高等数学 / 系统课时

伽马分布与贝塔分布

伽马分布与贝塔分布

伽马分布和贝塔分布都能通过形状参数表现出多种曲线,但它们解决的问题不同:伽马分布适合描述正的等待时间或累计量,贝塔分布适合描述 0 到 1 之间的比例与概率。

学习目标

  • 识别伽马分布与贝塔分布的取值范围和参数作用
  • 理解两类分布的典型形态及常见建模场景
  • 能根据变量含义判断应优先考虑哪一种分布

伽马分布描述正的累计量

若连续随机变量 XX 服从形状参数为 α>0\alpha>0、尺度参数为 θ>0\theta>0 的伽马分布,可记作:

X∼Gamma⁡(α,θ)X\sim \operatorname{Gamma}(\alpha,\theta)

其概率密度为:

f(x)=xα−1e−x/θΓ(α)θα,x>0f(x)=\frac{x^{\alpha-1}e^{-x/\theta}}{\Gamma(\alpha)\theta^\alpha},\qquad x>0

其中 Γ(α)\Gamma(\alpha) 是伽马函数,用于保证密度曲线下的总面积等于 1。该参数化下,均值和方差分别为:

E(X)=αθ,Var⁡(X)=αθ2E(X)=\alpha\theta,\qquad \operatorname{Var}(X)=\alpha\theta^2

形状参数 α\alpha 决定曲线轮廓。当 α<1\alpha<1 时,密度在接近 0 处很高并快速下降;当 α=1\alpha=1 时,伽马分布就是指数分布;当 α>1\alpha>1 时,曲线先上升后下降。尺度参数 θ\theta 主要控制横向伸展程度。

伽马分布常用于描述“等待若干次事件发生所需的总时间”、降雨量、保险赔付额以及其他只能取正值且可能右偏的连续量。

贝塔分布描述比例和概率

若随机变量 YY 服从参数为 α>0\alpha>0、β>0\beta>0 的贝塔分布,记作:

Y∼Beta⁡(α,β)Y\sim \operatorname{Beta}(\alpha,\beta)

其概率密度为:

f(y)=yα−1(1−y)β−1B(α,β),0<y<1f(y)=\frac{y^{\alpha-1}(1-y)^{\beta-1}}{B(\alpha,\beta)},\qquad 0<y<1

贝塔分布的均值为:

E(Y)=αα+βE(Y)=\frac{\alpha}{\alpha+\beta}

当 α\alpha 和 β\beta 都大于 1 时,曲线通常在区间内部形成峰值;二者都小于 1 时,曲线呈 U 形;α=β\alpha=\beta 时关于 0.5 对称;α>β\alpha>\beta 时更偏向 1,反之更偏向 0。

贝塔分布适合表示转化率、缺陷率、点击概率、市场份额等位于 0 到 1 之间的未知比例。在贝叶斯统计中,它也常用作伯努利或二项分布成功概率的先验分布。

伽马分布与贝塔分布的典型形态

选择分布与识别参数

判断分布时,应先看随机变量的取值范围,再看数据生成机制,而不是只看直方图形状。

判断维度 伽马分布 贝塔分布
取值范围 x>0x>0,无固定上界 0<y<10<y<1
常见含义 等待时间、寿命、金额、累计量 比例、概率、率
典型偏态 常见右偏 可左偏、右偏、对称或 U 形
参数作用 形状与尺度 两端权重与集中程度

例如,“客户等待第三次来电所需时间”是正数且没有自然上界,适合从伽马分布开始建模;“某页面的真实转化率”必定位于 0 和 1 之间,更适合使用贝塔分布。

伽马分布常见形状—尺度 (α,θ)(\alpha,\theta) 和形状—率 (α,λ)(\alpha,\lambda) 两种参数化,且 λ=1/θ\lambda=1/\theta。前者均值为 αθ\alpha\theta,后者均值为 α/λ\alpha/\lambda,使用公式或软件时必须确认第二个参数的含义。

贝塔分布中的 α\alpha、β\beta 也不是均值和方差。二者同时增大且比例不变时,均值位置基本不变,但分布会更集中。若数据可能恰好等于 0 或 1,标准贝塔分布不能直接描述端点质量,需要进一步考虑端点膨胀模型或数据处理机制。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

伽马分布与贝塔分布

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通