怎么来理解伽玛（gamma）分布？ - 走看看

zoukankan html css js c++ java

怎么来理解伽玛（gamma）分布？

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。
${N(t):tgeq 0}$ 为一个泊松过程，则其满足三个性质：
① $N(0)=0$ （t=0时什么都没发生）

② $N(t+s)-N(t)$ （增量）之间互相独立：
扩展补充： $N(t+1)-N(t)$ 与 $N(t)-N(t-1)$ 互相独立，且在计数过程中
$Pr(N(t+1)=n_{t+1}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=n_{t+1}|N(t)=n_{t})$
这是因为
$Pr(N(t+1)=n_{t+1}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=N(t)+n_{t+1}-n_{t}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=n_{t+1}|N(t)=n_{t})$

③ $Pr(N(t+s)-N(s)=n)=Pr(N(t)=n)=e^{-lambda t} frac{(lambda t )^{n}}{n!}$
即 $N(t) sim Poi(lambda t)$
根据增量独立性，易知其成立。

——————泊松→指数——————
假设 $T_{i}$ 为第 $i-1$ 次事件与第 $i$ 次事件的间隔时间。
$Pr(T_{1}>t)=Pr(N(t)=0)=e^{-lambda t}$
所以 $T_{1} sim Exp(lambda)$

$Pr(T_{i}>t|T_{i-1}=s)=Pr(N(t+s)-N(s)=0)=e^{-lambda t}$
所以 $T_{i} sim Exp(lambda)$

即泊松过程的事件间隔时间为指数分布。

——————指数→Gamma—————
再令 $S_{n}=sum_{i=1}^{n}{T_{i}}$ ，即从头开始到第 $n$ 次事件的发生的时间，该随机变量分布即为Gamma分布。
即 $S_{n} sim Gamma(n,lambda )$ 。
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 $X_{1},X_{2},X_{3},...X_{n}sim Exp(lambda )$ 且互相独立

①Moment Generating Function（MGF）：
MGF的定义为 $M_{X}(t)=E[e^{tX} ]=1+tX+frac{t^{2}X^{2}}{2!} +frac{t^{3}X^{3}}{3!}+...frac{t^{n}X^{n}}{n!}+...$
则 $E[X^{n}]=M_{X}^{(n)} (0)=frac{d^{n}M_{X}(t)}{dt} |_{t=0}$
其性质为 $M_{X+Y}(t)=M_{X}(t) imes M_{Y}(t)$

下证：
$X_{i} sim Exp(lambda)Leftrightarrow M_{X_{i}}(t)=(1-frac{t}{lambda} )^{-1}$
$S=sum_{i=1}^{n}{X_{i}}$
则 $M_{S}(t)=prod_{i=1}^{n} M_{X_{i}}(t)=prod_{i=1}^{n} (1-frac{t}{lambda} )^{-1}=(1-frac{t}{lambda} )^{-n}$
为Gamma分布的MGF。
MGF:Moment-generating function

②数学归纳法：
已知 $Gamma(1,lambda)=Exp(lambda)$
所以当 $n=1$ 时成立。
假设 $nleq k$ 时 $S_{n}=sum_{i=1}^{n}{X_{i}} sim Gamma(n,lambda )$ 成立
当 $n=k+1$ 时，
$S_{k+1}=S_{k}+X_{k+1}$
其中 $S_{k} sim Gamma(k,lambda), X_{k+1} sim Exp(lambda)$
$Pr(S_{k+1}=x)$
$=int_{0}^{x} Pr(S_{k}=y)Pr(X_{k+1}=x-y)dy$
$=int_{0}^{x} frac{lambda^{k}}{Gamma (k)} y^{k-1}e^{-lambda y} imes lambda e^{-lambda (x-y)}dy$
$=frac{lambda^{k+1}}{Gamma (k)}e^{-lambda x}int_{0}^{n} y^{k-1}dy$
$=frac{lambda^{k+1}}{Gamma (k)}e^{-lambda x} frac{y^{k}}{k}|_{y=0}^{n}$
$=frac{lambda^{k+1}}{Gamma (k+1)}x^{k}e^{-lambda x}$
为 $Gamma(k+1, lambda)$ 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。

作者：T Yuan
链接：https://www.zhihu.com/question/34866983/answer/60541847
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

查看全文

相关阅读:
CSS简单的四种引入方式
 html之表单标签
 html基础标签之head和body标签
 Python之协程的实现
 Python之实现不同版本线程池
 Python多进程之multiprocessing模块和进程池的实现
 Python之queue模块
 sqlserver 时间格式化
 关于sql server 代理（已禁用代理xp）解决办法
 sqlserver如何启动数据库邮件

原文地址：https://www.cnblogs.com/JustForCS/p/5264315.html

Copyright © 2011-2022 走看看