不同分布所表示的物理含义
需要注意的是,尽管存在各种各样不同的分布,但他们能够称为分布的前提条件是积分和代表概率,等于1。
泊松分布
问题对象:在特定时间里发生n个事件的概率
P ( N ( t ) = n ) = ( λ t ) n e − λ t n ! P\left( {N\left( t \right) = n} \right) = \frac{{{{\left( {\lambda t} \right)}^n}{e^{ - \lambda t}}}}{{n!}} P(N(t)=n)=n!(λt)ne−λt
其中 λ \lambda λ 代表事件发生频率,即单位事件内事件的发生率。
指数分布
问题对象:要等到一个随机事件发生,需要经历的时间
指数分布的公式可从泊松分布推断出来,即
P ( X > t ) = P ( N ( t ) = 0 ) = ( λ t ) 0 e − λ t 0 ! = e − λ t P\left( {X > t} \right) = P\left( {N\left( t \right) = 0} \right) = \frac{{{{\left( {\lambda t} \right)}^0}{e^{ - \lambda t}}}}{{0!}} = {e^{ - \lambda t}} P(X>t)=P(N(t)=0)=0!(λt)0e−λt=e−λt
指数分布依赖的参数 λ \lambda λ代表λ 表单位时间内事件的发生率。
伽马分布
问题对象:要等到n个随机事件发生,需要经历的时间
假设X1, X2, … Xn 为连续发生事件的等候时间,且这n次等候时间为独立的,那么这n次等候时间之和Y (Y=X1+X2+…+Xn)服从伽玛分布,即
Y
∼
Γ
(
α
,
β
)
Y \sim \Gamma(\alpha, \beta)
Y∼Γ(α,β),亦可记作
Y
∼
Γ
(
α
,
λ
)
Y \sim \Gamma(\alpha, \lambda)
Y∼Γ(α,λ),
f
(
x
)
=
x
α
−
1
λ
α
Γ
(
α
)
e
−
λ
x
,
x
>
0
f\left( x \right) = \frac{{{x^{\alpha - 1}}{\lambda ^\alpha }}}{{\Gamma \left( \alpha \right)}}{e^{ - \lambda x}},x > 0
f(x)=Γ(α)xα−1λαe−λx,x>0
其中α = n,而 β 与λ互为倒数关系,λ 表单位时间内事件的发生率。另外,参数
α
\alpha
α代表形状参数,
β
\beta
β代表尺度参数。
因此,伽马分布可看作是n个指数分布的独立随机变量的加和,而指数分布为 α = 1 \alpha=1 α=1的伽马分布。
附录:
伽马函数
自变量
z
z
z为实部为正的复数:
Γ
(
z
)
=
∫
0
∞
t
z
−
1
e
−
t
d
t
,
R
e
(
z
)
>
0
\Gamma \left( z \right) = \int_0^\infty {{t^{z - 1}}{e^{ - t}}dt} ,{\mathop{\rm Re}\nolimits} \left( z \right) > 0
Γ(z)=∫0∞tz−1e−tdt,Re(z)>0
自变量
α
\alpha
α为正实数:
Γ
(
α
)
=
∫
0
∞
t
α
−
1
e
−
t
d
t
\Gamma \left( \alpha \right) = \int_0^\infty {{t^{\alpha - 1}}{e^{ - t}}dt}
Γ(α)=∫0∞tα−1e−tdt
伽马函数存在以下结论:
{
Γ
(
α
)
=
(
α
−
1
)
!
,
α
∈
Z
+
Γ
(
α
)
=
(
α
−
1
)
Γ
(
α
−
1
)
,
α
∈
R
+
Γ
(
1
2
)
=
π
\left\{ \begin{array}{l} \Gamma \left( \alpha \right) = \left( {\alpha - 1} \right)!,\alpha \in {Z^ + }\\ \Gamma \left( \alpha \right) = \left( {\alpha - 1} \right)\Gamma \left( {\alpha - 1} \right),\alpha \in {R^ + }\\ \Gamma \left( {\frac{1}{2}} \right) = \sqrt \pi \end{array} \right.
⎩⎨⎧Γ(α)=(α−1)!,α∈Z+Γ(α)=(α−1)Γ(α−1),α∈R+Γ(21)=π
其他分布
负二项分布:
https://www.jianshu.com/p/ef6ffa83a242