瑞利分布与卡方分布的联系

​

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$0$，有着相同的方差（设为${\sigma }^2$）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：

$$f_Z(z)=\{\begin{array}{cc}\frac{z}{{\sigma }^2}\exp (-\frac{z^2}{2{\sigma }^2})& z\ge 0\\ 0& z<0\end{array}$$

瑞利分布-百度百科

卡方分布(Chi-square Distribution)：若$n$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$n$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(${\chi }^2$)分布。其概率密度函数如下：

$$g_M(m)=\{\begin{array}{cc}\frac{1}{2^{n/2}\Gamma (n/2)}{z}^{n/2-1}\exp (-m/2)& m\ge 0\\ 0& m<0\end{array}$$
卡方分布-百度百科

此处$f(z),g(m)$仅代指概率密度函数，对应地，$F(z),G(m)$分别代指概率分布函数，$\Gamma$为伽马(Gamma)函数。

联系

对于一个二维随机向量$\mathbf{X}=(x,y{)}^T$，其中$x,y\sim N(0,{\sigma }^2)$，其模长$|\mathbf{X}|=\sqrt{x^2+y^2}$，不妨设为$z$，则根据定义，$z$服从瑞利分布。

根据概率论的知识，$\frac{x-0}{\sigma }\sim N(0,1)$，即服从标准正态分布，所以：
$$(\frac{x}{\sigma }{)}^2+(\frac{y}{\sigma }{)}^2=\frac{x^2+y^2}{{\sigma }^2}=m\sim {\chi }^2(2)$$

将$n=2$代入上方公式，得：

$$g_M(m;n=2)=\{\begin{array}{cc}\frac{1}{2}\exp (-m/2)& m\ge 0\\ 0& m<0\end{array}$$

将$z$代入，得：
$$\frac{z^2}{{\sigma }^2}=m\sim {\chi }^2(2)$$

$m(z)=\frac{z^2}{{\sigma }^2},z\ge 0$。再根据概率论的知识，设此时$z$的概率分布函数为$H_Z(z)$，概率密度函数为$h_Z(z)$：

$$H_Z(z)=P(Z\le z)=P(\sqrt{{\sigma }^{2}M}\le z)=P(M\le \frac{z^2}{{\sigma }^2})$$

（此处大写$M$表明是左侧的符号，代入$m(z)$进去）

$$h_Z(z)=(\frac{z^2}{{\sigma }^2}{)}^{\prime }\cdot g_M(\frac{z^2}{{\sigma }^2})=(\frac{2z}{{\sigma }^2})\cdot g_M(\frac{z^2}{{\sigma }^2})=\{\begin{array}{cc}\frac{z}{{\sigma }^2}\exp (-z^2/2{\sigma }^2)& z\ge 0\\ 0& z<0\end{array}$$

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$2$（即$n=2$）的卡方分布。

上述推导可以反过来，即已知$z(m)=\sqrt{{\sigma }^{2}m},m\ge 0$，
$$f_Z(z)=\{\begin{array}{cc}\frac{z}{{\sigma }^2}\exp (-\frac{z^2}{2{\sigma }^2})& z\ge 0\\ 0& z<0\end{array}$$

$$f_M(m)=(\sqrt{{\sigma }^{2}m}{)}^{\prime }\cdot f_Z(\sqrt{{\sigma }^{2}m})=\frac{\sigma }{2\sqrt{m}}{f}_Z(\sqrt{{\sigma }^{2}m})=\{\begin{array}{cc}\frac{1}{2}\exp (-\frac{m}{2})& m\ge 0\\ 0& m<0\end{array}$$
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。