gamma分布_负二项分布及其应用

本文深入探讨负二项分布,从伯努利过程视角理解其定义,通过几何分布的和解释负二项分布的形成。讨论了负二项分布与泊松分布的极限关系,指出负二项分布可以作为泊松分布的稳健替代。在计数建模中,负二项回归因能处理过dispersion现象而更广泛应用,尤其在基因组学等领域。
摘要由CSDN通过智能技术生成

本文是一篇手记,记录了我对负二项分布及其应用的理解。目录如下:

e08b3783d28a83ac4b6096fc7c36e49f.png

1.理解"负"的含义

知乎回答有提到: https://www. zhihu.com/question/2425 3978?sort=created
文档中有提到: http://www. johndcook.com/negativeb inomial.pdf
负二项级数: https:// brilliant.org/wiki/nega tive-binomial-theorem/

负是指负二项级数,但实际上,“负”除了告诉我们负二项分布的由来,对理解其直观意义并无帮助。

根据组合数定义:

把组合数定义带入下面的式子((1-q)^-r是负二项级数):

2.理解定义1:伯努利过程视角

https://www. johndcook.com/blog/comp uting_binomial_coefficients/

定义1完全是基于负二项级数得到的,从伯努利过程的视角出发,也能自然的能理解负二项分布;

实际上,负二项分布描述的是第r次成功前失败的次数,记为k,那么有:

2.1.理解其作为sum of i.i.d geom

一旦理解了定义1,很自然的就可以理解为什么sum of i.i.d geom 是 负二项分布:

因为几何分布刻画的是在多次伯努利试验中,第一次成功前所经历的失败次数。

2.2.理解其期望/方差/MGF的推导 done

推导链接参考: https:// statisticalmodeling.wordpress.com /2011/07/28/the-negative-binomial-distribution/

理解了sum of i.i.d geom 是 NB后,NB的很多数字特征是可以通过geom推导出来的。

包括:

期望/方差/MGF

假设由r个i.i.d的几何分布相加,得到了NB(r,p),那么期望与方差可以写作:

MGF:

只需要从几何分布的期望/方差/MGF出发就能得到上面的结果。

2.3.理解定义1的拓展

由于gamma函数在整数时恰好等于整数-1的阶乘,即:

因此,可以把组合数的定义式利用gamma函数对定义1进行拓展,这样使得r得取值范围在整个正实数范围。即:

# failures before r-th succe

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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