正态逆伽马分布 NIG

最新推荐文章于 2021-08-13 22:11:13 发布

Churkina_洛

最新推荐文章于 2021-08-13 22:11:13 发布

阅读量7.3k

点赞数 4

本文链接：https://blog.csdn.net/qq_45632433/article/details/105074306

版权

$\Gamma$ 函数

$\Gamma(\alpha)= \int_0^{+\infty}x^{\alpha-1}e^{-x}dx$

$\Gamma$ 分布

含义

指数分布解决的问题是：要等到一个随机事件发生，需要经历多久时间¹
伽玛分布解决的问题是：要等到n个随机事件都发生，需要经历多久时间
伽玛分布可以看作是n个指数分布的独立随机变量的加总，即： $n 个 E x p o n e n t i a l (λ)$ 随机变量 $\rightarrow \Gamma(n,λ）$
泊松分布解决的是：在特定时间里发生n个事件的机率，因此可以理解为“伽玛分布=指数分布＊泊松分布”

概率密度函数

随机变量 $X$ 为一件事发生 $α$ 次所需要的时间，即 $X\sim \Gamma(\alpha,\beta)$ ，其中 $α$ 为形状参数（shape parameter），表示事件发生的次数， $β$ 为尺度参数（scale parameter），表示一次事件发生的频率

密度函数为：
$f(x,\beta,\alpha)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}exp(-\beta x)$

均值和方差为：
$\mu =\frac{\alpha}{\beta}$

$\sigma^2 =\frac{\alpha}{\beta^2}$

特殊形式：

当 $\alpha>1$ 时为指数分布²， $f(x,\beta,\alpha)=\frac{\beta}{\Gamma(1)}x^{0}exp(-\beta x)=\beta·exp(-\beta x)$

t=0:0.1:20;
y=gampdf(t,1,0.5);
plot(t,y);
hold on
y=gampdf(t,2,0.5);
plot(t,y);
y=gampdf(t,3,0.5);
plot(t,y);
y=gampdf(t,5,1);
plot(t,y);
y=gampdf(t,9,2);
plot(t,y);
legend('alpha=1,beta=0.5','alpha=2,beta=0.5','alpha=3,beta=0.5',...
    'alpha=5,beta=1','alpha=9,beta=2')
axis([0 16 0 1])

在这里插入图片描述

逆 $\Gamma$ 分布

若 $\theta ^{-1}$ 满足参数为 $\alpha ，\beta$ 的 $\Gamma$ 分布，则 $\theta$ 满足逆 $\Gamma$ 分布，记为 $X\sim IG(\alpha ,\beta)$ ，逆 $\Gamma$ 分布是正态方差的共轭先验分布

$\theta \sim Inv-Gamma(\alpha,\beta)$

$p(\theta) \sim Inv-Gamma(\theta|\alpha,\beta)$

$shape：\alpha>0，scale：\beta>0$

$p(\theta)=\frac{\beta^\alpha}{\Gamma(\alpha)}\theta^{-\alpha-1}exp( -\frac{\beta}{x})$

$E(\theta) =\frac{\beta}{\alpha-1}$

$Var(\theta) =\frac{\beta^2}{(\alpha-1)^2(\alpha-2)}$

$mode(\theta) =\frac{\beta}{\alpha+1}$

正态逆 $\Gamma$ 分布

Normal-inverse gamma distribution 又称 normal-scaled inverse gamme distriution，是正态分布的先验分布

PDF（概率密度函数）：
$Pr(\mu,\sigma^2)=\frac{\sqrt\gamma}{\sigma\sqrt{2\pi}}\frac{\beta^\alpha}{\Gamma[\alpha]}(\frac{1}{\sigma^2})^{\alpha+1}exp[-\frac{-2\beta+\gamma(\delta-\mu)^2}{2\sigma^2}]$
$Pr(\mu,\sigma^2)=NormInvGam_{\mu,\sigma^2}[\alpha,\beta,\gamma,\delta]$

在这里插入图片描述

$\sigma^2\sim\Gamma^{-1}(\alpha,\beta),\sqrt{\frac{\alpha\lambda}{\beta}}(x-\mu)\sim t(1)$

正态逆高斯分布

概率密度函数
$f_x(x)= \frac{\alpha \delta}{\pi q(x)}·exp[p(x)]·K_1[\alpha q(x)]$

其中： $p(x)=\delta\sqrt{\alpha^2-\beta^2}+\beta(x-\mu)$

$q(x)=\sqrt{\delta^2+(x^2-\mu^2)}$

$K_d(·)$ 为索引为 $d$ 的第二类修正贝塞尔函数

$N I G$ 分布由 $(\alpha,\beta,\mu,\delta)$ 四个参数表征：

参数 $\alpha$ 为特征因子，控制分布衰减速度，越小衰减越慢，拖尾越严重
参数 $\beta$ 为偏斜因子，决定分布偏斜程度
参数 $\mu$ 为平移参数
参数 $\delta$ 为尺度参数

$f_x(x)= \frac{\alpha \delta}{\pi \sqrt{\delta^2+(x^2-\mu^2)}}·exp[\delta\sqrt{\alpha^2-\beta^2}+\beta(x-\mu)]·K_1[\alpha \sqrt{\delta^2+(x^2-\mu^2)}]$
一般为对称分布， $\beta=\mu=0$ ，则概率密度为：
$f_x(x)= \frac{\alpha \delta·exp(\delta\alpha)}{\pi \sqrt{\delta^2+x^2}}·K_1[\alpha \sqrt{\delta^2+x^2}]$