1. 从两个看似无关的分布说起如果你在信号处理、无线通信或者可靠性工程领域摸爬滚打过一段时间大概率会跟“瑞利分布”和“卡方分布”这两个名字打过交道。瑞利分布常用来描述无线信道中多径衰落信号的包络或者风速、海洋波高的统计特性它的概率密度函数PDF曲线像一座不对称的山峰从零开始快速上升又缓慢下降。而卡方分布则是统计学里的常客尤其是在假设检验和方差分析中它描述的是多个独立标准正态随机变量平方和的分布。乍一看一个在工程物理领域描述幅度一个在数理统计领域描述平方和两者似乎风马牛不相及。很多工程师会用瑞利分布但未必深究其来源很多数据分析师会用卡方分布做检验也未必关心它在物理世界中的对应物。但有意思的是这两个分布之间存在着一条非常清晰、严谨的数学桥梁。理解这座桥梁不仅能让你在公式推导时更加得心应手更重要的是它能帮你建立起一种“统一”的视角很多工程现象背后的随机性其数学本质可以追溯到更基础的统计分布上。这种理解对于设计更鲁棒的系统、进行更准确的仿真建模或者仅仅是调试一个诡异的概率相关Bug都至关重要。2. 拆解基石正态分布、独立性与平方和要搭建瑞利和卡方之间的桥梁我们需要几块关键的基石。第一块也是最核心的是二维独立同分布的标准正态分布。假设我们有两个随机变量记作 $X$ 和 $Y$。它们都服从标准正态分布即 $X \sim N(0,1)$, $Y \sim N(0,1)$。这里的“标准”意味着均值为0方差为1。“独立”意味着其中一个变量的取值完全不影响另一个它们的联合概率密度就是各自密度的乘积$f_{X,Y}(x,y) \frac{1}{2\pi} e^{-\frac{x^2y^2}{2}}$。这个联合密度函数在$x-y$平面上呈现为一个经典的二维“钟形”曲面。现在我们引入第二个关键概念距离或模。在二维平面上点$(X, Y)$到原点$(0,0)$的欧几里得距离是多少根据勾股定理这个距离 $R \sqrt{X^2 Y^2}$。这里的 $R$ 就是一个新的随机变量它表示了这个随机点离原点的远近。那么$R$ 的平方就是 $R^2 X^2 Y^2$。注意看 $X^2$ 和 $Y^2$对于一个标准正态变量 $X$其平方 $X^2$ 服从什么分布这里就引出了第三块基石卡方分布的定义。统计学中定义如果一个随机变量 $Z$ 可以表示为 $k$ 个独立标准正态随机变量的平方和即 $Z \sum_{i1}^{k} X_i^2$那么 $Z$ 就服从自由度为 $k$ 的卡方分布记作 $Z \sim \chi^2(k)$。立刻我们就能对上号了。在我们的设定里$X$ 和 $Y$ 是独立的 $N(0,1)$ 变量因此 $R^2 X^2 Y^2$ 恰好就是 $k2$ 个独立标准正态变量平方的和。所以一个极其重要的结论诞生了$R^2$ 服从自由度为2的卡方分布即 $R^2 \sim \chi^2(2)$。注意这里有一个非常关键的细节。卡方分布的定义要求是“标准正态”变量的平方和。如果 $X$ 和 $Y$ 是正态分布但均值不为零或者方差不为1那么 $X^2Y^2$ 就不再是标准的卡方分布而是一种更一般的非中心卡方分布。我们目前讨论的是最经典、最核心的联系因此假设了标准正态且均值为零。所以我们现在有了一个中间变量 $R^2$它既是距离 $R$ 的平方又是一个自由度为2的卡方分布随机变量。我们的目标变量 $R$瑞利分布的候选和已知分布的 $R^2$卡方分布之间只差了一个平方根运算。接下来我们就通过这个平方根关系推导出 $R$ 的分布。2.1 从卡方变量 $R^2$ 到瑞利变量 $R$ 的数学推导推导过程是概率论中经典的“随机变量函数变换”问题。我们已经知道 $R^2 \sim \chi^2(2)$。自由度为2的卡方分布有一个非常简洁的概率密度函数$f_{R^2}(z) \frac{1}{2} e^{-z/2}$其中 $z \ge 0$。你可以通过查卡方分布PDF公式$\frac{1}{2^{k/2}\Gamma(k/2)} z^{k/2-1} e^{-z/2}$并代入 $k2$ 验证这一点因为 $\Gamma(1)1$。现在我们关心 $R \sqrt{R^2}$ 的分布。设 $r \sqrt{z}$ 即 $z r^2$ 且 $r \ge 0$。我们需要找到 $R$ 的概率密度函数 $f_R(r)$。根据单变量随机变量变换的公式$f_R(r) f_{R^2}(z) \cdot \left| \frac{dz}{dr} \right|$。 其中$z r^2$ 所以 $\frac{dz}{dr} 2r$。将 $f_{R^2}(z) \frac{1}{2} e^{-z/2}$ 和 $z r^2$ 代入公式 $f_R(r) \frac{1}{2} e^{-r^2/2} \cdot |2r| r e^{-r^2/2}$ 其中 $r \ge 0$。看这就是标准瑞利分布的概率密度函数通常更一般的瑞利分布会有一个尺度参数 $\sigma$其PDF为 $f_R(r) \frac{r}{\sigma^2} e^{-r^2/(2\sigma^2)}$。我们这里推导出的 $f_R(r) r e^{-r^2/2}$ 对应的是尺度参数 $\sigma 1$ 的情况即标准瑞利分布。至此我们完成了逻辑闭环两个独立的标准正态变量 $X$ 和 $Y$其模 $R \sqrt{X^2Y^2}$ 服从标准瑞利分布而其平方 $R^2$ 服从自由度为2的卡方分布。这就是两者最本质、最直接的联系。3. 尺度参数σ的引入与物理意义在实际工程中我们很少直接遇到标准正态变量 $N(0,1)$。更常见的情况是两个噪声分量 $X$ 和 $Y$ 是独立的零均值正态变量但具有相同的方差 $\sigma^2$即 $X \sim N(0, \sigma^2)$, $Y \sim N(0, \sigma^2)$。方差 $\sigma^2$ 代表了噪声的功率。此时$X$ 和 $Y$ 可以表示为标准正态变量乘以标准差$X \sigma U$, $Y \sigma V$ 其中 $U, V \sim N(0,1)$ 且独立。 那么距离 $R \sqrt{X^2 Y^2} \sigma \sqrt{U^2 V^2} \sigma R_s$ 其中 $R_s$ 是服从标准瑞利分布$\sigma1$的变量。根据随机变量缩放的性质$R$ 的概率密度函数为 $f_R(r) \frac{1}{\sigma} f_{R_s}(\frac{r}{\sigma}) \frac{1}{\sigma} \cdot (\frac{r}{\sigma}) e^{-(r/\sigma)^2/2} \frac{r}{\sigma^2} e^{-r^2/(2\sigma^2)}$ $r \ge 0$。 这就是带尺度参数 $\sigma$ 的瑞利分布记作 $R \sim \text{Rayleigh}(\sigma)$。相应地$R^2 X^2 Y^2 \sigma^2 (U^2 V^2) \sigma^2 R_s^2$。 由于 $R_s^2 \sim \chi^2(2)$ 那么 $R^2$ 就是 $\sigma^2$ 乘以一个自由度为2的卡方变量。在统计学中如果一个变量 $Z$ 满足 $Z \sigma^2 \cdot W$ 其中 $W \sim \chi^2(k)$ 我们有时也说 $Z$ 服从一个尺度变换后的卡方分布其均值为 $k\sigma^2$ 方差为 $2k\sigma^4$。对于 $k2$ $R^2$ 的均值就是 $2\sigma^2$ 方差是 $8\sigma^4$。这个 $\sigma$ 的物理意义非常明确。在无线通信的瑞利衰落模型中$X$ 和 $Y$ 通常代表接收信号复包络的同相I和正交Q分量它们是由大量多径反射叠加形成的零均值高斯过程。$\sigma^2$ 就是每个分量的平均功率。而 $R$ 是接收信号的包络幅度其平均功率 $E[R^2] 2\sigma^2$。所以尺度参数 $\sigma$ 直接关联着底层高斯分量的功率水平。3.1 一个常见的误解与澄清这里有一个容易混淆的点。我们知道如果 $Z \sim \chi^2(k)$ 那么 $E[Z] k$。在我们的标准情况下$X,Y \sim N(0,1)$$R^2 \sim \chi^2(2)$ 所以 $E[R^2] 2$。这没问题。但在带参数 $\sigma$ 的情况下$X,Y \sim N(0, \sigma^2)$ 此时 $R^2 / \sigma^2 \sim \chi^2(2)$ 而不是 $R^2$ 本身服从自由度为2的卡方分布。$R^2$ 的分布是 $\sigma^2$ 乘以一个 $\chi^2(2)$ 变量。因此在查阅文献或使用统计软件时务必注意对方差或尺度参数的约定。很多统计检验中卡方统计量确实是标准正态变量平方的和这就要求数据已经标准化均值为0方差为1。而在工程模型里$\sigma$ 是一个有明确物理意义的参数不能随意忽略。4. 仿真验证从代码中直观感受联系理论推导固然严谨但通过编程仿真来亲眼见证这种联系会让人印象更加深刻。下面我们用Python来演示如何从正态分布“生成”瑞利分布和卡方分布并验证它们的统计特性。import numpy as np import matplotlib.pyplot as plt from scipy import stats # 设置随机种子确保结果可复现 np.random.seed(42) # 1. 定义基本参数 sigma 2.0 # 底层正态分布的标准差 num_samples 100000 # 生成的样本数 # 2. 生成独立同分布的正态分量 X 和 Y # 注意我们生成的是 N(0, sigma^2) 所以传入 scalesigma X np.random.normal(loc0, scalesigma, sizenum_samples) Y np.random.normal(loc0, scalesigma, sizenum_samples) # 3. 计算瑞利变量 R 和卡方变量 Z (即 R^2) R np.sqrt(X**2 Y**2) # 这就是瑞利分布的样本 Z R**2 # 这就是尺度变换后的“卡方”变量 (实际上是 sigma^2 * chi2(2)) # 4. 理论分布用于对比 # 瑞利分布的理论PDF (尺度参数为sigma) r_values np.linspace(0, 10, 1000) rayleigh_pdf (r_values / sigma**2) * np.exp(-r_values**2 / (2 * sigma**2)) # 自由度为2的卡方分布的理论PDF (标准版均值为2) chi2_df2_pdf stats.chi2.pdf(r_values**2 / sigma**2, df2) * (2*r_values / sigma**2) # 注意这是通过变量变换得到的R的分布用于验证。 # 更直接地我们验证 Z/sigma^2 是否服从 chi2(2) Z_scaled Z / sigma**2 chi2_x np.linspace(0, 20, 1000) chi2_pdf stats.chi2.pdf(chi2_x, df2) # 5. 绘制图形 fig, axes plt.subplots(2, 2, figsize(12, 10)) # 图1: 二维正态散点图与R的几何意义 axes[0, 0].scatter(X[:500], Y[:500], alpha0.5, s1) # 只画前500个点避免太密 axes[0, 0].axhline(y0, colork, linestyle-, linewidth0.5) axes[0, 0].axvline(x0, colork, linestyle-, linewidth0.5) axes[0, 0].set_xlabel(X (In-phase Component)) axes[0, 0].set_ylabel(Y (Quadrature Component)) axes[0, 0].set_title(Scatter of I/Q Components (X, Y)) axes[0, 0].grid(True, alpha0.3) axes[0, 0].set_aspect(equal, box) # 标注一个样本点展示R sample_idx 0 axes[0, 0].plot([0, X[sample_idx]], [0, Y[sample_idx]], r-, linewidth2) axes[0, 0].plot(X[sample_idx], Y[sample_idx], ro) axes[0, 0].annotate(fR {R[sample_idx]:.2f}, xy(X[sample_idx]/2, Y[sample_idx]/2), xytext(10, 10), textcoordsoffset points, colorred) # 图2: 瑞利分布R的直方图 vs 理论PDF axes[0, 1].hist(R, bins100, densityTrue, alpha0.6, colorskyblue, edgecolorblack, labelSimulated R) axes[0, 1].plot(r_values, rayleigh_pdf, r-, linewidth2, labelfRayleigh(σ{sigma}) PDF) axes[0, 1].set_xlabel(R (Envelope)) axes[0, 1].set_ylabel(Probability Density) axes[0, 1].set_title(Distribution of Envelope R) axes[0, 1].legend() axes[0, 1].grid(True, alpha0.3) # 图3: Z R^2 的直方图 axes[1, 0].hist(Z, bins100, densityTrue, alpha0.6, colorlightgreen, edgecolorblack, labelSimulated ZR²) axes[1, 0].axvline(Z.mean(), colorred, linestyle--, linewidth2, labelfMean(Z){Z.mean():.2f}) axes[1, 0].axvline(2*sigma**2, colordarkgreen, linestyle:, linewidth2, labelfTheoretical Mean2σ²{2*sigma**2:.2f}) axes[1, 0].set_xlabel(Z R²) axes[1, 0].set_ylabel(Probability Density) axes[1, 0].set_title(Distribution of R² (Scaled Chi-square)) axes[1, 0].legend() axes[1, 0].grid(True, alpha0.3) # 图4: 缩放后的变量 Z/σ² 的直方图 vs 标准卡方(2) PDF axes[1, 1].hist(Z_scaled, bins100, densityTrue, alpha0.6, colorgold, edgecolorblack, labelSimulated Z/σ²) axes[1, 1].plot(chi2_x, chi2_pdf, b-, linewidth2, labelχ²(2) PDF) axes[1, 1].set_xlabel(Z / σ²) axes[1, 1].set_ylabel(Probability Density) axes[1, 1].set_title(Z/σ² should follow χ²(2)) axes[1, 1].legend() axes[1, 1].grid(True, alpha0.3) plt.tight_layout() plt.show() # 6. 打印关键统计量进行验证 print( 统计量验证 ) print(f参数 σ {sigma}) print(f模拟样本数 {num_samples}) print() print(fR (瑞利变量) 的样本均值: {np.mean(R):.4f}) print(fR (瑞利变量) 的理论均值: σ * sqrt(π/2) {sigma * np.sqrt(np.pi/2):.4f}) print() print(fZ R² 的样本均值: {np.mean(Z):.4f}) print(fZ R² 的理论均值: 2 * σ² {2 * sigma**2:.4f}) print() print(fZ/σ² 的样本均值: {np.mean(Z_scaled):.4f}) print(fZ/σ² 的理论均值 (χ²(2)): 自由度 k 2) print() # 可以使用 Kolmogorov-Smirnov 检验来定量验证分布 ks_stat, p_value stats.kstest(Z_scaled, chi2, args(2,)) print(f对 Z/σ² 进行KS检验判断其是否服从 χ²(2):) print(f KS统计量 {ks_stat:.4f}) print(f P值 {p_value:.4f}) if p_value 0.05: print( - 无法拒绝原假设样本分布与χ²(2)分布一致。) else: print( - 拒绝原假设样本分布与χ²(2)分布存在显著差异。)运行这段代码你会得到四张图。第一张图展示了二维正态随机点$(X, Y)$以及其中一个样本点到原点的距离$R$直观体现了$R$的几何意义。第二张图是$R$的直方图与理论瑞利分布PDF曲线的对比两者应该几乎完美重合。第三张图展示了$R^2$的分布其均值会落在$2\sigma^2$的红线附近。第四张图是最关键的验证它将$R^2$除以$\sigma^2$后的直方图与标准的自由度为2的卡方分布PDF曲线对比两者也应该高度一致。最后的统计量输出和KS检验会给你一个定量的确认。这种仿真不仅验证了理论更是一种强大的学习工具。你可以尝试修改sigma的值观察瑞利分布和$R^2$的分布如何随之变化。你也可以尝试改变num_samples感受大数定律下统计量如何收敛到理论值。5. 工程应用场景深度剖析理解了瑞利分布和卡方分布的联系不仅仅是掌握了一个数学事实更重要的是它为我们分析和解决工程问题提供了一个强有力的工具包。下面我们看几个具体的应用场景。5.1 无线通信瑞利衰落信道与信号包络检测这是最经典的应用。在移动通信中由于存在大量的散射体接收信号是许多多径分量的矢量和。根据中心极限定理这些分量在复平面上的投影即同相I和正交Q分量可以建模为独立的零均值高斯过程。因此接收信号的复包络 $c I jQ$ 中$I$ 和 $Q$ 是独立同分布的 $N(0, \sigma^2)$。那么接收信号的瞬时幅度 $A |c| \sqrt{I^2 Q^2}$ 就服从瑞利分布 $Rayleigh(\sigma)$。而瞬时功率 $P A^2 I^2 Q^2$ 则服从指数分布。等一下这里怎么变成指数分布了这正是联系的关键所在因为 $P A^2 R^2$ 而 $R^2 / (2\sigma^2) \sim \chi^2(2) / 2$。自由度为2的卡方分布除以2恰好就是参数为 $\lambda 1/(2\sigma^2)$ 的指数分布。所以接收功率 $P$ 服从指数分布其均值 $E[P] 2\sigma^2$。在实际的接收机设计中比如能量检测Energy Detection我们经常需要判断某个频段是否存在信号。一种方法就是计算一段时间内接收信号幅度的平方和即能量并与一个门限比较。这个“能量”统计量在只有噪声的情况下噪声的I/Q分量是高斯白噪声其分布就与卡方分布密切相关。具体来说如果对$N$个独立采样点的幅度平方求和在零假设只有噪声下这个和服从自由度为$2N$的卡方分布假设噪声方差已知。通过这个分布我们可以计算出虚警概率从而科学地设定检测门限。5.2 雷达信号处理杂波建模与CFAR检测在雷达领域地面、海面等背景反射产生的杂波Clutter的幅度在低分辨率情况下也常被建模为瑞利分布。这意味着雷达接收到的杂波复信号其I/Q分量是联合高斯的。恒虚警率CFAR检测是雷达中的关键技术目的是在起伏的杂波背景中保持稳定的目标检测概率。瑞利杂波模型使得分析变得可行。因为杂波功率幅度平方服从指数分布而指数分布的和即多个参考单元的功率和服从伽马分布Gamma Distribution这与卡方分布又是近亲伽马分布是卡方分布的推广。许多经典的CFAR检测器如单元平均CFARCA-CFAR其理论基础正是基于杂波功率指数分布的统计特性推导出门限因子。理解瑞利-卡方-指数这一分布族的内在联系是深入理解CFAR算法原理的钥匙。5.3 可靠性工程与寿命测试瑞利分布有时也用于描述某些产品的寿命特别是那些失效速率随时间先增后减类似浴盆曲线早期阶段的部件。虽然威布尔分布更通用但瑞利分布是威布尔分布形状参数为2时的特例。假设一个系统的失效由两个独立的、服从相同正态分布的“应力”分量共同作用导致当这两个应力分量的联合效应用其欧氏距离衡量超过某个阈值时系统失效。那么这个“联合应力”的分布就是瑞利分布。在进行可靠性仿真或风险评估时如果需要模拟这种失效模式我们可以通过生成两个高斯随机数并计算其模来得到瑞利分布的失效时间样本。更进一步如果我们关心的是“应力”的平方和比如能量累积损伤模型那么失效阈值对应的就是卡方分布的百分位点。这时卡方分布表就可以直接用来计算在给定应力水平下的失效概率。5.4 计算机视觉与机器学习从特征到假设检验在计算机视觉中例如基于梯度的特征描述子如SIFT、HOG的局部方向直方图其向量的各个分量在某些假设下可以近似看作某种分布。虽然不完全吻合但瑞利/卡方分布的思想有时被用于设计特征相似性度量或进行统计检验。在机器学习的模型评估中卡方分布是许多统计检验的基石例如用于特征选择的卡方检验、用于评估模型拟合优度的皮尔逊卡方检验等。虽然这些检验不一定直接涉及瑞利分布但它们共享着“正态变量平方和”这一核心思想。当你深入理解卡方分布来源于正态分布的平方和时你对这些检验的适用条件如独立性、大样本和局限性会有更本质的认识。6. 从二维到多维瑞利与卡方家族的扩展我们之前的讨论聚焦于两个正态变量。很自然地会问如果不止两个呢这就引出了更一般的分布。n维瑞利分布广义瑞利分布考虑 $n$ 个独立同分布的零均值正态变量 $X_1, X_2, ..., X_n \sim N(0, \sigma^2)$。它们的模 $R_n \sqrt{X_1^2 X_2^2 ... X_n^2}$ 服从的分布称为 $n$ 维瑞利分布更常见的名字是χ分布Chi distribution自由度为 $n$。当 $n2$ 时χ分布就是瑞利分布。当 $n1$ 时χ分布退化为半正态分布Half-normal distribution。χ分布的PDF形式为$f(r) \frac{2^{1-n/2}}{\sigma^n \Gamma(n/2)} r^{n-1} e^{-r^2/(2\sigma^2)}$。卡方分布其定义本身就是 $n$ 个独立标准正态变量平方的和$\chi_n^2 X_1^2 X_2^2 ... X_n^2$。所以χ分布变量的平方就是卡方分布变量。即如果 $R_n \sim \text{Chi}(n)$ 那么 $R_n^2 \sim \chi^2(n)$。这完美地将二维情况推广到了 $n$ 维。麦克斯韦-玻尔兹曼分布一个著名的物理例子是三维情况$n3$。在统计物理学中理想气体分子速度矢量的三个直角坐标分量是独立的正态分布均值为0方差与温度有关。那么分子速率速度的模$v \sqrt{v_x^2v_y^2v_z^2}$ 就服从自由度为3的χ分布这也就是麦克斯韦-玻尔兹曼速率分布。而分子动能 $E \propto v^2$ 的分布则与自由度为3的卡方分布成正比实际上是伽马分布。这种从二维到多维的推广展示了瑞利-卡方联系只是一个更宏大图景的特例。这个图景的核心是独立正态分量的模长分布χ分布与其平方和分布卡方分布构成了一对紧密的变换对。理解了这个核心你就可以在遇到类似“多个独立噪声源共同作用下的总幅度/总能量”问题时快速定位到正确的分布模型进行分析。7. 实操中的陷阱与心得在理论推导和仿真中一切都很完美但在实际工程和数据中应用这些概念时有几个坑需要特别注意。陷阱一独立性假设不成立。这是最隐蔽也最常见的问题。瑞利分布和标准卡方分布的推导都强烈依赖于 $X$ 和 $Y$或更多分量的独立性。在实际系统中I/Q两路信号可能因为硬件的不理想如正交调制器的相位不平衡、增益不平衡而产生相关性。如果 $X$ 和 $Y$ 是相关的联合高斯分布那么 $R \sqrt{X^2Y^2}$ 的分布就不再是标准的瑞利分布而会变成更复杂的“霍伊特分布”Hoyt Distribution或“贝克曼分布”Beckmann Distribution。此时$R^2$ 的分布也不再是简单的尺度变换卡方分布。在分析数据时如果发现包络的统计特性与瑞利模型偏离首要怀疑对象就是I/Q相关性。可以通过计算样本相关系数来检验。陷阱二零均值假设不成立。我们的推导假设 $X$ 和 $Y$ 的均值均为零。如果存在直流偏置均值不为零比如接收机存在固定的I/Q失调那么 $R$ 的分布将变为莱斯分布Rician Distribution。莱斯分布有一个非中心参数 $s$即原点到正态分布中心的距离当 $s0$ 时莱斯分布退化为瑞利分布。相应地$R^2$ 的分布将变为非中心卡方分布。非中心卡方分布多了一个非中心参数 $\lambda s^2$。在存在强直射径的无线信道或雷达目标检测中莱斯分布和非中心卡方分布才是更合适的模型。陷阱三同方差假设不成立。我们假设 $X$ 和 $Y$ 的方差相同$\sigma^2$。如果 $Var(X) \ne Var(Y)$ 那么即使它们独立且零均值$R$ 的分布也会变成霍伊特分布当均值都为零时。$R^2$ 的分布则是两个不同方差的卡方变量之和这是一个更一般的伽马分布。实操心得模型校验永远是第一步。在将任何理论分布瑞利、卡方、指数等应用于实际数据之前务必进行分布拟合优度检验。简单的方法可以画QQ图Quantile-Quantile Plot将数据分位数与理论分布分位数对比。更严格的方法可以使用柯尔莫戈罗夫-斯米尔诺夫检验K-S检验或安德森-达林检验A-D检验。不要想当然地认为数据就服从某个分布。通过检验你可能会发现数据更适合莱斯分布、韦布尔分布或对数正态分布从而避免基于错误模型得出错误结论。心得利用联系进行快速仿真和验证。当你需要生成瑞利分布的随机数时最准确、最标准的方法就是按照其定义生成两个独立的正态随机数然后求其模。在MATLAB或Python中sqrt(randn^2 randn^2)就是标准瑞利分布。如果需要尺度参数 $\sigma$ 就乘以 $\sigma$。同样生成自由度为2的卡方随机数只需将生成的两个标准正态随机数平方后相加。这种基于原理的生成方法在概念上非常清晰也便于在代码中注释和他人理解。相比之下直接调用raylrnd或chi2rnd函数虽然方便但有时会掩盖其背后的数据生成过程不利于教学或深度调试。