【概率分布】伽玛分布(Gamma)超详细解析

gamma分布_轻松理解gamma分布 gamma函数与gamma分布上一篇讲到了gamma函数,今天讲一下gamma分布。既然二者的名字都含有gamma,必然是有联系的。我们先从gamma函数来讲gamma分布,完全是从数学的角度,然后再从概率统计的角度来看gamma分布。我们已经知道,gamma函数的一般形式是其中a为实数,x>=0。接下来我们基于gamma函数生成一个概率密度函数(probability density fu... 阅读详情

概率分布之伽玛分布(Gamma)超详细解析

伽玛分布是概率论与数理统计中核心的连续型概率分布,是指数分布的推广,广泛应用于排队论、可靠性工程、保险精算、机器学习回归建模等领域。本文从通俗理解、数学性质、公式推导、Python实现到实际应用,层层拆解伽玛分布,语言通俗易懂,适配本科生理论学习和研究生科研/工程实践。

一、伽玛分布的通俗理解

1. 核心定义

伽玛分布用于描述多次独立随机事件发生的累积等待时间/累积效应,简单来说:伽玛分布是多个独立同分布的指数分布随机变量的和。

指数分布描述的是单次随机事件发生的等待时间(如单个顾客到达的时间间隔、单个零件的故障时间),而伽玛分布则是将k次这样的独立等待时间累加,描述完成k次事件所需的总等待时间。

2. 经典应用案例

结合实际场景能快速理解伽玛分布的核心意义,典型应用如下:

  • 排队现象:银行顾客到达的时间间隔服从指数分布,那么“等待第5个顾客到达的总时间”就服从伽玛分布;
  • 设备故障:单台机器部件的故障时间服从指数分布,那么“机器经历3个部件依次故障的总运行时间”就服从伽玛分布;
  • 保险精算:单次理赔的发生时间服从指数分布,那么“保险公司接到10次理赔的总时间”可通过伽玛分布建模;
  • 自然现象:地震的发生间隔服从指数分布,那么“某区域发生4次地震的累积时间”可用伽玛分布描述。

3. 核心思想

伽玛分布的本质是“累加独立的指数分布随机变量”,聚焦于“完成k次事件的总耗时”,而非单次事件的耗时,这也是它与指数分布最核心的区别。

二、伽玛分布的核心数学性质

伽玛分布是双参数分布,由形状参数和尺度参数唯一确定,所有性质、公式均围绕这两个参数展开,先明确核心参数和基本特征,再深入公式推导。

1. 分布参数

伽玛分布记为 X∼Gamma(k,θ)X \sim \text{Gamma}(k, \theta)X∼Gamma(k,θ)(也有教材记为Gamma(α,β)\text{Gamma}(\alpha, \beta)Gamma(α,β),α=k\alpha=kα=k为形状参数,β=θ\beta=\thetaβ=θ为尺度参数),两个参数的物理意义和对分布的影响非常明确:

  • 形状参数 kkk(α\alphaα):控制分布的整体形状,核心对应累加的指数分布变量个数;
    • 当 k=1k=1k=1 时,伽玛分布退化为指数分布(单次事件的等待时间);
    • 随着 kkk 增大,分布从“右偏严重”逐渐变得接近对称(钟形),但始终保留轻微正偏特性;
    • kkk 越大,分布的峰值越靠右,整体越平缓。
  • 尺度参数 θ\thetaθ(β\betaβ):控制分布的伸缩程度,反映单次事件等待时间的平均尺度;
    • θ\thetaθ 越大,分布越“扩散”,图形向右拉长;
    • θ\thetaθ 越小,分布越“集中”,图形向左收缩;
    • 尺度参数不改变分布的整体形状,仅改变量纲和扩散程度。

2. 基本特征

伽玛分布作为连续型分布,有4个核心特征,是判断数据是否适合用伽玛分布建模的关键:

  1. 支持域为正实数:仅定义在 x>0x>0x>0 范围内,只能描述非负的连续随机变量(时间、距离、金额等),这与实际应用场景高度契合;
  2. 天生正偏分布:通常呈右偏形态(低值处概率密度陡峭下降,高值处有长尾),仅当 kkk 足够大时接近对称,严格来说无完全对称的伽玛分布;
  3. 参数解释直观:形状参数对应“事件次数”,尺度参数对应“单次事件的平均尺度”,无需复杂转换即可与实际问题对应;
  4. 包容性强:指数分布是伽玛分布的特例(k=1k=1k=1),后续学习的卡方分布也是伽玛分布的特例(k=n/2,θ=2k=n/2, \theta=2k=n/2,θ=2,n为卡方分布的自由度)。

3. 核心统计量(期望、方差)

伽玛分布的期望和方差公式简单易记,直接由两个参数决定,无需复杂计算,是工程应用和科研中最常用的统计量:

  • 数学期望(均值):E[X]=k⋅θE[X] = k \cdot \thetaE[X]=k⋅θ
    物理意义:完成k次事件的平均总等待时间,等于“事件次数”乘以“单次事件的平均等待时间”,符合直观认知;
  • 方差:Var(X)=k⋅θ2Var(X) = k \cdot \theta^2Var(X)=k⋅θ2
    物理意义:总等待时间的离散程度,与事件次数和单次尺度的平方均正相关;
  • 标准差:σ(X)=θ⋅k\sigma(X) = \theta \cdot \sqrt{k}σ(X)=θ⋅k​。

举例:若某银行顾客到达的平均间隔为2分钟(指数分布,θ=2\theta=2θ=2),那么等待5个顾客到达的总时间服从Gamma(5,2)\text{Gamma}(5,2)Gamma(5,2),其平均总时间E[X]=5×2=10E[X]=5×2=10E[X]=5×2=10分钟,方差Var(X)=5×22=20Var(X)=5×2^2=20Var(X)=5×22=20,标准差σ=20≈4.47\sigma=\sqrt{20}≈4.47σ=20​≈4.47分钟。

三、伽玛分布的核心公式与推导

伽玛分布的公式推导涉及伽玛函数和卷积定理,是本科生的难点、研究生的基础考点,本节用通俗的语言拆解推导过程,兼顾理论严谨性和理解性。

1. 前置知识:伽玛函数(Γ(z)\Gamma(z)Γ(z))

伽玛分布的命名源于伽玛函数,它是阶乘函数的推广,解决了“非整数的阶乘”问题,也是伽玛分布概率密度函数的归一化核心。

(1)伽玛函数的定义

对正实数 z>0z>0z>0,伽玛函数的定义为反常积分:
Γ(z)=∫0∞xz−1e−xdx\Gamma(z)=\int_{0}^{\infty} x^{z-1} e^{-x} d xΓ(z)=∫0∞​xz−1e−xdx
该积分在 z>0z>0z>0 时收敛,是伽玛分布的数学基础。

(2)伽玛函数的核心性质
  • 递推关系:Γ(z+1)=z⋅Γ(z)\Gamma(z+1) = z \cdot \Gamma(z)Γ(z+1)=z⋅Γ(z),这是伽玛函数最核心的性质;
  • 正整数特例:当 zzz 为正整数时,Γ(n)=(n−1)!\Gamma(n) = (n-1)!Γ(n)=(n−1)!,完美衔接阶乘(如Γ(5)=4!=24\Gamma(5)=4!=24Γ(5)=4!=24,Γ(1)=0!=1\Gamma(1)=0!=1Γ(1)=0!=1);
  • 特殊值:Γ(1/2)=π\Gamma(1/2) = \sqrt{\pi}Γ(1/2)=π​,常用于后续概率计算。

2. 概率密度函数(PDF)

伽玛分布的概率密度函数是描述其分布形态的核心,给出了任意 x>0x>0x>0 处的概率密度,公式为:
f(x;k,θ)=xk−1e−x/θθkΓ(k),x>0f(x ; k, \theta)=\frac{x^{k-1} e^{-x / \theta}}{\theta^{k} \Gamma(k)}, \quad x>0f(x;k,θ)=θkΓ(k)xk−1e−x/θ​,x>0
其中:

  • kkk:形状参数,θ\thetaθ:尺度参数;
  • Γ(k)\Gamma(k)Γ(k):伽玛函数,用于归一化,保证概率密度函数在 x>0x>0x>0 上的积分和为1;
  • e−x/θe^{-x/\theta}e−x/θ:指数衰减项,继承了指数分布的特征;
  • xk−1x^{k-1}xk−1:幂次项,控制分布的峰值位置和形状。
PDF推导过程(从指数分布累加出发)

伽玛分布是k个独立同分布的指数分布变量的和,推导的核心是卷积定理,分3步拆解:

步骤1:定义独立的指数分布变量

设 X1,X2,...,XkX_1,X_2,...,X_kX1​,X2​,...,Xk​ 是k个独立同分布的指数分布随机变量,单次指数分布的概率密度为:
fX(x)=1θe−x/θ,x≥0f_{X}(x)=\frac{1}{\theta} e^{-x / \theta}, \quad x \geq 0fX​(x)=θ1​e−x/θ,x≥0
其中 θ\thetaθ 为指数分布的尺度参数(平均等待时间)。

令总等待时间 Y=X1+X2+...+XkY = X_1+X_2+...+X_kY=X1​+X2​+...+Xk​,我们需要求Y的分布。

步骤2:利用卷积定理求累加分布

卷积定理是求“独立随机变量和的分布”的核心方法,对于两个变量的和,卷积公式为:
fY2(y)=∫0yfX1(x)fX2(y−x)dxf_{Y_2}(y)=\int_{0}^{y} f_{X_1}(x) f_{X_2}(y-x) d xfY2​​(y)=∫0y​fX1​​(x)fX2​​(y−x)dx
其中 Y2=X1+X2Y_2=X_1+X_2Y2​=X1​+X2​。

对k个变量反复应用卷积定理,最终可得到k个指数变量和的概率密度:
fY(y)=1θk⋅yk−1e−y/θ(k−1)!f_Y(y) = \frac{1}{\theta^k} \cdot \frac{y^{k-1} e^{-y/\theta}}{(k-1)!}fY​(y)=θk1​⋅(k−1)!yk−1e−y/θ​

步骤3:引入伽玛函数完成归一化(推广到非整数k)

上述结果仅适用于k为正整数的情况(因用到了阶乘(k−1)!(k-1)!(k−1)!),为了让分布适用于非整数k(如k=2.5k=2.5k=2.5,表示半次事件的累积效应,实际应用中常见),用伽玛函数替换阶乘:Γ(k)=(k−1)!\Gamma(k)=(k-1)!Γ(k)=(k−1)!(k为正整数)。

替换后得到通用的伽玛分布概率密度函数,且通过积分可验证:
∫0∞xk−1e−x/θθkΓ(k)dx=1\int_{0}^{\infty} \frac{x^{k-1} e^{-x / \theta}}{\theta^{k} \Gamma(k)} dx = 1∫0∞​θkΓ(k)xk−1e−x/θ​dx=1
满足概率密度函数的归一化条件,适用于所有k>0,θ>0k>0, \theta>0k>0,θ>0的情况。

3. 累积分布函数(CDF)

伽玛分布的累积分布函数 F(x;k,θ)F(x;k,\theta)F(x;k,θ) 表示随机变量X≤x的概率,即总等待时间不超过x的概率,公式为:
F(x;k,θ)=1Γ(k)γ(k,xθ),x>0F(x ; k, \theta)=\frac{1}{\Gamma(k)} \gamma\left(k, \frac{x}{\theta}\right), \quad x>0F(x;k,θ)=Γ(k)1​γ(k,θx​),x>0
其中 γ(s,x)\gamma(s, x)γ(s,x) 为不完全伽玛函数,定义为:
γ(s,x)=∫0xts−1e−tdt\gamma(s, x)=\int_{0}^{x} t^{s-1} e^{-t} d tγ(s,x)=∫0x​ts−1e−tdt

关键说明
  1. 不完全伽玛函数是非初等积分,无法用初等函数表示,实际应用中需通过数值计算(如Python的scipy库)求解;
  2. CDF是单调递增的连续函数,从0上升到1,适用于计算“总等待时间不超过/超过某值”的概率(如P(X>10)=1−F(10;k,θ)P(X>10)=1-F(10;k,\theta)P(X>10)=1−F(10;k,θ));
  3. 当k为正整数时,不完全伽玛函数可转化为泊松分布的累积概率,简化计算。

四、伽玛分布的Python实现(数据生成+可视化)

理论结合代码是掌握伽玛分布的关键,本节基于Python的NumPy(数据生成)、Matplotlib(可视化)、Scipy.stats(统计计算)实现伽玛分布的核心操作,代码注释完整,本科生可直接运行理解,研究生可基于此拓展到实际科研。

1. 伽玛分布数据生成与PDF可视化

实现模拟伽玛分布样本,并绘制经验直方图与理论PDF曲线,直观展示分布形态,验证模拟数据与理论分布的一致性。

完整代码
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gamma  # 导入伽玛分布模块

np.random.seed(42)  # 设置随机种子,保证结果可复现

# 1. 设置伽玛分布参数
shape = 2.0  # 形状参数k
scale = 2.0  # 尺度参数theta
sample_size = 1000  # 模拟样本量

# 2. 生成伽玛分布随机样本
data = np.random.gamma(shape=shape, scale=scale, size=sample_size)

# 3. 绘制可视化图:经验直方图 + 理论PDF曲线
plt.figure(figsize=(10, 6))
# 绘制经验直方图(density=True表示归一化为概率密度)
plt.hist(data, bins=30, density=True, alpha=0.6, color='skyblue', label='Empirical Data')
# 生成理论PDF的x轴和y轴数据
x = np.linspace(0, np.max(data), 1000)  # x轴范围:0到样本最大值
pdf = gamma.pdf(x, a=shape, scale=scale)  # 计算理论概率密度
# 绘制理论PDF曲线
plt.plot(x, pdf, 'r-', lw=2, label='Theoretical Gamma PDF')

# 4. 图表美化
plt.xlabel('Value (x) - 累积等待时间', fontsize=12)
plt.ylabel('Probability Density - 概率密度', fontsize=12)
plt.title('Gamma Distribution (k=2, θ=2) - Empirical vs Theoretical', fontsize=14)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()

# 5. 计算并输出分布的期望和方差
exp = gamma.mean(a=shape, scale=scale)  # 理论期望
var = gamma.var(a=shape, scale=scale)    # 理论方差
print(f'伽玛分布的理论期望:{exp:.2f}')
print(f'伽玛分布的理论方差:{var:.2f}')
print(f'模拟样本的均值:{np.mean(data):.2f}')
print(f'模拟样本的方差:{np.var(data):.2f}')
结果分析
  1. 可视化结果:经验直方图与理论PDF曲线高度重合,说明模拟的随机样本完全符合伽玛分布的特征;
  2. 数值结果:模拟样本的均值和方差与理论值几乎一致(因样本量足够大),验证了期望和方差公式的合理性;
  3. 分布形态:本案例中k=2,θ=2,分布呈右偏形态,峰值出现在x=kθ−θ=2x=k\theta-\theta=2x=kθ−θ=2附近(伽玛分布的众数为(k−1)θ(k-1)\theta(k−1)θ,k>1时)。

2. 关键拓展:调整参数看分布形态变化

只需修改代码中的shape和scale参数,即可直观看到参数对分布的影响:

  • 当shape=1.0,scale=2.0时,伽玛分布退化为指数分布,PDF曲线呈指数衰减;
  • 当shape=10.0,scale=2.0时,k足够大,分布接近对称的钟形,长尾特性减弱;
  • 当shape=2.0,scale=5.0时,θ增大,分布向右扩散,峰值位置右移。

五、伽玛分布的实际应用:伽玛回归模型(机器学习)

伽玛分布在机器学习/统计建模中最核心的应用是伽玛回归,专门用于处理响应变量为正实数且呈右偏分布的数据(如保险赔付金额、医学生存时间、销售额、故障时间等),这类数据无法用普通线性回归有效建模(普通线性回归假设残差正态分布),而伽玛回归能完美适配。

本节基于Python的scikit-learn实现伽玛回归,包括模拟数据生成、模型训练、预测与评估,适配研究生的科研和工程实践。

1. 伽玛回归的核心适用场景

伽玛回归是**广义线性模型(GLM)**的一种,核心适用条件:

  1. 响应变量(因变量y)恒正,且呈右偏分布;
  2. 自变量(X)与因变量(y)呈非线性关系;
  3. 残差服从伽玛分布。

典型应用领域:保险精算(赔付金额预测)、医疗统计(生存时间预测)、电商运营(销售额预测)、可靠性工程(故障时间预测)。

2. 伽玛回归的Python实现(基于TweedieRegressor)

scikit-learn中通过TweedieRegressor实现伽玛回归,只需设置power=2(表示响应变量服从伽玛分布),link='log'(对数链接函数,适配非线性关系)。

完整代码
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import TweedieRegressor
from sklearn.metrics import mean_squared_error  # 模型评估指标

np.random.seed(42)  # 固定随机种子,结果可复现

# 步骤1:生成模拟数据(y为正实数,右偏,与X呈非线性关系)
n_samples = 1000  # 样本量
X = np.random.uniform(0, 10, n_samples).reshape(-1, 1)  # 自变量:0-10的均匀分布,形状为(n,1)
a, b = 0.5, 2.0  # 非线性模型参数
# 因变量:y = 0.5*X² + 2 + 伽玛分布噪声(模拟实际数据的右偏特性)
noise = np.random.gamma(shape=2.0, scale=2.0, size=n_samples)  # 伽玛噪声
y = a * X.flatten()**2 + b + noise  # 展平X,避免维度错误

# 步骤2:划分训练集和测试集(8:2)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 步骤3:构建并训练伽玛回归模型
# power=2:伽玛分布;link='log':对数链接函数;alpha=0.5:正则化系数;max_iter=1000:最大迭代次数
gamma_reg = TweedieRegressor(power=2, alpha=0.5, link='log', max_iter=1000)
gamma_reg.fit(X_train, y_train)  # 训练模型

# 步骤4:模型预测与评估
y_pred = gamma_reg.predict(X_test)  # 测试集预测
mse = mean_squared_error(y_test, y_pred)  # 计算均方误差(MSE)
print(f'伽玛回归模型的测试集MSE:{mse:.2f}')

# 步骤5:可视化预测值与真实值的对比
plt.figure(figsize=(10, 6))
plt.scatter(X_test, y_test, color='blue', alpha=0.6, label='True Values', s=20)  # 真实值
plt.scatter(X_test, y_pred, color='red', alpha=0.6, label='Predicted Values', s=20)  # 预测值
# 图表美化
plt.xlabel('Independent Variable X', fontsize=12)
plt.ylabel('Dependent Variable y', fontsize=12)
plt.title('Gamma Regression: True Values vs Predicted Values', fontsize=14)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()
结果分析
  1. 模型评估:MSE值越小,模型预测效果越好,本案例中MSE约为8左右,预测效果较好;
  2. 可视化结果:红色预测点与蓝色真实点的分布趋势高度一致,说明伽玛回归能有效拟合正偏、非线性的伽玛分布数据;
  3. 核心优势:若用普通线性回归建模本案例的数据,会因残差非正态、数据右偏导致预测效果极差,而伽玛回归能完美适配这类数据。

3. 伽玛回归的实际应用技巧

  1. 链接函数选择:常用link='log'(对数链接),避免预测值为负(因响应变量恒正);
  2. 正则化系数:alpha参数用于防止过拟合,可通过交叉验证(GridSearchCV)选择最优值;
  3. 数据预处理:无需对响应变量做标准化/归一化(伽玛回归对量纲不敏感),只需保证y>0;
  4. 模型对比:与泊松回归、负二项回归对比,伽玛回归更适用于连续型右偏因变量,后两者适用于计数型右偏因变量。

六、伽玛分布与指数分布、卡方分布的关系

伽玛分布作为包容性极强的连续分布,是指数分布和卡方分布的母分布,明确三者的关系能帮助梳理概率分布的知识体系,也是本科生的考点、研究生的基础:

  1. 与指数分布的关系:当伽玛分布的形状参数k=1时,Gamma(1,θ)\text{Gamma}(1, \theta)Gamma(1,θ) 退化为指数分布Exp(θ)\text{Exp}(\theta)Exp(θ),概率密度为f(x)=1θe−x/θf(x)=\frac{1}{\theta}e^{-x/\theta}f(x)=θ1​e−x/θ;
  2. 与卡方分布的关系:当伽玛分布的k=n/2,θ=2时,Gamma(n/2,2)\text{Gamma}(n/2, 2)Gamma(n/2,2) 退化为卡方分布χ2(n)\chi^2(n)χ2(n)(n为自由度),卡方分布是伽玛分布在统计检验中的特殊形式;
  3. 核心规律:指数分布→伽玛分布→卡方分布,是特例→一般→特例的关系,伽玛分布是连接两者的核心。

七、总结

  1. 核心定义:伽玛分布是k个独立指数分布随机变量的和,描述完成k次事件的累积等待时间,是指数分布的推广;
  2. 参数与特征:双参数(形状k、尺度θ),支持域为x>0,天生正偏,k=1时退化为指数分布,期望kθk\thetakθ,方差kθ2k\theta^2kθ2;
  3. 核心公式:概率密度函数基于伽玛函数归一化,累积分布函数为不完全伽玛函数,需数值计算;
  4. Python实现:通过np.random.gamma生成样本,scipy.stats.gamma计算PDF/CDF,TweedieRegressor实现伽玛回归;
  5. 实际应用:广泛用于排队论、可靠性工程、保险精算,伽玛回归是处理正偏连续数据的最优模型之一;
  6. 知识体系:伽玛分布是连接指数分布和卡方分布的核心,掌握伽玛分布能打通连续型离散分布的知识脉络。

伽玛分布的学习重点是“参数的物理意义”和“与实际问题的结合”,本科生需重点掌握理论定义、公式和基础可视化,研究生则需拓展到伽玛回归建模、实际数据拟合和科研应用,将理论转化为解决实际问题的能力。

拓展学习:掌握伽玛分布后,可进一步学习贝塔分布(Beta)、狄利克雷分布(Dirichlet),三者共同构成连续型概率分布的核心体系,广泛应用于贝叶斯统计、机器学习等领域。

正态逆伽马分布 NIG 我也不知道 阅读详情

相关推荐

Python实现12种概率分布(附代码)

今天给大家带来的这篇文章是关于机器学习的,机器学习有其独特的数学基础,我们用微积分来处理变化无限小的函数,并计算 它们的变化;我们使用线性代数来处理计算过程;我们还用概率论与统计学建模不确定性。 在这其中,概率论有其独特的地位,模型的预测结果、学习过程、学习目标都可以通过概率的角度来理解。 与此同时,从更细的角度来说,随机变量的概率分布也是我们必须理解的内容。在这篇文章中,项目作者介绍了所有你需要了解 的统计分布,他还提供了每一种分布的实现代码。 项目地址:https://github.com/grayk

xff123456_的博客 4800

理解伽马分布

在本文中,我们将探讨统计学中的基本概率分布之一“伽马分布”。我们将揭示它在连续随机变量建模中的重要性,并将其与泊松分布进行对比。通过了解其参数,例如形状和速率,并深入研究实际示例,例如预测患者到达牙科诊所。

gongdiwudu的专栏 1万+

matlab伽玛分布如何表示,matlab绘制gamma曲线

Matlab绘制频散曲线程序代码_数学_自然科学_专业资料。function disper %绘制平板频散曲线 %tic clc;clear; cl=5790;%材料纵波波速(钢板) cs=3200;%材料横波波速(......MATLAB作图是通过描点、连线来实现的,故在 画一个曲线图形之前,必须先取得该图形上的 一系列的点的坐标(即横坐标和纵坐标),然 后将该点集的坐标传给MATLAB.......

weixin_27427619的博客 2631

Gamma 分布和Beta 分布简介

1. Gamma 函数 1.1 首先要了解一下Gamma 函数。 Gamma 函数在实数域可以表示为: Γ(x)=∫0∞tx−1e−tdt\Gamma(x)=\int_0^{\infty} t^{x-1}e^{-t}dtΓ(x)=∫0∞​tx−1e−tdt; 在整数域可以表示为: Γ(n)=(n−1)!\Gamma(n)=(n-1)!Γ(n)=(n−1)!。 此外,Gamma 函数具有如下性质: ...

Wisimer 3万+

Gamma分布

Gamma函数可以看作是整数阶乘在实数上的扩展,其定义为 Γ(a)=∫∞0xa−1e−xdx. \Gamma(a) = \int_0^\infty x^{a-1}e^{-x}dx\,. 使用部分积分法,可以得到 Γ(n)=(n−1)!\Gamma(n)=(n-1)! 对Gamma函数进行变换,可以得到 ∫∞0xa−1e−xΓ(a)dx=1. \int_0^\infty \frac {x

mayan_you的专栏 5163

gamma分布的推导与理解

伽马分布的推导与理解

scott198512的博客 2万+

gamma函数stiriling公式_神奇的伽玛函数 | 伽玛函数和伽玛分布……

伽玛函数(Gamma函数),也叫欧拉第二积分,是阶乘函数在实数与复数上扩展的一类函数。伽玛函数在分析学、概率论、偏微分方程和组合数学中有重要的应用。我们通常看到的伽玛函数是这样的:这到底是个什么东西?有什么用?欧拉又是怎么发现它的?  欧拉大神1伽玛函数的起因发现伽玛函数的起因是数列插值。数列插值问题,通俗地说就是把数列的通项公式从整数定义域扩展到实数。例如数列1,4,9,16,.......

weixin_39525313的博客 2713

JLINK/SWD/STLINK下载选项区别

摘要: 本文对比了JLINK/SWD/STLINK的6种下载模式:Normal(硬件复位)、Hot plug(无复位)、Under reset(持续复位后连接)、Software reset(软件复位)、Hardware reset(全复位)和Core reset(内核复位)。重点分析了各模式的操作逻辑、适用场景及注意事项,其中Under reset模式是解决SWD禁用/程序异常的首选方案。通过对比表归纳了复位范围、NRST操作等核心差异,并给出场景选择建议:排查连接问题优先选Under reset,常规调

亚洲程序员盟主得博客 398

伽玛分布matlab_神奇的伽玛函数 | 伽玛函数和伽玛分布……

伽玛函数(Gamma函数),也叫欧拉第二积分,是阶乘函数在实数与复数上扩展的一类函数。伽玛函数在分析学、概率论、偏微分方程和组合数学中有重要的应用。我们通常看到的伽玛函数是这样的:这到底是个什么东西?有什么用?欧拉又是怎么发现它的?  欧拉大神1伽玛函数的起因发现伽玛函数的起因是数列插值。数列插值问题,通俗地说就是把数列的通项公式从整数定义域扩展到实数。例如数列1,4,9,16,.......

weixin_39821605的博客 3329

从注册到投稿:一步步教你完成KBS期刊的在线投稿流程(最新版)

本文详细介绍了如何完成KBS期刊的在线投稿流程,从账号注册到最终提交的全过程。特别针对初次使用Elsevier投稿系统的研究者,提供最新版系统的操作指南,包括投稿要求、文件格式、作者信息管理等关键步骤,帮助研究者顺利投稿至这一人工智能领域的知名期刊。

egg99的博客 1605

Win64 驱动内核编程-16.WFP网络监控驱动(防火墙)

WFP驱动监控网络 WFP是微软推出来替代TDIHOOK、NDISHOOK等拦截网络通信的方案,WFP的框架非常庞大,在RING3和RING0各有一套类似的函数,令人兴奋的是,即使在R3使用WFP,也可以做到全局拦截访问网络。由于WFP的范围太广,实在难以一言概括,感...

墨鱼菜鸡 1033

【Math】math.gamma() 函数:计算伽玛函数(Gamma function)的值

在Python的 math 模块中,math.gamma函数用于计算伽玛函数(Gamma function)的值。伽玛函数是一个数学函数,广泛用于概率统计和特殊函数中。

彬彬侠的博客 1871

别再手动算了!用Excel函数一键搞定AQI和首要污染物分析(附完整公式模板)

本文介绍如何利用Excel函数自动化计算AQI和首要污染物分析,大幅提升数据处理效率。通过构建标准化输入模板、智能计算IAQI、自动判定AQI与首要污染物,并生成可视化仪表盘,帮助环保工作者快速完成每日监测报告。

weixin_30443075的博客 346

伽玛分布 Gamma Distribution

Gamma Distribution

DreamABCDEF的博客 3590

STM32G474的HRTIM实战:用CubeMX配置互补PWM驱动全桥电路(附移相算法代码)

本文详细介绍了如何使用STM32G474的HRTIM高分辨率定时器,通过CubeMX配置互补PWM驱动全桥电路,并附移相算法代码。内容涵盖HRTIM硬件架构解析、CubeMX配置全流程、移相控制算法实现及调试技巧,为数字电源和电机控制领域提供实用解决方案。

weixin_27017211的博客 486

DSI3协议介绍

分布式系统接口(DSI)是一种通用且功能强大的总线协议,旨在将多个遥感器和执行器设备互连到中央控制模块。该网络的主要目标应用是汽车安全系统。这种应用的一些特点是需要低成本、高鲁棒性、中速互连,仅限于两根导线。此外,它必须具有故障安全性、确定性和良好的EMC特性。即使具有所有级别的智能和可编程性的设备都可以连接到网络,远程设备也必须能够通过简单的状态机实现。由于模块尺寸非常重要,因此中央模块和远程单元中的最小组件至关重要。

汽车电子软件领域知识分享 1万+

神奇的伽玛函数

  伽玛函数(Gamma函数),也叫欧拉第二积分,是阶乘函数在实数与复数上扩展的一类函数。伽玛函数在分析学、概率论、偏微分方程和组合数学中有重要的应用。   我们通常看到的伽玛函数是这样的:   这到底是个什么东西?有什么用?欧拉又是怎么发现它的?   欧拉大神 伽玛函数的起因   发现伽玛函数的起因是数列插值。数列插值问题,通俗地说就是把数列的通项公式从整数定义域扩展到实数。例...

我是8位的 1万+

Fakra连接器封装的PCB处理方式分析与总结

以往的项目中,关于Fakra连接器封装焊盘的PCB处理方式一直未有明确的规则定义,不同的处理方式,产生的效果各不相同,严重影响到设计的一致性,为此,本文针对这一设计上的缺陷进行了量化分析: 以十层板设计为例,分别从插入损耗(IL)、回波损耗(RL)、特性阻抗(Z0)三个维度进行了分析对比,最终,总结出适合的PCB设计规则,并且,该规则也适用于十层以外的叠构设计。

一只豌豆象的博客 2239

ML 系列:第 27 节 - 连续概率分布(Gamma分布)

在这篇博文(第 27 节)中,我们将探讨Gamma 分布,这是一种用途广泛且应用广泛的连续概率分布。了解 Gamma 分布对于贝叶斯统计至关重要。这篇文章将介绍数学定义、关键属性、实际应用以及如何使用 Python 实现和可视化 Gamma 分布。

gongdiwudu的专栏 3332

工商银行软件开发中心数据安全监测溯源防护体系建设成果及展望

结合业界先进溯源理念和我行管理要求,依托大数据、分布式搜索分析引擎等技术,构建PB级海量数据加工分析和小时级快速核验、检索、溯源手段(如图6所示),支撑6种客户敏感信息关键要素的单一或组合溯源,形成行之有效的数据安全溯源流程,配套落地自动化快速泄露样本真实性核验和灵活高效的溯源能力,通过数据相关属性的自动化分析,实现追踪泄露源头、明确泄露路径的目标,为有效应对数据安全事件,降低和消除风险与不良影响,开展事后追责处置工作提供体系化解决方案。提高数据排查的自动化程度和排查效率,降低人工成本。

银行信息系统应用架构详解 227

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

基于MATLAB的泊松分布,正态分布与伽玛分布(附完整代码与例题)

根据概率论,事件之间的时间间隔应符合伽玛分布,由于时间间隔可以是任意数值,因此伽玛分布是一种连续概率分布。MATLAB本身非常适合用来处理向量和矩阵,所以,如果输入的x为一个向量的话,那么输出的y则是x各个点处的概率密度函数值。为(-1,1),(0,0.1),(0,1),(0,10),(1,1)时,正态分布的概率密度函数与分布函数曲线。为(1,1),(1,0.5),(2,1),(1,2),(3,1)时伽玛分布的概率密度函数与分布函数曲线。根据对称轴的值,也就是均值的大小可以对应曲线代表的正态分布。

forest_LL的博客 6348

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

matlab 伽玛分布的随机数生成和概率分布函数

随机数生成 gamrnd(a,1/b,[矩阵]) 生成一个满足伽玛分布的矩阵,伽玛分布的形状参数a,逆尺度参数b。期望为a/b。 概率分布函数 gamcdf(m,a,1/b),伽玛分布的形状参数a,逆尺度参数b。返回值为伽马概率分布函数,取m时的值,或者说是伽马概率密度函数从0到m的积分。 ...

weixin_49890257的博客 6212

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

基于MATLAB的泊松分布,正态分布与伽玛分布(附完整代码与例题

观察相邻两个事件之间时间间隔的分布情况,或者隔k个事件的时间间隔的分布情况。根据概率论,事件之间的时间间隔应符合伽玛分布,由于时间间隔可以是任意数值,因此伽玛分布是一种连续概率分布。为(-1,1),(0,0.1),(0,1),(0,10),(1,1)时,正态分布的概率密度函数与分布函数曲线。为(1,1),(1,0.5),(2,1),(1,2),(3,1)时伽玛分布的概率密度函数与分布函数曲线。%给定x,mu,sigma的值,就可以直接求该点的概率密度值。

2401_84140023的博客 2354

gamma分布_泊松分布、指数分布、gamma分布

概率分布相关内容:1 概率密度2 期望与协方差3 一元高斯分布[1]4 多元高斯分布[2]5 高斯混合简介6 gamma函数、digamma函数、beta函数7 伯努利分布、beta分布、Dirichlet分布本文主要包含以下内容:1 泊松分布2 泊松分布近似二项分布3 指数分布4 gamma分布1 泊松分布泊松分布(poisson distribution),以Simeon Denis...

weixin_39566387的博客 5025

如何推导出Gamma分布

Gamma分布 Problem 随机事件T在单位时间内发生的平均频数是λ,求事件T发生第α次所需要的时间所服从的分布。 求解 首先将问题离散化,设单位时间为1,将单位时间拆分成N等份,当N足够大时可以假定在每个时间间隔上事件T只有发生和没有发生2种可能,其中发生的概率为,于是乎,第α次发生所经历的时间间隔总数N的服从概率为:对F求微分,即可得到时间x的概率分布很明显,伽马分布可以看作是指数分布的推...

u010592244的专栏 9465
上一篇: 【概率分布】几何分布超详细解析
下一篇: 【概率分布】均匀分布的原理、推导与Python实现
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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