引入
今天在思考两个服从正态分布的随机变量的模服从什么分布时,想起了瑞利分布和卡方分布这两个分布,最后查到是服从瑞利分布,但是感觉和卡方分布也有关系。当我以“瑞利分布”和“卡方分布”作为关键词搜索时却没查到什么,所以就写一篇这样的文章出来,以抛砖引玉。
瑞利分布(Rayleigh Distribution):当一个随机二维向量的两个分量呈独立的、均值为 0 0 0,有着相同的方差(设为 σ 2 \sigma^2 σ2)的正态分布时,这个向量的模呈瑞利分布。其概率密度函数如下:
f Z ( z ) = { z σ 2 exp ( − z 2 2 σ 2 ) z ≥ 0 0 z < 0 f_Z(z) = \left\{ \begin{matrix} \frac{z}{\sigma^{2}}\exp{(-\frac{z^{2}}{2\sigma^{2}})} & z \geq 0 \\ 0 & z < 0 \\ \end{matrix} \right. fZ(z)={σ2zexp(−2σ2z2)0z≥0z<0
卡方分布(Chi-square Distribution):若 n n n个相互独立的随机变量均服从标准正态分布(即均值为0,方差为1的正态分布),则这 n n n个服从标准正态分布的随机变量的平方和构成一新的随机变量,其分布规律称为卡方( χ 2 \chi^2 χ2)分布。其概率密度函数如下:
g
M
(
m
)
=
{
1
2
n
/
2
Γ
(
n
/
2
)
z
n
/
2
−
1
exp
(
−
m
/
2
)
m
≥
0
0
m
<
0
g_M(m) = \left\{ \begin{matrix} \frac{1}{2^{n/2}\Gamma(n/2)}z^{n/2-1}\exp{(-m/2)} & m \geq 0 \\ 0 & m < 0 \\ \end{matrix} \right.
gM(m)={2n/2Γ(n/2)1zn/2−1exp(−m/2)0m≥0m<0
卡方分布-百度百科
此处 f ( z ) , g ( m ) f(z),g(m) f(z),g(m)仅代指概率密度函数,对应地, F ( z ) , G ( m ) F(z),G(m) F(z),G(m)分别代指概率分布函数, Γ \Gamma Γ为伽马(Gamma)函数。
联系
对于一个二维随机向量 X = ( x , y ) T \boldsymbol{X} = (x,y)^T X=(x,y)T,其中 x , y ∼ N ( 0 , σ 2 ) x,y \sim N(0, \sigma^2) x,y∼N(0,σ2),其模长 ∣ X ∣ = x 2 + y 2 |\boldsymbol{X}| = \sqrt{x^2+y^2} ∣X∣=x2+y2,不妨设为 z z z,则根据定义, z z z服从瑞利分布。
根据概率论的知识,
x
−
0
σ
∼
N
(
0
,
1
)
\frac{x-0}{\sigma} \sim N(0,1)
σx−0∼N(0,1),即服从标准正态分布,所以:
(
x
σ
)
2
+
(
y
σ
)
2
=
x
2
+
y
2
σ
2
=
m
∼
χ
2
(
2
)
(\frac{x}{\sigma})^2 + (\frac{y}{\sigma})^2 = \frac{x^2+y^2}{\sigma^2} = m \sim \chi^2(2)
(σx)2+(σy)2=σ2x2+y2=m∼χ2(2)
将 n = 2 n=2 n=2代入上方公式,得:
g M ( m ; n = 2 ) = { 1 2 exp ( − m / 2 ) m ≥ 0 0 m < 0 g_M(m; n=2) = \left\{ \begin{matrix} \frac{1}{2}\exp{(-m/2)} & m \geq 0 \\ 0 & m < 0 \\ \end{matrix} \right. gM(m;n=2)={21exp(−m/2)0m≥0m<0
将
z
z
z代入,得:
z
2
σ
2
=
m
∼
χ
2
(
2
)
\frac{z^2}{\sigma^2} = m \sim \chi^2(2)
σ2z2=m∼χ2(2)
m ( z ) = z 2 σ 2 , z ≥ 0 m(z) = \frac{z^2}{\sigma^2}, z \geq 0 m(z)=σ2z2,z≥0。再根据概率论的知识,设此时 z z z的概率分布函数为 H Z ( z ) H_Z(z) HZ(z),概率密度函数为 h Z ( z ) h_Z(z) hZ(z):
H Z ( z ) = P ( Z ≤ z ) = P ( σ 2 M ≤ z ) = P ( M ≤ z 2 σ 2 ) H_Z(z) = P(Z \leq z) = P(\sqrt{\sigma^2 M} \leq z) = P(M \leq \frac{z^2}{\sigma^2}) HZ(z)=P(Z≤z)=P(σ2M≤z)=P(M≤σ2z2)
(此处大写 M M M表明是左侧的符号,代入 m ( z ) m(z) m(z)进去)
h Z ( z ) = ( z 2 σ 2 ) ′ ⋅ g M ( z 2 σ 2 ) = ( 2 z σ 2 ) ⋅ g M ( z 2 σ 2 ) = { z σ 2 exp ( − z 2 / 2 σ 2 ) z ≥ 0 0 z < 0 h_Z(z) = (\frac{z^2}{\sigma^2})' \cdot g_M(\frac{z^2}{\sigma^2}) = (\frac{2z}{\sigma^2}) \cdot g_M(\frac{z^2}{\sigma^2}) = \left\{ \begin{matrix} \frac{z}{\sigma^2}\exp{(-z^2/2\sigma^2)} & z \geq 0 \\ 0 & z < 0 \\ \end{matrix} \right. hZ(z)=(σ2z2)′⋅gM(σ2z2)=(σ22z)⋅gM(σ2z2)={σ2zexp(−z2/2σ2)0z≥0z<0
正是瑞利分布。
所以,服从瑞利分布的随机变量,其平方服从自由度为 2 2 2(即 n = 2 n=2 n=2)的卡方分布。
上述推导可以反过来,即已知
z
(
m
)
=
σ
2
m
,
m
≥
0
z(m) = \sqrt{\sigma^2 m}, m \geq 0
z(m)=σ2m,m≥0,
f
Z
(
z
)
=
{
z
σ
2
exp
(
−
z
2
2
σ
2
)
z
≥
0
0
z
<
0
f_Z(z) = \left\{ \begin{matrix} \frac{z}{\sigma^{2}}\exp{(-\frac{z^{2}}{2\sigma^{2}})} & z \geq 0 \\ 0 & z < 0 \\ \end{matrix} \right.
fZ(z)={σ2zexp(−2σ2z2)0z≥0z<0
f
M
(
m
)
=
(
σ
2
m
)
′
⋅
f
Z
(
σ
2
m
)
=
σ
2
m
f
Z
(
σ
2
m
)
=
{
1
2
exp
(
−
m
2
)
m
≥
0
0
m
<
0
f_M(m) = (\sqrt{\sigma^2 m})' \cdot f_Z(\sqrt{\sigma^2 m}) = \frac{\sigma}{2\sqrt{m}}f_Z(\sqrt{\sigma^2 m}) = \left\{ \begin{matrix} \frac{1}{2}\exp{(-\frac{m}{2})} & m \geq 0 \\ 0 & m < 0 \\ \end{matrix} \right.
fM(m)=(σ2m)′⋅fZ(σ2m)=2mσfZ(σ2m)={21exp(−2m)0m≥0m<0
正是自由度为2的卡方分布。
若能给予帮助,还望点一个小小的赞,不胜感激。