分布是一个双参数曲线族。伽玛分布模型对指数分布随机变量求和,推广了卡方分布和指数分布。
Statistics and Machine Learning Toolbox™提供了几种处理gamma分布的方法。
gamma分布使用以下参数。
参数 | 描述 | 金宝app |
---|---|---|
一个 |
形状 | 一个> 0 |
b |
规模 | b> 0 |
标准伽马分布有单位规模。
两个带有形状参数的随机变量的和一个1和一个2都带有刻度参数b是带有形状参数的随机变量吗一个=一个1+一个2和尺度参数b.
的似然函数是作为参数的函数观看的概率密度函数(PDF)。的最大似然估计(MLES)是最大化固定值的似函数的参数估计值x
.
最大似然估计一个和b对于分布,是联立方程的解金宝搏官方网站
在哪里
样本是对样品的意思x1,x2、……xn,和ψ是digamma函数Psi.
.
要将伽玛分布符合数据并找到参数估计,请使用gamfit
,fitdist
, 或者m
.不像gamfit
和m
,返回参数估计,fitdist
返回拟合概率分布对象伽马分布
.对象属性一个
和b
存储参数估计值。
例如,请参见拟合伽马分布到数据.
伽玛分布的PDF是
其中γ(·)是伽马功能。
例如,请参见计算伽马分布PDF.
伽马分布的累积分布函数(CDF)是
结果p是从伽马分布与参数的单一观察的概率一个和b落在区间[0x]。
例如,请参见计算伽玛分布CDF.
伽玛CDF与不完全的伽马功能有关gammainc
通过
用伽马cdf表示的伽马分布的逆累积分布函数(icdf)为
在哪里
结果x这个值是否符合带有参数的伽马分布的观测值一个和b在范围[0x]有概率p.
前面的整体方程没有已知的分析解决方案。gaminv
使用迭代方法(牛顿法)来收敛于解。
伽玛分布的平均值是一个b.
伽玛分布的方差是一个b2.
生成One hundred.
伽马随机数,形状3.
和规模5
.
x = gamrnd (5100,1);
适合使用伽马分发fitdist
.
pd = fitdist (x,“伽马”)
PD =伽马分布凝血伽马分布A = 2.7783 [2.1374,311137] B = 5.73438 [4.30198,7.64372]
fitdist
返回一个伽马分布
对象。参数估计旁边的区间是分布参数的95%置信区间。
估计的参数一个
和b
使用分布函数。
[Muhat,muci] = gamfit(x)%分布特定功能
muhat =1×22.7783 - 5.7344
muci =2×22.1374 4.3020 3.6114 7.6437
[muhat2,muci2] = mle(x,“分布”,“伽马”)%泛型函数
muhat2 =1×22.7783 - 5.7344
muci2 =2×22.1374 4.3020 3.6114 7.6437
使用多种形状和比例参数计算伽玛分布的PDF。
x = 0:0.1:50;日元= gampdf (x 1 10);y2 = gampdf (x, 3、5);y3 = gampdf (x 6 4);
绘制pdf文档。
图;情节(x, y₁)在绘图(x,y2)绘图(x,y3)持有从Xlabel('观察') ylabel ('概率密度') 传奇('a = 1, b = 10','a = 3,b = 5','a = 6, b = 4')
用几种形状和尺度参数计算伽玛分布的cdfs。
x = 0:0.1:50;Y1 = GAMCDF(x,1,10);y2 = gamcdf(x,3,5);Y3 = GAMCDF(X,6,4);
绘制cdfs。
图;情节(x, y₁)在绘图(x,y2)绘图(x,y3)持有从Xlabel('观察') ylabel ('累积概率') 传奇('a = 1, b = 10','a = 3,b = 5','a = 6, b = 4',“位置”,“西北”)
伽玛分布具有形状参数 和比例参数 .对于一个大 时,伽马分布近似于均值正态分布 和方差 .
用参数计算伽马分布的pdfa = 100.
和b = 5
.
a = 100;B = 5;x = 250:750;Y_GAM = GAMPDF(X,A,B);
为了比较,计算伽马近似的正态分布的平均值、标准偏差和pdf。
μa * b =
μ= 500
σ=√6 (a * b ^ 2)
σ= 50
y_norm = normpdf (x,μ、σ);
绘制伽玛分布的PDF和同一图的正态分布。
plot(x,y_gam,“- - -”, x, y_norm“-”。) 标题('Gamma and Normal pdf ')包含('观察') ylabel ('概率密度') 传奇(伽马分布的,“正态分布”)
正态分布的pdf近似于伽马分布的pdf。
贝塔分布- beta分布是一种具有参数的双参数连续分布一个(第一个形状参数)和b(第二形状参数)。如果X1和X2有带有形状参数的标准伽马分布一个1和一个2分别,然后 具有带有形状参数的测试版分布一个1和一个2.
卡方分布- Chi-Square分布是一个具有参数的一个参数连续分布ν(自由程度)。Chi-Square分布等于伽马分布2A=ν和b=2.
指数分布-指数分布是一种具有参数的单参数连续分布μ.(意思)。指数分布等于伽马分布一个= 1和b=μ..的总和k具有平均值的指数分布式随机变量μ.是伽玛分布参数一个=k和μ.=b.
Nakagami分布- Nakagami分布是一种带有形状参数的双参数连续分布µ和尺度参数ω..如果x那时有一个nakagami分配x2有伽玛分配一个=μ.和一个b=ω..
正态分布- 正常分布是具有参数的双参数连续分布μ.(意味着)σ.(标准差)。当一个是大的,分布非常接近正态分布μ.=一个b和σ.2=一个b2.例如,请参见比较伽玛和正态分布pdf.
[1] Abramowitz,Milton和Irene A. Stegun,EDS。数学函数手册:用公式,图形和数学表.9.多佛打印。[Nachdr。Ausg。冯1972]。多佛数学书籍。纽约,纽约:多佛出版社,2013。
埃文斯,梅兰,尼古拉斯·哈斯廷斯和布莱恩·皮科克。统计分布.2版。纽约:J. Wiley, 1993。
哈恩,杰拉德·J和塞缪尔·s·夏皮罗。工程统计模型.威利经典图书馆。纽约:Wiley, 1994。
[4] Lawless, Jerald F。终生数据的统计模型和方法.概率与统计的威利系列。霍博肯:Wiley-Interscience, 2003。
威廉·Q·米克尔和路易斯·a·埃斯科瓦尔。可靠性数据的统计方法.Wiley系列概率与统计。应用概率与统计部。纽约:Wiley,1998。
[6] Marsaglia,George和Wai Wan Tsang。“生成伽马变量的简单方法。”数学软件学报26,不。3(2000年9月1日):363-72。https://doi.org/10.1007/978-1-4613-8643-8.
伽马分布
|gamcdf
|gampdf
|gaminv
|gamlike
|gamstat
|gamfit
|gamrnd
|兰格
|制造主义者
|fitdist