KNOWECON WIKI

ARTICLE

Gamma分布

Gamma分布 (Gamma Distribution) Gamma分布是概率论与统计学中的核心连续概率分布族，由形状参数 >0和尺度参数 >0（或率参数 =1/ ）决定。它是指数分布和卡方分布的自然推广，在贝叶斯统计中作为共轭先验、在可靠性工程中建模寿命数据、在排队论中描述等待时间，应用极为广泛。 定义与参数化 设X Gamma( , )，其概率密度函数为

浏览 0 更新 2025-10-27

Gamma分布 (Gamma Distribution)

Gamma分布是概率论与统计学中的核心连续概率分布族，由形状参数α>0\alpha>0和尺度参数θ>0\theta>0（或率参数β=1/θ\beta=1/\theta）决定。它是指数分布和卡方分布的自然推广，在贝叶斯统计中作为共轭先验、在可靠性工程中建模寿命数据、在排队论中描述等待时间，应用极为广泛。

定义与参数化

设X∼Gamma(α,β)X\sim\text{Gamma}(\alpha,\beta)，其概率密度函数为：

f(x;α,β)=βαΓ(α)xα−1e−βx,x>0f(x;\alpha,\beta)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x},\quad x>0

其中Γ(α)=∫0∞tα−1e−tdt\Gamma(\alpha)=\int_0^\infty t^{\alpha-1}e^{-t}dt为Gamma函数，正整数nn处Γ(n)=(n−1)!\Gamma(n)=(n-1)!。等价地用尺度参数θ=1/β\theta=1/\beta表达。形状参数α\alpha控制形态：0<α<10<\alpha<1时密度在x=0x=0处发散并单调递减；α=1\alpha=1退化为指数分布；α>1\alpha>1呈单峰，众数为(α−1)/β(\alpha-1)/\beta；α\alpha增大趋近正态分布。

矩与性质

矩母函数：M(t)=(1−t/β)−α,  t<βM(t)=(1-t/\beta)^{-\alpha},\;t<\beta。关键数字特征：

E[X]=αβ=αθ,Var(X)=αβ2=αθ2E[X]=\frac{\alpha}{\beta}=\alpha\theta,\quad \text{Var}(X)=\frac{\alpha}{\beta^2}=\alpha\theta^2
偏度=2α,峰度=3+6α\text{偏度}=\frac{2}{\sqrt{\alpha}},\quad \text{峰度}=3+\frac{6}{\alpha}

累积分布函数为F(x)=γ(α,βx)/Γ(α)F(x)=\gamma(\alpha,\beta x)/\Gamma(\alpha)（γ\gamma为下不完全Gamma函数），无闭式解。Gamma分布具有可加性：若独立Xi∼Gamma(αi,β)X_i\sim\text{Gamma}(\alpha_i,\beta)（同率参数），则∑Xi∼Gamma(∑αi,β)\sum X_i\sim\text{Gamma}(\sum\alpha_i,\beta)。

与其他分布的关系

指数分布：Gamma(1,β)=Exp(β)\text{Gamma}(1,\beta)=\text{Exp}(\beta)。kk个i.i.d.指数变量之和∼Gamma(k,β)\sim\text{Gamma}(k,\beta)，即Erlang分布——描述了泊松过程第kk次事件到达的等待时间。

卡方分布：Gamma(k/2,1/2)=χ2(k)\text{Gamma}(k/2,1/2)=\chi^2(k)。若Zi∼i.i.d.N(0,1)Z_i\stackrel{\text{i.i.d.}}{\sim}N(0,1)则∑Zi2∼χ2(k)\sum Z_i^2\sim\chi^2(k)。这是正态分布抽样理论的基石。若独立X∼Gamma(α1,β),Y∼Gamma(α2,β)X\sim\text{Gamma}(\alpha_1,\beta),Y\sim\text{Gamma}(\alpha_2,\beta)，则X/(X+Y)∼Beta(α1,α2)X/(X+Y)\sim\text{Beta}(\alpha_1,\alpha_2)，用于Dirichlet分布的构造。

贝叶斯共轭先验

Gamma分布是贝叶斯分析的核心共轭族：泊松率参数先验λ∼Gamma(α,β)\lambda\sim\text{Gamma}(\alpha,\beta)结合数据Xi∼Poisson(λ)X_i\sim\text{Poisson}(\lambda)得后验Gamma(α+∑Xi,β+n)\text{Gamma}(\alpha+\sum X_i,\beta+n)；指数率参数类似得Gamma(α+n,β+∑Xi)\text{Gamma}(\alpha+n,\beta+\sum X_i)；正态精度τ=1/σ2\tau=1/\sigma^2取Gamma先验，后验亦为Gamma，构成正态-伽马共轭体系。α,β→0\alpha,\beta\to0对应Jeffreys先验。

参数估计

给定i.i.d.样本，矩估计得初值α~=Xˉ2/s2,  β~=Xˉ/s2\tilde{\alpha}=\bar{X}^2/s^2,\;\tilde{\beta}=\bar{X}/s^2。最大似然估计：β^=α^/Xˉ\hat{\beta}=\hat{\alpha}/\bar{X}代入对数似然后对α\alpha做Newton-Raphson迭代，涉及digamma函数ψ(α)=dlog⁡Γ/dα\psi(\alpha)=d\log\Gamma/d\alpha。贝叶斯估计需MCMC（如Metropolis-Hastings）。

应用

排队论中服务时间常以Gamma建模（整数α\alpha对应Erlang阶段服务）；可靠性工程作为寿命分布；精算学用于索赔额建模；金融随机波动率中波动率倒数常取Gamma分布以刻画波动聚集与厚尾。