Gamma分布

本篇笔记内容来源
概率论与数理统计教程（第三版） 茆诗松 高等教育出版社
数理统计学导论（原书第7版） 机械工业出版社

---

${\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x=1$ 的来源

在数学分析中已经证明，对于 $\alpha >0$ ，积分

$${\int }_0^{\infty }{y}^{\alpha -1}{e}^{-y}\mathrm{d}y$$

存在，且此积分值是正数. 称此积分为 $\alpha >0$ 的伽马函数，写成

$$\Gamma (\alpha )={\int }_0^{\infty }{y}^{\alpha -1}{e}^{-y}\mathrm{d}y$$

通过 $y=\frac{x}{\beta }$ 引入新变量，得

$$\Gamma (\alpha )={\int }_0^{\infty }(\frac{x}{\beta }{)}^{\alpha -1}{e}^{-\frac{x}{\beta }}(\frac{1}{\beta })\mathrm{d}x$$

整理后，得

$$1={\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x$$

---

概率密度函数pdf

$$f(x)=\{\begin{array}{ll}\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }},& 0<x<\infty \\ 0,& 其他\end{array}$$

$\Gamma (\alpha ,\beta )$ 中 $\alpha$ 称为形状参数，$\beta$ 称为反尺度参数.

存在另一种表述：$Ga(\alpha ,\lambda )$. 其中 $\alpha$ 仍为形状参数，$\lambda$ 为尺度参数且 $\lambda =\frac{1}{\beta }$

即 $Ga(\alpha ,\lambda )=\Gamma (\alpha ,\frac{1}{\beta })$

---

期望 $\mu$

就是往 ${\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x=1$ 上面凑

还有伽马函数的性质 $\Gamma (\alpha +1)=\alpha \Gamma (\alpha )$

$$\begin{array}{rl}E(X)& ={\int }_0^{\infty }x\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & =\beta {\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha +1}}{x}^{\alpha }{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & =\alpha \beta {\int }_0^{\infty }\frac{1}{\Gamma (\alpha +1){\beta }^{\alpha +1}}{x}^{\alpha }{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & =\alpha \beta \end{array}$$

---

方差 ${\sigma }^2$

先求 $E(X^2)$，思路跟求期望一样，凑就对了

$$\begin{array}{rl}E(X^2)& ={\int }_0^{\infty }{x}^2\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & ={\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha +1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & ={\beta }^2{\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha +2}}{x}^{\alpha +1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & ={\beta }^2\alpha (\alpha +1){\int }_0^{\infty }\frac{1}{\Gamma (\alpha +2){\beta }^{\alpha +2}}{x}^{\alpha +1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & ={\beta }^2\alpha (\alpha +1)\end{array}$$

方差为

$$\begin{array}{rl}Var(X)& =E(X^2)-[E(X){]}^2\\ & ={\beta }^2\alpha (\alpha +1)-(\alpha \beta {)}^2\\ & =\alpha {\beta }^2\end{array}$$

---

矩母函数mgf

$$\begin{array}{rl}M(t)& =E\left[e^{tX}\right]\\ & ={\int }_0^{\infty }{e}^{tx}\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-\frac{x}{\beta }}\mathrm{d}x\\ & ={\int }_0^{\infty }\frac{1}{\Gamma (\alpha ){\beta }^{\alpha }}{x}^{\alpha -1}{e}^{-x(1-\beta t)/\beta }\mathrm{d}x\end{array}$$

设 $y=x(1-\beta t)/\beta ,t<1/\beta$ ，则 $x=\beta y/(1-\beta t)$ ，得

$$\begin{array}{rl}M(t)& ={\int }_0^{\infty }\frac{\beta /(1-\beta t)}{\Gamma (\alpha ){\beta }^{\alpha }}(\frac{\beta y}{1-\beta t}{)}^{\alpha -1}{e}^{-y}\mathrm{d}y\\ & =(\frac{1}{1-\beta t}{)}^{\alpha }{\int }_0^{\infty }\frac{1}{\Gamma (\alpha )}{y}^{\alpha -1}{e}^{-y}\mathrm{d}y\\ & =(1-\beta t{)}^{-\alpha },t<\frac{1}{\beta }\end{array}$$

---

与指数分布的关系

当 $\alpha =1$ 时，伽马分布就是指数分布，即

$$\Gamma (1,\beta )=Exp(\frac{1}{\beta })$$

---

与 ${\chi }^2$ 分布的关系

当 $\alpha =\frac{n}{2},\beta =2$ 时，伽马分布时自由度为 $n$ 的卡方分布，即

$$\Gamma (\frac{n}{2},2)={\chi }^2(n)$$

---

可加性

设 $X_1,\cdots ,X_n$ 是独立随机变量，对于 $i=1,2,\cdots ,n$ ，假定 $X_i$ 服从 $\Gamma ({\alpha }_i,\beta )$ 分布. 设 $Y={\sum }_{i=1}^n{X}_i$ . 于是，$Y$ 服从 $\Gamma ({\sum }_{i=1}^n{\alpha }_i,\beta )$ 分布

---

特殊性质（伸缩）

设随机变量$X$服从伽马分布$Ga(\alpha ,\beta )$，则当$k>0$时，有$Y=kX\sim \Gamma (\alpha ,k\beta )$ .

（可以通过这个性质将任何伽马分布变为 ${\chi }^2$ 分布）