模型定義
先複習一下discrete negative binomial RV:如果X1, X2, ... Xr都是independent geometric(p) RV (也就是trial k-1失敗,第k次成功的model),則X = X1+X2+X3 ... + Xr是一個negative binomial(r,p) RV,語意為“trial直到r次才成功的次數”。
Gamma RV可類比於Negative Binomial RV,不過是continuous版本:
Gamma(r, lambda) X = X1(lambda) + X2(lambda) + ... + Xr(lambda)
所以gamma RV是一堆同樣參數的exponential RV的和。
同理一堆independent gamma RVs, 其SUM(gamma(r1, lambda) RV1 , gamma(r2, lambda) RV2 , ... )也是一個同樣distribution parameter lambda的gamma(r1+r2+ ... ,lambda) RV,因為可以把所有的gamma RV都拆成r1+r2+... 個exponential RVs,根據定義這是一個gamma RV。
Application
如果說5個independent exponential Xi代表“下一個email還要x分鐘後到來”,則gamma X = X1 + X2 + .. + X6代表“6封email到來所總共需要的時間”,由於Xi都有同樣的density,代表這用來model 重複週期性發生的事件到來的時間,生命中的確是有不少這類的應用。Density
r >= 2 的時候的圖形:
所以是有maximum!
r = 1 就是一個exponential RV的density,應該這樣說:exponential RV就是一個r=1的時候的gamma RV的特例!
CDF
比較複雜:同樣的r = 1就是一個exponential RV的CDF。
E(X)
Var(X)
由於Xi是independent(很重要,只有在independence的前提下才有以下的性質):範例:求Prob(X)
假設一gamma density為:要求P(X> 1/2),根據定義直接對density在定義域做積分,計算上的困難點在於integration by parts(u substitution)的技巧使用:
範例:從joint Gamma density找出個別Gamma density的方法
已知一個gamma RV的joint density :要分別找出X和Y的density,由於是independent(因為x和y的定義域是一個infinite rectangle),可以拆成function of x和function of y,這是係數未知的兩個density,找出係數的方式就是對density去在所有定義域積分,因為P(all xs) = P(all ys) = 1,這樣就可以找出兩個gamma density的確切函數:
另外一個方法是比對gamma density該有的函數結構:
所以fx(x)既然是一個gamma density,那就得符合上面的結構:
同理,fy(y):
沒有留言:
張貼留言