Γ函数及Γ分布,t分布,ϰ分布和费舍尔分布
摘要
在概率统计中,有这样一类连续型分布,可以用他们来通过一组相互独立且期望,方差相同的事件来确定他们的发生的概率和数学期望。在这里我们主要介绍Γ分布以及被他们引出的χ分布,t分布和fisher分布.
说到Γ分布,就不得不说他的一个重要的组成部分,Γ函数。大约在1728年,著名的数学家哥德巴赫在研究数列插值的问题的时候引入了这样一个重要的函数,自此,这个函数在数学分析和概率论等方面占有了重要的地位,它也可以使用欧拉第二类积分定义,它的一般通式如下所示:Γ(z)=∫∞0e−ttz−1dx\Gamma(z)=\int_0^\infty e^{-t}t^{z-1}dx
1.Γ函数及其相关性质
想要知道Γ分布的相关知识,我们先要来看一看Γ函数的有关性质.首先,我们对这样一个函数使用分布积分法,可以得到Γ(n)=(n−1)∗Γ(n−1)\Gamma(n)=(n-1)*\Gamma(n-1),这是一个相当重要的性质,因为由此我们可以写出Γ函数在整数域内的公式 Γ(n)=(n−1)!∀n∈ℕ\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N ,而由著名的欧拉反射公式,我们可以求出Γ(0.5)=π‾‾√\Gamma(0.5)=\sqrt{\pi}(欧拉反射公式在此不再说明)
2.Γ分布函数及其相关性质
知道了Γ函数的一点小性质,接下来我们开始定义Γ分布,我们在左右两侧同时除以Γ(a),再将Γ函数的主元a=bx,则可以得到Γ分布的概率分布函数F(a,b)=∫∞0baxa−1e−bxΓ(a)dxF(a,b)=\int_0^\infty \frac{b^ax^{a-1}e^{-bx}}{\Gamma(a)}dx ,由我们得到的方式可以知道其是一种概率模型。
一般地,我们称a为Γ分布的形状参数,b为Γ分布的尺度参数。
下面我们来求一些Γ分布有关的一些有意思的性质:
数学期望:更一般的,我们来求函数的k阶矩的一般公式:
E(x^k)=\int_0^\infty x^k\frac{b^ax^{a-1}e^{-bx}}{\Gamma(a)}dx
提取出常数项在将其使用数学归纳法查找规律之后,我们可以得到下面的公式:
E(x^k)=\frac{\Gamma(a+k)}{\Gamma(a)b^k}
这样我们可以很快得到Γ分布的数学期望和方差:
E(x)=\frac{a}{b},D(x)=\frac{a}{b^2}
多个Γ分布的和分布:
若有一个序列的随机分布量x1 Γ(a1,b),...xn Γ(an,b)x_1~\Gamma(a_1,b),...x_n~\Gamma(a_n,b) 则他们的和分布满足下面的公式:
x_1+x_2+...x_n~\Gamma(a_1+..a_n,b)
对于这样一个性质,我们想要证明的话,n个随机变量的和显然是很难处理的,我们可以采用概率母函数的方法化和为积,从而证明这一性质。这里就不再叙述。
3.由Γ分布引出的其他分布
知道了Γ分布,我们再来看看 ϰ2\varkappa^2分布的一点性质,我们知道,这个分布是由标准正态分布引入的,这个时候,我们再看看标准正态分布的概率密度函数f(x)=e−x222π√f(x)=\frac{e^{-\frac{x^2}{2}}}{\sqrt{2\pi}},我们会发现,其实这个分布就是Γ分布的一种, 即实际上ϰ2(1)\varkappa^2(1)分布满足Γ(0.5,0.5)\Gamma(0.5,0.5)
很显然, 分布满足Γ分布所具有的一切性质,我们也可以由此求出他的概率密度函数,数学期望和方差。在此也不再叙述。
F分布:F分布于1924年由英国的统计学家Fisher先生发现,这个分布关联两种具有不同自由度的ϰ2\varkappa^2分布,其概率密度函数为f(m,n)=x/my/nf(m,n)=\frac{x/m}{y/n} ,其中x,y的自由度分别为m,n我们也可以使用Γ函数的相关性质来求出这一分布的相关性质。
T分布: 这一分布由英国人威廉葛塞先生于1908年发现,但是,当时他所工作的酒厂不愿意其将他研究的数据发表,但允许其使用匿名发表他的理论成果,于是,威廉先生在他的论文中使用了笔名student,为了纪念这一创举,这则分布又被称为学生氏分布。
学生氏分布的概率密度函数如下所示:
T=\frac{X}{\sqrt{\frac{1}{n}(x_1+x_2+...+x_n)}}
我们同样使用Γ函数的相关性质来得到T分布的相关性质。
结语
对于这三种分布,其根源均来自于Γ函数,这一在微积分和概率统计领域具有重要地位的函数,研究这些函数的性质已经成为了现代统计学的重要课题之一,吸引着越来越多的研究者的关注。
参考文献
[1] Dunham, William. Euler: The Master of Us All. The Mathematical Association of America. 1999: pp. 17.
[2] 维基百科: 伽马函数. 2015
[3] DeGroot, Morris H., and Mark J. Schervish(2003). Probability and Statistics. 3rd ed. Pearson Addison Wesley pp.30.
Γ函数及Γ分布,t分布,ϰ分布和费舍尔分布相关推荐
- R语定义函数对宽分布(wide distribution )、有偏分布(skew distribution)的数据进行对数变换(符号对数变换函数、signed log transformation)
R语言自定义函数对宽分布(wide distribution ).有偏分布(skew distribution)的数据进行对数变换(符号对数变换函数.signed log transformation ...
- 狄利克雷分布公式_Dirichlet Distribution(狄利克雷分布)与Dirichlet Process(狄利克雷过程)...
Dirichlet Distribution(狄利克雷分布)与Dirichlet Process(狄利克雷过程) Dirichlet Distribution(狄利克雷分布)与Dirichlet Pr ...
- 如何通俗理解 beta分布、汤普森采样和狄利克雷分布
如果想理解汤普森采样算法,就必须先熟悉了解贝塔分布. 一次伯努利实验(比如扔硬币,二元变量)叫做伯努利分布(Bernoulli distribution).多次伯努利实验叫做二项式分布(Binomia ...
- AI-蛋白质-结构预测-2020:AlphaFold【输入:氨基酸序列】【输出:结构的性质(氨基酸之间两两的距离分布,氨基酸链的夹角分布)】【根据预测的性质构建约束,从而求解出拓扑结构】
注意:这是关于AlphaFold的算法详细解析,而不是AlphaFold2的 注意:带斜体句子的是个人推测,不确定是否和论文对应. 作为一个计算机专业的算法从业人员,一直对AlphaFold[1]的算 ...
- 干货| 详解狄利克雷分布(LDA)、二项分布、Beta分布、多项分布
最近在撰写笔记 [Sklearn源码学习笔记](含官网样例解读)无监督学习之高斯混合模型 的过程中,官方Sklearn源码中BayesianGaussianMixture()方法涉及到狄利克雷分布相关 ...
- t分布 u分布 卡方分布_中心极限定理|z分布|t分布|卡方分布
生物统计学 抽样分布:n个样本会得到n个统计量,将这n个统计量作为总体,该总体的分布即是抽样分布 根据辛钦大数定律,从一个非正态分布的总体中抽取的含量主n的样本,当n充分大时,样本平均数渐近服从正态分 ...
- 考研:研究生考试(七天学完)之《概率与统计》研究生学霸重点知识点总结之考试内容各科占比及常考知识重点梳理(随机事件和概率、一维随机变量及其分布、多维随机变量及其分布、随机变量的数字特征、大数定律和中心
考研:研究生考试(七天学完)之<概率与统计>研究生学霸重点知识点总结之考试内容各科占比及常考知识重点梳理(随机事件和概率.一维随机变量及其分布.多维随机变量及其分布.随机变量的数字特征.大 ...
- c语言产生gamma 分布的随机数,笔记:Gamma 分布的转化
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 ...
- 随机变量的概率,离散型随机变量及其分布,连续型随机变量及其分布、分布函数,离散型的分布函数,连续型的分布函数
随机变量的概率,离散型随机变量及其分布,连续型随机变量及其分布.分布函数,离散型的分布函数,连续型的分布函数 一.随机变量的概念 二.离散型随机变量及其概率分布 三.连续型随机变量及其概率密度函数 概 ...
最新文章
- 自动删除指定文件夹下N天前文件的批处理
- R语言读取出现 列的数目比列的名字要多的解决方法
- 【图像分类】 基于Pytorch的多类别图像分类实战
- Json.net/Newtonsoft 3.0 新特性JObject/Linq to Json
- Android应用程序管理系列(一)——管理对象封装概述
- 一个专业搬砖人的幻想:全国实现旬休制度
- 网络服务器主机和普通家用电脑主机的区别在哪里?
- 计算机网络的雏形为,计算机网络的发展雏形是什么(图文)
- CSS —— 层叠样式表
- java中 int、char、long各占多少字节数
- Android 在线视频播放器(Vitamio)
- 自学前端第二十九天 CSS高级之细节技巧
- Linux一个父进程创建两个子进程
- 一种将 Tree-LSTM 的强化学习用于连接顺序选择的方法
- 90天入门UE引擎开发--学习日记(60/100)
- 中国台湾芯片工程师挣多少钱?
- CSU2112 Wells的明星生活 预处理BFS二分
- opencv step()函数
- Android 手机版本查询
- Matlab中使用符号工具箱求解变上限函数积分及其向量化运算