原文鏈接:https://www.jianshu.com/p/6ee90ba47b4a
伽馬分佈,指數分佈,泊松分佈的關係
2018.09.25 21:13* 字數 714 閱讀 2909評論 0喜歡 10
1. 從意義上看:
- 指數分佈解決的問題是“要等到一個隨機事件發生,需要經歷多久時間”
- 伽瑪分佈解決的問題是“要等到n個隨機事件都發生,需要經歷多久時間”
所以,伽瑪分佈可以看作是n個指數分佈的獨立隨機變量的加總,即,n個Exponential(λ)random variables--->Gamma(n,λ)
- 泊松分佈解決的是“在特定時間裏發生n個事件的機率”。
2. 公式
-
泊松分佈
image.png
上面就是泊松分佈的公式。等號的左邊,P 表示概率,N表示某種函數關係,t 表示時間,n 表示數量,1小時內出生3個嬰兒的概率,就表示爲 P(N(1) = 3) 。等號的右邊,λ 表示事件的頻率。
-
接下來兩個小時,一個嬰兒都不出生的概率是0.25%,基本不可能發生。
image.png
-
接下來一個小時,至少出生兩個嬰兒的概率是80%。
image.png
-
泊松分佈的圖形
image.png
- 指數分佈
- 指數分佈解決的問題是“要等到一個隨機事件發生,需要經歷多久時間”
-
指數分佈的公式可以從泊松分佈推斷出來。如果下一個嬰兒要間隔時間 t ,就等同於 t 之內沒有任何嬰兒出生。
image.png
-
反過來,事件在時間 t 之內發生的概率,就是1減去上面的值。
image.png
-
接下來15分鐘,會有嬰兒出生的概率是52.76%。
image.png
-
接下來的15分鐘到30分鐘,會有嬰兒出生的概率是24.92%。
image.png
-
指數分佈的圖形
image.png
可以看到,隨着間隔時間變長,事件的發生概率急劇下降,呈指數式衰減。想一想,如果每小時平均出生3個嬰兒,上面已經算過了,下一個嬰兒間隔2小時纔出生的概率是0.25%,那麼間隔3小時、間隔4小時的概率,是不是更接近於0?
- 伽馬分佈
- 伽瑪分佈解決的問題是“要等到n個隨機事件都發生,需要經歷多久時間”
-
公式
image.png
這裏a=n, 當a=1時,伽馬分佈就是指數分佈,所以伽馬分佈就是n個指數分佈的和
-
期望和方差
image.png
- Gamma分佈中的參數α稱爲形狀參數(shape parameter),β稱爲尺度參數(scale parameter)。
image.png
參考