伽玛分布(Gamma Distribution)是统计学的一种连续概率函数。Gamma分布中的参数α称为形状参数(shape parameter),β称为尺度参数(scale parameter)。
假设随机变量X为 等到第α件事发生所需之等候时间, 密度函数为
Gamma的可加性编辑当两随机变量服从Gamma分布,且单位时间内频率相同时,Gamma
数学表达式
若随机变量X具有概率密度
其中α>0,β>0,则称随机变量X服从参数α,β的伽马分布,记作G(α,β).
性质:
1、β=n,Γ(n,α)就是Erlang分布。Erlang分布常用于可靠性理论和排队论中 ,如一个复杂系统中从第 1 次故障到恰好再出现 n 次故障所需的时间;从某一艘船到达港口直到恰好有 n 只船到达所需的时间都服从 Erlang分布;
2、当α= 1 , β = 1/λ 时,Γ(1,1/λ) 就是参数为λ的指数分布,记为exp (λ) ;
3、当α =n/2 ,β=1/2时,Γ (n/2,1/2)就是数理统计中常用的χ2( n) 分布。
对于Γ(a ,β ),E( X) =a/β,D ( X) =α / (β*β)
5、(Gamma 分布的可加性):设随机变量 X1 , X2 , …, Xn 相互独立,并且都服从Gamma 分布,即Xi ~Γ(αi , β),i =1 ,2 , …, n , 则:
X1 + X2 + …+ Xn ~ Γ(α1 +α2 + …+αn ,β )
其实你只要记住了Gamma function
做积分变换,可得,从而 那么Gamma distribution 就很好记了。 并且伽马分布与一大坨分布有着暧昧的关系,比如: Erlang distribution、Chi-squared distribution、Exponential distribution、Beta distribution、Normal distribution 最后来个分布族谱图: Gamma分布即为多个独立且相同分布(iid)的指数分布变量的和的分布。 (最新修改,希望能够行文布局更有逻辑) ——————泊松过程—————— 指数分布和泊松分布的关系十分密切,是统计学中应用极大的两种分布。 其中泊松过程是一个显著应用。 泊松过程是一个计数过程,通常用于模拟一个(非连续)事件在连续时间中发生的次数。 为一个泊松过程,则其满足三个性质: ①(t=0时什么都没发生) ②(增量)之间互相独立: 扩展补充:与互相独立,且在计数过程中 这是因为 ③ 即 根据增量独立性,易知其成立。 ——————泊松→指数—————— 假设为第次事件与第次事件的间隔时间。 所以 所以 即泊松过程的事件间隔时间为指数分布。 ——————指数→Gamma————— 再令,即从头开始到第次事件的发生的时间,该随机变量分布即为Gamma分布。 即。 Gamma分布即为多个独立且相同分布(iid)的指数分布变量的和的分布。 ——————证明—————— 假设且互相独立 ①Moment Generating Function(MGF): MGF的定义为 则 其性质为 下证: 则 为Gamma分布的MGF。 MGF:Moment-generating function ②数学归纳法: 已知 所以当时成立。 假设时成立 当时, 其中 为的pdf。证毕。 当然,Gamma分布与Beta,Chi-square分布也有着十分紧密的联系,不过在统计学应用中都不如与指数分布的联系来得重要。 |
|