伽马分布与贝塔分布转换关系_伽马分布期望推导

全栈程序员-站长 • 2025年5月26日下午7:22 • 未分类 • 阅读 0

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46，售后保障稳定

伽马函数 $\Gamma \left ( \alpha \right )$

称 $\Gamma \left ( \alpha \right ) =\int_{0}^{+\infty }x^{\alpha -1}e^{-x}\mathrm{d}x$ 为伽马函数，其中参数伽马分布与贝塔分布转换关系_伽马分布期望推导 $\Gamma \left ( 1 \right )=1$

$\Gamma \left ( \frac{1}{2} \right )=\sqrt{\pi }$

$\Gamma \left ( \alpha +1 \right )=\alpha \Gamma \left ( \alpha \right )$

$\Gamma \left ( n+1 \right )=n \Gamma \left ( n \right )=n! \: ;$ ,n为自然数；或写作 $\Gamma \left ( n \right )=\left ( n-1 \right )!$

余元公式：对于 $x\in \left ( 0,1 \right )$ ,有 $\Gamma \left ( 1-x \right ) \Gamma \left ( x \right )=\frac{\pi }{sin\, \pi x}$

与贝塔函数 $B\left ( m,n \right )$ 的关系 : $B\left ( m,n \right ) =\frac{\Gamma \left ( m \right )\Gamma \left ( n \right )}{\Gamma \left ( m+n \right )}$
对于 $\Gamma \left ( x\right )\sim \sqrt{2\pi }e^{-x}x^{x-\frac{1}{2}}$

伽马分布 $Ga\left ( \alpha ,\lambda \right )$

背景：

若一个元器件能抵挡一些外来冲击，但遇到第k次冲击即告失效，则第k 次冲击来到的时间X(寿命)服从形状参数为k的伽马分布 $Ga\left ( k,\lambda \right )$ .

密度函数:

伽马分布与贝塔分布转换关系_伽马分布期望推导

密度函数图如下所示，

伽马分布与贝塔分布转换关系_伽马分布期望推导

数学期望与方差

$E(X)=\frac{\alpha }{\lambda}; Var(X)=\frac{\alpha }{\lambda^{2}}$

与指数分布 $Exp\left ( \lambda \right )$ 的关系

若形状参数为整数k,则伽马变量可以表示成k个独立同分布的指数变量之和。即，

若 $X\sim Ga\left ( k,\lambda \right )$ ,则 $X= X_{1}+X_{2}+\cdots +X_{k}$ ,其中 $X_{i}\sim Exp\left ( \lambda \right ),\: i=1,2,...,k$ 【独立同分布】

卡方分布 $\chi ^{2}\left ( n \right )$

与伽马分布的关系

称 $\alpha =\frac{n}{2};\: \lambda =\frac{1}{2}$ 的伽马分布为自由度为n的卡方分布，即 $Ga\left ( \frac{n}{2} ,\frac{1}{2}\right )=\chi ^{2}(n)$

密度函数

伽马分布与贝塔分布转换关系_伽马分布期望推导

期望与方差

$E\left ( X \right )=n;\: Var\left ( X \right )=2n$

注：后期再讲数理统计中的t分布与F分布时，再重新细讲卡方分布。参考重要抽样分布：卡方分布（χ2分布）、t分布和F分布

贝塔分布 $Be\left ( \alpha,\beta \right )$

背景

很多比率，比如，产品的不合格率、机器的维修率、某商品的市场占有率、射击的命中率….都是在区间（0，1）上取值的随机变量，可用beta分布来描述这些随机变量

贝塔函数 $B\left ( a,b \right )$

称 $B\left ( a,b \right ) =\int_{0}^{1}x^{a-1}\left ( 1-x \right )^{b-1}\mathrm{d}x$ 为贝塔函数，其中参数伽马分布与贝塔分布转换关系_伽马分布期望推导 $B\left ( a,b \right )=B\left ( b,a \right )$

$B\left ( a,b \right ) =\frac{\Gamma \left ( a \right )\Gamma \left ( b \right )}{\Gamma \left ( a+b \right )}$

密度函数

当 0< x< 1 时，为f(x);否则为0.

伽马分布与贝塔分布转换关系_伽马分布期望推导

其中伽马分布与贝塔分布转换关系_伽马分布期望推导 $\alpha$ ，b就是 $\beta$ 】

伽马分布与贝塔分布转换关系_伽马分布期望推导

贝塔分布是定义在（0，1）区间上的连续概率分布，是伯努利分布和二项式分布的共轭先验分布。

数学期望与方差

$E\left ( X \right )=\frac{a}{a+b};\: Var\left ( X \right )=\frac{ab}{\left ( a+b \right )^{2}\left ( a+b+1 \right )}$

与均匀分布的关系

当 a=b=1 时的贝塔分布就是区间（0，1）上的均匀分布，即 $Be\left ( 1,1 \right )=U\left ( 0,1 \right )$ .

参考 Gamma/伽马函数，伽马分布 ; 伽玛函数

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/234777.html原文链接：https://javaforall.net

伽马分布与贝塔分布转换关系_伽马分布期望推导

伽马函数 <img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="\Gamma \left ( \alpha \right )">

伽马分布 <img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="Ga\left ( \alpha ,\lambda \right )">

背景：

密度函数:

数学期望与方差

与指数分布<img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="Exp\left ( \lambda \right )"> 的关系

卡方分布 <img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="\chi ^{2}\left ( n \right )">

与伽马分布的关系

密度函数

期望与方差

贝塔分布 <img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="Be\left ( \alpha,\beta \right )">

背景

贝塔函数 <img decoding="async" src="https://private.codecogs.com/gif.latex" title="" alt="B\left ( a,b \right )">

密度函数

数学期望与方差

与均匀分布的关系

相关推荐

Python，Anaconda，Pycharm的区别及详细安装步骤

linux重启网卡的命令行,linux系统怎么重启网卡？linux重启网卡的三种教程

深度|常见IT人才外包存在的问题及解决建议

几种更新(Update语句)查询的方法

Maven下载安装

javah 详解_java entity

发表回复

伽马函数 $\Gamma \left ( \alpha \right )$

伽马分布 $Ga\left ( \alpha ,\lambda \right )$

与指数分布 $Exp\left ( \lambda \right )$ 的关系

卡方分布 $\chi ^{2}\left ( n \right )$

贝塔分布 $Be\left ( \alpha,\beta \right )$

贝塔函数 $B\left ( a,b \right )$