Two-parameter family of continuous probability distributions
В теории вероятностей и статистике обратное гамма-распределение представляет собой двухпараметрическое семейство непрерывных распределений вероятностей на положительной действительной линии , которое представляет собой распределение обратной величины переменной , распределенной согласно гамма-распределению .
Возможно, обратное гамма-распределение главным образом используется в байесовской статистике , где распределение возникает как предельное апостериорное распределение для неизвестной дисперсии нормального распределения , если используется неинформативное априорное распределение , и как аналитически управляемое сопряженное априорное распределение , если информативное распределение. предварительный требуется. Среди некоторых байесовцев принято рассматривать альтернативную параметризацию нормального распределения с точки зрения точности , определяемой как обратную величину дисперсии, что позволяет использовать гамма-распределение непосредственно в качестве сопряженного априорного значения. Другие байесовцы предпочитают параметризовать обратное гамма-распределение по-другому, как масштабированное обратное распределение хи-квадрат .
Характеристика
Функция плотности вероятности
Функция плотности вероятности обратного гамма-распределения определяется на носителе ![{\displaystyle x>0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f(x;\alpha,\beta)={\frac {\beta ^{\alpha }}{\Gamma (\alpha)}}(1/x)^{\alpha +1}\exp \ влево(-\бета /х\вправо)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
с параметром формы и параметром масштаба . [1] Здесь обозначается гамма-функция .
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Гамма (\cdot)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
В отличие от гамма-распределения , которое содержит несколько похожий экспоненциальный член, является параметром масштаба, которому удовлетворяет функция распределения:![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle f(x;\alpha,\beta) = {\frac {f(x/\beta;\alpha,1)}{\beta }}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Кумулятивная функция распределения
Кумулятивная функция распределения представляет собой регуляризованную гамма-функцию.
![{\displaystyle F(x;\alpha,\beta)={\frac {\Gamma \left(\alpha, {\frac {\beta }{x}}\right)}{\Gamma (\alpha)}} =Q\left(\alpha ,{\frac {\beta }{x}}\right)\!}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где числитель — верхняя неполная гамма-функция , а знаменатель — гамма-функция . Многие математические пакеты позволяют напрямую вычислять регуляризованную гамма-функцию.![{\displaystyle Q}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Моменты
При условии , что -й момент обратного гамма-распределения определяется выражением [2]![{\displaystyle \alpha >n}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathrm {E} [X^{n}]=\beta ^{n}{\frac {\Gamma (\alpha -n)}{\Gamma (\alpha)}}={\frac {\ beta ^{n}}{(\alpha -1)\cdots (\alpha -n)}}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Характеристическая функция
в выражении характеристической функции используется модифицированная функция Бесселя 2-го рода.
Характеристики
Для и ,![{\displaystyle \alpha >0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \beta >0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \mathbb {E} [\ln(X)]=\ln(\beta)-\psi (\alpha)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
и
![{\displaystyle \mathbb {E} [X^{-1}] = {\frac {\alpha }{\beta }},\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Информационная энтропия – это
![{\displaystyle {\begin{aligned}\operatorname {H} (X)&=\operatorname {E} [-\ln(p(X))]\\&=\operatorname {E} \left[-\alpha \ln(\beta )+\ln(\Gamma (\alpha ))+(\alpha +1)\ln(X)+{\frac {\beta }{X}}\right]\\&=-\ альфа \ln(\beta )+\ln(\Gamma (\alpha ))+(\alpha +1)\ln(\beta )-(\alpha +1)\psi (\alpha )+\alpha \\& =\alpha +\ln(\beta \Gamma (\alpha ))-(\alpha +1)\psi (\alpha ).\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где - дигамма-функция .![{\displaystyle \psi (\alpha)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Расхождение Кульбака -Лейблера обратной гаммы( α p , β p ) от обратной гаммы ( α q , β q ) такое же, как КЛ-дивергенция гаммы ( α p , β p ) от гамма ( α q , β q ):
![{\displaystyle D_{\mathrm {KL} }(\alpha _{p},\beta _{p};\alpha _{q},\beta _{q})=\mathbb {E} \left[\ log {\frac {\rho (X)}{\pi (X)}}\right]=\mathbb {E} \left[\log {\frac {\rho (1/Y)}{\pi (1 /Y)}}\right]=\mathbb {E} \left[\log {\frac {\rho _{G}(Y)}{\pi _{G}(Y)}}\right],}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где PDF-файлы обратного гамма-распределения и PDF-файлы гамма-распределений, распределена гамма ( α p , β p ).![{\displaystyle \rho,\pi}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \rho _{G},\pi _{G}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}D_{\mathrm {KL} }(\alpha _{p},\beta _{p};\alpha _{q},\beta _{q})={}& (\alpha _{p}-\alpha _{q})\psi (\alpha _{p})-\log \Gamma (\alpha _{p})+\log \Gamma (\alpha _{q} )+\alpha _{q}(\log \beta _{p}-\log \beta _{q})+\alpha _{p}{\frac {\beta _{q}-\beta _{p }}{\beta _{p}}}.\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Связанные дистрибутивы
- Если тогда , для
![{\displaystyle X\sim {\mbox{Inv-Gamma}}(\alpha,\beta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle kX\sim {\mbox{Inv-Gamma}}(\alpha,k\beta)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle k>0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Если тогда ( распределение обратное хи-квадрат )
![{\displaystyle X\sim {\mbox{Inv-Gamma}}(\alpha,{\tfrac {1}{2}})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\sim {\mbox{Inv-}}\chi ^{2}(2\alpha)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Если тогда ( масштабированное распределение обратного хи-квадрата )
![{\displaystyle X\sim {\mbox{Inv-Gamma}}({\tfrac {\alpha }{2}},{\tfrac {1}{2}})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\sim {\mbox{Scaled Inv-}}\chi ^{2}(\alpha,{\tfrac {1}{\alpha }})\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Если тогда ( распределение Леви )
![{\displaystyle X\sim {\textrm {Inv-Gamma}}({\tfrac {1}{2}},{\tfrac {c}{2}})}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle X\sim {\textrm {Леви}}(0,c)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Если тогда ( Показательное распределение )
![{\displaystyle X\sim {\textrm {Inv-Gamma}}(1,c)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\tfrac {1}{X}}\sim {\textrm {Exp}}(c)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Если ( гамма-распределение с параметром скорости ), то (подробнее см. вывод в следующем параграфе)
![{\displaystyle X\sim {\mbox{Gamma}}(\alpha,\beta)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\tfrac {1}{X}}\sim {\mbox{Inv-Gamma}}(\alpha,\beta)\,}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Обратите внимание, что если (гамма-распределение с параметром масштаба ), то
![{\displaystyle X\sim {\mbox{Gamma}}(k,\theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle 1/X\sim {\mbox{Inv-Gamma}}(k,1/\theta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Обратное гамма-распределение является частным случаем распределения Пирсона 5-го типа.
- Многомерным обобщением обратного гамма-распределения является обратное распределение Вишарта .
- О распределении суммы независимых инвертированных гамма-переменных см. Витковский (2001).
Вывод из гамма-распределения
Пусть , и напомним, что PDF- распределение гамма-распределения равно![{\displaystyle X\sim {\mbox{Gamma}}(\alpha,\beta)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
, .![{\displaystyle x>0}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Обратите внимание, что это параметр скорости с точки зрения гамма-распределения.![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Дайте определение трансформации . Затем PDF- файл![{\displaystyle Y=g(X)={\tfrac {1}{X}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Y}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}f_{Y}(y)&=f_{X}\left(g^{-1}(y)\right)\left|{\frac {d}{dy}} g^{-1}(y)\right|\\[6pt]&={\frac {\beta ^{\alpha }}{\Gamma (\alpha )}}\left({\frac {1}{ y}}\right)^{\alpha -1}\exp \left({\frac {-\beta }{y}}\right){\frac {1}{y^{2}}}\\[ 6pt]&={\frac {\beta ^{\alpha }}{\Gamma (\alpha )}}\left({\frac {1}{y}}\right)^{\alpha +1}\exp \left({\frac {-\beta }{y}}\right)\\[6pt]&={\frac {\beta ^{\alpha }}{\Gamma (\alpha )}}\left(y \right)^{-\alpha -1}\exp \left({\frac {-\beta }{y}}\right)\\[6pt]\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Обратите внимание, что это параметр масштаба с точки зрения обратного гамма-распределения. Это можно напрямую продемонстрировать, увидев, что оно удовлетворяет условиям масштабного параметра .![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle {\begin{aligned}{\frac {f_{\beta }(y/\beta )}{\beta }}&={\frac {1}{\beta }}{\frac {\beta ^ {\alpha }}{\Gamma (\alpha )}}\left({\frac {y}{\beta }}\right)^{-\alpha -1}\exp(-y)\\[6pt] &={\frac {1}{\Gamma (\alpha )}}\left(y\right)^{-\alpha -1}\exp(-y)\\[6pt]&=f_{\beta = 1}(y)\end{выровнено}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Вхождение
Смотрите также
Рекомендации
- ^ «InverseGammaDistribution — Документация по языку Wolfram». ссылка.wolfram.com . Проверено 9 апреля 2018 г.
- ^ Джон Д. Кук (3 октября 2008 г.). «Инверсноегаммараспределение» (PDF) . Проверено 3 декабря 2018 г.
- ^ Людковски, Майк (2007). «Математика 526: Заметки о броуновском движении» (PDF) . Калифорнийский университет в Санта-Барбаре. стр. 5–6.
- Хофф, П. (2009). «Первый курс байесовских статистических методов». Спрингер.
- Витковский, В. (2001). «Вычисление распределения линейной комбинации инвертированных гамма-переменных». Кибернетика . 37 (1): 79–90. МР 1825758. Збл 1263.62022.