Гамма-распределение
Гамма-распределение в теории вероятностей — это двухпараметрическое семейство абсолютно непрерывных распределений. Если параметр k {displaystyle k} принимает целое значение, то такое гамма-распределение также называется распределением Эрланга.
Определение
Пусть распределение случайной величины X {displaystyle X} задаётся плотностью вероятности, имеющей вид
f X ( x ) = { x k − 1 e − x / θ θ k Γ ( k ) , x ≥ 0 0 , x < 0 , {displaystyle f_{X}(x)=left{{egin{matrix}x^{k-1}{frac {e^{-x/ heta }}{ heta ^{k},Gamma (k)}},&xgeq 0 ,&x<0end{matrix}} ight.,} где Γ ( k ) {displaystyle Gamma (k)} — гамма-функция Эйлера.Тогда говорят, что случайная величина X {displaystyle X} имеет гамма-распределение с положительными параметрами θ {displaystyle heta } и k {displaystyle k} . Пишут X ∼ Γ ( k , θ ) {displaystyle X hicksim Gamma (k, heta )} .
Замечание. Иногда используют другую параметризацию семейства гамма-распределений. Или вводят третий параметр — сдвиг.
Моменты
Математическое ожидание и дисперсия случайной величины X {displaystyle X} , имеющей гамма-распределение, имеют вид
E [ X ] = k θ {displaystyle mathbb {E} [X]=k{ heta }} , D [ X ] = k θ 2 {displaystyle mathbb {D} [X]=k{ heta ^{2}}} .Свойства гамма-распределения
- Если X 1 , … , X n {displaystyle X_{1},ldots ,X_{n}} — независимые случайные величины, такие что X i ∼ Γ ( k i , θ ) , i = 1 , … , n {displaystyle X_{i}sim Gamma (k_{i}, heta ),;i=1,ldots ,n} , то
- Если X ∼ Γ ( k , θ ) {displaystyle X hicksim Gamma (k, heta )} , и a > 0 {displaystyle a>0} — произвольная константа, то
- Гамма-распределение бесконечно делимо.
Связь с другими распределениями
- Гамма-распределение является распределением Пирсона типа III.
- Экспоненциальное распределение является частным случаем гамма-распределения:
- Если X 1 , … , X k {displaystyle X_{1},ldots ,X_{k}} — независимые экспоненциальные случайные величины, такие что X i ∼ E x p ( λ ) , i = 1 , … , k {displaystyle X_{i}sim mathrm {Exp} (lambda ),;i=1,ldots ,k} , то
- Распределение хи-квадрат является частным случаем гамма-распределения:
- Согласно центральной предельной теореме, при больших k {displaystyle k} гамма-распределение может быть приближено нормальным распределением:
- Если X 1 , X 2 {displaystyle X_{1},X_{2}} — независимые случайные величины, такие что X i ∼ Γ ( k i , 1 ) , i = 1 , 2 {displaystyle X_{i}sim Gamma (k_{i},1),;i=1,2} , то
- Распределение Рэлея заменой переменной сводится к гамма-распределению.
- Обычное распределение Вейбулла заменой переменной сводится к гамма-распределению.
- Распределение Накагами заменой переменной сводится к гамма-распределению.
- Естественным обобщением гамма-распределения является усеченное гамма-распределение.
Моделирование гамма-величин
Учитывая свойство масштабирования по параметру θ, указанное выше, достаточно смоделировать гамма-величину для θ = 1. Переход к другим значениям параметра осуществляется простым умножением.
Используя тот факт, что распределение Γ ( 1 , 1 ) {displaystyle Gamma (1,1)} совпадает с экспоненциальным распределением, получаем, что если U — случайная величина, равномерно распределённая на интервале (0, 1], то − ln U ∼ Γ ( 1 , 1 ) {displaystyle {-ln U}sim Gamma (1,1)} .
Теперь, используя свойство k-суммирования, обобщим этот результат:
∑ i = 1 n − ln U i ∼ Γ ( n , 1 ) , {displaystyle sum _{i=1}^{n}{-ln U_{i}}sim Gamma (n,1),}где Ui — независимые случайные величины, равномерно распределённые на интервале (0, 1].
Осталось смоделировать гамма-величину для 0 < k < 1 и ещё раз применить свойство k-суммирования. Это является самой сложной частью.
Ниже приведён алгоритм без доказательства. Он является примером выборки с отклонением.
Подытожим:
θ ( ξ − ∑ i = 1 [ k ] ln U i ) ∼ Γ ( k , θ ) , {displaystyle heta left(xi -sum _{i=1}^{[k]}{ln U_{i}} ight)sim Gamma (k, heta ),}где [k] является целой частью k, а ξ сгенерирована по алгоритму, приведённому выше при δ = {k} (дробная часть k); Ui и Vl распределены как указано выше и попарно независимы.