伽玛分布

Gamma

概率密度函數
累積分布函數
参数	${\displaystyle k>0\,}$ 形状参数 (实数) ${\displaystyle \theta >0\,}$ 尺度参数 (实数)
值域	${\displaystyle x\in (0;\infty )\!}$
概率密度函数	${\displaystyle x^{k-1}{\frac {\exp {\left(-x/\theta \right)}{\Gamma (k)\,\theta ^{k}\,\!}$
累積分布函數	${\displaystyle {\frac {\gamma (k,x/\theta )}{\Gamma (k)}\,\!}$
期望值	${\displaystyle k\theta \,\!}$
中位數	no simple closed form
眾數	${\displaystyle (k-1)\theta \,\!}$ for ${\displaystyle k\geq 1\,\!}$
方差	${\displaystyle k\theta ^{2}\,\!}$
偏度	${\displaystyle {\frac {2}{\sqrt {k}\,\!}$
峰度	${\displaystyle {\frac {6}{k}\,\!}$
熵	${\displaystyle k+\ln \theta +\ln \Gamma (k)\!}$ ${\displaystyle +(1-k)\psi (k)\!}$
矩生成函数	${\displaystyle (1-\theta \,t)^{-k}\,\!}$ for ${\displaystyle t<1/\theta \,\!}$
特徵函数	${\displaystyle (1-\theta \,i\,t)^{-k}\,\!}$

伽玛分布（英語：Gamma distribution）是統計學的一種連續機率分布。伽玛分佈中的母數α，稱為形狀参数，β稱為尺度参数。

假设X₁, X₂, ... X_n 为连续发生事件的等候时间，且这n次等候时间为独立的，那么这n次等候时间之和Y (Y=X₁+X₂+...+X_n)服从伽玛分布，即 Y~Gamma(α , β)，亦可記作Y~Gamma(α , λ)，其中α = n，而 β 與λ互為倒數關係，λ 表單位時間內事件的發生率。

指数分布為α = 1的伽瑪分布。

有兩種表記方法：

${\displaystyle X\sim \Gamma (\alpha ,\beta )}$或${\displaystyle X\sim \Gamma (\alpha ,\lambda )}$

兩者所表達意義相同，只要將以下式子做${\displaystyle {\color {Red}\lambda ={\frac {1}{\beta }$的替換即可，即，其機率密度函數為：

${\displaystyle f\left(x\right)={\frac {x^{\left(\alpha -1\right)}{\color {Red}\lambda }^{\alpha }e^{\left(-{\color {Red}\lambda }x\right)}{\Gamma \left(\alpha \right)}={\frac {x^{\left(\alpha -1\right)}e^{\left(-{\color {Red}{\frac {1}{\beta }x\right)}{\color {Red}\beta }^{\alpha }\Gamma \left(\alpha \right)}$，x > 0

其中Gamma函数之特徵為：

${\displaystyle {\begin{cases}\Gamma (\alpha )=(\alpha -1)!&{\mbox{if }\alpha {\mbox{ is }\mathbb {Z} ^{+}\\\Gamma (\alpha )=(\alpha -1)\Gamma (\alpha -1)&{\mbox{if }\alpha {\mbox{ is }\mathbb {R} ^{+}\\\Gamma \left({\frac {1}{2}\right)={\sqrt {\pi }\end{cases}$

• Gamma分配的矩母函数（m.g.f）

${\displaystyle M_{x}\left(t\right)=E\left(e^{xt}\right)={\frac {\lambda ^{\alpha }{\Gamma \left(\alpha \right)}\int _{0}^{\infty }e^{xt}x^{\alpha -1}e^{-\lambda x}dx=\left({\frac {\lambda }{\lambda -t}\right)^{\alpha }=\left(1-{\beta }{t}\right)^{-\alpha }$

• 概率母函数（p.g.f）

${\displaystyle K_{x}\left(t\right)=\ln M_{x}\left(t\right)=\alpha \left[\ln \lambda -\ln \left(\lambda -t\right)\right]}$

• 期望值

${\displaystyle {\frac {dK_{x}\left(t\right)}{dt}={\frac {\alpha }{\lambda -t},\quad when(t=0),E\left(X\right)={\frac {\alpha }{\color {Red}\lambda }=\alpha {\color {Red}\beta }$

• 方差

${\displaystyle {\frac {d^{2}K_{x}\left(t\right)}{dt^{2}={\frac {\alpha }{\left(\lambda -t\right)^{2},\quad when(t=0),\sigma ^{2}\left(X\right)={\frac {\alpha }{\color {Red}{\lambda ^{2}=\alpha {\color {Red}{\beta ^{2}$

當兩隨機變數服從Gamma分布，且相互獨立，且母數（${\displaystyle \lambda }$或${\displaystyle \beta }$）相同時，Gamma分布具有可加性。

${\displaystyle \coprod {\begin{cases}r.v.X\sim \Gamma \left({\color {green}\alpha _{1},\lambda \right)\\r.v.Y\sim \Gamma \left({\color {green}\alpha _{2},\lambda \right)\end{cases}\Longrightarrow X+Y\sim \Gamma \left({\color {green}\alpha _{1}+\alpha _{2},\lambda \right)}$

• LDA-math-神奇的Gamma函数（页面存档备份，存于互联网档案馆）
• 分布计算器（页面存档备份，存于互联网档案馆）（英文）