一。 Γ Gamma Γ分布
指数分布是两次事件发生的时间间隔 Γ Gamma Γ分布是n倍的指数分布 即， Γ Gamma Γ分布表示发生n次（ α alpha α次）事件的时间间隔的概率分布。
其实 Γ Gamma Γ分布 就是Possion分布在正实数集上的连续化版本
P o s s i o n ( X = k ∣ λ ) = λ k e − λ k ! Possion(X=k|lambda )=frac{lambda ^ke^{-lambda} }{k!} Possion(X=k∣λ)=k!λke−λ
可以看做横坐标是k，纵坐标便是X=k的概率分布： P o s s i o n ( X = k ∣ λ Possion(X=k|lambda Possion(X=k∣λ)， λ lambda λ为一个常数，代表单位时间内事件发生的次数。
回忆一下Poisson分布的直观含义： 随机变量X代表出生婴儿的个数，P {X=k} 代表出生k个婴儿的概率， λ lambda λ为已知数，代表平均单位时间出生婴儿的个数。 求t时间内出生k个婴儿的概率：P {X=k} ，令t=1，就是 这个公式 P o s s i o n ( X = k ∣ λ ) = λ k e − λ k ! Possion(X=k|lambda )=frac{lambda ^ke^{-lambda} }{k!} Possion(X=k∣λ)=k!λke−λ 因此Possion公式的直观意义就是： 已知单位时间内平均出生 λ lambda λ个婴儿， 得到单位时间内出生k个婴儿的概率。 如果将k看成是一个变量， Possion公式就是单位时间内出生婴儿个数的概率分布。 直观理解，当然是单位时间出生 λ lambda λ个婴儿的概率最大。
在 P o i s s o n 分 布 中 ， λ 是 一 个 已 知 数 ， 是 一 个 常 数 ， {color{Red}{ 在Poisson分布中，lambda 是一个已知数，是一个常数，}} 在Poisson分布中，λ是一个已知数，是一个常数， 如 果 我 们 把 λ 看 成 一 个 变 数 ， 假 设 是 x {color{Red}{如果我们把lambda看成一个变数，假设是x}} 如果我们把λ看成一个变数，假设是x 那 么 得 到 的 分 布 就 叫 G a m m a 分 布 {color{Red}{那么得到的分布就叫Gamma分布}} 那么得到的分布就叫Gamma分布，显然Gamma比Poisson更高一维的分布。
= > 将 λ 转 为 一 个 连 续 实 数 x {color{Red}{=> 将 lambda 转为一个连续实数 x}} =>将λ转为一个连续实数x
在Gamma分布的密度中取 α = k 1 alpha =k 1 α=k 1，得
G a m m a ( x ∣ α = k 1 ) = x k e − x Γ ( k 1 ) = x k e − x k ! Gamma(x|alpha =k 1)=frac{x^{k} e^{-x} }{Gamma (k 1)} = frac{x^k e^{-x } }{k!} Gamma(x∣α=k 1)=Γ(k 1)xke−x=k!xke−x
G a m m a ( x , k ) = x k e − x k ! Gamma(x,k) = frac{x^k e^{-x } }{k!} Gamma(x,k)=k!xke−x
由此可见，Gamma函数是一个关于x和k的二维概率分布。x是单位时间内事件发生的平均次数，k是单位时间内事件发生的某一特定次数，得到类似于下图，可见，它是一个指数分布，k与越接近，概率越大，在k与x相等的地方，概率达最大值。（如果将x固定一个常数，就是Poisson分布。）
所以，Gamma分布与Possion分布在数学形式上是一致的，只是Poisson分布是离散的，Gamma分布是连续的，可以直观的认为Gamma分布是Poission分布在正实数集上的连续化版本。
二。 Γ Gamma Γ函数 定义 Γ ( s ) = ∫ 0 ∞ e − x x s − 1 d x ( s > 0 ) Gamma (s)=int_{0}^{ infty }e^{-x}x^{s-1}dx(s>0) Γ(s)=∫0 ∞e−xxs−1dx(s>0)
性质
- s>0时，此反常积分收敛
- Γ ( s 1 ) = s Γ ( s ) ( s > 0 ) Gamma(s 1)=sGamma(s) (s>0) Γ(s 1)=sΓ(s)(s>0)，特别 Γ ( n 1 ) = n ! Gamma(n 1)=n! Γ(n 1)=n! 3)当 s → 0 sto0 s→0 时， Γ ( s ) → ∞ Gamma(s) to infty Γ(s)→ ∞
- Γ ( s ) Γ ( 1 − s ) Gamma(s)Gamma(1-s) Γ(s)Γ(1−s)= π s i n π s ( 0 < s < 1 ) , 则 Γ ( 1 2 ) = π frac{pi }{sinpi s} (0<s<1), 则Gamma (frac{1}{2})=sqrt{pi} sinπsπ(0<s<1),则Γ(21)=π
Gamma(n) = (n-1)! ， Gamma(5 1) = 5! =120 Gamma(s) = (s-1)! ， 5Gamma(5) = 54! =120
三。 Γ Gamma Γ函数应用 k ! = ∫ 0 ∞ x k e − x d x k!=int_{0}^{infty }x^ke^{-x}dx k!=∫0∞xke−xdx
在 Γ ( s ) = ∫ 0 ∞ x s − 1 e − x d x Gamma(s)=int_{0}^{infty }x^{s-1}e^{-x}dx Γ(s)=∫0∞xs−1e−xdx 中， 作x=u^2的代换可得 Γ ( s ) = 2 ∫ 0 ∞ e − u 2 u 2 s − 1 d u Gamma (s)=2int_{0}^{infty }e^{-u^2}u^{2s-1}du Γ(s)=2∫0∞e−u2u2s−1du 再令 t=2s-1，即有 ∫ 0 ∞ e − u 2 u t d u int_{0}^{infty }e^{-u^2}u^{t}du ∫0∞e−u2utdu = 1 2 Γ ( 1 t 2 ) frac{1}{2}Gamma(frac{1 t}{2}) 21Γ(21 t), t>-1 特别，令 s = 1 2 s=frac{1}{2} s=21， 可得概率论中常用积分
泊松积分 泊松积分： ∫ − ∞ ∞ e − x 2 d x = π int_{-infty}^{infty }e^{-x^2}dx=sqrt{pi} ∫−∞∞e−x2dx=π 是一个很重要的结论，在概率论中有重要应用。 ∫ 0 ∞ e − x 2 d x = π 2 int_{0}^{infty }e^{-x^2}dx=frac{sqrt{pi}}{2} ∫0∞e−x2dx=2π ∫ − ∞ ∞ e − x 2 d x = π int_{-infty}^{infty }e^{-x^2}dx=sqrt{pi} ∫−∞∞e−x2dx=π （可以用正态分布的公式证明，正态分布公式 Φ ( x ) = 1 2 π ∫ − ∞ ∞ e − t 2 2 d t = 1 Phi (x)=frac{1}{sqrt{2pi}}int_{-infty}^{infty}e^{-frac{t^2}{2}}dt=1 Φ(x)=2π 1∫−∞∞e−2t2dt=1）
参考链接： Gamma分布Wiki百科 poisson-gamma-exponential 泊松-Gamma以及指数分布的关系 Gamma distribution in R语言 MATLAB Gamma 神奇的Gamma函数（scipy）
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/200646.html原文链接：https://javaforall.cn
