神奇的gamma函数,gamma函数求值

  神奇的gamma函数,gamma函数求值

  (x)=0tx 1e TDT

  对应于scipy(python库):从scipy.special导入gamma

  通过分布积分的方法,推导如下:

  (x 1)=0 txe TDT=0 txd(e t)=[txe t 0 x0 tx1e TDT]=x(x)

  该函数的递归性质可以如下获得:

  (x 1)=x(x)(5 1)120.0 5 *(5)120.0

  所以很容易证明( (1)=1, (n)=(n1) (n1)), (x)函数可以看作是阶乘在实数集上的延续,并具有以下性质:

  (n)=(n1)! (n)与B(m,n)的关系

  B (m,n)= 10xm1 (1x) N1DXB (m,n)= (m) (n) (m n)从二项式分布到伽玛分布

  通过稍微改变伽马函数的定义,可以获得下面的等式:

  0x1e x()dx=1

  然后

取积分中的函数作为概率密度

(概率密度函数,PDF),得到最简单形式的伽马分布的密度函数:

  伽马(x )=x1e x()

  如果再做一次变换x=t,就会得到更一般形式的伽马分布:

  (t ,)=t1et()

  称为形状参数,主要决定分布曲线的形状,称为速率参数(或者反标度参数,1称为标度参数),主要决定曲线有多陡。

  

Gamma 分布与Possion 分布

  伽马分布首先与泊松分布(离散型)和泊松过程密切相关。很容易发现伽玛分布的概率密度在数学形式上与泊松分布高度一致。参数为的泊松分布,其概率质量函数(pmf)为:

  possion(X=k )=kek!

  伽马分布的密度(=k ^ 1,=1)给出:

  伽马(x =k 1)=xe x(k 1)=xke xk!

  所以两种分布在数学形式上是一致的,只是泊松分布是离散的,伽马分布是连续的,

可以直观地认为Gamma分布是Possion分布在正实数集上的连续化版本

  我们在概率论与数理统计的课程中已经了解到,在np=,n的条件下,泊松()分布可以看作二项分布B(n,p)的极限分布:

  b(k;n,p)=(nk)pk(1p)nknp=,npoisson(x=knp)=kek!

  如果你足够关注二项分布,你可能知道二项分布的随机变量XB(n,p)满足下面这个精彩的

恒等式

:

  P(Xk)=n!k!(n k1)!1 ptk(1t)nk1dt

  我们在等式的右边进行变换t=xn,得到:

  p(Xk)====n!k!(n k1)!nnp(xn)k(1 xn)n k 1d(xn)nnp(n 1)!k!(n k1)!(xn)k(1 xn)n k1dxnnp(n1k)(xn)k(1 xn)n k1dxnnpB(k;n1,xn)dxnnpB(Y=k n1,xn)dx

  上式左边是二项分布B(n,p)的累积密度函数(cdf),右边是无限个二项分布B (n1,xn)的积分和,所以可以写成:

  B(Xkn,p)=nnpB(Y=k n 1,xn)dx

  在np=,n的条件下,取上式两边的极限,你会得到:

  泊松(Xk )=泊松(Y=k X)dx=xke xk!高级的(deluxe的简写)

  讲到这里,我们不妨暂停一下。我们使用scipy进行简单的验证:

  将scipy.stats作为ST from scipy . misc import factorial from scipy import integrate LMBDA,k=2,6X=ST . Poisson(2)# X ~ Poisson(2)print(X . CDF(K))# P(X=K)def Poisson _ pdf(X,K):return X * * K * NP . exp(-X)/factorial(K)print(integrate . quad(possion _ pdf,lmbda,np.inf,args=(K))[0)# 0.9956666

  泊松(Xk )=泊松(Y=k X)dx=xke xk!高级的(deluxe的简写)

  这个方程就是著名的

Poisson-Gamma duality

。接下来,我们来找点乐子。取上式两边0处的极限,左边的泊松分布表示至少K个事件的概率。当0时,没有事件可以再次发生,所以P(Xk)=0,所以:

  1=lim0xke xk!dx=0x ke xk!高级的(deluxe的简写)

  积分公式说明f (x)=xkexk!在实数集合上,是一个概率密度函数(pdf),而这个函数恰好是

Gamma分布

(gamma (x )=x 1ex (),=k ^ 1)(

也即我们通过二项分布,再根据泊松定理,推导出了最后的Gamma分布

)。让我们继续把K放在上式的右边!向左移动,你会得到:

  k!=0x ke xdx

  所以我们得到了K!表示积分的方法(也就是从现在开始我们可以计算3.5的阶乘)。

  好吧,文章够长,公式够复杂。下面重点讲一下

阶乘在正实数轴上的连续化(或者叫插值)

的实现,这个已经很明显了。

神奇的gamma函数,gamma函数求值