伽马分布

伽马分布

伽玛分布（Gamma Distribution）是统计学的一种连续概率函数。Gamma分布中的参数α称为形状参数（shape parameter），β称为尺度参数（scale parameter）。

假设随机变量X为等到第α件事发生所需之等候时间, 密度函数为

特征函数为

Gamma的可加性
编辑

当两随机变量服从Gamma分布，且单位时间内频率相同时，Gamma

数学表达式

若随机变量X具有概率密度

其中α>0,β>0,则称随机变量X服从参数α，β的伽马分布，记作G(α,β).

性质：

1、β=n，Γ(n,α)就是Erlang分布。Erlang分布常用于可靠性理论和排队论中 ,如一个复杂系统中从第 1 次故障到恰好再出现 n 次故障所需的时间;从某一艘船到达港口直到恰好有 n 只船到达所需的时间都服从 Erlang分布；

2、当α= 1 , β = 1/λ 时，Γ(1,1/λ) 就是参数为λ的指数分布,记为exp (λ) ；

3、当α =n/2 ，β=1/2时，Γ (n/2,1/2)就是数理统计中常用的χ2( n) 分布。

4、数学期望(均值)、方差分别为

对于Γ(a ,β )，E( X) =a/β，D ( X) =α / (β*β)

5、(Gamma 分布的可加性)：设随机变量 X1 , X2 , …, Xn 相互独立，并且都服从Gamma 分布，即Xi ～Γ(αi , β)，i =1 ,2 , …, n , 则：

X1 + X2 + …+ Xn ～ Γ(α1 +α2 + …+αn ,β )

其实你只要记住了Gamma function $Gamma(alpha) = int_0^infty t^{alpha-1}e^{-t}dt$
做积分变换 $t = eta x$ ，可得 $Gamma(alpha,eta) = eta^alphaint_0^infty x^{alpha-1}e^{-xeta}dx$ ，从而
$frac{1}{Gamma(alpha,eta) } eta^alphaint_0^infty x^{alpha-1}e^{-xeta}dx = 1$
那么Gamma distribution 就很好记了。

并且伽马分布与一大坨分布有着暧昧的关系，比如：
Erlang distribution、Chi-squared distribution、Exponential distribution、Beta distribution、Normal distribution

最后来个分布族谱图：

Gamma分布即为多个独立且相同分布（iid）的指数分布变量的和的分布。
（最新修改，希望能够行文布局更有逻辑）

——————泊松过程——————
指数分布和泊松分布的关系十分密切，是统计学中应用极大的两种分布。
其中泊松过程是一个显著应用。

泊松过程是一个计数过程，通常用于模拟一个（非连续）事件在连续时间中发生的次数。
${N(t):tgeq 0}$ 为一个泊松过程，则其满足三个性质：
① $N(0)=0$ （t=0时什么都没发生）

② $N(t+s)-N(t)$ （增量）之间互相独立：
扩展补充： $N(t+1)-N(t)$ 与 $N(t)-N(t-1)$ 互相独立，且在计数过程中
$Pr(N(t+1)=n_{t+1}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=n_{t+1}|N(t)=n_{t})$
这是因为
$Pr(N(t+1)=n_{t+1}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=N(t)+n_{t+1}-n_{t}|N(t)=n_{t},N(t-1)=n_{t-1},...,N(1)=n_{i})$
$=Pr(N(t+1)=n_{t+1}|N(t)=n_{t})$

③ $Pr(N(t+s)-N(s)=n)=Pr(N(t)=n)=e^{-lambda t} frac{(lambda t )^{n}}{n!}$
即 $N(t) sim Poi(lambda t)$
根据增量独立性，易知其成立。

——————泊松→指数——————
假设 $T_{i}$ 为第 $i-1$ 次事件与第 $i$ 次事件的间隔时间。
$Pr(T_{1}>t)=Pr(N(t)=0)=e^{-lambda t}$
所以 $T_{1} sim Exp(lambda)$

$Pr(T_{i}>t|T_{i-1}=s)=Pr(N(t+s)-N(s)=0)=e^{-lambda t}$
所以 $T_{i} sim Exp(lambda)$

即泊松过程的事件间隔时间为指数分布。

——————指数→Gamma—————
再令 $S_{n}=sum_{i=1}^{n}{T_{i}}$ ，即从头开始到第 $n$ 次事件的发生的时间，该随机变量分布即为Gamma分布。
即 $S_{n} sim Gamma(n,lambda )$ 。
Gamma分布即为多个独立且相同分布（iid）的指数分布变量的和的分布。

——————证明——————
假设 $X_{1},X_{2},X_{3},...X_{n}sim Exp(lambda )$ 且互相独立

①Moment Generating Function（MGF）：
MGF的定义为 $M_{X}(t)=E[e^{tX} ]=1+tX+frac{t^{2}X^{2}}{2!} +frac{t^{3}X^{3}}{3!}+...frac{t^{n}X^{n}}{n!}+...$
则 $E[X^{n}]=M_{X}^{(n)} (0)=frac{d^{n}M_{X}(t)}{dt} |_{t=0}$
其性质为 $M_{X+Y}(t)=M_{X}(t) imes M_{Y}(t)$

下证：
$X_{i} sim Exp(lambda)Leftrightarrow M_{X_{i}}(t)=(1-frac{t}{lambda} )^{-1}$
$S=sum_{i=1}^{n}{X_{i}}$
则 $M_{S}(t)=prod_{i=1}^{n} M_{X_{i}}(t)=prod_{i=1}^{n} (1-frac{t}{lambda} )^{-1}=(1-frac{t}{lambda} )^{-n}$
为Gamma分布的MGF。
MGF:Moment-generating function

②数学归纳法：
已知 $Gamma(1,lambda)=Exp(lambda)$
所以当 $n=1$ 时成立。
假设 $nleq k$ 时 $S_{n}=sum_{i=1}^{n}{X_{i}} sim Gamma(n,lambda )$ 成立
当 $n=k+1$ 时，
$S_{k+1}=S_{k}+X_{k+1}$
其中 $S_{k} sim Gamma(k,lambda), X_{k+1} sim Exp(lambda)$
$Pr(S_{k+1}=x)$
$=int_{0}^{x} Pr(S_{k}=y)Pr(X_{k+1}=x-y)dy$
$=int_{0}^{x} frac{lambda^{k}}{Gamma (k)} y^{k-1}e^{-lambda y} imes lambda e^{-lambda (x-y)}dy$
$=frac{lambda^{k+1}}{Gamma (k)}e^{-lambda x}int_{0}^{n} y^{k-1}dy$
$=frac{lambda^{k+1}}{Gamma (k)}e^{-lambda x} frac{y^{k}}{k}|_{y=0}^{n}$
$=frac{lambda^{k+1}}{Gamma (k+1)}x^{k}e^{-lambda x}$
为 $Gamma(k+1, lambda)$ 的pdf。证毕。

当然，Gamma分布与Beta，Chi-square分布也有着十分紧密的联系，不过在统计学应用中都不如与指数分布的联系来得重要。
相关阅读:
检查SQL Server 2005的索引密度和碎片信息(转)
数据库系统异常排查之DMV（转)
sql server性能分析--执行sql次数和逻辑次数
 sql语句优化
 C#获取文件夹下的所有文件的文件名
 siebel学习笔记-应用／数据访问控制
 FlexPaper实现文档在线浏览(附源码)
C# Process.WaitForExit()与死锁
 前端网站
 微信小程序
原文地址：https://www.cnblogs.com/think-and-do/p/6593065.html

Gamma的可加性