方差Gamma分布
背景和上下文
方差Gamma分布 [ λ , α , β , μ ] 表示实数集上定义和支持的连续统计分布,并由正实数参数化 α 和 λ (称为“形状参数”)和实数 μ 和 β (分别称为“位置参数”和“偏度参数”), ,它们共同决定了其概率密度函数(PDF)的整体行为。 一般来说,方差-γ分布的PDF是单峰的,在 ,尽管它的整体形状(高度、蔓延和最大值的水平位置)由以下值决定 λ , α , β 、和 μ 此外,PDF的尾部是“肥大”的,从这个意义上说,PDF是代数递减的,而不是在以下较大值的情况下呈指数递减 (通过分析 生存功能 分配的数量。) 方差伽马分布有时被称为广义拉普拉斯分布和贝塞尔函数分布。 Madan和Seneta在1990年的一篇论文中建立了方差-伽马分布,作为股市收益的模型。 从正态分布中获得( 常态分配 )通过混合方差参数,方差gamma分布满足许多理想的概率特性,这些特性使其既适用于金融应用(正如其创始人所示),也适用于金融以外的建模现象。 在统计学中,方差-伽马分布是所谓方差-伽玛随机过程的基础,同时它也被用于建模各种现象,包括风湍流、死亡率和图像分割。 随机变量 可用于给出一个或多个机器或任意决策(后者通过 工作精度 选项)来自方差-伽马分布的伪随机变量。 分布式 [ x个 , 方差Gamma分布 [ λ , α , β , μ ] ] ,写得更简洁 x个 方差Gamma分布 [ λ , α , β , μ ] ,可用于断言随机变量 x个 根据方差-gamma分布进行分布。 这样的断言可以用于以下函数中 概率 , N可能性 , 期望 、和 N期望 . 方差伽马分布的概率密度和累积分布函数可以使用 PDF格式 [ 方差Gamma分布 [ λ , α , β , μ ] , x个 ] 和 CDF公司 [ 方差Gamma分布 [ λ , α , β , μ ] , x个 ] 平均值、中位数、方差、原始矩和中心矩可以使用 平均值 , 中值的 , 方差 , 力矩 、和 中心力矩 分别是。 分配匹配测试 可用于测试给定数据集是否与方差-γ分布一致, 估计分布 根据给定数据估计参数方差-gamma分布,以及 查找分布参数 将数据拟合到方差-gamma分布。 概率图 可用于生成给定数据的CDF与符号方差γ的CDF的对比图,以及 分位数图 根据符号方差-gamma分布的分位数生成给定数据的分位数图。 转换后的分布 可用于表示转换后的方差-γ分布, 审查分发 表示上下值之间截尾值的分布,以及 截断分布 表示在上下值之间截断的值的分布。 Copula分布 可用于构建包含方差-γ分布的高维分布,以及 产品分销 可用于计算包含方差-γ分布的独立分量分布的联合分布。 方差Gamma分布 与许多其他分布有关。 方差Gamma分布 概括 Laplace分布 在某种意义上 方差Gamma分布 [ 1 , α , 0 , μ ] 与 Laplace分布 [ μ , 1/ α ] 对于 . 方差Gamma分布 可以实现为转换( 转换后的分布 )第页,共页 指数分布 , 伽马分布 、和 常态分配 与 双曲线分布 , 对数正态分布 , Beta分销 、和 皮尔逊分布 .