相互独立的Gamma分布变量之和的分布

最新推荐文章于 2024-05-22 12:57:52 发布
最新推荐文章于 2024-05-22 12:57:52 发布
阅读量469 收藏 10
点赞数 9
文章标签： 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/panghuangang/article/details/135132253
版权

两个变量之和的情况

设随机变量X,Y相互独立，并且X服从参数为\alpha ,\theta的\Gamma分布，记作X\sim \Gamma (\alpha ,\theta )；Y服从参数为\beta ,\theta的\Gamma分布，记作Y\sim \Gamma (\beta ,\theta )，X和Y的概率密度分别为：

f_{X}(x)=\left\{\begin{matrix} \frac{1}{\theta ^{\alpha }\Gamma (\alpha )}x^{\alpha -1}e^{-x/\theta }, x>0 \\ 0,\; \; \; \; \; other \end{matrix}\right. 

其中\alpha >0,\theta >0

 f_{Y}(y)=\left\{\begin{matrix} \frac{1}{\theta ^{\beta }\Gamma (\beta )}y^{\beta -1}e^{-y/\theta }, y>0 \\ 0,\; \; \; \; \; other \end{matrix}\right.

其中\beta >0,\theta >0

那么随机变量Z=X+Y服从参数为\alpha +\beta ,\theta的\Gamma分布，记作X+Y\sim \Gamma (\alpha+\beta ,\theta )。

推广到n个变量之和的情况

设X_{1},X_{2},\cdots ,X_{n}相互独立，且X_{i}服从参数为a_{i},\beta (i=1,2,\cdots ,n)的\Gamma分布，记作X_{i}\sim \Gamma (\alpha_{i} ,\beta )，则

\sum_{i=1}^{n}X_{i}服从参数为\sum_{i=1}^{n}a_{i},\beta (i=1,2,\cdots ,n)的\Gamma分布，记作

\sum_{i=1}^{n}X_{i}\sim \Gamma (\sum_{i=1}^{n}\alpha_{i} ,\beta )

这一性质称为\Gamma分布的可加性。

听海边涛声
关注
  • 9
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
标准柯西分布_柯西分布设独立随机变量X和Y都服从标准正态 – 手机爱问
weixin_42303112的博客
02-12 1216
2018-06-01卡方分布和t分布的方差问题1。设X=Y1^2 Y2^2 Y3^2 。。。 YN^2 其中Yn都是独立的而且服从N(0,1)那么X服从自由度为N的卡方分布那么D(X)=D(Y1^2) D(Y2^2) 。。。 D(YN^2) 因为Yn独立=2N 因为D(Yn^2)=E(Yn^4)-E(Yn^2)=3-1=2其中标准正态分布的四阶期望是3 要么通过公式得出E(Y^n)=(2n)!/(...
边缘分布和随机变量独立性
01-20
离散型随机变量的边缘分布 设二维离散型随机变量(X,Y)(X,Y)(X,Y)的分布律为: P(X=xi,Y=yj)=pij,i,j=1,2…P(X=xi)=∑j=1+∞pij,i=1,2…P(X=x_i,Y=y_j) = p_{ij},\quad i,j=1,2…\\ P(X=x_i) = \sum_{j=1}^{+\infty}p_...
随机数个相互独立的随机变量之和的分布函数
10-06
首先给出随机变量矩母函数M(s)与分布函数一一对应（可逆性）的条件，然后利用重期望法则，得到随机数个相互独立的随机变量之和的矩母函数，对矩母函数求逆即可得到对应的分布函数。
高斯分布与Gamma分布关系
weixin_34199405的博客
11-25 3103
 https://math.stackexchange.com/questions/1917647/proving-ex4-3%CF%834
c语言产生gamma 分布的随机数,笔记：Gamma 分布的转化
weixin_30296995的博客
05-24 1337
Gamma 分布α 和β 均大于零，且令λ=1/β，假设 X 的密度满足：就说 X 是服从参数为 (β,α) 的 Gamma 分布，记为Γ(β,α)。Gamma 分布的两个参数中，第一个β 决定了形状 (shape)，第二个参数α 决定了尺度 (scale)。右上图中的 k 即是α，θ 即是β；期望 E=β/α，方差 D=β/(α*α)。曲线有一个峰，左右不对称。在α 比较大时，曲线接近于正态分布...
用卷积公式计算“独立随机变量之和”的概率分布 Distribution of sum of independent Rayleigh random variables
weixin_38713404的博客
10-26 859
https://math.stackexchange.com/questions/1019375/distribution-of-sum-of-independent-rayleigh-random-variables
概率论——随机变量及其分布
Vicky
11-03 1472
文章目录第一节 随机变量的概念1. 引例2. 数学定义3. 随机变量的分类1. 离散随机变量2. 连续随机变量3. 既非离散，又非连续随机变量第二节 离散随机变量一、离散随机变量的概率分布1. 概率分布表（表格法）2. 离散随机变量的概率函数（公式法）3. 概率函数的性质第三节 常用离散分布一、超几何分布1. 定义2. 利用MATLAB软件计算和绘图二、二项分布1. 定义三、0-1分布1. 定义2. 利用MATLAB软件计算和绘图3. 超几何分布与二项分布之间的关系![在这里插入图片描述](https://
二元随机变量函数的分布
约定的博客
04-14 8039
在前面的文章记录了二元随机变量的定义、离散型二元随机变量的联合分布律/联合概率密度函数、边际分布律/边际概率密度函数、条件分布律/条件概率密度 ，以及对应的 联合分布函数、边际分布函数、条件分布函数。这篇文档介绍二元随机变量函数的分布。 二元随机变量函数的分布=二元随机变量函数的函数=g(X,Y)的分布。二元离散型随机变量函数的分布 　设二元离散型随机变量(X,Y)具有概率分布律P(X=xi,Y
两个独立同分布的指数分布相加服从什么分布
m0_46278609的博客
03-25 4564
为了和上述变量分开（不得不起了个不顺口的名字）。已知指数分布、卡方分布是特殊的Gamma分布，所以。好像是服从Gamma分布，概率论东西快忘光了。拓展一下，用到了分部积分和洛必达法则。，则Z的累积分布函数可表示为。
常见的离散型和连续型随机变量的概率分布
热门推荐
anshuai_aw1的博客
09-12 3万+
目录 1 基本概念 2 离散型随机变量的概率分布 2.1二项分布 2.2超几何分布 2.2.1 概念 2.2.2 举例 2.3泊松分布 3 连续型随机变量的概率分布 3.1均匀分布 3.1.1 概念 3.2 正态分布 3.2.1 概念 3.3指数分布 3.3.1 概念 3.3.2 举例 4 参考文献 1 基本概念 在之前的博文中，已经明...
eviews分布滞后和虚拟变量模型.pptx
05-11
eviews分布滞后和虚拟变量模型
Poisson_泊松分布_随机变量_
10-02
利用产生泊松分布的随机变量的方法发生c语言的泊松分布，再用MATLAB仿真。
随机变量及其分布习题解答
04-20
随机变量及其分布习题解答
Gamma 分布函数可加性证明
u012279165的博客
06-24 2万+
机器学习里很重要的一个分布是Gamma分布，但Gamma分布的可加性推倒比较复杂，先提供手稿如下：
模拟方法（一）
qq_43710593的博客
05-22 214
2. 接受拒绝方法（Accept-Reject Method）：通过生成服从一个辅助分布的随机变量，并与原分布进行比较，接受满足条件的样本并拒绝不满足条件的样本，从而生成符合原分布的随机变量。6. 蒙特卡洛马尔可夫链（Monte Carlo Markov Chain）模拟：利用马尔可夫链的性质，通过随机漫步的方式生成样本，用于估计复杂系统的性质或参数。4. 吉布斯采样（Gibbs Sampling）：用于从联合分布中抽取样本的一种马尔可夫链蒙特卡洛方法，通过依次更新每个变量的取值来生成样本。
WX小程序源码小游戏类
05-28
WX小程序源码小游戏类提取方式是百度网盘分享地址
grpcio-1.47.2-cp310-cp310-musllinux_1_1_x86_64.whl
最新发布
05-28
Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
cryptography-42.0.3-cp37-abi3-musllinux_1_1_x86_64.whl
05-28
Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
耦合markov链和gamma分布的降水模拟
10-31
耦合Markov链和Gamma分布的降水模拟方法利用Markov链模型来描述降水事件的转移过程，同时采用Gamma分布来描述降水量的概率分布。 Markov链模型是一种描述离散时间过程的概率模型，它假设当前状态只与前一个状态有关，与其他状态无关。在降水模拟中，可以将降水事件抽象为一个状态链，状态包括有降水和无降水两种情况。Markov链模型可以从历史观测数据中估计状态转移概率矩阵，该矩阵描述了在给定状态下转移到其他状态的概率。 Gamma分布是一种连续概率分布，它常用于描述正值的随机变量。在降水模拟中，通过拟合Gamma分布参数，可以根据历史观测数据得到降水量的概率分布。同时，Gamma分布的形状参数和尺度参数可以反映降水事件的持续时间和强度。 耦合Markov链和Gamma分布的降水模拟方法的步骤如下： 1. 从历史观测数据中估计Markov链的状态转移概率矩阵。 2. 根据估计的转移概率矩阵构建Markov链模型，模拟生成未来的降水事件序列。 3. 对于每个降水事件，根据历史观测数据拟合Gamma分布，得到降水量的概率分布。 4. 从降水量的概率分布中抽取一个随机值，作为该次降水事件的降水量。 5. 重复以上步骤，模拟生成多个降水事件序列。 6. 将所有模拟生成的降水事件序列汇总，得到最终的降水模拟结果。 通过耦合Markov链和Gamma分布，可以模拟未来的降水事件序列，并得到每个降水事件的降水量概率分布。这种方法能够更准确地反映降水的转移规律和降水量的变化，对气象预测、水资源管理等领域具有重要的应用价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值