Gamma-distributie
Een van de continue willekeurige variabele en continue verdeling is de gammadistributie, zoals we weten, behandelt de continue willekeurige variabele de continue waarden of intervallen, zo ook de gammadistributie met specifieke kansdichtheidsfunctie en kansmassafunctie, in de opeenvolgende discussie die we in detail het concept, de eigenschappen en de resultaten met voorbeelden van willekeurige gammavariabelen en gammadistributie.
Willekeurige gammavariabele of gammadistributie | wat is gammadistributie | gamma-distributie definiëren | gamma-verdelingsdichtheidsfunctie | gamma-verdeling kansdichtheidsfunctie | gamma distributie proof
Een continue willekeurige variabele met kansdichtheidsfunctie
is bekend dat het een willekeurige gammavariabele of een gammadistributie is, waarbij de α> 0, λ> 0 en de gammafunctie
we hebben de zeer frequente eigenschap van gammafunctie door integratie door delen als
Als we het proces voortzetten vanaf n dan
en ten slotte zal de waarde van gamma van één zijn
dus de waarde zal zijn
cdf van gammadistributie | cumulatieve gammadistributie | integratie van gammadistributie
De cumulatieve verdeling functie (cdf) van willekeurige gammavariabele of gewoon de verdelingsfunctie van willekeurige gammavariabele is dezelfde als die van continue willekeurige variabele op voorwaarde dat de kansdichtheidsfunctie anders is, dwz
hier is de kansdichtheidsfunctie zoals hierboven gedefinieerd voor de gamma-verdeling, de cumulatieve verdelingsfunctie kunnen we ook schrijven als
in beide bovenstaande formaten is de waarde van pdf als volgt
waarbij α> 0, λ> 0 reële getallen zijn.
Gamma-distributie formule | formule voor gammadistributie | gamma-distributievergelijking | afleiding van gamma-distributie
Om de kans voor de willekeurige gammavariabele te vinden, is de kansdichtheidsfunctie die we moeten gebruiken voor verschillende gegeven α> 0, λ> 0 is als
en met behulp van de bovenstaande pdf de verdeling voor de willekeurige gammavariabele die we kunnen verkrijgen door
De gammadistributieformule vereist dus de pdf-waarde en de limieten voor de willekeurige gammavariabele volgens de vereiste.
Gamma-distributie voorbeeld
laat zien dat de totale kans op de gamma distributie is één met de gegeven kansdichtheidsfunctie dwz
voor λ> 0, α> 0.
Oplossing:
met behulp van de formule voor de gammadistributie
aangezien de kansdichtheidsfunctie voor de gamma-verdeling is
wat nul is voor alle waarden kleiner dan nul, dus de kans zal nu zijn
met behulp van de definitie van gammafunctie
en vervanging die we krijgen
dus
Gammadistributiegemiddelde en variantie | verwachting en variantie van gammadistributie | verwachte waarde en variantie van gammadistributie | Gemiddelde van gammadistributie | verwachte waarde van gammadistributie | verwachting van gammadistributie
In de volgende bespreking zullen we het gemiddelde en de variantie voor de gamma-verdeling vinden met behulp van standaarddefinities van verwachting en variantie van continue willekeurige variabelen,
De verwachte waarde of het gemiddelde van de continue willekeurige variabele X met kansdichtheidsfunctie
of Gamma willekeurige variabele X zal zijn
gemiddelde van gammadistributiebewijs | verwachte waarde van gammadistributiebewijs
Om de verwachte waarde of het gemiddelde van de gammadistributie te verkrijgen, volgen we de definitie en eigenschap van de gammafunctie,
eerst door de definitie van verwachting van continue willekeurige variabele en waarschijnlijkheidsdichtheidsfunctie van willekeurige gammavariabele die we hebben
door de gemeenschappelijke factor op te heffen en de definitie van gammafunctie te gebruiken
nu omdat we de eigenschap van gammafunctie hebben
de waarde van verwachting zal zijn
dus de gemiddelde of verwachte waarde van willekeurige gammavariabele of gammadistributie die we krijgen is
variantie van gammadistributie | variantie van een gammadistributie
De variantie voor de willekeurige gammavariabele met de gegeven kansdichtheidsfunctie
of variantie van de gamma-verdeling zal zijn
variantie van gammadistributiebewijs
Zoals we weten is de variantie het verschil van de verwachte waarden als
voor de gammadistributie hebben we al de waarde van mean
Laten we nu eerst de waarde van E [X berekenen2], dus per definitie van verwachting voor de continue willekeurige variabele die we hebben
aangezien de functie f (x) de kansverdelingsfunctie is van gammadistributie als
dus de integraal zal alleen van nul tot oneindig zijn
dus per definitie van de gammafunctie kunnen we schrijven
Dus met behulp van de eigenschap van de gammafunctie kregen we de waarde als
Breng nu de waarde van deze verwachting in
dus de waarde van de variantie van de gamma-distributie of willekeurige gamma-variabele is
Gamma-distributieparameters | twee parameter gammadistributie | 2 variabele gammadistributie
De Gamma-verdeling met de parameters λ>0, α>0 en de kansdichtheidsfunctie
heeft statistische parameters gemiddelde en variantie als
en
aangezien λ een positief reëel getal is, is om het gebruik te vereenvoudigen en te vergemakkelijken een andere manier om λ = 1 / β in te stellen, dus dit geeft de kansdichtheidsfunctie in de vorm
in het kort de verdelingsfunctie of cumulatieve verdelingsfunctie voor deze dichtheid kunnen we uitdrukken als
deze gammadichtheidsfunctie geeft het gemiddelde en de variantie als
en
wat duidelijk is door de vervanging.
Beide manieren worden vaak gebruikt, ofwel de gammadistributie met de parameter α en λ aangeduid met gamma (α, λ) of de gammaverdeling met de parameters β en λ aangegeven met gamma (β, λ) met de respectievelijke statistische parameters gemiddelde en variantie in elk van de vormen.
Beiden zijn niets anders dan hetzelfde.
Gamma-distributieplot | gammadistributiegrafiek | gamma distributie histogram
De aard van de gammadistributie kunnen we gemakkelijk visualiseren met behulp van een grafiek voor enkele specifieke waarden van de parameters, hier tekenen we de grafieken voor de kansdichtheidsfunctie en de cumulatieve dichtheidsfunctie voor enkele waarden van parameters
laten we de kansdichtheidsfunctie nemen als
dan zal de cumulatieve verdelingsfunctie zijn
Beschrijving: grafieken voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie door de waarde van alfa vast te stellen op 1 en de waarde van bèta te variëren.
Beschrijving: grafieken voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie door de waarde van alfa vast te stellen op 2 en de waarde van bèta te variëren
Beschrijving: grafieken voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie door de waarde van alfa vast te stellen op 3 en de waarde van bèta te variëren
Beschrijving: grafieken voor de kansdichtheidsfunctie en cumulatieve verdelingsfunctie door de waarde van bèta vast te stellen op 1 en de waarde van alfa . te variëren
Beschrijving: grafieken voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie door de waarde van bèta vast te stellen op 2 en de waarde van alfa te variëren
Beschrijving: grafieken voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie door de waarde van bèta vast te stellen op 3 en de waarde van alfa te variëren.
Over het algemeen verschillende curves zoals voor alpha variërend is
Gamma-verdeeltafel | standaard gamma-verdeeltafel
De numerieke waarde van de gammafunctie
als volgt bekend als onvolledige numerieke waarden van de gammafunctie
De numerieke waarde van de gamma-verdeling voor het schetsen van de plot voor de kansdichtheidsfunctie en de cumulatieve verdelingsfunctie voor sommige beginwaarden is als volgt
1x | f (x), α = 1, β = 1 | f (x), α = 2, β = 2 | f (x), α = 3, β = 3 | P (x), α = 1, β = 1 | P (x), α = 2, β = 2 | P (x), α = 3, β = 3 |
0 | 1 | 0 | 0 | 0 | 0 | 0 |
0.1 | 0.904837418 | 0.02378073561 | 1.791140927E-4 | 0.09516258196 | 0.001209104274 | 6.020557215E-6 |
0.2 | 0.8187307531 | 0.0452418709 | 6.929681371E-4 | 0.1812692469 | 0.00467884016 | 4.697822176E-5 |
0.3 | 0.7408182207 | 0.06455309823 | 0.001508062363 | 0.2591817793 | 0.01018582711 | 1.546530703E-4 |
0.4 | 0.670320046 | 0.08187307531 | 0.00259310613 | 0.329679954 | 0.01752309631 | 3.575866931E-4 |
0.5 | 0.6065306597 | 0.09735009788 | 0.003918896875 | 0.3934693403 | 0.02649902116 | 6.812970042E-4 |
0.6 | 0.5488116361 | 0.1111227331 | 0.005458205021 | 0.4511883639 | 0.03693631311 | 0.001148481245 |
0.7 | 0.4965853038 | 0.1233204157 | 0.007185664583 | 0.5034146962 | 0.04867107888 | 0.001779207768 |
0.8 | 0.4493289641 | 0.1340640092 | 0.009077669195 | 0.5506710359 | 0.06155193555 | 0.002591097152 |
0.9 | 0.4065696597 | 0.1434663341 | 0.01111227331 | 0.5934303403 | 0.07543918015 | 0.003599493183 |
1 | 0.3678794412 | 0.1516326649 | 0.01326909834 | 0.6321205588 | 0.09020401043 | 0.004817624203 |
1.1 | 0.3328710837 | 0.1586611979 | 0.01552924352 | 0.6671289163 | 0.1057277939 | 0.006256755309 |
1.2 | 0.3011942119 | 0.1646434908 | 0.01787520123 | 0.6988057881 | 0.1219013822 | 0.007926331867 |
1.3 | 0.272531793 | 0.1696648775 | 0.0202907766 | 0.727468207 | 0.1386244683 | 0.00983411477 |
1.4 | 0.2465969639 | 0.1738048563 | 0.02276101124 | 0.7534030361 | 0.1558049836 | 0.01198630787 |
1.5 | 0.2231301601 | 0.1771374573 | 0.02527211082 | 0.7768698399 | 0.1733585327 | 0.01438767797 |
1.6 | 0.201896518 | 0.1797315857 | 0.02781137633 | 0.798103482 | 0.1912078646 | 0.01704166775 |
1.7 | 0.1826835241 | 0.1816513461 | 0.03036713894 | 0.8173164759 | 0.2092823759 | 0.01995050206 |
1.8 | 0.1652988882 | 0.1829563469 | 0.03292869817 | 0.8347011118 | 0.2275176465 | 0.02311528775 |
1.9 | 0.1495686192 | 0.1837019861 | 0.03548626327 | 0.8504313808 | 0.2458550043 | 0.02653610761 |
2 | 0.1353352832 | 0.1839397206 | 0.03803089771 | 0.8646647168 | 0.2642411177 | 0.03021210849 |
2.1 | 0.1224564283 | 0.1837173183 | 0.04055446648 | 0.8775435717 | 0.2826276143 | 0.03414158413 |
2.2 | 0.1108031584 | 0.183079096 | 0.04304958625 | 0.8891968416 | 0.3009707242 | 0.03832205271 |
2.3 | 0.1002588437 | 0.1820661424 | 0.04550957811 | 0.8997411563 | 0.3192309458 | 0.04275032971 |
2.4 | 0.09071795329 | 0.1807165272 | 0.04792842284 | 0.9092820467 | 0.3373727338 | 0.04742259607 |
2.5 | 0.08208499862 | 0.179065498 | 0.05030071858 | 0.9179150014 | 0.3553642071 | 0.052334462 |
2.6 | 0.07427357821 | 0.1771456655 | 0.05262164073 | 0.9257264218 | 0.373176876 | 0.05748102674 |
2.7 | 0.06720551274 | 0.1749871759 | 0.05488690407 | 0.9327944873 | 0.3907853875 | 0.0628569343 |
2.8 | 0.06081006263 | 0.1726178748 | 0.05709272688 | 0.9391899374 | 0.4081672865 | 0.06845642568 |
2.9 | 0.05502322006 | 0.1700634589 | 0.05923579709 | 0.9449767799 | 0.4253027942 | 0.07427338744 |
3 | 0.04978706837 | 0.1673476201 | 0.0613132402 | 0.9502129316 | 0.4421745996 | 0.08030139707 |
alfa en bèta vinden voor gammadistributie | hoe alfa en bèta te berekenen voor gammadistributie | gammadistributieparameter schatting
Voor een gammadistributie die alfa en bèta vindt, nemen we het gemiddelde en de variantie van de gammadistributie
en
nu krijgen we de waarde van bèta als
so
en
dus
door slechts enkele fracties uit de gamma-verdeling te nemen, krijgen we de waarde van alfa en bèta.
gamma distributie problemen en oplossingen | gamma-distributie voorbeeldproblemen | tutorial over gamma-distributie | gamma distributie vraag
1. Overweeg de tijd die nodig is om het probleem voor een klant op te lossen, is gamma verdeeld in uren met het gemiddelde van 1.5 en variantie 0.75 wat zou de kans dat het probleem de oplossingstijd is langer dan 2 uur, als de tijd langer is dan 2 uur, wat is dan de kans dat het probleem binnen ten minste 5 uur wordt opgelost.
oplossing: aangezien de willekeurige variabele gamma is verdeeld met een gemiddelde van 1.5 en een variantie van 0.75, kunnen we de waarden van alfa en bèta vinden en met behulp van deze waarden zal de kans zijn
P (X> 2) = 13e-4= 0.2381
en
P (X> 5 | X> 2) = (61/13) e-6= 0.011631
2. Als de negatieve feedback in week van de gebruikers gemodelleerd wordt in gammadistributie met parameters alpha 2 en beta als 4 nadat de 12 weken negatieve feedback kwam na herstructurering van de kwaliteit, kan herstructurering op basis van deze informatie de prestaties verbeteren?
oplossing: Omdat dit is gemodelleerd in gammadistributie met α = 2, β = 4
we zullen de gemiddelde en standaarddeviatie vinden als μ = E (x) = α * β = 4 * 2 = 8
aangezien de waarde X = 12 binnen de standaarddeviatie van het gemiddelde valt, kunnen we niet zeggen dat dit verbetering is of niet door de herstructurering van de kwaliteit, om te bewijzen dat de verbetering die wordt veroorzaakt door de gegeven herstructureringsinformatie onvoldoende is.
3. Laat X de . zijn gamma distributie zoek met parameters α=1/2, λ=1/2 de kansdichtheidsfunctie voor de functie Y=Vierkantswortel van X
Oplossing: laten we de cumulatieve verdelingsfunctie voor Y berekenen als
dit nu differentiëren met betrekking tot y geeft de kansdichtheidsfunctie voor Y als
en het bereik voor y is van 0 tot oneindig
Conclusie:
Het concept van gammadistributie in waarschijnlijkheid en statistiek is een van de belangrijkste dagelijkse toepasbare distributie van exponentiële familie, alle basisconcepten naar hogere niveaus werden tot dusver besproken met betrekking tot gamma distributieAls u meer informatie nodig heeft, neem dan de genoemde boeken door. U kunt ook op bezoek gaan wiskunde pagina voor meer onderwerpen
https://en.wikipedia.org/wiki/Gamma_distribution
Een eerste kanscursus door Sheldon Ross
Schaum's contouren van waarschijnlijkheid en statistiek
Een inleiding tot kansrekening en statistiek door ROHATGI en SALEH
Ik ben DR. Mohammed Mazhar Ul Haque. Ik heb mijn Ph.D. in Wiskunde en werkzaam als assistent-professor in de Wiskunde. Met 12 jaar ervaring in het lesgeven. Een uitgebreide kennis hebben van zuivere wiskunde, precies van algebra. Het hebben van een enorm vermogen om problemen te ontwerpen en op te lossen. Kan kandidaten motiveren om hun prestaties te verbeteren.
Ik draag graag bij aan Lambdageeks om wiskunde eenvoudig, interessant en vanzelfsprekend te maken voor zowel beginners als experts.
Hallo medelezer,
We zijn een klein team bij Techiescience, dat hard werkt tussen de grote spelers. Als je het leuk vindt wat je ziet, deel dan onze inhoud op sociale media. Uw steun maakt een groot verschil. Bedankt!