瑞利分布的平方是什么分布

qq_34701876

已于 2022-01-25 22:04:21 修改

阅读量4.8k

点赞数 14

文章标签：概率论数字通信信息传输

于 2021-12-18 00:19:25 首次发布

本文链接：https://blog.csdn.net/qq_34701876/article/details/122004759

版权

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：
$\sim N\left( {\mu ,{\sigma ^2}} \right).$
那么 $X$ 的概率密度函数为：
${f_X}\left( x \right) = {1 \over {\sqrt {2\pi } \sigma }}{e^{ - {{{{\left( {x - \mu } \right)}^2}} \over {2{\sigma ^2}}}}}.$
它的期望和方差分别为： $E\left( X \right) = \mu,$ $D\left( X \right) = {\sigma ^2}.$

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 $\sigma^2$ 的分布，即 $X_1$ 、 $X_2$ 服从
$X_1 \sim N\left( {0,{\sigma ^2}} \right),$ $X_2 \sim N\left( {0,{\sigma ^2}} \right).$ 由此可以得到两个正交高斯噪声之和的包络
$\sqrt {X_1^2 + X_2^2}$ 服从瑞利分布：
$\sim Rayleigh\left( \sigma \right).$ 其概率密度函数表示为
${f_Y}\left( y \right) = {y \over {{\sigma ^2}}}{e^{ - {{{y^2}} \over {2{\sigma ^2}}}}}$ 它的期望和方差分别为：
$E\left( Y \right) = \sqrt {{\pi \over 2}} \sigma,$ $D\left( Y \right) = {{4 - \pi } \over 2}{\sigma ^2}.$ 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
$E\left( {{Y^2}} \right) = D\left( Y \right) + {E^2}\left( Y \right) = 2{\sigma ^2}$

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 $\sqrt {X_1^2 + X_2^2} ,$ 那么 $Z = {Y^2} = X_1^2 + X_2^2$ 可以看作是两个独立且相同的正态分布的和，如果说 $X_1$ 、 $X_2$ 服从标准正态分布，即
${X_1} \sim N\left( {0,1} \right),$ ${X_2} \sim N\left( {0,1} \right).$
很容易看出此时 $Z$ 服从自由度 $n = 2$ 的卡方分布：
$Z\sim\chi^2\left( n=2\right).$

卡方分布概率密度函数为：
${f_Z}\left( z \right) = {1 \over {{2^{n/2}}\Gamma \left( {n/2} \right)}}{e^{ - {z \over 2}}}{z^{{n \over 2} - 1},z>0}$ 卡方分布的期望和方差分别为：
$E\left( Y \right) = n,$ $D\left( Y \right) = 2n.$

当 $n = 2$ 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：
${f_Z}\left( z \right) = {1 \over 2}{e^{ - {z \over 2}}}$ 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 $X_i \sim N\left( {0,{\sigma ^2}} \right),$ 易得
${{{X_i}} \over \sigma } \sim N\left( {0,1} \right)$ ${\left( {{{{X_i}} \over \sigma }} \right)^2} \sim \chi^2\left( {1} \right)=\Gamma\left( \frac{1}{2},\frac{1}{2}\right)$ 根据gamma分布伸缩性
$X_i^2 \sim {\sigma ^2}\Gamma \left( {{1 \over 2},\frac{1}{2}} \right) = \Gamma \left( {{1 \over 2},\frac{1}{2{\sigma ^2}}} \right)$ 同样的，当多个 $X_i$ 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 $\sum\limits_{i = 1}^n {X_i^2} \sim n\Gamma \left( {{1 \over 2},\frac{1}{2{\sigma ^2}}} \right) = \Gamma \left( {{n \over 2},\frac{1}{2{\sigma ^2}}} \right)$ gamma分布 $\Gamma\left(\alpha,\lambda \right)$ 的概率分布为 ${f_Z}\left( z \right) = {{{\lambda ^\alpha }{z^{\alpha - 1}}{e^{ - \lambda z}}} \over {\Gamma \left( \alpha \right)}},z > 0.$ 方差和期望分别为： $E\left( Z \right) =\frac \alpha \lambda ,$ $D\left( Z \right) =\frac \alpha {\lambda ^2}.$

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 $\Gamma\left(1,\frac{1}{2\sigma^2 }\right)$ 分布（两项相加），即 $\alpha=1,\lambda=\frac{1}{2\sigma^2}$ ,此时的概率密度函数为： ${f_Z}\left( z \right) = {1 \over {2{\sigma ^2}}}{e^{ - {z \over {2{\sigma ^2}}}}},z > 0.$ $\sigma=1$ 时，便得到了之前的结果，方差和期望分别为： $E\left( Z \right) = 2 \sigma^2 ,$ $D\left( Z \right) = 4 \sigma^4.$ 也与第二部分的结果一致。