瑞利分布的平方是什么分布
瑞利分布的平方是什么分布
- 从正态分布说起
- 瑞利分布
- 瑞利分布平方的分布
- 参考
首先给出结论:
瑞利分布的平方是Gamma分布。
从正态分布说起
由于正态分布介绍非常多了,下面就直接给出正态分布的形式:
X∼N(μ,σ2).X \sim N\left( {\mu ,{\sigma ^2}} \right).X∼N(μ,σ2).
那么XXX的概率密度函数为:
fX(x)=12πσe−(x−μ)22σ2.{f_X}\left( x \right) = {1 \over {\sqrt {2\pi } \sigma }}{e^{ - {{{{\left( {x - \mu } \right)}^2}} \over {2{\sigma ^2}}}}}.fX(x)=2πσ1e−2σ2(x−μ)2.
它的期望和方差分别为:E(X)=μ,E\left( X \right) = \mu, E(X)=μ,D(X)=σ2.D\left( X \right) = {\sigma ^2}.D(X)=σ2.
瑞利分布
当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分布时,这个向量的模呈瑞利分布。瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。两个正交高斯噪声信号之和的包络服从瑞利分布。
通常来说,在信道中的高斯噪声服从期望为0,方差为σ2\sigma^2σ2的分布,即X1X_1X1 、X2X_2X2服从
X1∼N(0,σ2),X_1 \sim N\left( {0,{\sigma ^2}} \right), X1∼N(0,σ2),X2∼N(0,σ2).X_2 \sim N\left( {0,{\sigma ^2}} \right). X2∼N(0,σ2).由此可以得到两个正交高斯噪声之和的包络
Y=X12+X22Y = \sqrt {X_1^2 + X_2^2} Y=X12+X22服从瑞利分布:
Y∼Rayleigh(σ).Y \sim Rayleigh\left( \sigma \right).Y∼Rayleigh(σ).其概率密度函数表示为
fY(y)=yσ2e−y22σ2{f_Y}\left( y \right) = {y \over {{\sigma ^2}}}{e^{ - {{{y^2}} \over {2{\sigma ^2}}}}}fY(y)=σ2ye−2σ2y2它的期望和方差分别为:
E(Y)=π2σ,E\left( Y \right) = \sqrt {{\pi \over 2}} \sigma, E(Y)=2πσ,D(Y)=4−π2σ2.D\left( Y \right) = {{4 - \pi } \over 2}{\sigma ^2}.D(Y)=24−πσ2.此时已经可以通过计算得到满足瑞利分布平方的随机变量期望为
E(Y2)=D(Y)+E2(Y)=2σ2E\left( {{Y^2}} \right) = D\left( Y \right) + {E^2}\left( Y \right) = 2{\sigma ^2}E(Y2)=D(Y)+E2(Y)=2σ2
瑞利分布平方的分布
在求解接收信号功率的相关问题时,可能会遇到信道系数出现平方的场景,此时就需要知道瑞利分布平方服从什么分布。通过上一部分我们知道Y=X12+X22,Y = \sqrt {X_1^2 + X_2^2} ,Y=X12+X22,那么Z=Y2=X12+X22Z = {Y^2} = X_1^2 + X_2^2Z=Y2=X12+X22可以看作是两个独立且相同的正态分布的和,如果说X1X_1X1 、X2X_2X2服从标准正态分布,即
X1∼N(0,1),{X_1} \sim N\left( {0,1} \right),X1∼N(0,1),X2∼N(0,1).{X_2} \sim N\left( {0,1} \right).X2∼N(0,1).
很容易看出此时 ZZZ服从自由度n=2n=2n=2的卡方分布:
Z∼χ2(n=2).Z\sim\chi^2\left( n=2\right). Z∼χ2(n=2).
卡方分布概率密度函数为:
fZ(z)=12n/2Γ(n/2)e−z2zn2−1,z>0{f_Z}\left( z \right) = {1 \over {{2^{n/2}}\Gamma \left( {n/2} \right)}}{e^{ - {z \over 2}}}{z^{{n \over 2} - 1},z>0} fZ(z)=2n/2Γ(n/2)1e−2zz2n−1,z>0卡方分布的期望和方差分别为:
E(Y)=n,E\left( Y \right) = n, E(Y)=n,D(Y)=2n.D\left( Y \right) = 2n. D(Y)=2n.
当n=2n=2n=2时可以得到满足标准正态分布时瑞利分布的平方概率密度为:
fZ(z)=12e−z2{f_Z}\left( z \right) = {1 \over 2}{e^{ - {z \over 2}}} fZ(z)=21e−2z并且期望是2,方差是4。
那么问题来了,通常在信道中噪声的方差并不满足为1这个条件,此时又服从什么分布?
当Xi∼N(0,σ2),X_i \sim N\left( {0,{\sigma ^2}} \right),Xi∼N(0,σ2),易得
Xiσ∼N(0,1){{{X_i}} \over \sigma } \sim N\left( {0,1} \right) σXi∼N(0,1)(Xiσ)2∼χ2(1)=Γ(12,12){\left( {{{{X_i}} \over \sigma }} \right)^2} \sim \chi^2\left( {1} \right)=\Gamma\left( \frac{1}{2},\frac{1}{2}\right) (σXi)2∼χ2(1)=Γ(21,21)根据gamma分布伸缩性
Xi2∼σ2Γ(12,12)=Γ(12,12σ2)X_i^2 \sim {\sigma ^2}\Gamma \left( {{1 \over 2},\frac{1}{2}} \right) = \Gamma \left( {{1 \over 2},\frac{1}{2{\sigma ^2}}} \right) Xi2∼σ2Γ(21,21)=Γ(21,2σ21)同样的,当多个XiX_iXi方差一致,即它们的平方满足相同的gamma分布时是可加的,表示为∑i=1nXi2∼nΓ(12,12σ2)=Γ(n2,12σ2)\sum\limits_{i = 1}^n {X_i^2} \sim n\Gamma \left( {{1 \over 2},\frac{1}{2{\sigma ^2}}} \right) = \Gamma \left( {{n \over 2},\frac{1}{2{\sigma ^2}}} \right) i=1∑nXi2∼nΓ(21,2σ21)=Γ(2n,2σ21)gamma分布Γ(α,λ)\Gamma\left(\alpha,\lambda \right)Γ(α,λ)的概率分布为fZ(z)=λαzα−1e−λzΓ(α),z>0.{f_Z}\left( z \right) = {{{\lambda ^\alpha }{z^{\alpha - 1}}{e^{ - \lambda z}}} \over {\Gamma \left( \alpha \right)}},z > 0. fZ(z)=Γ(α)λαzα−1e−λz,z>0.方差和期望分别为:E(Z)=αλ,E\left( Z \right) =\frac \alpha \lambda ,E(Z)=λα,D(Z)=αλ2.D\left( Z \right) =\frac \alpha {\lambda ^2}. D(Z)=λ2α.
下面就回到我们的问题,方差不为1的瑞利分布的平方满足Γ(1,12σ2)\Gamma\left(1,\frac{1}{2\sigma^2 }\right)Γ(1,2σ21)分布(两项相加),即α=1,λ=12σ2\alpha=1,\lambda=\frac{1}{2\sigma^2}α=1,λ=2σ21,此时的概率密度函数为:fZ(z)=12σ2e−z2σ2,z>0.{f_Z}\left( z \right) = {1 \over {2{\sigma ^2}}}{e^{ - {z \over {2{\sigma ^2}}}}},z > 0.fZ(z)=2σ21e−2σ2z,z>0.σ=1\sigma=1σ=1时,便得到了之前的结果,方差和期望分别为:E(Z)=2σ2,E\left( Z \right) = 2 \sigma^2 ,E(Z)=2σ2,D(Z)=4σ4.D\left( Z \right) = 4 \sigma^4. D(Z)=4σ4.也与第二部分的结果一致。
对于其他非标准正态分布的平方和分布可以参考下面链接。
参考
[1]Distribution of sum of squares of normals that have mean zero but not variance one?(此回答中gamma分布的β\betaβ和文中λ\lambdaλ是倒数关系)
[2]怎么来理解伽玛(gamma)分布?
[3]Gamma分布与其余分布的关系图。
[4]解释瑞利分布的平方、莱斯分布的平方、高斯分布的平方 服从什么分布?
瑞利分布的平方是什么分布相关推荐
- 解释瑞利分布的平方、莱斯分布的平方、高斯分布的平方 服从什么分布?
1.Rayleigh distribution 2.Rice distribution or Rician distribution PDF:, where I0(z) is the modified ...
- 图论的起源:柯尼斯堡七桥(一笔画)问题与欧拉路径/回路
柯尼斯堡七桥问题 大数学家欧拉一生中的大部分时间在俄国和普鲁士度过.1735年,他提出了著名的柯尼斯堡七桥(Seven Bridges of Königsberg)问题: 柯尼斯堡(今俄罗斯加里宁格勒 ...
- 相控阵天线(二):非规则直线阵列天线(稀布阵列、稀疏阵列、平方率分布阵列、含python代码)
目录 非规则线阵概述 不均匀递变间距阵列 稀布阵列 稀疏阵列 不均匀相位递变阵列 不均匀幅度激励阵列 代码示例 非规则线阵概述 非规则线阵主要包括以下情况: 1. 不均匀间距阵列: a)不均匀间距递变 ...
- 统计学中z分布、t分布、F分布及χ^2分布
Z就是正态分布,X^2分布是一个正态分布的平方,t分布是一个正态分布除以(一个X^2分布除以它的自由度然后开根号),F分布是两个卡方分布分布除以他们各自的自由度再相除 比如X是一个Z分布,Y(n)=X ...
- 几大分布:正态分布、卡方分布、t分布、F分布整理
一.正态分布 正态分布(Normal distribution)又名高斯分布(Gaussiandistribution),若随机变量X服从一个数学期望为μ.方差为σ2的高斯分布,记为N(μ,σ2).其 ...
- 威布尔分布及其性质与数字特征
文章目录 0. 背景 1. 威布尔分布 1.1 概率密度函数表达式 1.2 累积分布函数 2. 相关性质及数字特征 3. 伽马函数及其性质 3.1 伽马函数的定义 3.2 伽马函数的性质 0. 背景 ...
- Python威布尔分布
文章目录 威布尔分布及其性质 在Python中生成威布尔分布的随机数 指数分布和拉普拉斯分布的对比 威布尔分布及其性质 威布尔分布,即Weibull distribution,又被译为韦伯分布.韦布尔 ...
- python和matlab的随机种子是一样的吗_matlab中利用不同的随机数种子获取的样本是统一分布吗?...
展开全部 一.Matlab在一个集合中随机取数:function 'randperm' for example: a=[1 2 3 4 5 6 7 8 9 10]; b=a(randperm(leng ...
- 【通信原理】复习笔记
前言 如果对你有帮助希望能点赞.留言支持谢谢, 我的水平有限,如果有错误也欢迎批评指正! 利用导图整理,思路会更加清晰. 通信原理导图整理 知识目录 (一)绪论 1.通信系统的基本组成.分类与通信方式 ...
- 通信原理包络是什么意思_通信原理复试问题准备
第一章 绪论 1. 基带信号的定义 基带信号是指信号的频谱从零频附近开始的,没有经过调制的信号 2. 什么是数字信号和模拟信号?二者的区别是什么? 数字信号是信号参量的取值是离散的,模拟信号是信号参量 ...
最新文章
- MATLAB sum()函数总结
- 1019.Line Painting(线段树 离散化)
- 机器学习系列(2)_从初等数学视角解读逻辑回归
- c语言作业指导1,C语言程序设计实验与习题指导
- 【数据结构与算法】顺序表的Java实现
- 网页看视频计算机休眠,晚上挂着下电影怎么让电脑不休眠 Win7关闭休眠图文教程...
- 全网音乐解析_Android干货 | 手机端的音乐神器
- Linux批量清空当前目录中的日志文件
- elasticsearch 请求全部数据
- MFC (opencv配置) 应用程序无法正常启动(0xc000007b)请单击“确定关闭应用程序 的解决方法
- VMware 12 密钥
- java 拼音 排序_java对中文(拼音)进行排序
- pygame 实现 pong 小游戏
- RichText widgets require a Directionality widget ancestor.
- android o 结构光流程,结构光光斑图案生成方法和结构光光斑图案生成设备的制造方法...
- TensorRT——安装报错解决:sudo pip3 install tensorrt-8.4.0.6-cp38-none-linux_x86_64.whl
- 【自动驾驶】如何利用深度学习搭建一个最简单的无人驾驶系统
- C# 通用方法MD5计算
- PHP和Vue的区别,vue和js区别是什么
- 编译原理笔记 导言和目录