伽玛分布

伽玛分布（英语：Gamma distribution）是统计学的一种连续概率分布。伽玛分布中的参数α，称为形状参数，β称为尺度参数。

Gamma

概率密度函数
累积分布函数
参数	${\displaystyle k>0\,}$ 形状参数 (实数) ${\displaystyle \theta >0\,}$ 尺度参数 (实数)
值域	${\displaystyle x\in (0;\infty )\!}$
概率密度函数	${\displaystyle x^{k-1}{\frac {\exp {\left(-x/\theta \right)}}{\Gamma (k)\,\theta ^{k}}}\,\!}$
累积分布函数	${\displaystyle {\frac {\gamma (k,x/\theta )}{\Gamma (k)}}\,\!}$
期望	${\displaystyle k\theta \,\!}$
中位数	no simple closed form
众数	${\displaystyle (k-1)\theta \,\!}$ for ${\displaystyle k\geq 1\,\!}$
方差	${\displaystyle k\theta ^{2}\,\!}$
偏度	${\displaystyle {\frac {2}{\sqrt {k}}}\,\!}$
峰度	${\displaystyle {\frac {6}{k}}\,\!}$
熵	${\displaystyle k+\ln \theta +\ln \Gamma (k)\!}$ ${\displaystyle +(1-k)\psi (k)\!}$
矩生成函数	${\displaystyle (1-\theta \,t)^{-k}\,\!}$ for ${\displaystyle t<1/\theta \,\!}$
特征函数	${\displaystyle (1-\theta \,i\,t)^{-k}\,\!}$

实验定义与观念

假设X₁, X₂, ... X_n 为连续发生事件的等候时间，且这n次等候时间为独立的，那么这n次等候时间之和Y (Y=X₁+X₂+...+X_n)服从伽玛分布，即 Y~Gamma(α , β)，亦可记作Y~Gamma(α , λ)，其中α = n，而 β 与λ互为倒数关系，λ 表单位时间内事件的发生率。

指数分布为α = 1的伽玛分布。

记号

有两种表记方法：

${\displaystyle X\sim \Gamma (\alpha ,\beta )}$或${\displaystyle X\sim \Gamma (\alpha ,\lambda )}$

两者所表达意义相同，只要将以下式子做${\displaystyle {\color {Red}\lambda ={\frac {1}{\beta }}}}$的替换即可，即，其概率密度函数为：

${\displaystyle f\left(x\right)={\frac {x^{\left(\alpha -1\right)}{\color {Red}\lambda }^{\alpha }e^{\left(-{\color {Red}\lambda }x\right)}}{\Gamma \left(\alpha \right)}}={\frac {x^{\left(\alpha -1\right)}e^{\left(-{\color {Red}{\frac {1}{\beta }}}x\right)}}{{\color {Red}\beta }^{\alpha }\Gamma \left(\alpha \right)}}}$，x > 0

其中Gamma函数之特征为：

${\displaystyle {\begin{cases}\Gamma (\alpha )=(\alpha -1)!&{\mbox{if }}\alpha {\mbox{ is }}\mathbb {Z} ^{+}\\\Gamma (\alpha )=(\alpha -1)\Gamma (\alpha -1)&{\mbox{if }}\alpha {\mbox{ is }}\mathbb {R} ^{+}\\\Gamma \left({\frac {1}{2}}\right)={\sqrt {\pi }}\end{cases}}}$

特性

母函数、期望、方差

• Gamma分配的矩母函数（m.g.f）

${\displaystyle M_{x}\left(t\right)=E\left(e^{xt}\right)={\frac {\lambda ^{\alpha }}{\Gamma \left(\alpha \right)}}\int _{0}^{\infty }e^{xt}x^{\alpha -1}e^{-\lambda x}dx=\left({\frac {\lambda }{\lambda -t}}\right)^{\alpha }=\left(1-{\beta }{t}\right)^{-\alpha }}$

• 概率母函数（p.g.f）

${\displaystyle K_{x}\left(t\right)=\ln M_{x}\left(t\right)=\alpha \left[\ln \lambda -\ln \left(\lambda -t\right)\right]}$

• 期望

${\displaystyle {\frac {dK_{x}\left(t\right)}{dt}}={\frac {\alpha }{\lambda -t}},\quad when(t=0),E\left(X\right)={\frac {\alpha }{\color {Red}\lambda }}=\alpha {\color {Red}\beta }}$

• 方差

${\displaystyle {\frac {d^{2}K_{x}\left(t\right)}{dt^{2}}}={\frac {\alpha }{\left(\lambda -t\right)^{2}}},\quad when(t=0),\sigma ^{2}\left(X\right)={\frac {\alpha }{\color {Red}{\lambda ^{2}}}}=\alpha {\color {Red}{\beta ^{2}}}}$

Gamma的可加性

当两随机变量服从Gamma分布，且相互独立，且参数（${\displaystyle \lambda }$或${\displaystyle \beta }$）相同时，Gamma分布具有可加性。

${\displaystyle \coprod {\begin{cases}r.v.X\sim \Gamma \left({\color {green}\alpha _{1}},\lambda \right)\\r.v.Y\sim \Gamma \left({\color {green}\alpha _{2}},\lambda \right)\end{cases}}\Longrightarrow X+Y\sim \Gamma \left({\color {green}\alpha _{1}+\alpha _{2}},\lambda \right)}$

外部链接

• LDA-math-神奇的Gamma函数（页面存档备份，存于互联网档案馆）
• 分布计算器（页面存档备份，存于互联网档案馆）（英文）