Гамма- распределение является двухпараметрическим семейством кривых. Гамма-распределение моделирует суммы экспоненциально распределенных случайных переменных и обобщает как хи-квадрат, так и экспоненциальные распределения.
Statistics and Machine Learning Toolbox™ предлагает несколько способов работы с гамма- распределением.
Создайте объект распределения вероятностей GammaDistribution
подгонкой распределения вероятностей к выборочным данным (fitdist
) или путем настройки значений параметров (makedist
). Затем используйте функции объекта, чтобы вычислить распределение, сгенерировать случайные числа и так далее.
Работа с гамма- распределением в интерактивном режиме с помощью приложения Distribution Fitter. Можно экспортировать объект из приложения и использовать функции объекта.
Используйте специфичные для распределения функции (gamcdf
, gampdf
, gaminv
, gamlike
, gamstat
, gamfit
, gamrnd
, randg
) с заданными параметрами распределения. Функции, специфичные для распределения, могут принимать параметры нескольких гамма-распределений.
Используйте родовые функции распределения (cdf
, icdf
, pdf
, random
) с заданным именем распределения ('Gamma'
) и параметры.
Гамма- распределение использует следующие параметры.
Параметр | Описание | Поддержка |
---|---|---|
a
| Форма | <reservedrangesplaceholder1> <reservedrangesplaceholder0>
|
b | Шкала | <reservedrangesplaceholder1> <reservedrangesplaceholder0>
|
Стандартный гамма- распределение имеет модуль масштаб.
Сумма двух гамма-случайных переменных с параметрами формы a 1 и a 2 и с параметром масштаба b является гамма-случайной переменной с параметром формы a = a 1 + a 2 и параметром масштаба b.
Функция правдоподобия является функцией плотности вероятностей (pdf), рассматриваемой как функция от параметров. Максимальные оценки правдоподобия (MLE) являются оценками параметра, которые максимизируют функцию правдоподобия для фиксированных значений x
.
Максимальные оценки правдоподобия a и b для гамма- распределения являются решениями одновременных уравнений
где - среднее значение выборки для x 1, x 2,..., x n, и Ψ является дигамма-функциейpsi
.
Чтобы подогнать гамма- распределение к данным и найти оценки параметров, используйте gamfit
, fitdist
, или mle
. В отличие от этого, gamfit
и mle
, которые возвращают оценки параметров, fitdist
возвращает установленный объект распределения вероятностей GammaDistribution
. Свойства объекта a
и b
сохраните оценки параметров.
Для получения примера смотрите Fit Gamma Распределения для Данных.
PDF гамма- распределения является
где Β (·) является Гамма-функцией.
Для получения примера смотрите Compute Gamma Распределения pdf.
Кумулятивная функция распределения (cdf) гамма-распределения
Результатом p является вероятность того, что одно наблюдение из гамма- распределения с параметрами a и b падает в интервале [0 x].
Для получения примера смотрите Compute Gamma Распределения cdf.
Гамма-cdf связана с неполной гамма-функцией gammainc
около
Обратная совокупная функция распределения (icdf) гамма-распределения в терминах гамма-cdf является
где
Результатом x является значение, такое что наблюдение из гамма- распределения с параметрами a и b падает в область значений [0 x] с p вероятностей.
Предшествующее интегральное уравнение не имеет известного аналитического решения. gaminv
использует итерационный подход (метод Ньютона), чтобы сходиться по решению.
Среднее значение гамма- распределения a b.
Отклонение гамма-распределения a b2.
Сгенерируйте выборку 100
гамма-случайные числа с 3
формы и масштабные
5
.
x = gamrnd(3,5,100,1);
Подбор гамма- распределения к данным с помощью fitdist
.
pd = fitdist(x,'gamma')
pd = GammaDistribution Gamma distribution a = 2.7783 [2.1374, 3.61137] b = 5.73438 [4.30198, 7.64372]
fitdist
возвращает GammaDistribution
объект. Интервалы рядом с оценками параметров являются 95% доверительными интервалами для параметров распределения.
Оцените параметры a
и b
использование функций распределения.
[muhat,muci] = gamfit(x) % Distribution specific function
muhat = 1×2
2.7783 5.7344
muci = 2×2
2.1374 4.3020
3.6114 7.6437
[muhat2,muci2] = mle(x,'distribution','gamma') % Generic function
muhat2 = 1×2
2.7783 5.7344
muci2 = 2×2
2.1374 4.3020
3.6114 7.6437
Вычислите PDFS гамма- распределения с несколькими параметрами формы и шкалы.
x = 0:0.1:50; y1 = gampdf(x,1,10); y2 = gampdf(x,3,5); y3 = gampdf(x,6,4);
Постройте график PDFS.
figure; plot(x,y1) hold on plot(x,y2) plot(x,y3) hold off xlabel('Observation') ylabel('Probability Density') legend('a = 1, b = 10','a = 3, b = 5','a = 6, b = 4')
Вычислите cdfs гамма- распределения с несколькими параметрами формы и шкалы.
x = 0:0.1:50; y1 = gamcdf(x,1,10); y2 = gamcdf(x,3,5); y3 = gamcdf(x,6,4);
Постройте график cdfs.
figure; plot(x,y1) hold on plot(x,y2) plot(x,y3) hold off xlabel('Observation') ylabel('Cumulative Probability') legend('a = 1, b = 10','a = 3, b = 5','a = 6, b = 4',"Location","northwest")
Гамма- распределение имеет параметр формы и параметр шкалы . Для большого гамма-распределение близко аппроксимирует нормальное распределение со средним и отклонение .
Вычислите PDF гамма- распределения с параметрами a = 100
и b = 5
.
a = 100; b = 5; x = 250:750; y_gam = gampdf(x,a,b);
Для сравнения вычислите среднее значение, стандартное отклонение и PDF нормального распределения, которое гамма аппроксимирует.
mu = a*b
mu = 500
sigma = sqrt(a*b^2)
sigma = 50
y_norm = normpdf(x,mu,sigma);
Постройте график PDFS гамма-распределения и нормального распределения на том же рисунке.
plot(x,y_gam,'-',x,y_norm,'-.') title('Gamma and Normal pdfs') xlabel('Observation') ylabel('Probability Density') legend('Gamma Distribution','Normal Distribution')
PDF нормального распределения аппроксимирует PDF гамма-распределения.
Бета-распределение - бета-распределение является двухпараметрическим непрерывным распределением, которое имеет параметры a (первый параметр формы) и b (второй параметр формы). Если X 1 и X 2 имеют стандартную гамма- распределения с параметрами формы a 1 и a 2 соответственно, то имеет бета-распределение с параметрами формы a 1 и a 2.
Распределение Хи-квадрат - распределение хи-квадрат является непрерывным распределением с одним параметром, которое имеет ν параметра (степени свободы). Распределение хи-квадрат равно гамма-распределению с 2a = ν и b = 2.
Экспоненциальное Распределение - экспоненциальное распределение является непрерывным распределением с одним параметром, которое имеет μ параметра (среднее значение). Экспоненциальное распределение равно гамма-распределению с a = 1 и b = μ. Сумма экспоненциально распределенных случайных переменных со средним μ k гамма- распределения с параметрами a = k и μ = b.
Распределение Накагами - распределение Накагами является двухпараметрическим непрерывным распределением с µ параметра формы и ω параметра шкалы. Если у x есть распределение Накагами, то x2 имеет гамма- распределение с a = μ и a b = ω.
Нормальное Распределение - нормальное распределение является двухпараметрическим непрерывным распределением, которое имеет параметры μ (среднее) и σ (стандартное отклонение). Когда a большая, гамма-распределение близко аппроксимирует нормальное распределение с μ = a b и2 = a b2. Для получения примера смотрите Сравнение гамма и нормальное распределение PDFS.
[1] Abramowitz, Milton, and Irene A. Stegun, eds. Справочник по математическим функциям: с формулами, графиками и математическими таблицами. 9. Dover print.; [Нахдр. дер Аусг. фон 1972]. Книги Дувра по математике. Нью-Йорк, Нью-Йорк: Dover Publ, 2013.
[2] Эванс, Мерран, Николас Гастингс и Брайан Пикок. Статистические распределения. 2-й ред. Нью-Йорк: Дж. Уайли, 1993.
[3] Хан, Джеральд Дж., и Самуэль С. Шапиро. Статистические модели в технике. Библиотека Уайли Классика. Нью-Йорк: Уайли, 1994.
[4] Lawless, Jerald F. Статистические модели и методы для пожизненных данных. 2-я ред. Серия Уайли в вероятностях и статистике. Hoboken, N.J: Wiley-Interscience, 2003.
[5] Микер, Уильям К. и Луис А. Эскобар. Статистические методы для данных о надежности. Серия Уайли в вероятностях и статистике. Примененный раздел вероятностей и статистики. Нью-Йорк: Уайли, 1998.
[6] Марсалья, Джордж и Вай Ван Цанг. Простой метод генерации гамма- Переменных. Транзакции ACM на математическом программном обеспечении 26, № 3 (1 сентября 2000 года): 363-72. https://doi.org/10.1007/978-1-4613-8643-8.
fitdist
| gamcdf
| gamfit
| gaminv
| gamlike
| GammaDistribution
| gampdf
| gamrnd
| gamstat
| makedist
| randg