Гамма-распределение

редактировать

Распределение вероятности

Гамма
Функция плотности вероятности
Кумулятивная функция распределения
Параметры	k>0 форма θ>0 масштаб	α>0 форма β>0 скорость
Поддержка	$x ∈ (0, ∞) { \ displaystyle x \ in (0, \ infty)}$ $x \ in (0, \ infty)$	$x ∈ (0, ∞) {\ displaystyle x \ in (0, \ infty)}$ $x \ in (0, \ infty)$
PDF	$f (x) = 1 Γ ( k) θ kxk - 1 e - x θ {\ displaystyle f (x) = {\ frac {1} {\ Gamma (k) \ theta ^ {k}}} x ^ {k-1} e ^ {- { \ frac {x} {\ theta}}}}$ ${\ displaystyle f (x) = {\ frac {1} {\ Gamma (k) \ theta ^ {k}}} x ^ {k-1} e ^ {- {\ frac {x} {\ theta}}}}$	$е (х) = β α Γ (α) x α - 1 е - β x {\ displaystyle f (x) = {\ frac {\ beta ^ { \ alpha}} {\ Gamma (\ alpha)}} x ^ {\ alpha -1} e ^ {- \ beta x}}$ ${\ displaystyle f (x) = {\ frac {\ beta ^ {\ alpha}} {\ Gamma (\ alpha)}} x ^ {\ alpha -1} e ^ {- \ beta x}}$
CDF	$f (x) = 1 Γ (k) γ (k Икс θ) {\ Displaystyle е (х) = {\ гидроразрыва {1} {\ Гамма (к)}} \ гамма \ влево (к, {\ гидроразрыва {х} {\ theta}} \ справа)}$ ${\ displaystyle f (x) = {\ гидроразрыв {1} {\ Gamma (k)}} \ gamma \ left (k, {\ frac {x} {\ theta}} \ right)}$	$е (Икс) знак равно 1 Γ (α) γ (α, β Икс) {\ Displaystyle F (x) = {\ гидроразрыва {1} {\ Gamma (\ alpha)}} \ gamma (\ alpha, \ beta x)}$ ${\ displaystyle f (x) = {\ frac {1} {\ Гамма (\ альфа)}} \ гамма (\ альфа, \ бета х)}$
Среднее	$k θ {\ displaystyle k \ theta}$ ${\ displaystyle k \ theta}$	$α β {\ displaystyle {\ frac {\ alpha} {\ bet a}}}$ ${\ frac {\ alpha} {\ beta}}$
Медиана	Нет простой закрытой формы	Нет простой закрытой формы
Режим	$(k - 1) θ для k ≥ 1 {\ displaystyle (k-1) \ theta {\ text {for}} k \ geq 1}$ ${\ displaystyle (k-1) \ theta {\ текст {for}} k \ geq 1}$	$α - 1 β для α ≥ 1 {\ displaystyle {\ frac {\ alpha -1} {\ beta}} {\ text {for}} \ альфа \ geq 1}$ ${\ displaystyle {\ frac {\ alpha -1} {\ beta}} {\ text {for}} \ alp ха \ geq 1}$
Дисперсия	$k θ 2 {\ displaystyle k \ theta ^ {2}}$ ${\ displaystyle k \ theta ^ {2}}$	$α β 2 {\ displaystyle {\ frac {\ alpha} {\ beta ^ {2}} }}$ ${\ displaystyle {\ frac {\ alpha} {\ beta ^ {2}}}}$
Асимметрия	$2 k {\ displaystyle {\ frac {2} {\ sqrt {k}}}}$ ${\ displaystyle {\ frac {2} {\ sqrt {k}}}}$	$2 α {\ displaystyle {\ frac {2} {\ sqrt {\ alpha} }}}$ ${\ displaystyle {\ frac {2} {\ sqrt {\ alpha}}}}$
Пр. эксцесс	$6 k {\ displaystyle {\ frac {6} {k}}}$ ${\ displaystyle {\ frac {6} {k}}}$	$6 α {\ displaystyle {\ frac {6} {\ alpha}}}$ ${ \ displaystyle {\ frac {6} {\ alpha}}}$
энтропия	$k + ln ⁡ θ + пер ⁡ Γ (к) + (1 - к) ψ (к) {\ Displaystyle {\ begin {выровнено} к + \ ln \ theta + \ ln \ Gamma (k) \\ + (1-k) \ psi (к) \ конец {выровнено}}}$ ${\ displaystyle {\ begin { выровнено} k + \ ln \ theta + \ ln \ Gamma (k) \\ + (1-k) \ psi (k) \ end {align}}}$	$α - пер ⁡ β + пер ⁡ Γ (α) + (1 - α) ψ (α) {\ displaystyle {\ begin {align} \ alpha - \ ln \ beta + \ ln \ Gamma (\ alpha) \\ + (1- \ alpha) \ psi (\ alpha) \ end {align}}}$ ${\ displaystyle {\ begin {align} \ alpha - \ ln \ beta + \ ln \ Гамма (\ альфа) \\ + (1- \ альфа) \ фунт / кв. Дюйм (\ альфа) \ конец {выровнено}}}$
MGF	$(1 - θ t) - k для t < 1 θ {\displaystyle (1-\theta t)^{-k}{\text{ for }}t<{\frac {1}{\theta }}}$ ${\ displaystyle (1- \ theta t) ^ {- k} {\ text {for}} t <{\ frac {1} {\ theta}}}$	$(1 - t β) - α для t < β {\displaystyle \left(1-{\frac {t}{\beta }}\right)^{-\alpha }{\text{ for }}t<\beta }$ ${\ displaystyle \ left (1 - {\ frac {t} {\ beta}} \ right) ^ {- \ alpha} {\ text { for}} t <\ beta}$
CF	$(1 - θ it) - k {\ displaystyle (1- \ theta it) ^ {- k}}$ ${\ displaystyle (1- \ theta it) ^ {- k}}$	$(1 - оно β) - α {\ displaystyle \ left (1 - {\ frac {it} {\ beta}} \ right) ^ {- \ alpha}}$ ${\ displaystyle \ left (1 - {\ frac {it} {\ beta}} \ справа) ^ {- \ alpha}}$
Метод моментов	$k = E [X] 2 V [X] {\ Displaystyle к = {\ гидроразрыва {E [X] ^ {2}} {V [X]}} \ quad \ quad}$ ${\ displaystyle k = {\ гидроразрыв {E [X] ^ {2}} {V [X]}} \ quad \ quad}$ $θ = V [X] E [X] {\ displaystyle \ theta = {\ frac {V [X]} {E [X]}} \ quad \ quad}$ ${\ displaystyle \ theta = {\ frac { V [X]} {E [X]}} \ quad \ quad}$	$α = E [X] 2 V [X] {\ displaystyle \ alpha = {\ frac {E [ X] ^ {2}} {V [X]}}}$ ${\ displaystyle \ alpha = {\ frac {E [X] ^ {2}} {V [X]}}}$ $β = E [X] V [X] {\ displaystyle \ beta = {\ frac {E [X]} {V [X]}} }$ ${\ displaystyle \ beta = {\ frac {E [X]} {V [X]}}}$

В теории вероятностей и s tatistics, гамма-распределение представляет собой семейство двух- параметров непрерывных распределений вероятностей. экспоненциальное распределение, распределение Эрланга и распределение хи-квадрат являются частными случаями гамма-распределения. Обычно используются три различных параметризации :

с параметром формы k и параметром масштаба θ.
с параметром формы α = k и обратным масштабом параметр β = 1 / θ, называемый параметром скорости.
с параметром формы k и средним параметром μ = kθ = α / β.

В каждой из этих трех форм оба параметра являются положительными действительными числами.

Гамма-распределение - это распределение вероятностей максимальной энтропии (как относительно однородной базовой меры, так и относительно базовой меры 1 / x) для случайной величины X, для которой E [X] = kθ = α / β фиксировано и больше нуля, и E [ln (X)] = ψ (k) + ln (θ) = ψ (α) - ln (β) фиксировано (ψ - дигамма-функция ).

Содержание

1 Определения
- 1.1 Характеристика с использованием формы α и скорости β
- 1.2 Характеризация с использованием формы k и шкалы θ
2 Свойства
- 2.1 Асимметрия
- 2.2 Расчет медианы
- 2.3 Суммирование
- 2.4 Масштабирование
- 2.5 Экспоненциальное семейство
- 2.6 Логарифмическое ожидание и дисперсия
- 2.7 Информационная энтропия
- 2.8 Кульбака – Лейблера дивергенция
- 2.9 преобразование Лапласа
3 Связанные распределения
- 3.1 Общие положения
- 3.2 Составная гамма
4 Статистический вывод
- 4.1 Оценка параметров
  - 4.1.1 Оценка максимального правдоподобия
  - 4.1. 2 Оценки в закрытой форме
  - 4.1.3 Байесовская минимальная среднеквадратичная ошибка
- 4.2 Байесовский вывод
  - 4.2.1 Сопряженное предшествующее
5 Возникновение и приложения
6 Генерация случайных величин с гамма-распределением
7 Примечания
8 Внешние ссылки

Определения

Параметризация с k и θ, по-видимому, более распространены в эконометрике и некоторых других прикладных областях, где, например, гамма-распределение часто используется для моделирования времени ожидания. Например, в испытании жизни время ожидания до смерти - это случайная величина, которая часто моделируется с помощью гамма-распределения. См. Явную мотивацию у Хогга и Крейга.

Параметризация с помощью α и β чаще встречается в байесовской статистике, где гамма-распределение используется как сопряженное априорное распределение для различных типов обратной шкалы (скорость) параметры, такие как λ экспоненциального распределения или распределения Пуассона - или, если на то пошло, β самого гамма-распределения. Тесно связанное обратное гамма-распределение используется в качестве предшествующего конъюгата для параметров масштаба, таких как дисперсия нормального распределения .

Если k положительное значение целое число, тогда распределение представляет собой распределение Эрланга ; то есть сумма k независимых экспоненциально распределенных случайных величин, каждая из которых имеет среднее значение θ.

Характеристика с использованием формы α и коэффициента β

Гамма-распределение можно параметризовать с помощью параметра формы α = k и параметра обратного масштаба β = 1 / θ, называется параметром скорости . Случайная величина X, имеющая гамма-распределение с формой α и коэффициентом β, обозначается

X ∼ Γ (α, β) ≡ Gamma ⁡ (α, β) {\ displaystyle X \ sim \ Gamma (\ alpha, \ beta)) \ Equiv \ operatorname {Gamma} (\ alpha, \ beta)}

{\ displaystyle X \ sim \ Gamma (\ alpha, \ beta) \ Equiv \ operatorname {Gamma} (\ alpha, \ beta)}

Соответствующая функция плотности вероятности в параметризации скорости формы равна

f (x; α, β) = β α x α - 1 e - β Икс Γ (α) для x>0 α, β>0, {\ displaystyle {\ begin {align} f (x; \ alpha, \ beta) = {\ frac {\ beta ^ {\ alpha} x ^ {\ alpha -1} e ^ {- \ beta x}} {\ Gamma (\ alpha)}} \ quad {\ text {for}} x>0 \ quad \ alpha, \ beta>0, \\ [ 6pt] \ end {align}}}

{\begin{aligned}f(x;\alpha,\beta)={\frac {\beta ^{\alpha }x^{\alpha -1}e^{-\beta x}}{\Gamma (\alpha)}}\quad {\text{ for }}x>0 \ quad \ alpha, \ beta>0, \\ [6pt] \ end {align}}

где $Γ (α) {\ displaystyle \ Gamma (\ alpha)}$ ${\ displaystyle \ Gamma (\ alpha)}$ - это гамма-функция. Для всех натуральных чисел $Γ (α) = (α - 1)! {\ Displaystyle \ Gamma (\ alpha) = (\ alpha - 1)!}$ ${\ displaystyle \ Gamma (\ alpha) = (\ alpha -1)!}$ .

Кумулятивное распределение n функция - это регуляризованная гамма-функция:

F (x; α, β) знак равно ∫ 0 xf (u; α, β) du = γ (α, β x) Γ (α), {\ displaystyle F (x; \ alpha, \ beta) = \ int _ {0} ^ {x} f (u; \ alpha, \ beta) \, du = {\ frac {\ gamma (\ alpha, \ beta x)} {\ Gamma (\ alpha)}},}

{\ displaystyle F (x; \ альфа, \ бета) = \ int _ {0} ^ {x} f (u; \ alpha, \ beta) \, du = {\ frac {\ gamma (\ alpha, \ beta x)} {\ Gamma (\ альфа)}},}

где $γ (α, β Икс) {\ Displaystyle \ gamma (\ alpha, \ beta x)}$ ${\ displaystyle \ gamma (\ alpha, \ beta x)}$ - нижняя неполная гамма-функция.

Если α - положительное целое число (т. е. распределение является распределением Эрланга ), кумулятивная функция распределения имеет следующее разложение в ряд:

F (x; α, β) = 1 - ∑ i = 0 α - 1 ( β x) ii! е - β Икс знак равно е - β Икс ∑ я знак равно α ∞ (β Икс) я я!. {\ Displaystyle F (х; \ альфа, \ бета) = 1- \ сумма _ {я = 0} ^ {\ альфа -1} {\ гидроразрыва {(\ бета х) ^ {я}} {я!}} e ^ {- \ beta x} = e ^ {- \ beta x} \ sum _ {i = \ alpha} ^ {\ infty} {\ frac {(\ beta x) ^ {i}} {i!}}.}

{\ displaystyle F (x; \ alpha, \ beta) = 1- \ sum _ {i = 0} ^ {\ alpha -1} {\ frac {(\ beta x) ^ {i}} {i!}} e ^ {- \ beta x} = e ^ {- \ beta x} \ sum _ {i = \ alpha} ^ {\ infty} {\ frac {(\ бета х) ^ {я}} {я!}}.}

Характеристика с использованием формы k и масштаба θ

Случайная величина X, которая имеет гамма-распределение с формой k и масштабом θ, обозначается как

X ∼ Γ (k, θ) ≡ Gamma ⁡ (k, θ) {\ displaystyle X \ sim \ Gamma (k, \ theta) \ Equiv \ operatorname {Gamma} (k, \ theta)}

{\ displaystyle X \ sim \ Gamma (k, \ theta) \ Equiv \ OperatorName {Gamma} (k, \ theta)}

Иллюстрация гамма-PDF для значений параметров по k и x с θ установлен на 1, 2, 3, 4, 5 и 6. Здесь можно увидеть каждый слой θ отдельно [2], а также по k [3] и x. [4].

Функция плотности вероятности , использующая параметризацию масштаба формы, равна

f (x; k, θ) = xk - 1 e - x θ θ k Γ (k) для x>0 и k, θ>0. {\ Displaystyle е (х; к, \ theta) = {\ frac {x ^ {k-1} e ^ {- {\ frac {x} {\ theta}}}} {\ theta ^ {k} \ Gamma (k)}} \ quad {\ text {for}} x>0 {\ text {and}} k, \ theta>0.}

f(x;k,\theta) = \frac{x^{k-1}e^{-\frac{x}{\theta}}}{\theta^k\Gamma(k)} \quad \text{ for } x>0 \ text {and} k, \ theta>0.

Здесь Γ (k) - гамма-функция, вычисленная при k.

кумулятивная функция распределения - это регуляризованная гамма-функция:

F (x; k, θ) = ∫ 0 Иксf (U; К, θ) du знак равно γ (К, Икс θ) Γ (К), {\ Displaystyle F (x; к, \ theta) = \ int _ {0} ^ {x} f (u; к, \ theta) \, du = {\ frac {\ gamma \ left (k, {\ frac {x} {\ theta}} \ right)} {\ Gamma (k)}},}

{\ Displaystyle F (x; k, \ theta) = \ int _ {0} ^ {x} f (u; k, \ theta) \, du = {\ frac {\ gamma \ left (k, {\ frac {x} { \ theta}} \ right)} {\ Gamma (k)}},}

где $γ (k, x θ) {\ displaystyle \ gamma \ left (k, {\ frac {x} {\ theta}} \ right)}$ ${\ displaystyle \ gamma \ left (k, {\ frac {x} {\ theta}} \ right)}$ - нижняя неполная гамма-функция.

Это также можно выразить следующим образом, если k является положительным целым числом (т. Е. Распределение является распределением Эрланга ):

F (x; k, θ) = 1 - ∑ i = 0 к - 1 1 я! (Икс θ) я е - Икс / θ знак равно е - х / θ ∑ я знак равно К ∞ 1 я! (х θ) я. {\ Displaystyle F (х; к, \ theta) = 1- \ sum _ {я = 0} ^ {k-1} {\ frac {1} {я!}} \ left ({\ frac {x} { \ theta}} \ right) ^ {i} e ^ {- x / \ theta} = e ^ {- x / \ theta} \ sum _ {i = k} ^ {\ infty} {\ frac {1} { i!}} \ left ({\ frac {x} {\ theta}} \ right) ^ {i}.}

{\ displaystyle F (x; k, \ theta) = 1- \ sum _ {i = 0} ^ { k-1} {\ frac {1} {i!}} \ left ({\ frac {x} {\ theta}} \ right) ^ {i} e ^ {- x / \ theta} = e ^ {- x / \ theta} \ sum _ {i = k} ^ {\ infty} {\ frac {1} {i!}} \ left ({\ frac {x} {\ theta}} \ right) ^ {i}.}

Обе параметризации являются общими, потому что любая из них может быть более удобной в зависимости от ситуации.

Свойства

Асимметрия

Асимметрия гамма-распределения зависит только от его параметра формы, k, и равна $2 / k. {\ displaystyle 2 / {\ sqrt {k}}.}$ ${\ displaystyle 2 / {\ sqrt { k}}.}$

Расчет медианы

В отличие от режима и среднего, которые имеют легко вычисляемые формулы на основе параметров, медиана не имеет замкнутой формы уравнение. Медиана для этого распределения определяется как значение $ν {\ displaystyle \ nu}$ $\ nu$ такое, что

1 Γ (k) θ k ∫ 0 ν xk - 1 e - x / θ dx = 1 2. {\ displaystyle {\ frac {1} {\ Gamma (k) \ theta ^ {k}}} \ int _ {0} ^ {\ nu} x ^ {k-1} e ^ {- x / \ theta} dx = {\ frac {1} {2}}.}

{\ displaystyle {\ frac {1} {\ Gamma ( k) \ theta ^ {k}}} \ int _ {0} ^ {\ nu} x ^ {k-1} e ^ {- x / \ theta} dx = {\ frac {1} {2}}. }

Строгий подход к задаче определения асимптотического разложения и оценок медианы гамма-распределения был впервые проведен Ченом и Рубином, которые доказали, что (для $θ = 1 {\ displaystyle \ theta = 1}$ ${\ displaystyle \ theta = 1}$ )

μ - 1 3 < ν < μ, {\displaystyle \mu -{\frac {1}{3}}<\nu <\mu,}

{\ displaystyle \ mu - {\ frac {1} {3}} <\ nu <\ mu,}

, где $μ = k {\ displaystyle \ mu = k}$ ${ \ displaystyle \ mu = k}$ - среднее значение, а $ν {\ displaystyle \ nu}$ $\ nu$ - среднее значение $гаммы (k, 1) {\ displaystyle {\ text {Gamma}} (k, 1)}$ ${\ displaystyle {\ text {Gamma}} (k, 1)}$ распределение.

КП Чой нашел первые пять членов асимптотического разложения медианы путем сравнения медианы с функцией Рамануджана $θ {\ displaystyle \ theta}$ $\ theta$ . Берг и Педерсен нашел больше терминов:

ν = k - 1 3 + 8 405 k + 184 25515 k 2 + 2248 3444525 k 3 - 19006408 15345358875 k 4 - O (1 k 5) + ⋯ {\ displaystyle \ nu = k- { \ frac {1} {3}} + {\ frac {8} {405k}} + {\ frac {184} {25515k ^ {2}}} + {\ frac {2248} {3444525k ^ {3}}} - {\ frac {1900 6408} {15345358875k ^ {4}}} - O \ left ({\ frac {1} {k ^ {5}}} \ right) + \ cdots}

{\ displaystyle \ nu = k - {\ frac {1} {3}} + {\ frac {8} {405k}} + {\ frac {184} {25515k ^ {2}}} + {\ frac {2248} {3444525k ^ {3}}} - {\ frac {19006408} {15345358875k ^ {4}}} - O \ left ({\ frac {1} {k ^ {5}}} \ right) + \ cdots}

Они также доказали многие свойства медианы, показали, что $ν {\ displaystyle \ nu}$ $\ nu$ является выпуклой функцией от $k {\ displaystyle k}$ $k$ и показало, что асимптотическое поведение около $μ = 0 {\ displaystyle \ mu = 0}$ $\ mu = 0$ равно $ν = e - γ 2-1 / k {\ displaystyle \ nu = e ^ {- \ gamma} 2 ^ {- 1 / k}}$ ${\ displaystyle \ nu = e ^ {- \ gamma} 2 ^ {- 1 / k} }$ .

Суммирование

Если X i имеет гамма-распределение (k i, θ) для i = 1, 2,..., N (т. Е. все распределения имеют одинаковый параметр масштаба θ), тогда

∑ i = 1 NX i ∼ G amma (∑ i = 1 N ki, θ) {\ displaystyle \ sum _ {i = 1} ^ {N} X_ { i} \ sim \ mathrm {Gamma} \ left (\ sum _ {i = 1} ^ {N} k_ {i}, \ theta \ right)}

\ sum_ {i = 1} ^ N X_i \ sim \ mathrm {Gamma} \ left (\ sum_ {i = 1} ^ N k_i, \ theta \ right)

при условии, что все X i равны независимый.

Для случаев, когда X i являются независимыми, но имеют другие параметры масштаба, см. Mathai или Moschopoulos.

Гамма-распределение показывает бесконечная делимость.

Масштабирование

Если

X ∼ G amma (к, θ), {\ displaystyle X \ sim \ mathrm {Gamma} (k, \ theta),}

X \ sim \ mathrm {Gamma} (k, \ theta),

тогда для любого c>0

c X ∼ G amma (k, c θ), {\ displaystyle cX \ sim \ mathrm {Gamma} (k, c \, \ theta),}

{\ displaystyle cX \ sim \ mathrm {Gamma} (k, c \, \ theta),}

по функциям, производящим момент,

или эквивалентно

c X ∼ G amma (α, β c), {\ displaystyle cX \ sim \ mathrm {Gamma} \ left (\ alpha, {\ frac {\ beta} {c}} \ right),}

{\ displaystyle cX \ sim \ mathrm {Gamma} \ left (\ alpha, {\ frac {\ beta}) {c}} \ right),}

Действительно, мы знаем, что если X является экспоненциальная с.в. со скоростью λ, тогда cX - экспоненциальная с.в. со скоростью λ / c; то же самое справедливо и для гамма-переменных (и это можно проверить с помощью функции создания момента, см., например, эти примечания, 10.4- (ii)): умножение на положительная константа c делит коэффициент (или, что то же самое, умножает масштаб).

Экспоненциальное семейство

Гамма-распределение представляет собой двухпараметрическое экспоненциальное семейство с естественными параметрами k - 1 и -1 / θ (эквивалентно, α - 1 и −β) и естественная статистика X и ln (X).

Если параметр формы k сохраняется фиксированным, результирующее однопараметрическое семейство распределений является естественным экспоненциальным семейством.

Логарифмическое ожидание и дисперсия

Можно показать, что

Е ⁡ [пер ⁡ (Икс)] знак равно ψ (α) - пер ⁡ (β) {\ Displaystyle \ OperatorName {E} [\ ln (X)] = \ psi (\ альфа) - \ ln (\ бета) }

{\ displaystyle \ operatorname {E} [\ ln (X)] = \ psi (\ alpha) - \ ln (\ beta)}

или, что эквивалентно,

E ⁡ [пер ⁡ (X)] = ψ (k) + ln ⁡ (θ) {\ displaystyle \ operatorname {E} [\ ln (X)] = \ psi (k) + \ ln (\ theta)}

{\ displaystyle \ operatorname {E} [\ ln (X)] = \ psi (k) + \ ln (\ theta)}

где ψ - дигамма-функция. Аналогично,

вар ⁡ [пер ⁡ (X)] = ψ (1) (α) = ψ (1) (k) {\ displaystyle \ operatorname {var} [\ ln (X)] = \ psi ^ { (1)} (\ альфа) = \ psi ^ {(1)} (k)}

{\ displaystyle \ operatorname {var} [\ ln (X)] = \ psi ^ {(1)} ( \ альфа) = \ psi ^ {(1)} (k)}

где $ψ (1) {\ displaystyle \ psi ^ {(1)}}$ ${\ displaystyle \ psi ^ {(1)}}$ является тригамма-функцией.

Это может быть получено с использованием формулы экспоненциального семейства для функции , производящей момент достаточной статистики, потому что одна из достаточных статистик гамма распределение равно ln (x).

Информационная энтропия

Информационная энтропия равна

H ⁡ (X) = E ⁡ [- ln ⁡ (p (X))] = E ⁡ [ - α ln ⁡ (β) + ln ⁡ (Γ (α)) - (α - 1) ln ⁡ (X) + β X] = α - ln ⁡ (β) + ln ⁡ (Γ (α)) + ( 1 - α) ψ (α). {\ Displaystyle {\ begin {выровнено} \ OperatorName {H} (X) = \ operatorname {E} [- \ ln (p (X))] \\ = \ operatorname {E} [- \ alpha \ ln (\ beta) + \ ln (\ Gamma (\ alpha)) - (\ alpha -1) \ ln (X) + \ beta X] \\ = \ alpha - \ ln (\ beta) + \ ln (\ Гамма (\ alpha)) + (1- \ alpha) \ psi (\ alpha). \ End {align}}}

{\ displaystyle {\ begin {align} \ operatorname {H} (X) = \ operatorname {E} [- \ ln (p (X))] \\ = \ operatorname {E} [- \ alpha \ ln (\ beta) + \ ln (\ Gamma (\ alpha)) - ( \ альфа -1) \ ln (X) + \ beta X] \\ = \ alpha - \ ln (\ beta) + \ ln (\ Gamma (\ alpha)) + (1- \ alpha) \ psi (\ альфа). \ конец {выровнено}}}

В параметризации k, θ информационная энтропия задается как

H ⁡ (X) = k + ln ⁡ (θ) + ln ⁡ (Γ (k)) + (1 - k) ψ (k). {\ displaystyle \ operatorname {H} (X) = k + \ ln (\ theta) + \ ln (\ Gamma (k)) + (1-k) \ psi (k).}

\ operatorname {H} (X) = k + \ ln (\ theta) + \ ln (\ Gamma (k)) + (1-k) \ psi (k).

расхождение Кульбака – Лейблера

Иллюстрация дивергенции Кульбака – Лейблера (KL) для двух гамма-PDF. Здесь β = β 0 + 1, которые установлены на 1, 2, 3, 4, 5 и 6. Типичная асимметрия для расхождения KL отчетливо видна.

Кульбака – Лейблера дивергенция (KL-дивергенция) гаммы (α p, β p) («истинное» распределение) от гаммы (α q, β q) («аппроксимирующее» распределение) определяется как

DKL (α p, β p; α q, β q) = (α p - α q) ψ (α p) - log ⁡ Γ (α p) + журнал ⁡ Γ (α q) + α q (журнал ⁡ β p - журнал ⁡ β q) + α p β q - β p β p. {\ displaystyle {\ begin {align} D _ {\ mathrm {KL}} (\ alpha _ {p}, \ beta _ {p}; \ alpha _ {q}, \ beta _ {q}) = {} (\ alpha _ {p} - \ alpha _ {q}) \ psi (\ alpha _ {p}) - \ log \ Gamma (\ alpha _ {p}) + \ log \ Gamma (\ alpha _ {q}) \\ {} + \ alpha _ {q} (\ log \ beta _ {p} - \ log \ beta _ {q}) + \ alpha _ {p} {\ frac {\ beta _ {q} - \ beta _ {p}} {\ beta _ {p}}}. \ end {align}}}

{\ displaystyle {\ begin {align} D _ {\ mathrm {KL}} (\ alpha _ {p}, \ beta _ {p}; \ alpha _ {q}, \ beta _ {q}) = {} (\ alpha _ {p} - \ alpha _ {q}) \ psi (\ alpha _ {p}) - \ log \ Gamma (\ alpha _ {p}) + \ log \ Gamma (\ alpha _ {q}) \\ {} + \ alpha _ {q} (\ log \ beta _ {p} - \ log \ beta _ {q}) + \ alpha _ {p} {\ frac {\ beta _ {q} - \ beta _ {p}} {\ beta _ {p}}}. \ end {align}}}

Записано с использованием параметризации k, θ, KL-дивергенции гаммы (k p, θ p) из гаммы (k q, θ q) дается как

DKL (kp, θ p; kq, θ q) = (kp - kq) ψ (kp) - журнал ⁡ Γ (kp) + журнал ⁡ Γ (kq) + kq (журнал ⁡ θ q - журнал ⁡ θ p) + kp θ p - θ q θ q. {\ displaystyle {\ begin {align} D _ {\ mathrm {KL}} (k_ {p}, \ theta _ {p}; k_ {q}, \ theta _ {q}) = {} (k_ {p } -k_ {q}) \ psi (k_ {p}) - \ log \ Gamma (k_ {p}) + \ log \ Gamma (k_ {q}) \\ {} + k_ {q} (\ log \ theta _ {q} - \ log \ theta _ {p}) + k_ {p} {\ frac {\ theta _ {p} - \ theta _ {q}} {\ theta _ {q}}}. \ конец {выровнен}}}

{\ displaystyle {\ begin {align} D _ {\ mathrm {KL}} (k_ {p}, \ theta _ {p}; k_ {q}, \ theta _ {q}) = {} (k_ {p} -k_ {q}) \ psi (k_ {p}) - \ log \ Gamma (k_ {p}) + \ log \ Gamma (k_ {q }) \\ {} + k_ {q} (\ log \ theta _ {q} - \ log \ theta _ {p}) + k_ {p} {\ frac {\ theta _ {p} - \ theta _ {q}} {\ theta _ {q}}}. \ end {align}}}

преобразование Лапласа

преобразование Лапласа гамма PDF равно

F (s) = (1 + θ s) - k = β α (s + β) α. {\ displaystyle F (s) = (1+ \ theta s) ^ {- k} = {\ frac {\ beta ^ {\ alpha}} {(s + \ beta) ^ {\ alpha}}}.}

F (s) = (1 + \ theta s) ^ {- k} = \ frac {\ beta ^ \ alpha} {(s + \ beta) ^ \ alpha}.

Связанные распределения

Общие

Пусть $X 1, X 2… X n {\ displaystyle X_ {1}, X_ {2} \ ldots X_ {n}}$ ${\ displaystyle X_ {1}, X_ {2} \ ldots X_ {n}}$ быть $n {\ displaystyle n}$ $n$ независимыми и одинаково распределенными случайными величинами, соответствующими экспоненциальному распределению с параметром скорости λ, тогда $∑ i X i {\ displaystyle \ sum _ {i} X_ {i}}$ ${\ displaystyle \ sum _ {i} X_ {i}}$ ~ Gamma (n, 1 / λ), где n - параметр формы, а 1 / λ - масштаб.
Если X ~ Gamma (1, 1 / λ) (параметризация формы – масштаба), то X имеет экспоненциальное распределение с параметром скорости λ.
Если X ~ Gamma (ν / 2, 2) (форма – масштаб параметризация), то X идентично χ (ν), распределению хи-квадрат с ν степенями свободы. Наоборот, если Q ~ χ (ν) и c - положительная константа, то cQ ~ Gamma (ν / 2, 2c).
Если k является целым числом, гамма-распределение будет распределение Эрланга и представляет собой распределение вероятностей времени ожидания до k-го «прибытия» в одномерном пуассоновском процессе с интенсивностью 1 / θ. Если

Икс ∼ Γ (k ∈ Z, θ), Y ∼ P ois (x θ), {\ displaystyle X \ sim \ Gamma (k \ in \ mathbf {Z}, \ theta), \ qquad Y \ sim \ mathrm {Pois} \ left ({\ frac {x} {\ theta}} \ right),}

{\ displaystyle X \ sim \ Gamma (k \ in \ mathbf {Z}, \ theta), \ qquad Y \ sim \ mathrm {Pois} \ left ({\ frac {x} {\ theta}} \ right),}

, затем

P (X>x) = P (Y < k). {\displaystyle P(X>x) = P ( Y

P(X>x) = P (Y < k).

Если X имеет распределение Максвелла – Больцмана с параметром a, то

X 2 ∼ Γ (3 2, 2 a 2) {\ displaystyle X ^ {2} \ sim \ Gamma \ left ({\ frac {3} {2}}, 2a ^ {2} \ right)}

{\ displaystyle X ^ {2} \ sim \ Gamma \ left ({\ frac {3} {2}}, 2a ^ { 2} \ right)}

Если X ~ Gamma (k, θ), то $log ⁡ X {\ displaystyle \ log {X}}$ ${\ displaystyle \ log {X}}$ следует экспоненциально-гамма-распределению (сокращенно exp-gammma). Его иногда называют распределением log-гамма. Формулы для его среднего и дисперсия находится в разделе # Логарифмическое ожидание и дисперсия.
Если X ~ Gamma (k, θ), то $X {\ displaystyle {\ sqrt {X}}}$ $\ sqrt {X}$ следует за обобщенное гамма-распределение с параметрами p = 2, d = 2k и $a = θ {\ displaystyle a = {\ sqrt {\ theta}}}$ $a = \ sqrt {\ theta}$ .
В более общем случае, если X ~ Gamma (k, θ), тогда $X q {\ displaystyle X ^ {q}}$ $X ^ {q}$ для $q>0 {\ displaystyle q>0}$ $q>0$ следует обобщенному гамма-распределению с параметрами p = 1 / q, d = k / q и $a = θ q {\ displaystyle a = \ theta ^ {q}}$ $a = \ theta ^ {q}$ .
Если X ~ Gamma (k, θ), то 1 / X ~ Inv-Gamma (k, θ) (см. Обратное гамма-распределение для вывода).
Параметризация 1: Если $X k ∼ Γ (α k, θ k) {\ displaystyle X_ {k} \ sim \ Gamma (\ alpha _ {k}, \ theta _ {k}) \,}$ ${\ Displaystyle X_ {k} \ sim \ Gamma (\ alpha _ {k}, \ theta _ {k}) \,}$ независимы, тогда $α 2 θ 2 X 1 α 1 θ 1 X 2 ∼ F (2 α 1, 2 α 2) {\ displaystyle {\ frac {\ alpha _ {2} \ theta _ {2} X_ {1}} {\ alpha _ {1} \ theta _ {1} X_ {2}}} \ sim \ mathrm {F} (2 \ alpha _ {1}, 2 \ alpha _ {2})}$ ${\ displaystyle {\ frac {\ alpha _ {2} \ theta _ {2} X_ {1}} {\ alpha _ {1} \ theta _ {1} X_ {2} }} \ sim \ mathrm {F} (2 \ alpha _ {1}, 2 \ alpha _ {2})}$ , или, что эквивалентно, $X 1 X 2 ∼ β ′ (α 1, α 2, 1, θ 1 θ 2) {\ displaystyle {\ frac {X_ {1}} {X_ {2}}} \ sim \ beta '\ left (\ alpha _ {1}, \ alpha _ {2}, 1, {\ frac {\ theta _ {1}} {\ theta _ {2}}} \ right)}$ ${\frac {X_{1}}{X_{2}}}\sim \beta '\left(\alpha _{1},\alpha _{2},1,{\frac {\theta _{1}}{\theta _{2}}}\right)$
Параметризация 2: Если $X k ∼ Γ (α K, β K) {\ Displaystyle X_ {k} \ sim \ Gamma (\ alpha _ {k}, \ beta _ {k}) \,}$ ${\ displaystyle X_ {k} \ sim \ Gamma (\ alpha _ {k}, \ бета _ {k}) \,}$ независимы, тогда $α 2 β 1 Икс 1 α 1 β 2 Икс 2 ∼ F (2 α 1, 2 α 2) {\ Displaystyle {\ frac {\ alpha _ {2} \ beta _ {1} X_ {1}} {\ alpha _ {1} \ beta _ {2} X_ {2}}} \ sim \ mathrm {F} (2 \ alpha _ {1}, 2 \ alpha _ {2})}$ ${\ displaystyle {\ frac {\ alpha _ {2} \ beta _ {1} X_ {1}} {\ alpha _ {1} \ beta _ {2} X_ {2}}} \ sim \ mathrm {F} (2 \ alpha _ {1}, 2 \ alpha _ {2 })}$ или эквивалентно, $Икс 1 Икс 2 ∼ β ′ (α 1, α 2, 1, β 2 β 1) {\ displaystyle {\ frac {X_ {1}} {X_ {2}}} \ sim \ beta ' \ left (\ alpha _ {1}, \ alpha _ {2}, 1, {\ frac {\ beta _ {2}} {\ beta _ {1}}} \ right)}$ ${\frac {X_{1}}{X_{2}}}\sim \beta '\left(\alpha _{1},\alpha _{2},1,{\frac {\beta _{2}}{\beta _{1}}}\right)$
Если X ~ Gamma (α, θ) и Y ~ Gamma (β, θ) распределены независимо, тогда X / (X + Y) имеет бета-распределение с параметрами α и β, а X / (X + Y) не зависит от X + Y, что является гамма (α + β, θ) -распределенным.
Если X i ~ Gamma (α i, 1) являются независимо распределены, то вектор (X 1 / S,..., X n / S), где S = X 1 +... + X n следует распределению Дирихле с параметрами α 1,..., α n.
Для больших k гамма-распределение Функция сходится к нормальному распределению со средним μ = kθ и дисперсией σ = kθ.
Гамма-распределение является сопряженным предшествующим для точности нормального распределение с известным средним.
Распределение Уишарта является многомерным обобщением гамма-распределения (выборки представляют собой положительно определенные матрицы, а не положительные действительные числа).
Гамма-распределение является частным случаем обобщенного гамма-распределения, обобщенного целочисленного гамма-распределения и обобщенного обратного гауссовского распределения.
Среди дискретных распределений отрицательное биномиальное распределение иногда считается дискретным аналогом гамма-распределения.
Распределение Твиди - гамма-распределение является членом семейства моделей экспоненциальной дисперсии Твиди .

Составная гамма

Если известен параметр формы гамма-распределения, но обратный масштаб pa Если размер неизвестен, то гамма-распределение для обратной шкалы образует сопряженное априорное значение. Составное распределение , которое получается в результате интегрирования обратной шкалы, имеет решение в замкнутой форме, известное как составное гамма-распределение.

Если вместо этого параметр формы известен, но неизвестно среднее значение, с априорным значением среднего, заданным другим гамма-распределением, то это приводит к K-распределению.

Статистический вывод

Оценка параметра

Оценка максимального правдоподобия

Функция правдоподобия для N iid наблюдений (x 1,..., x N) равна

L (k, θ) = ∏ я знак равно 1 N е (xi; к, θ) {\ displaystyle L (k, \ theta) = \ prod _ {i = 1} ^ {N} f (x_ {i}; k, \ theta)}

L (k, \ theta) = \ prod_ {i = 1} ^ N е (x_i; k, \ theta)

, из которого мы вычисляем функцию логарифма правдоподобия

ℓ (k, θ) = (k - 1) ∑ i = 1 N ln ⁡ (xi) - ∑ i = 1 N xi θ - N k ln ⁡ (θ) - N пер ⁡ (Γ (к)) {\ displaystyle \ ell (k, \ theta) = (k-1) \ sum _ {i = 1} ^ {N} \ ln (x_ {i}) - \ sum _ {i = 1} ^ {N} {\ frac {x_ {i}} {\ theta}} - Nk \ ln (\ theta) -N \ ln (\ Gamma (k))}

{\ displaystyle \ ell (k, \ theta) = (k-1) \ sum _ {i = 1} ^ {N} \ ln (x_ {i}) - \ sum _ {i = 1} ^ {N} {\ frac { x_ {i}} {\ theta}} - Nk \ ln (\ theta) -N \ ln (\ Gamma (k))}

Нахождение максимум по θ на взяв производную и установив ее равной нулю, получаем оценку максимального правдоподобия параметра θ:

θ ^ = 1 k N ∑ i = 1 N xi {\ displaystyle {\ hat {\ theta} } = {\ frac {1} {kN}} \ sum _ {i = 1} ^ {N} x_ {i}}

\ hat {\ theta} = \ frac {1} {kN} \ sum_ {i = 1} ^ N x_i

Подставляя это в функцию логарифмического правдоподобия, получаем

ℓ = (k - 1) ∑ я знак равно 1 N пер ⁡ (хи) - N К - N К пер ⁡ (∑ xik N) - N пер ⁡ (Γ (к)) {\ Displaystyle \ ell = (к-1) \ сумма _ {я = 1} ^ {N} \ ln (x_ {i}) - Nk-Nk \ ln \ left ({\ frac {\ sum x_ {i}} {kN}} \ right) -N \ ln (\ Gamma ( k))}

{\ displaystyle \ ell = (k-1) \ sum _ {i = 1} ^ {N} \ ln ( x_ {i}) - Nk-Nk \ ln \ left ({\ frac {\ sum x_ {i}} {kN}} \ right) -N \ ln (\ Gamma (k))}

Нахождение максимума по k путем взятия производной и приравнивания ее к нулю дает

ln ⁡ (k) - ψ (k) = ln ⁡ (1 N ∑ i = 1 N xi) - 1 N ∑ я знак равно 1 N пер ⁡ (xi) {\ displaystyle \ ln (k) - \ psi (k) = \ ln \ left ({\ frac {1} {N}} \ sum _ {i = 1} ^ {N} x_ {i} \ right) - {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} \ ln (x_ {i})}

{\ displaystyle \ ln (k) - \ psi (k) = \ ln \ left ({\ frac {1} {N }} \ sum _ {i = 1} ^ {N} x_ {i} \ right) - {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} \ ln (x_ {i })}

где ψ это функция дигаммы. Для k не существует решения в закрытой форме. Функция имеет очень хорошее числовое поведение, поэтому, если требуется численное решение, его можно найти, например, с помощью метода Ньютона. Начальное значение k можно найти либо с помощью метода моментов , либо с помощью приближения

ln ⁡ (k) - ψ (k) ≈ 1 2 k (1 + 1 6 k + 1) {\ displaystyle \ ln (k) - \ psi (k) \ приблизительно {\ frac {1} {2k}} \ left (1 + {\ frac {1} {6k + 1}} \ right)}

\ ln (k) - \ psi (k) \ приблизительно \ frac {1 } {2k} \ left (1 + \ frac {1} {6k + 1} \ right)

Если мы допустим

s = ln ⁡ (1 N ∑ i = 1 N xi) - 1 N ∑ i = 1 N ln ⁡ (xi) {\ displaystyle s = \ ln \ left ({\ frac {1} {N}} \ sum _ {i = 1} ^ {N} x_ {i} \ right) - {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} \ ln (x_ {i})}

{\ displaystyle s = \ ln \ left ({\ frac {1} {N}} \ sum _ {i = 1} ^ {N} x_ {i} \ right) - {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} \ ln (x_ {i})}

тогда k приблизительно равно

k ≈ 3 - s + (s - 3) 2 + 24 s 12 s {\ displaystyle k \ приблизительно {\ frac {3-s + {\ sqrt {( s-3) ^ {2} + 24s}}} {12s}}}

k \ приблизительно \ frac {3 - s + \ sqrt {(s - 3) ^ 2 + 24s}} {12s}

, что находится в пределах 1,5% от правильного значения. Явная форма обновления Ньютона – Рафсона этого начального предположения:

k ← k - ln ⁡ (k) - ψ (k) - s 1 k - ψ ′ (k). {\ displaystyle k \ leftarrow k - {\ frac {\ ln (k) - \ psi (k) -s} {{\ frac {1} {k}} - \ psi ^ {\ prime} (k)}}.}

{\ displaystyle k \ leftarrow k - {\ frac {\ ln (k) - \ psi (k) -s} {{\ frac {1} {k}} - \ psi ^ {\ prime} (k)}}.}

Оценки в замкнутой форме

Существуют согласованные оценки в замкнутой форме для k и θ, которые выводятся из вероятности обобщенного гамма-распределения.

Оценка формы k составляет

К ^ знак равно N ∑ я знак равно 1 N xi N ∑ я знак равно 1 N xi ln ⁡ (xi) - ∑ i = 1 N ln ⁡ (xi) ∑ i = 1 N xi {\ displaystyle {\ hat {k} } = {\ frac {N \ sum _ {i = 1} ^ {N} x_ {i}} {N \ sum _ {i = 1} ^ {N} x_ {i} \ ln (x_ {i}) - \ sum _ {i = 1} ^ {N} \ ln (x_ {i}) \ sum _ {i = 1} ^ {N} x_ {i}}}}

{\ displaystyl e {\ hat {k}} = {\ frac {N \ sum _ {i = 1} ^ {N} x_ {i}} {N \ sum _ {i = 1} ^ {N} x_ {i} \ ln (x_ {i}) - \ sum _ {i = 1} ^ {N} \ ln (x_ {i}) \ sum _ {i = 1} ^ {N} x_ {i}}}}

и оценка масштаба θ это

θ ^ = 1 N 2 (N ∑ я = 1 N xi ln ⁡ (xi) - ∑ i = 1 N ln ⁡ (xi) ∑ i = 1 N xi) {\ displaystyle {\ hat {\ theta }} = {\ frac {1} {N ^ {2}}} \ left (N \ sum _ {i = 1} ^ {N} x_ {i} \ ln (x_ {i}) - \ sum _ { i = 1} ^ {N} \ ln (x_ {i}) \ sum _ {i = 1} ^ {N} x_ {i} \ right)}

{\ displaystyle {\ hat {\ theta}} = {\ frac {1} {N ^ {2}}} \ left (N \ sum _ {i = 1} ^ {N} x_ {i} \ ln (x_ {i}) - \ sum _ {i = 1} ^ {N} \ ln (x_ {i}) \ сумма _ {я = 1} ^ {N} x_ {i} \ right)}

Если используется параметризация скорости, оценка $β ^ = 1 θ ^ {\ displaystyle {\ hat {\ beta}} = {\ frac {1} {\ hat {\ theta}}}}$ ${\ displaystyle {\ hat {\ beta}} = {\ frac {1} {\ hat {\ theta}}}}$ .

Эти оценки не являются строго максимальным правдоподобием e стимуляторы, но вместо этого упоминаются как оценки логарифмического момента смешанного типа. Однако они имеют такую же эффективность, что и оценки максимального правдоподобия.

Хотя эти оценки непротиворечивы, они имеют небольшую погрешность. Вариант оценки для шкалы θ со скорректированным смещением:

θ ~ = NN - 1 θ ^ {\ displaystyle {\ tilde {\ theta}} = {\ frac {N} {N-1}} {\ hat {\ theta}}}

{\ displaystyle {\ tilde {\ theta}} = {\ frac {N} {N-1}} {\ hat {\ theta }}}

Коррекция смещения для параметра формы k задается как

k ~ = k ^ - 1 N (3 k ^ - 2 3 (k ^ 1 + k ^) - 4 5 k ^ (1 + k ^) 2) {\ displaystyle {\ tilde {k}} = {\ hat {k}} - {\ frac {1} {N}} \ left (3 {\ hat {k}} - {\ frac {2} {3}} \ left ({\ frac {\ hat {k}} {1 + {\ hat {k}}}} \ right) - {\ frac {4} {5}} {\ frac {\ hat {k}} {(1 + {\ hat {k}}) ^ {2}}} \ right)}

{\ displaystyle {\ tilde {k}} = {\ hat {k}} - {\ frac {1} {N}} \ left (3 {\ hat {k}} - {\ frac {2} {3}} \ left ({\ frac {\ hat {k}} { 1 + {\ hat {k}}}} \ right) - {\ frac {4} {5}} {\ frac {\ hat {k}} {(1 + {\ hat {k}}) ^ {2 }}} \ right)}

Минимальная байесовская среднеквадратическая ошибка

С известными k и неизвестно θ, апостериорная функция плотности для тета (с использованием стандартного масштабно-инвариантного предшествующего для θ) равна

P (θ ∣ k, x 1,…, x N) ∝ 1 θ ∏ i = 1 N е (xi; к, θ) {\ displaystyle P (\ theta \ mid k, x_ {1}, \ dots, x_ {N}) \ propto {\ frac {1} {\ theta}} \ prod _ {i = 1} ^ {N} f (x_ {i}; k, \ theta)}

{\ displaystyle P (\ theta \ mid k, x_ {1}, \ dots, x_ {N}) \ propto {\ frac {1} {\ theta }} \ prod _ {i = 1} ^ {N} f (x_ {i}; k, \ theta)}

Обозначение

y ≡ ∑ i = 1 N xi, P (θ ∣ k, x 1,…, x N) знак равно С (xi) θ - N К - 1 е - y / θ {\ displaystyle y \ Equiv \ sum _ {i = 1} ^ {N} x_ {i}, \ qquad P (\ th eta \ mid k, x_ {1}, \ dots, x_ {N}) = C (x_ {i}) \ theta ^ {- Nk-1} e ^ {- y / \ theta}}

{\ displaystyle y \ Equiv \ sum _ {i = 1} ^ {N} x_ {i}, \ qquad P ( \ theta \ mid k, x_ {1}, \ dots, x_ {N}) = C (x_ {i}) \ theta ^ {- Nk-1} e ^ {- y / \ theta}}

Интеграция с относительно θ может быть выполнено с использованием замены переменных, показывая, что 1 / θ является гамма-распределенным с параметрами α = Nk, β = y.

∫ 0 ∞ θ - N k - 1 + me - y / θ d θ = ∫ 0 ∞ x N k - 1 - me - xydx = y - (N k - m) Γ (N k - m) { \ Displaystyle \ int _ {0} ^ {\ infty} \ theta ^ {- Nk-1 + m} e ^ {- y / \ theta} \, d \ theta = \ int _ {0} ^ {\ infty} x ^ {Nk-1-m} e ^ {- xy} \, dx = y ^ {- (Nk-m)} \ Gamma (Nk-m) \!}

{\ displaystyle \ int _ {0} ^ {\ infty} \ theta ^ {- Nk-1 + m} e ^ {- y / \ theta} \, d \ theta = \ int _ {0} ^ {\ infty} x ^ {Nk-1-m} e ^ {- xy} \, dx = y ^ {- (Nk-m)} \ Gamma (Nk-m) \!}

Моменты можно вычислить, взяв соотношение (m на m = 0)

E ⁡ [xm] = Γ (N k - m) Γ (N k) ym {\ displaystyle \ operatorname {E} [x ^ {m}] = {\ frac { \ Gamma (Nk-m)} {\ Gamma (Nk)}} y ^ {m}}

{ \ displaystyle \ operatorname {E} [x ^ {m}] = {\ frac {\ Gamma (Nk-m)} {\ Gamma (Nk)}} y ^ {m}}

, который показывает, что оценка среднего ± стандартное отклонение апостериорного распределения для θ составляет

y N k - 1 ± y 2 (N k - 1) 2 (N k - 2). {\ displaystyle {\ frac {y} {Nk-1}} \ pm {\ sqrt {\ frac {y ^ {2}} {(Nk-1) ^ {2} (Nk-2)}}}.}

{\ displaystyle {\ frac {y} {Nk-1}} \ pm {\ sqrt {\ frac {y ^ {2}} {(Nk-1) ^ {2} (Nk-2)}}}.}

Байесовский вывод

Конъюгированный предшествующий

В Байесовский вывод гамма-распределение является сопряженным предшествующим многим распределения правдоподобия: Пуассон, экспоненциальный, нормальный (с известным средним), Парето, гамма с известной формой σ, обратная гамма с известным параметром формы и Gompertz с известным параметром масштаба.

, сопряженный с предшествующим гамма-распределения:

p (k, θ ∣ p, q, r, s) = 1 Z pk - 1 e - θ - 1 q Γ ( к) р θ кс, {\ displaystyle p (k, \ theta \ mid p, q, r, s) = {\ frac {1} {Z}} {\ frac {p ^ {k-1} e ^ { - \ theta ^ {- 1} q}} {\ Gamma (k) ^ {r} \ theta ^ {ks}}},}

{\ displaystyle p (k, \ theta \ mid p, q, r, s) = {\ frac {1} {Z} } {\ frac {p ^ {k-1} e ^ {- \ theta ^ {- 1} q}} {\ Gamma (k) ^ {r} \ theta ^ {ks}}},}

где Z - нормализующая константа, не имеющая решения в замкнутой форме. Апостериорное распределение можно найти, обновив параметры следующим образом:

p ′ = p ∏ ixi, q ′ = q + ∑ ixi, r ′ = r + n, s ′ = s + n, {\ displaystyle {\ begin {align} p '= p \ prod \ nolimits _ {i} x_ {i}, \\ q' = q + \ sum \ nolimits _ {i} x_ {i}, \\ r '= r + n, \\ s '= s + n, \ end {align}}}

\begin{align} p' = p\prod\nolimits_i x_i,\\ q' = q + \sum\nolimits_i x_i,\\ r' = r + n,\\ s' = s + n, \end{align}

, где n - количество наблюдений, а x i - i-е наблюдение.

Возникновение и применение

Гамма-распределение использовалось для моделирования размера страховых выплат и дождевых осадков. Это означает, что совокупные страховые выплаты и количество осадков, накопленных в водохранилище, моделируются с помощью гамма-процесса - так же, как экспоненциальное распределение генерирует процесс Пуассона.

гамма-распределение также используется для моделирования ошибок в многоуровневых моделях регрессии Пуассона, потому что смесь из распределений Пуассона с коэффициентами гамма-распределения имеет известное распределение в замкнутой форме, называется отрицательным биномом.

В беспроводной связи гамма-распределение используется для моделирования многолучевого замирания мощности сигнала; см. также Распределение Рэлея и Райсовское распределение.

В онкологии возрастное распределение рака заболеваемости часто следует гамме распределение, тогда как параметры формы и масштаба предсказывают, соответственно, количество событий драйвера и временной интервал между ними.

В нейробиологии гамма-распределение часто используется для описания распределения интервалов между спайками.

В бактериальной экспрессии гена количество копий белка часто следует гамма-распределению, где масштаб и параметр формы представляют собой, соответственно, среднее число вспышек за клеточный цикл и среднее количество белковых молекул, продуцируемых одной мРНК за время ее существования.

In genomics, гамма-распределение применялось на этапе вызова пика (то есть при распознавании сигнала) в анализе данных ChIP-chip и ChIP-seq.

Гамма-распределение широко используется в качестве сопряженного априорного в байесовской статистике. Это априорное сопряжение для точности (т.е. обратное дисперсии) нормального распределения. Это также сопряженный априор для экспоненциального распределения.

Генерация случайных величин с гамма-распределением

Учитывая свойство масштабирования, указанное выше, достаточно генерировать гамма-переменные с θ = 1, поскольку мы можем позже преобразовать к любому значению β простым делением.

Предположим, мы хотим сгенерировать случайные величины из гаммы (n + δ, 1), где n - неотрицательное целое число, а 0 < δ < 1. Using the fact that a Gamma(1, 1) distribution is the same as an Exp(1) distribution, and noting the method of генерирует экспоненциальные переменные, мы заключаем, что если U равно равномерно распределен на (0, 1], тогда −ln (U) распределен Гамма (1, 1) (т.е. выборка обратного преобразования ). Теперь, используя «α-сложение» свойство гамма-распределения, мы расширяем этот результат:

- ∑ k = 1 n ln ⁡ U k ∼ Γ (n, 1) {\ displaystyle - \ sum _ {k = 1} ^ {n} \ ln U_ { k} \ sim \ Gamma (n, 1)}

{\ displaystyle - \ sum _ {k = 1} ^ {n} \ пер U_ {к} \ sim \ Gamma (n, 1)}

, где U k все равномерно распределены на (0, 1] и независимо. Теперь осталось только генерировать переменную, распределенную как Gamma (δ, 1) для 0 < δ < 1 and apply the "α-addition" property once more. This is the most difficult part.

Случайная генерация гамма-вариаций подробно обсуждается Деврой, отмечая, что ни одна из них не является равномерно быстрой для всех параметров формы. Для небольших значений параметра формы алгоритмы являются часто не действует. Для произвольных значений параметра формы можно применить модифицированный метод приемо-отклонения Аренса и Дитера Alg орифм GD (форма k ≥ 1) или метод преобразования, когда 0 < k < 1. Also see Cheng and Feast Algorithm GKM 3 or Marsaglia's squeeze method.

Ниже приводится версия метода Аренса-Дитера приемки-отклонения :

Сгенерировать U, V и W как iid uniform (0, 1] изменяется.
Если $U ≤ ee + δ {\ displaystyle U \ leq {\ frac {e} {e + \ delta}}}$ ${\ displaystyle U \ leq {\ frac {e} {e + \ delta}}}$ , затем $ξ = V 1 / δ {\ displaystyle \ xi = V ^ {1 / \ delta}}$ ${\ displaystyle \ xi = V ^ {1 / \ delta}}$ и $η = W ξ δ - 1 {\ displaystyle \ eta = W \ xi ^ {\ delta -1}}$ ${\ displaystyle \ eta = W \ xi ^ {\ delta -1}}$ . В противном случае $ξ = 1 - пер ⁡ V {\ displaystyle \ xi = 1- \ ln V}$ ${\ displaystyle \ xi = 1- \ ln V}$ и $η = W e - ξ {\ displaystyle \ eta = We ^ {- \ xi}}$ ${\ displaystyle \ eta = We ^ {- \ xi}}$ .
Если $η>ξ δ - 1 e - ξ {\ displaystyle \ eta>\ xi ^ {\ delta -1} e ^ {- \ xi}}$ $\eta>\ xi ^ {\ delta -1} e ^ {- \ xi}$ затем перейдите к шагу 1.
ξ распределяется как Γ (δ, 1).

Краткое изложение этого:

θ (ξ - ∑ i = 1 ⌊ к ⌋ пер ⁡ (U я)) ∼ Γ (к, θ) {\ Displaystyle \ theta \ left (\ xi - \ sum _ {i = 1} ^ {\ lfloor k \ rfloor} \ ln (U_ {i}) \ right) \ sim \ Gamma (k, \ theta)}

{\ displaystyle \ theta \ left (\ xi - \ sum _ {i = 1} ^ {\ lfloor k \ rfloor} \ ln (U_ {i}) \ right) \ sim \ Gamma ( k, \ theta)}

где $⌊ k ⌋ {\ displaystyle \ scriptstyle \ lfloor k \ rfloor}$ ${\ displaystyle \ scriptstyle \ lfloor k \ rfloor}$ - целая часть k, ξ генерируется с помощью описанного выше алгоритма с δ = {k} (дробная часть k) и U k все независимы.

Хотя описанный выше подход технически верен, Деврой отмечает, что он линейен по значению k и в целом не является хорошим выбором. вместо этого он рекомендует использовать методы на основе отклонения или на основе таблиц, в зависимости от контекста.

Например, простой метод преобразования-отклонения Марсальи, основанный на одной нормальной переменной X и одной однородной переменной U:

Set $d = a - 1 3 {\ displaystyle d = a - {\ frac {1} {3}}}$ ${\ displaystyle d = a - {\ frac {1} {3}}}$ и $c = 1 9 d {\ displaystyle c = {\ frac { 1} {\ sqrt {9d}}}}$ ${\ displaystyle c = {\ frac {1} {\ sqrt {9d}}}}$ .
Установить $v = (1 + c X) 3 {\ displaystyle v = (1 + cX) ^ {3}}$ ${\ displaystyle v = (1 + cX) ^ {3}}$ .
Если $v>0 {\ displaystyle v>0}$ $v>0$ и $ln ⁡ U < X 2 2 + d − d v + d ln ⁡ v {\displaystyle \ln U<{\frac {X^{2}}{2}}+d-dv+d\ln v}$ ${\ displaystyle \ ln U <{\ frac {X ^ {2}} {2}} + d-dv + d \ ln v}$ return $dv {\ displaystyle dv}$ $dv$ , иначе вернитесь к шагу 2.

С $1 ≤ a = α = k {\ displaystyle 1 \ leq a = \ alpha = k}$ $1 \ leq a = \ alpha = k$ генерирует случайное число с гамма-распределением во времени, которое примерно постоянно с k. Скорость приемки зависит от k, с коэффициентом приемки 0,95, 0,98 и 0,99 для k = 1, 2 и 4. Для k <1 можно использовать $γ α = γ 1 + α U 1 / α {\ displaystyle \ gamma _ {\ alpha} = \ gamma _ {1+ \ alpha} U ^ {1 / \ alpha}}$ ${\ displaystyle \ gamma _ {\ alpha} = \ гамма _ {1+ \ альфа} U ^ {1 / \ alpha}}$ , чтобы повысить k, чтобы его можно было использовать с этим методом.

Примечания

Внешние ссылки

В Викибуке Статистика есть страница по теме: Гамма-распределение