Если ожидаемое значение равно , каково ожидаемое значение ? Можно ли рассчитать аналитически?
Параметризация, которую я использую, является скоростью формы.
expected-value
gamma-distribution
Стефано Веспуччи
источник
источник
Ответы:
Это (может быть удивительно) может быть сделано с простыми элементарными операциями (используя любимую уловку Ричарда Фейнмана дифференцирования под знаком интеграла относительно параметра).
Мы предполагаем, что имеет распределение и мы хотим найти ожидание Во-первых, поскольку является параметром масштаба, его эффект будет заключаться в смещении логарифма на (Если вы используете в качестве параметра скорости , как в вопросе, он сместит логарифм на ) Это позволяет нам работать со случаемX Γ(α,β) Y=log(X). β log β . β - log β . β = 1.logβ. β −logβ. β=1.
После этого упрощения, вероятность элемент являетсяX
где - нормализующая константаΓ(α)
Подстановка которая влечет за собой дает элемент вероятности ,x=ey, dx/x=dy, Y
Возможные значения теперь охватывают все действительные числаY R.
Поскольку должен интегрироваться в единицу, мы получаем (тривиально)fY
Обратите внимание, что является дифференцируемой функциейПростой расчет даетfY(y) α.
На следующем шаге используется отношение, полученное путем деления обеих сторон этой идентичности на тем самым обнажая сам объект, который нам нужно интегрировать, чтобы найти ожидание; а именно,Γ(α), yfY(y):
логарифмическая производная гамма-функции (также известная как « полигамма »). Интеграл был вычислен с использованием тождества(1).
Повторное введение фактора показывает общий результатβ
для параметризации шкалы (где функция плотности зависит от ) илиx/β
для параметризации скорости (где функция плотности зависит от ).xβ
источник
Ответ @whuber довольно хорош; По сути, я перефразирую его ответ в более общей форме, которая лучше связывает (на мой взгляд) со статистической теорией и проясняет всю мощь общей методики.
Рассмотрим семейство распределений которые составляют экспоненциальное семейство , то есть они допускают плотность относительно некоторой общей доминирующей меры (обычно, меры Лебега или счетной меры). Различая обе части по мы приходим к уравнению оценки где - функция оценки{Fθ:θ∈Θ} fθ(x)=exp{s(x)θ−A(θ)+h(x)}
∫fθ(x) dx=1 θ
∫f′θ(x)=∫f′θ(x)fθ(x)fθ(x)=∫uθ(x)fθ(x) dx=0(†) uθ(x)=ddθlogfθ(x) и мы определили . В случае экспоненциального семейства имеем
где ; иногда ее называют функцией кумулянта , поскольку она, очевидно, очень тесно связана с функцией, производящей кумулянт. Из теперь следует, что .f′θ(x)=ddθfθ(x) uθ(x)=s(x)−A′(θ) A′(θ)=ddθA(θ) (†) Eθ[s(X)]=A′(θ)
Теперь мы покажем, что это помогает нам вычислить ожидаемое ожидание. Мы можем записать гамма-плотность с фиксированной как семейство экспонент Это экспоненциальное семейство в только с и . Из вычисления немедленно следует, чтоβ fθ(x)=βαΓ(α)xα−1e−βx=exp{log(x)α+αlogβ−logΓ(α)−βx}. α s(x)=logx A(α)=logΓ(α)−αlogβ ddαA(α) E[logX]=ψ(α)−logβ.
источник