Га́мма-распределе́ние в теории вероятностей — это двухпараметрическое семейство абсолютно непрерывных распределений . Если параметр ${\displaystyle k}$ принимает целое значение, то такое гамма-распределение также называется распределе́нием Эрла́нга .

Определение

Пусть распределение случайной величины ${\displaystyle X}$ задаётся плотностью вероятности , имеющей вид

${\displaystyle f_{X}(x)=\left\{{\begin{matrix}x^{k-1}{\frac {e^{-x/\theta }}{\theta ^{k}\,\Gamma (k)}},&x\geq 0\\0,&x<0\end{matrix}}\right.,}$ где ${\displaystyle \Gamma (k)}$ — гамма-функция Эйлера .

Тогда говорят, что случайная величина ${\displaystyle X}$ имеет гамма-распределение с положительными параметрами ${\displaystyle \theta }$ и ${\displaystyle k}$ . Пишут ${\displaystyle X\thicksim \Gamma (k,\theta )}$ .

Замечание. Иногда используют другую параметризацию семейства гамма-распределений. Или вводят третий параметр — сдвиг.

Моменты

Математическое ожидание и дисперсия случайной величины ${\displaystyle X}$ , имеющей гамма-распределение, имеют вид

${\displaystyle \mathbb {E} [X]=k\theta }$ ,

${\displaystyle \mathbb {D} [X]=k\theta ^{2}}$ .

Свойства гамма-распределения

• Если ${\displaystyle X_{1},\ldots ,X_{n}}$ — независимые случайные величины, такие что ${\displaystyle X_{i}\sim \Gamma (k_{i},\theta ),\;i=1,\ldots ,n}$ , то

${\displaystyle Y=\sum \limits _{i=1}^{n}X_{i}\sim \Gamma \left(\sum _{i=1}^{n}k_{i},\theta \right)}$ .

• Если ${\displaystyle X\thicksim \Gamma (k,\theta )}$ , и ${\displaystyle a>0}$ — произвольная константа, то

${\displaystyle aX\thicksim \Gamma (k,a\theta )}$ .

• Гамма-распределение бесконечно делимо .

Связь с другими распределениями

• Гамма-распределение является распределением Пирсона типа III .
• Экспоненциальное распределение является частным случаем гамма-распределения:

${\displaystyle \Gamma (1,1/\lambda )\equiv \mathrm {Exp} (\lambda )}$ .

• Если ${\displaystyle X_{1},\ldots ,X_{k}}$ — независимые экспоненциальные случайные величины, такие что ${\displaystyle X_{i}\sim \mathrm {Exp} (\lambda ),\;i=1,\ldots ,k}$ , то

${\displaystyle Y=\sum \limits _{i=1}^{k}X_{i}\sim \Gamma (k,1/\lambda )}$ .

• Распределение хи-квадрат является частным случаем гамма-распределения:

${\displaystyle \Gamma \left({\frac {n}{2}},2\right)\equiv \chi ^{2}(n)}$ .

• Согласно центральной предельной теореме , при больших ${\displaystyle k}$ гамма-распределение может быть приближено нормальным распределением :

${\displaystyle \Gamma (k,\theta )\approx \mathrm {N} (k\theta ,k\theta ^{2})}$ при ${\displaystyle k\to \infty }$ .

• Если ${\displaystyle X_{1},X_{2}}$ — независимые случайные величины, такие что ${\displaystyle X_{i}\sim \Gamma (k_{i},1),\;i=1,2}$ , то

${\displaystyle {\frac {X_{1}}{X_{1}+X_{2}}}\sim \mathrm {\mathrm {B} } (k_{1},k_{2})}$ .

• Распределение Рэлея заменой переменной сводится к гамма-распределению.
• Обычное распределение Вейбулла заменой переменной сводится к гамма-распределению.
• Распределение Накагами заменой переменной сводится к гамма-распределению.
• Естественным обобщением гамма-распределения является усеченное гамма-распределение.

Моделирование гамма-величин

Учитывая свойство масштабирования по параметру θ , указанное выше, достаточно смоделировать гамма-величину для θ = 1. Переход к другим значениям параметра осуществляется простым умножением.

Используя тот факт, что распределение ${\displaystyle \Gamma (1,1)}$ совпадает с экспоненциальным распределением, получаем, что если U — случайная величина, равномерно распределённая на интервале (0, 1], то ${\displaystyle {-\ln U}\sim \Gamma (1,1)}$ .

Теперь, используя свойство k -суммирования, обобщим этот результат:

${\displaystyle \sum _{i=1}^{n}{-\ln U_{i}}\sim \Gamma (n,1),}$

где U _i — независимые случайные величины, равномерно распределённые на интервале (0, 1].

Осталось смоделировать гамма-величину для 0 < k < 1 и ещё раз применить свойство k -суммирования. Это является самой сложной частью.

Ниже приведён алгоритм без доказательства. Он является примером выборки с отклонением .

1. Положить m равным 1.
2. Сгенерировать ${\displaystyle V_{2m-1}}$ и ${\displaystyle V_{2m}}$ — независимые случайные величины, равномерно распределённые на интервале (0, 1].
3. Если ${\displaystyle V_{2m-1}\leq v_{0}}$ , где ${\displaystyle v_{0}={\frac {e}{e+\delta }}}$ , перейти к шагу 4, иначе к шагу 5.
4. Положить ${\displaystyle \xi _{m}=\left({\frac {V_{2m-1}}{v_{0}}}\right)^{\frac {1}{\delta }},\ \eta _{m}=V_{2m}\xi _{m}^{\delta -1}}$ . Перейти к шагу 6.
5. Положить ${\displaystyle \xi _{m}=1-\ln {\frac {V_{2m-1}-v_{0}}{1-v_{0}}},\ \eta _{m}=V_{2m}e^{-\xi _{m}}}$ .
6. Если ${\displaystyle \eta _{m}>\xi _{m}^{\delta -1}e^{-\xi _{m}}}$ , то увеличить m на единицу и вернуться к шагу 2.
7. Принять ${\displaystyle \xi =\xi _{m}}$ за реализацию ${\displaystyle \Gamma (\delta ,1)}$ .

Подытожим:

${\displaystyle \theta \left(\xi -\sum _{i=1}^{[k]}{\ln U_{i}}\right)\sim \Gamma (k,\theta ),}$

где [ k ] является целой частью k , а ξ сгенерирована по алгоритму, приведённому выше при δ = { k } (дробная часть k ); U _i и V _l распределены как указано выше и попарно независимы.

Примечания

Литература

• Наглядная математическая статистика. — М. : Бином, 2009. — 472 с.
• , Основы теории вероятностей. — М. : МФТИ, 2015. — 82 с.
• , , Введение в математическую статистику. — М. : МФТИ, 2017. — 109 с.
• Королюк В.С. , , Скороход А.В. , Справочник по теории вероятностей и математической статистике. — М. : Наука, 1985. — 640 с.