Nakagami-m分布和Gamma分布

浑浑不可终日

已于 2023-12-27 22:07:14 修改

阅读量624

点赞数 9

分类专栏：通信论文阅读_数学笔记文章标签：概率论论文笔记论文阅读

于 2023-12-25 17:15:35 首次发布

本文链接：https://blog.csdn.net/qq_51260415/article/details/135203102

版权

12 篇文章 0 订阅

订阅专栏

4 篇文章 0 订阅

订阅专栏

Q1：nakagami-m分布记录

A1：一个随机变量 $X$ 服从Nakagami-m分布，则它的

概率密度函数(PDF)	$f_{X}(x)=\frac{2m^m·x^{2m-1}}{\Gamma (m)\Omega^m}e^{-\frac{mx^2}{\Omega }},x\geqslant 0,m\geqslant\frac{1}{2}$
累积分布函数（CDF）	$F_{X}(x)=\frac{\gamma (m,\frac{m}{\Omega} x^2)}{\Gamma (m)}$
均值（Mean）	$\mu =\frac{\Gamma (m+\frac{1}{2})}{\Gamma (m)}(\frac{\Omega }{m})^\frac{1}{2}$
方差（Variance）	$\sigma ^2=\Omega (1-\frac{1}{m}(\frac{\Gamma (m+\frac{1}{2})}{\Gamma (m)})^2)$
模（Mode）	$\frac{\sqrt{2}}{2}(\frac{(2m-1)\Omega }{m})^{\frac{1}{2}}$

其中

$\Gamma(m)$ ：伽马（Gamma）函数

$\Gamma (x)=\int_{0}^{+\infty}t^{x-1}e^{-t}dt,x>0$

$\Gamma (x)=(x-1)!$

补充：

$\Gamma (m,x)=\int_{x}^{+\infty}t^{m-1} e^{-t}dt$

$\gamma (m,x)=\int_{0}^{x}t^{m-1}e^{-t}dt$

A2：一个随机变量 $X$ 服从Nakagami-m分布，则它的平方 $Y=X^2$ 服从Gamma分布，记为 $Y\sim Gamma(m,\Omega )$ ，则它的

概率密度函数(PDF)	$f_{Y}(y)=\frac{m^m·y^{m-1}}{\Gamma (m)\Omega^m}e^{-\frac{my}{\Omega}},y\geqslant 0,m\geqslant\frac{1}{2}$
互补累积分布函数（CCDF）	$\bar{F}(x)=e^{-\beta x}\sum_{k=0}^{m-1}\frac{(\beta x)^k}{k!}=e^{-\frac{m}{\Omega} x}\sum_{k=0}^{m-1}\frac{(\frac{m}{\Omega} x)^k}{k!},\beta=\frac{m}{\Omega}$
累积分布函数（CDF）	--
均值（Mean）	$\mu =\Omega$
方差（Variance）	$\sigma ^2=\frac{\Omega ^2}{m}$
模（Mode）	--

其中

$m$ ：形状参数（shape parameter）,主要决定了分布曲线的形状；

$\Omega$ ：【速率参数(rate parameter) $\beta=\frac{m}{\Omega}$ 】大概决定曲线有多陡

当m=1时	伽马分布就是参数为γ的指数分布，X~Exp（γ）
当α=n/2，β=1/2时	伽马分布就是自由度为n的卡方分布，X^2(n)

关注