验一：随机抽取扑克牌通过10次实验，我们得到了10张随机抽取的扑克牌，其中包括不同花色和点数的牌。
这表明通过随机实验，我们能够在一副标准扑克牌中以相等的概率抽取任意一张牌，从而达到随机选择的效果。
2. 实验二：随机掷骰子通过10次实验，我们得到了10次随机掷骰子的结果，其中包括1到6点的不同点数。
这表明通过随机实验，我们能够以相等的概率获得骰子的每个点数，从而达到随机选择的效果。
3. 实验三：随机选择实验对象通过10次实验，我们随机选择了10个实验对象进行实验，每个对象都有相等的机会被选择到。
这表明通过随机实验，我们能够以相等的概率选择实验对象，从而消除了主观因素的干扰，得到更加客观、准确的实验结果。
实验报告随机数
一、实验目的1. 理解随机数生成的原理和过程。
2. 掌握常见随机数生成算法。
3. 分析随机数生成的性能和特点。
二、实验原理随机数在计算机科学、密码学、统计学等领域有着广泛的应用。
随机数生成算法是指从某种随机过程中产生一系列看似随机数的算法。
本实验主要研究以下几种随机数生成算法：1. 线性同余法（Linear Congruential Generator，LCG）2. Xorshift算法3. Mersenne Twister算法三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 实验工具：Jupyter Notebook四、实验步骤1. 线性同余法（LCG）实验（1）编写LCG算法函数```pythondef lcg(seed, a, c, m, n):random_numbers = []x = seedfor _ in range(n):x = (a x + c) % mreturn random_numbers```（2）设定参数并生成随机数```pythonseed = 12345a = 1103515245c = 12345m = 231n = 1000random_numbers = lcg(seed, a, c, m, n) print(random_numbers)```2. Xorshift算法实验（1）编写Xorshift算法函数```pythondef xorshift(seed, n):random_numbers = []x = seedfor _ in range(n):x ^= (x << 13)x ^= (x >> 17)x ^= (x << 5)return random_numbers```（2）设定参数并生成随机数```pythonseed = 12345n = 1000random_numbers = xorshift(seed, n)print(random_numbers)```3. Mersenne Twister算法实验（1）安装Mersenne Twister算法库```shellpip install numpy```（2）编写Mersenne Twister算法函数```pythonimport numpy as npdef mt19937(seed):random_numbers = np.random.RandomState(seed) return random_numbers.rand(n)n = 1000random_numbers = mt19937(12345)print(random_numbers)```五、实验结果与分析1. 线性同余法（LCG）生成的随机数序列具有较好的随机性，但存在周期性，当n足够大时，周期将变得非常明显。
随机分组实验报告总结
一、实验背景随机分组实验是一种常用的实验设计方法，旨在通过随机化分配被试到不同的实验组，以消除个体差异对实验结果的影响，提高实验结果的可靠性和有效性。
本实验旨在探讨某种教学方法对学生学习成绩的影响，采用随机分组实验进行研究。
二、实验目的1. 了解随机分组实验的基本原理和方法。
2. 探讨某种教学方法对学生学习成绩的影响。
3. 提高实验结果的可靠性和有效性。
三、实验方法1. 实验对象：选取某学校高中一年级学生100名作为实验对象，其中男生50名，女生50名。
2. 实验分组：将100名学生随机分为实验组和对照组，每组50人。
3. 实验材料：实验组采用某种教学方法进行教学，对照组采用传统教学方法进行教学。
4. 实验过程：实验组学生在教学过程中接受新的教学方法，对照组学生接受传统教学方法。
实验持续时间为一个学期。
5. 实验指标：实验结束后，对两组学生进行学习成绩测试，包括语文、数学、英语三门课程。
四、实验结果与分析1. 实验结果经过一个学期的教学，实验组和对照组学生的学习成绩如下：实验组：语文：平均分85分，及格率90%；数学：平均分80分，及格率85%；英语：平均分78分，及格率80%。
对照组：语文：平均分80分，及格率80%；数学：平均分75分，及格率75%；英语：平均分70分，及格率70%。
2. 实验结果分析通过对比实验组和对照组学生的学习成绩，我们可以得出以下结论：（1）某种教学方法在提高学生语文成绩方面有显著效果，实验组平均分比对照组高出5分，及格率高出10%。
（2）某种教学方法在提高学生数学成绩方面效果不明显，实验组平均分仅比对照组高出5分，及格率高出10%。
（3）某种教学方法在提高学生英语成绩方面效果不明显，实验组平均分仅比对照组高出8分，及格率高出10%。
五、实验结论1. 随机分组实验可以有效地消除个体差异对实验结果的影响，提高实验结果的可靠性和有效性。
2. 某种教学方法在提高学生语文成绩方面有显著效果，但在数学和英语方面效果不明显。
随机抽题实验报告
一、实验背景随着教育改革的不断深入，教育方式也在不断更新。
为了提高学生的学习兴趣和参与度，随机抽题已成为课堂教学中常用的一种教学方法。
本实验旨在探究随机抽题在课堂教学中的应用效果，为教师提供一种有效的教学策略。
二、实验目的1. 了解随机抽题在课堂教学中的应用现状；2. 探究随机抽题对学生的学习兴趣和参与度的影响；3. 分析随机抽题在提高学生课堂表现和成绩方面的作用；4. 为教师提供随机抽题的应用建议。
三、实验方法1. 实验对象：选取某中学高一、高二、高三年级各一个班级作为实验对象，共计三个班级，每个班级学生人数约为50人。
2. 实验分组：将三个班级的学生随机分为A、B、C三组，每组学生人数相等。
3. 实验材料：准备一定数量的题目，分为基础知识题、应用题和拓展题三种类型。
4. 实验过程：（1）A组：采用随机抽题的方式，在课堂上让学生回答。
教师根据学生的回答情况给予评价和反馈。
（2）B组：采用传统的提问方式，在课堂上让学生回答。
教师根据学生的回答情况给予评价和反馈。
（3）C组：不进行提问，让学生自由学习。
实验过程中，教师对A、B两组学生的回答情况进行记录，并对C组学生的学习情况进行观察。
四、实验结果与分析1. 学生兴趣和参与度通过对比A、B、C三组学生的课堂表现，发现A组学生在课堂上表现出较高的兴趣和参与度。
随机抽题的方式使得学生时刻保持紧张，不敢松懈，从而提高了学生的学习积极性。
而B组学生在传统提问方式下，表现较为平淡，部分学生甚至出现应付了事的现象。
C组学生在自由学习过程中，虽然表现出较高的自主学习能力，但整体学习效果不如A组。
2. 课堂表现A组学生在随机抽题的过程中，课堂表现较为积极，回答问题的准确率较高。
B组学生在传统提问方式下，回答问题的准确率相对较低。
C组学生在自由学习过程中，课堂表现较为一般。
3. 成绩分析通过对A、B、C三组学生的成绩进行统计分析，发现A组学生的成绩普遍高于B组和C组。
随机信号分析实验报告
随机信号分析实验报告实验一：平稳随机过程的数字特征实验二：平稳随机过程的谱分析实验三：随机信号通过线性系统的分析实验四：平稳时间序列模型预测班级：姓名：学号：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、实验原理平稳随机过程数字特征求解的相关原理三、实验过程function y = experiment number = 49; %学号49 I = 8; %幅值为8 u = 1/number;Ex = I*0.5 + (-I)*0.5; N = 64; C0 = 1; %计数 p(1) = exp(-u);for m = 2:N k = 1:m/2;p(m) = exp(-u*m) + sum((u*m).^(2*k)./factorial(2*k)*exp(-u*m));2222()[()()]{()()}{()()}X R m E X n X n m I P X n X n m I I P X n X n m I =+=+=-+=-E[X(n)]= I P{X(n)=+I}+(-I)P{X(n)=-I}=0⨯⨯0m >当时，/222(){()()}(2)!m k mk m P X n X n m I e P k λλ⎢⎥⎣⎦-=+===∑222()(1)(21)X R m I P I P I P =--=-2()()X X XC m R m m =-me I m n X n X E m R λ22)]()([)(-=+=end;pp = [fliplr(p) C0 p];Rx = (2*pp - 1)*I^2;m = -N:N;Kx = Rx - Ex*Ex;rx = Kx/25;subplot(211), plot(m,Rx); axis([-N N 0 I*I]); title('自相关序列');subplot(212), plot(m,rx); axis([-N N 0 1]); title('自相关序数');四、实验结果及分析自相关序列的特点分析：m>0时Rx(m)随着m的增大而减小，m<0时Rx(m)随着m的增大而增大。
随机信号分析实验报告
实验一 随机噪声的产生与性能测试一、实验内容1．产生满足均匀分布、高斯分布、指数分布、瑞利分布的随机数,长度为N=1024，并计算这些数的均值、方差、自相关函数、概率密度函数、概率分布函数、功率谱密度，画出时域、频域特性曲线; 2．编程分别确定当五个均匀分布过程和5个指数分布分别叠加时,结果是否是高斯分布; 3．采用幅度为2, 频率为25Hz 的正弦信号为原信号,在其中加入均值为2 ， 方差为0.04 的高斯噪声得到混合随机信号()X t ，编程求 0()()tY t X d ττ=⎰的均值、相关函数、协方差函数和方差，并与计算结果进行比较分析。
二、实验步骤 1.程序N=1024； fs=1000； n=0:N —1;signal=chi2rnd （2，1，N); ％rand(1,N)均匀分布 ,randn(1,N ）高斯分布，exprnd(2,1，N ）指数分布,raylrnd （2，1,N)瑞利分布，chi2rnd(2，1，N ）卡方分布 signal_mean=mean(signal ）； signal_var=var （signal ）；signal_corr=xcorr(signal,signal ，'unbiased ’)； signal_density=unifpdf(signal ，0，1); signal_power=fft(signal_corr); ％[s,w]=periodogram （signal); [k1,n1］=ksdensity(signal)；[k2,n2］=ksdensity （signal,’function ’，'cdf ’）; figure ；hist(signal)；title （’频数直方图’）; figure ；plot （signal)；title(’均匀分布随机信号曲线’）; f=n ＊fs/N ； ％频率序列 figure;plot(abs （signal_power)）; title('功率幅频’); figure;plot(angle （signal_power)）； title （'功率相频'); figure;plot （1:2047,signal_corr)； title （'自相关函数’）; figure;plot(n1，k1）；title('概率密度’）；figure；plot(n2,k2);title（'分布函数’)；结果（1）均匀分布(2）高斯分布（3）指数分布（4)瑞利分布（5）卡方分布2.程序N=1024；signal_1=rand(1,N);signal_2=rand(1，N）；signal_3=rand(1,N);signal_4=rand（1，N）;signal_5=rand(1,N)；signal=signal_1+signal_2+signal_3+signal_4+signal_5; [k1,n1］=ksdensity(signal）；figure(1）subplot(1，2，1）;hist(signal);title（'叠加均匀分布随机数直方图');subplot(1,2，2);plot（n1,k1）；title(’叠加均匀分布的概率密度'）；结果指数分布叠加均匀分布叠加结果：五个均匀分布过程和五个指数分布分别叠加时，结果是高斯分布。
随机对照实验报告规范化
一、实验背景与目的随着社会经济的快速发展，人们对健康和福祉的需求日益增长。
为了探讨某种干预措施对特定人群的影响，本研究旨在通过随机对照实验，验证干预措施的有效性。
本研究选取某城市社区居民为研究对象，探讨社区健康促进活动对居民健康状况的影响。
二、实验设计1. 研究对象本研究选取某城市社区居民作为研究对象，共1000人。
通过随机数字表法将研究对象分为实验组和对照组，每组500人。
2. 实验分组（1）实验组：接受社区健康促进活动干预，包括健康讲座、运动指导、饮食建议等。
（2）对照组：不接受任何干预措施，作为对照组。
3. 实验方法（1）基线调查：在实验开始前，对两组研究对象进行基线调查，收集性别、年龄、健康状况等基本信息。
（2）干预措施：实验组接受为期3个月的社区健康促进活动干预，对照组不进行任何干预。
（3）随访调查：干预结束后，对两组研究对象进行随访调查，收集健康状况、生活质量等数据。
4. 数据收集（1）基线调查：采用问卷调查法，收集研究对象的基本信息。
（2）随访调查：采用面对面访谈和问卷调查相结合的方式，收集研究对象的健康状况、生活质量等数据。
三、实验结果1. 基线调查结果实验组和对照组在性别、年龄、健康状况等方面无显著差异（P>0.05），具有可比性。
2. 干预效果（1）健康状况：干预结束后，实验组居民的健康状况显著改善（P<0.05），而对照组健康状况无显著变化。
（2）生活质量：干预结束后，实验组居民的生活质量显著提高（P<0.05），而对照组生活质量无显著变化。
四、讨论本研究结果表明，社区健康促进活动对社区居民的健康状况和生活质量具有显著改善作用。
这与国内外相关研究结果一致，表明社区健康促进活动在提高居民健康水平方面具有重要意义。
五、结论本研究通过随机对照实验，验证了社区健康促进活动对社区居民健康状况和生活质量的积极影响。
建议在今后的工作中，加大对社区健康促进活动的投入，提高居民的健康意识和健康素养，为构建健康中国贡献力量。
随机过程实验报告
一、实验目的1. 理解随机过程的基本概念和性质。
2. 掌握随机过程的基本运算和性质。
3. 通过实验验证随机过程的性质和规律。
二、实验原理随机过程是指一系列随机变量按照一定规则排列而成的序列。
在现实生活中，随机过程广泛存在于自然界和人类社会，如股票价格、气象变化、生物进化等。
随机过程的研究有助于我们更好地理解和预测这些现象。
随机过程可以分为两类：离散随机过程和连续随机过程。
本实验主要研究离散随机过程。
三、实验设备与材料1. 计算机2. 随机过程模拟软件（如Matlab）3. 纸笔四、实验内容1. 随机过程的基本概念（1）随机变量的概念随机变量是指具有不确定性的变量，它可以取多个值。
在随机过程中，随机变量是基本的研究对象。
（2）随机过程的概念随机过程是由一系列随机变量按照一定规则排列而成的序列。
2. 随机过程的基本性质（1）无后效性无后效性是指随机过程的前后状态相互独立。
（2）无记忆性无记忆性是指随机过程的状态只与当前时刻有关，与过去时刻无关。
（3）马尔可夫性马尔可夫性是指随机过程的状态只与当前时刻有关，与过去时刻无关。
3. 随机过程的运算（1）随机过程的和设{Xn}和{Yn}是两个随机过程，则它们的和{Zn}定义为Zn = Xn + Yn。
（2）随机过程的差设{Xn}和{Yn}是两个随机过程，则它们的差{Zn}定义为Zn = Xn - Yn。
（3）随机过程的乘积设{Xn}和{Yn}是两个随机过程，则它们的乘积{Zn}定义为Zn = Xn Yn。
4. 随机过程的模拟利用随机过程模拟软件（如Matlab）模拟随机过程，观察其性质和规律。
五、实验步骤1. 初始化随机数生成器2. 定义随机过程（1）根据随机过程的基本性质，定义随机过程{Xn}。
（2）根据随机过程的运算，定义随机过程{Yn}。
3. 模拟随机过程（1）使用随机过程模拟软件（如Matlab）模拟随机过程{Xn}和{Yn}。
（2）观察模拟结果，分析随机过程的性质和规律。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
随机信号实验报告课程：随机信号实验题目：随机过程的模拟与特征估计学院：学生名称：实验目的：1.学会利用MATLAB模拟产生各类随即序列。
2.熟悉和掌握随机信号数字特征估计的基本方法。
实验内容：1.模拟产生各种随即序列，并画出信号和波形。
（1）白噪声（高斯分布，正弦分布）。
（2）随相正弦波。
（3）白噪声中的多个正弦分布。
（4）二元随机信号。
（5）自然信号：语音，图形（选做）。
2.随机信号数字特征的估计（1）估计上诉随机信号的均值，方差，自相关函数，功率谱密度，概率密度。
（2）各估计量性能分析（选做）实验仪器：PC机一台MATLAB软件实验原理：随机变量常用到的数字特征是数字期望值、方差、自相关函数等。
相应地，随机过程常用到的数字特征是数字期望值、方差、相关函数等。
它们是由随机变量的数字特征推广而来，但是一般不再是确定的数值，而是确定的时间函数。
1.均值：m x(t)=E[X(t)]=；式中，p(x,t)是X（t）的一维概率密度。
m x(t)是随机过程X（t）的所有样本函数在时刻t的函数值的均值。
在matlab中用mea()函数求均值。
2.方差：（t）=D[X(t)]=E[]；（t）是t的确定函数，它描述了随机过程诸样本函数围绕数学期望m x(t)的分散程度。
若X（t）表示噪声电压，则方差（t）则表示瞬时交流功率的统计平均值。
在matlab中用var()函数求均值。
3.自相关函数：Rx(t1,t2)=E[X(t1)X(t2)]；自相关函数就是用来描述随机过程任意两个不同时刻状态之间相关性的重要数字特征。
在matlab中用xcorr（）来求自相关函数。
4.在matlab中可用函数rand、randn、normr、random即可生成满足各种需要的近似的独立随机序列。
实验步骤：（一）大体实验步骤（1）利用MATLAB编写程序。
（2）调试程序。
（3）得出各项输出结果，产生波形。
（4）分析各参数的物理意义，各个波形参数相比较。
（5）总结，写实验报告，做PPT。
（二）各个实验的具体程序及步骤：（1）白噪声（高斯分布）n=100;x=randn(n,1);m=mean(x) %计算均值sigma2=var(x) %计算方差pxx=pwelch(x); %计算功率谱密度r=xcorr(x,'biased'); %计算自相关函数figuresubplot(4,1,1);plot(x);title('样本曲线');gridsubplot(4,1,2);plot(r);title('自相关函数');gridsubplot(4,1,3);plot(pxx);title('功率密度谱');grid[f,xi]=ksdensity(x); %计算概率密度函数subplot(4,1,4);plot(xi,f);title('概率密度');grid（2）白噪声（均匀分布）n=100;x=rand(n,1);m=mean(x) %计算均值sigma2=var(x) %计算方差pxx=pwelch(x); %计算功率谱密度函数r=xcorr(x,'biased'); %计算自相关函数figuresubplot(4,1,1);plot(x);title('样本曲线');gridsubplot(4,1,2);plot(r);title('自相关函数');gridsubplot(4,1,3);plot(pxx);title('功率密度谱');grid[f,xi]=ksdensity(x); %计算概率密度函数subplot(4,1,4);plot(xi,f);title('概率密度');grid（3）随机相位正弦波fs=1000;t=0:1/fs:1;c=2*pi*rand(size(t));x=sin(2*pi*t+c); %产生正弦波M=mean(x) %计算均值sigma2=var(x) %计算方差pxx=pwelch(x); &计算功率谱密度函数r=xcorr(x,'biased'); %计算自相关函数figuresubplot(4,1,1);plot(x);title('样本曲线');gridsubplot(4,1,2);plot(r);title('自相关函数');gridsubplot(4,1,3);plot(pxx);title('功率密度谱');grid[f,xi]=ksdensity(x); %计算概率密度函数subplot(4,1,4);plot(xi,f);title('概率密度');Grid（3，随相正弦波2）%初始化fs=100; %采样频率100t=0:1/fs:pi; %设置时间范围0~piB=0; %设置初始相位为0A=1; %信号的幅度为1f=10; %信号频率为10Hz%画随机相位正弦波B=2*pi*rand(1,length(t)); %求变化范围是0~2pi的随机相位x=A.*sin(2*pi*f.*t+B);e1=mean(x) %计算均值s1=var(x) %计算方差[r,lags]=xcorr(x); %计算自相关函数pxx=pwelch(x);[f,xi]=ksdensity(x); %计算概率密度函数subplot(6,1,1)plot(t,x)title('随机相位正弦波');xlabel('t');ylabel('幅值x');subplot(6,1,2)plot(t,e1)title('均值');xlabel('t');ylabel('e');subplot(6,1,3)plot(t,s1),axis([0,3.14,-0.2,0.2])title('方差');xlabel('t');ylabel('s');subplot(6,1,4)plot(lags/fs,r),axis([0,3.14,0,1])title('自相关函数');xlabel('时间间隔');ylabel('r');subplot(6,1,5)plot(pxx);title('功率密度谱');subplot(6,1,6);plot(xi,f);title('概率密度');（4）白噪声中的多个正弦波信号fs=1000;t=0:1/fs:1;c=randn(size(t));x=sin(2*pi*100*t)+2*sin(2*pi*200*t)+c; sigma2=var(x) %计算方差pxx=pwelch(x); %计算功率谱密度函数r=xcorr(x,'biased'); %计算自相关函数figuresubplot(4,1,1);plot(x);title('样本曲线');gridsubplot(4,1,2);plot(r);title('自相关函数');gridsubplot(4,1,3);plot(pxx);title('功率密度');grid[f,xi]=ksdensity(x); %计算概率密度函数subplot(4,1,4);plot(xi,f);title('概率密度');Grid（5）二元随机信号n=1000;x=randint(n,1);m=mean(x);sigma2=var(x);pxx=pwelch(x);r=xcorr(x,'biased');figuresubplot(3,1,1);plot(x);title('样本曲线');gridsubplot(3,1,2);plot(r);title('自相关函数');gridsubplot(3,1,3);i=-2.9:0.1:2.9;hist(x,i)title('随机序列的直方图'); grid实验数据：（1）白噪声（高斯分布）图形N=100均值=-0.1270；方差=0.8924；N=1000N=100000 100200300400500 600 7008009001000-50 5 样本曲线0 2004006008001000 1200 1400 1600 1800 2000 -10 1 自相关函数_0 204060 80 1001201400 0.5 1 功率谱密度-5-4-3-2-112340 0.2 0.4 概率密度_（2）白噪声（均匀分布）图形 N=1001000 2000 3000 4000 5000 6000 7000 8000 9000 10000-5 0 5 样本曲线0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.82 x 104 -2 0 2 自相关函数500 1000 1500 2000 25000 1 2 功率谱密度-5-4 -3 -2 -1 0 1 2 3 4 50 0.2 0.4 概率密度均值=0.5280；方差=0.0882；N=1000（3）随相正弦波图形N=1000方差= 0.4837N=10000020004000600080001000012000-11样本曲线00.51 1.52 2.5x 104-0.50.5自相关函数50010001500200025000.5功率密度谱-2-1.5-1-0.500.51 1.5200.51概率密度（3，随相正弦波2）图形（4）白噪声中的多个正弦信号图形Fs=100方差=3.6664Fs=10000020004000600080001000012000-10010样本曲线00.511.522.5x 104-505自相关函数050010001500200025005001000功率密度-8-6-4-20246800.10.2概率密度（5）二元随机信号N=100N=1000N=10000100200300400500600700800900100000.51样本曲线20040060080010001200140016001800200000.51自相关函数204060801001201400510功率谱密度-1-0.50.511.5200.51概率密度参考文献：1. 《随机信号分析基础（第三版）》 电子工业出版社 王永德王军编2. 《MATLAB 7.0从入门到精通（修订版）》 人民邮电出版社刘保柱 苏彦华 张宏林编著3. Matlab 中文论坛（/）实验体会：通过这次实验，我们熟悉了matlab 软件的工作环境，学会了使用matlab 软件模拟产生各类随机序列，以及各类波形的产生和随机过程的数字特征的估计。