Γ 函數
Γ(α)=∫0+∞xα−1e−xdx
Γ 分佈
含義
- 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
- 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)隨機變量→Γ(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,因此可以理解爲“伽瑪分佈=指數分佈*泊松分佈”
概率密度函數
隨機變量X爲一件事發生α次所需要的時間,即X∼Γ(α,β),其中α爲形狀參數(shape parameter),表示事件發生的次數,β爲尺度參數(scale parameter),表示一次事件發生的頻率
密度函數爲:
f(x,β,α)=Γ(α)βαxα−1exp(−βx)
均值和方差爲:
μ=βα
σ2=β2α
特殊形式:
當α>1時爲指數分佈,f(x,β,α)=Γ(1)βx0exp(−βx)=β⋅exp(−βx)
t=0:0.1:20;
y=gampdf(t,1,0.5);
plot(t,y);
hold on
y=gampdf(t,2,0.5);
plot(t,y);
y=gampdf(t,3,0.5);
plot(t,y);
y=gampdf(t,5,1);
plot(t,y);
y=gampdf(t,9,2);
plot(t,y);
legend('alpha=1,beta=0.5','alpha=2,beta=0.5','alpha=3,beta=0.5',...
'alpha=5,beta=1','alpha=9,beta=2')
axis([0 16 0 1])
逆 Γ 分佈
若θ−1滿足參數爲α,β的Γ分佈,則θ滿足逆Γ分佈,記爲 X∼IG(α,β),逆 Γ 分佈是正態方差的共軛先驗分佈
θ∼Inv−Gamma(α,β)
p(θ)∼Inv−Gamma(θ∣α,β)
shape:α>0,scale:β>0
p(θ)=Γ(α)βαθ−α−1exp(−xβ)
E(θ)=α−1β
Var(θ)=(α−1)2(α−2)β2
mode(θ)=α+1β
正態逆 Γ 分佈
Normal-inverse gamma distribution 又稱 normal-scaled inverse gamme distriution,是正態分佈的先驗分佈
PDF(概率密度函數):
Pr(μ,σ2)=σ2πγΓ[α]βα(σ21)α+1exp[−2σ2−2β+γ(δ−μ)2]
Pr(μ,σ2)=NormInvGamμ,σ2[α,β,γ,δ]
σ2∼Γ−1(α,β),βαλ(x−μ)∼t(1)
正態逆高斯分佈
概率密度函數
fx(x)=πq(x)αδ⋅exp[p(x)]⋅K1[αq(x)]
其中:p(x)=δα2−β2+β(x−μ)
q(x)=δ2+(x2−μ2)
Kd(⋅)爲索引爲d的第二類修正貝塞爾函數
NIG分佈由(α,β,μ,δ)四個參數表徵:
- 參數α爲特徵因子,控制分佈衰減速度,越小衰減越慢,拖尾越嚴重
- 參數β爲偏斜因子,決定分佈偏斜程度
- 參數μ爲平移參數
- 參數δ爲尺度參數
fx(x)=πδ2+(x2−μ2)αδ⋅exp[δα2−β2+β(x−μ)]⋅K1[αδ2+(x2−μ2)]
一般爲對稱分佈,β=μ=0,則概率密度爲:
fx(x)=πδ2+x2αδ⋅exp(δα)⋅K1[αδ2+x2]
參考鏈接
神奇的伽瑪函數 (上)
神奇的伽瑪函數 (下)
MATLAB概率統計函數(1)
Gamma分佈與逆Gamma分佈 by weixin_41875052
Gamma分佈和逆Gamma分佈 by 萌即正義Zitrone
《計算機視覺:模型、學習和推理》一3.6 正態逆伽馬分佈
正態逆威沙特分佈(Normal-Inverse-Wishart)
蘭小豔, 陳莉, 賈建,等. 一種改進正態逆高斯分佈模型的圖像去噪算法[J]. 計算機應用研究, 2017(10):314-318.