gamma分布特征函数（概率论与数理统计习题，求教大神！！）

本文目录

• 概率论与数理统计习题，求教大神！！
• 怎么来理解伽玛分布
• 2020-01-07 常见分布及概率函数
• 支持向量机(SVM)中的参数C和gamma代表什么含义呢
• 什么分布函数与伽马分布有关
• 大学数学论文

概率论与数理统计习题，求教大神！！

Y=Σ ln
let Ti=ln
FTi(ti)=P(ln(1/Fi(Xi)²)《=ti)=P{1/Fi(Xi)²《=e^ti}=P{Fi(Xi)²》=e^(-ti)}=P{Fi(Xi)》=e^(-ti/2)}=1-e^(-ti/2)

T1,T2..Tn~ exp(1/2)
n个相互独立的同参数b指数分布的和服从 Gamma(n,b)

T1+T2+...Tn~Gamma(n,1/2)

cdf={1/Γ(n)}γ(n,x/2)

卡方2n的cdf={1/Γ(2n/2)}γ(2n/2,x/2)={1/Γ(n)}γ(n,x/2)
和T1+..Tn正好一样的cdf

证法2，mgf,矩母函数
MgfTi(t)=(1-t/(1/2))^(-1)=(1-2t)^(-1)
MgfY(t)=Mgf(ΣTi)(t)=MgfT1(t)...MgfTn(t)=(1-2t)^(-n)
Mgf(卡方2n)(t)=(1-2t)^(-2n/2)=(1-2t)^(-n)
同矩母函数则同分布
还有特征函数证法，类似矩母函数

怎么来理解伽玛分布

定义
若连续随机变量
的概率密度为
则称随机变量
服从伽玛（Gamma）分布，记为
.其中
为形状参数，
为尺度参数，如图所示。
概率密度曲线
若干性质及证明
(1)
(2)当
时，伽玛分布的概率密度化为
则称随机变量
服从标准的伽玛分布。
当
时，伽玛分布的概率密度为
此时，
，称为
服从标准指数分布。
当
，伽玛分布的概率密度化为
此时，
。
(3)设
，令
，则
(4)设
，称其为不完全伽玛分布。显然，它是标准伽玛分布
的分布函数。伽玛分布
的分布函数
.
(5)
(6)伽玛分布的特征函数为
矩母函数为
证明：由特征函数的定义得
同理，得到伽玛分布的矩母函数的表达式。
(7)设随机变量
独立，且
，则
证明：随机变量
的特征函数为
，又由于随机变量
独立，则
的特征函数为
即
(8)设随机变量
独立同分布，且
，则
.
证明：随机变量
的特征函数为
，又由于随机变量
独立，则
的特征函数为
即
。
(9)若
，则对任意的
，有
证明：
(10)若
均匀分布，
，则
。
证明：随机变量
的分布函数为
随机变量
的函数的分布函数为
随机变量
的函数的分布密度为
－－百度百科

2020-01-07 常见分布及概率函数

随机变量取一切可能值的概率的规律称为概率分布(probability distribution)，简称为 分布 。
表示分布最常用的方法是 直方图 (histogram)，这种图用于展示各个值出现的频数或概率。 频数 指的是数据集中的一个值出现的次数。 概率 就是频数除以 样本数量n 。用表示概率的直方图称为 概率质量函数 (Probability Mass Function, PMF)。

常见分布根据变量类型可分为 离散型分布 和 连续型分布
离散型变量 指变量值可以按一定顺序一一列举，通常以整数位取值的变量。
连续型变量 是指在连续区间取值，例如质量、长度、面积、体积、寿命、距离等就是连续型变量。现在试想一下连续变量观测值的直方图；如想其纵坐标为相对频数，那么所有这些矩形条的高度和为1，那么完全可以重新设置量纲，例这些矩形条的面积为1，如果不断增加观测值，并不断增加直方图的矩形条的数目，这些直方图就会越来越像一条光滑曲线，其下面的面积和为1，这种曲线就是 概率密度函数 (probability density function, pdf)，简称为 密度函数 或 密度 。
常用离散型分布有： 二项分布、几何分布、 超几何分布、 负二项分布和泊松分布 等。
常用连续型分布有： 正态分布、卡方分布、指数分布、F分布、伽马分布、t 分布、均匀分布、贝塔分布、柯西分布、对数正态分布、Logistic 分布、Wilcoxon signed Rank 分布、Weibull 分布，Wilcoxon Rank Sum 分布、多元正态分布 。
分布族谱：

基于每次的实验有两个可能结果的重复独立伯努利（Bernoulli）试验。
伯努利试验是单次随机试验，只有"成功（值为1）"或"失败（值为0）"这两种结果，是由瑞士科学家雅各布·伯努利(1654 - 1705)提出来的。

n为实验总次数,k是成功的次数,p是成功概率：
P(X=k)=C_n kp k(1-p)^{n-k}

典型为 掷色子
每次试验不止有两种可能，而是有 k 种结果；且

超几何分布就是不放回的伯努利试验；
在抽样调查的实践中，一般不会重复调查同一个体，这相当于不放回抽样，所以应该用超几何分布描述；
但是在一个很大的群体中抽样时放不放回差异很小，但是二项分布计算更简单所以会用二项分布描述。
R语言中与超几何分布有关的函数为 phyper，dhyper，rhyper，qhyper 。

在一批产品里，一共有N件产品，其中有M件次品，那么当我们任何取n件产品，其中恰有X件次品的概率P就可以按归照下面的公式进行计算：

Bernoulli试验独立地重复进行，一直到出现有功能出现时停止试剂，则试验失败的次数服从一个参数为p的几何分布。

伯努利试验独立地重复进行，一直到出现 k 次成功时停止试验，则试验 失败 的次数服从一个参数为(k,p)的负二项分布。

其中：
k是失败的次数，为自变量，取值范围为0, 1, 2, 3, ...
r是成功的次数，为固定值。当r=1时，负二项分布退化为几何分布
p是伯努利试验成功的概率，失败概率则为1-p

泊松概率分布描述的是在某段时间或某个空间内发生随机事件次数的概率，简而言之就是：根据过去某个随机事件在某段时间或某个空间内发生的平均次数，预测该随机事件在未来同样长的时间或同样大的空间内发生k次的概率。
由于泊松分布适用于描述某段时间(或某个空间)内随机事件发生的次数，因此它常用于预测某些事件的发生。例如：某家医院在一定时间内到达的人数；某段时间内DNA序列的变异数。

其中：
λ是过去某段时间或某个空间内随机事件发生的平均次数
e = 2.71828...，是自然常数
k的取值为 0, 1, 2, 3, 4, ...
k! = k x (k-1) x (k-2) x ... x 2 x 1，是k的阶乘

参数统计学的理论核心。正态分布像一只倒扣的钟。两头低，中间高，左右对称。大部分数据集中在平均值，小部分在两端，因此人们又经常称之为 钟形曲线 。
正态分布笔记参考

三个特征 ：

shapiro.test()函数可进行Shapiro-Wilk正态分布检验， 用来检验是否数据符合正态分布，类似于线性回归的方法一样，是检验其于回归曲线的残差。

伽玛分布与卡方分布和指数分布有关，卡方分布与指数分布可以视为一种特殊的伽玛分布。
【许多随机变量，例如计算机使用寿命的长度，假定仅取非负值，这种类型数据的相对频率分布通过用Γ型密度函数建模。】
alpha （一般为整数）代表一件事发生的次数；beta代表它发生一次的概率（或者叫速率）。那么gamma 分布就代表这么一件事发生alpha 次所需要时间的分布。

X∼Gamma(α,λ)

指数分布解决的问题是【“要等到一个随机事件发生，需要经历多久时间”】，伽玛分布解决的问题是“要等到n个随机事件都发生，需要经历多久时间”。所以，伽玛分布可以看作是n个指数分布的独立随机变量的加总，即，n个Exponential(λ)random variables---》Gamma(n,λ）

alpha代表上述的n, 当alpha=1时，伽马分布就变成了指数分布：

卡方分布是由正态分布推导出来的分布，它的定义为，n个独立标准正态变量的平方和称为有n个自由度的χ2分布，记为χ2(n)，χ2(n)的总体均值为n，总体方差为2n。
以特定概率分布为某种情况建模时，事物长期结果较为稳定，能够清晰进行把握。但是期望与事实存在差异怎么办？偏差是正常的小幅度波动？还是建模错误？此时，利用卡方分布分析结果，排除可疑结果。
【事实与期望不符合情况下使用卡方分布进行检验】
【常规事件中出现非常规现象，如何检查问题所在的情况下使用卡方分布】
【它广泛的运用于检测数学模型是否适合所得的数据，以及数据间的相关性。数据并不需要呈正态分布】

Γ. 表示的是一个gamma函数，它是整数k的封闭形式。

“t”，是伟大的 Fisher 为之取的名字。Fisher最早将这一分布命名为“Student’s distribution”，并以“t”为之标记。Student，则是William Sealy Gosset（戈塞特）的笔名。他当年在爱尔兰都柏林的一家酒厂工作，设计了一种后来被称为t检验的方法来评价酒的质量。
我们平常说的t分布，都是指小样本的分布。但是，随着样本量n / 自由度的增加，t分布越来越接近正态分布。正态分布，可以看做只是t分布的一个特例而已。
所以，t分布在大小样本中都是通用的。相对于正态分布，t分布额外多了一个参数，自由度。
【应用在当对呈正态分布的母群体的均值进行估计或者当母群体的标准差是未知的但却又需要估计时】

自由度1~10，t分布为绿色，蓝色为正态分布，t分布也是钟形曲线，但是更宽更厚有尾巴。自由度（希腊字母V，读作“纽”）越大，分布越是接近正态分布。

Gam(x)为伽马函数

研究A、B、C三种不同学校学生的阅读理解成绩找到一种解决的办法，有人可能会以为，只要多次使用Z检验或t检验，比较成对比较学校（或条件）即可。但是我们不会这样来处理。因为Z检验或t检验有其局限性：
（1）比较的组合次数增多，上例需要3次，如果研究10个学校，需要45个
（2）降低可靠程度，如果我们做两次检验，每次都为0.05的显著性水平，那么不犯Ⅰ型错误的概率就变为0.95×0.95＝0.90。此时犯Ⅰ型错误的概率则为1-0.90＝0.10，即至少犯一次Ⅰ型错误的概率翻了一倍。若做10次检验的话，至少犯一次Ⅰ型错误的概率将上升到0.40（1-0.952），而10次检验结论中都正确的概率只有60%。所以说采用Z检验或t检验随着均数个数的增加，其组合次数增多，从而降低了统计推论可靠性的概率，增大了犯错误的概率。
【F-分布被广泛应用于似然比率检验，特别是方差分析ANOVA中】

有两个独立的正态分布N(μ1,σ12)和 N(μ2,σ22).如果我们对这两个总体进行抽样，获得的样本方差为s12和s22，那么它们遵循F分布：

rbinom(n, size, prob)二项分布
rgeom(n, prob)几何分布
rhyper(nn, m, n, k) 超几何分布
rlogis(n, location=0, scale=1) logistic分布
rlnorm(n, meanlog=0, sdlog=1)对数正态
rnbinom(n, size, prob)负二项分布

rnorm(n, mean=0, sd=1) 高斯（正态）分布
rexp(n, rate=1) 指数分布
rgamma(n, shape, scale=1) γ分布　
rpois(n, lambda) Poisson分布
rweibull(n, shape, scale=1) Weibull分布　
rcauchy(n, location=0, scale=1) Cauchy分布　
rbeta(n, shape1, shape2) β分布　
rt(n, df) t分布　
rf(n, df1, df2) F分布　
rchisq(n, df) χ 2 分布
runif(n, min=0, max=1)均匀分布
rwilcox(nn, m, n), rsignrank(nn, n) Wilcoxon分布

自由度
中心极限定理
方差分析

支持向量机(SVM)中的参数C和gamma代表什么含义呢

C是惩罚系数，理解为调节优化方向中两个指标（间隔大小，分类准确度）偏好的权重，即对误差的宽容度，C越高，说明越不能容忍出现误差,容易过拟合，C越小，容易欠拟合，C过大或过小，泛化能力变差。

gamma是选择RBF函数作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

扩展资料：

1、支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器其决策边界是对学习样本求解的最大边距超平面。

2、SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。

什么分布函数与伽马分布有关

1. 卡方分布（n)~gamma（n/2，1/2）

   若n个相互独立的随机变量ξ₁、ξ₂、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布（chi-square distribution）。

2. 指数分布exp（k）~gamma（1，k）

   指数函数的一个重要特征是无记忆性（Memoryless Property，又称遗失记忆性）。这表示如果一个随机变量呈指数分布，当s,t≥0时有P(T》s+t|T》t)=P(T》s)。即，如果T是某一元件的寿命，已知元件使用了t小时，它总共使用至少s+t小时的条件概率，与从开始使用时算起它使用至少s小时的概率相等。

大学数学论文

2017大学数学论文范文

　　由于特殊函数是数学分析中的一种重要工具，因此特殊函数的学习及应用非常重要。但是特殊函数往往不是用一种方法就能解决的，它是多种方法的灵活运用，也是各种思想方法的集中体现，因此难度较大。下面是我整理的关于几类特殊函数的性质及应用的数学论文范文，欢迎大家阅读。

　　 几类特殊函数的性质及应用

　　【摘要】本文将对数学分析中特殊函数，诸如伽玛函数、贝塔函数贝塞尔函数等超几何数列函数，具有特殊的性质和特点，在现实中得到大量的运用的函数。本文主要以简单介绍以上三种特殊函数性质，及其在其它领域的应用，诸如利用特殊函数求积分，利用特殊函数解相关物理学问题。本文首先以回顾学习几类常见特殊函数概念、性质，从而加深读者理解，然后以相关实例进行具体分析，从而达到灵活应用的目的。

　　【关键词】特殊函数;性质;应用;伽马函数;贝塔函数;贝塞尔函数;积分

　　1.引言

　　特殊函数是指一些具有特定性质的函数，一般有约定俗成的名称和记号，例如伽玛函数、贝塔函数、贝塞尔函数等。它们在数学分析、泛函分析、物理研究、工程应用中有着举足轻重的地位。许多特殊函数是微分方程的解或基本函数的积分，因此积分表中常常会出现特殊函数，特殊函数的定义中也经常会出现积分。传统上对特殊函数的分析主要基于对其的数值展开基础上。随着电子计算的发展，这个领域内开创了新的研究方法。

　　由于特殊函数是数学分析中的一种重要工具，因此特殊函数的学习及应用非常重要。本文归纳出特殊函数性质、利用特殊函数在求积分运算中的应用、特殊函数在物理学科方面的应用，利用Matlab软件画出一些特殊函数的图形，主要包含内容有：定义性质学习，作积分运算，物理知识中的应用，并结合具体例题进行了详细的探究和证明。

　　特殊函数定义及性质证明

　　特殊函数学习是数学分析的一大难点,又是一大重点,求特殊函数包含很多知识点,有很多技巧,教学中可引导学生以探究学习的方式进行归纳、总结;一方面可提高学生求函数极限的技能、技巧;另一方面也可培养学生的观察、分析、归类的能力,对学生的学习、思考习惯,很有益处。

　　特殊函数性质学习及其相关计算，由于题型多变，方法多样，技巧性强，加上无固定的规律可循，往往不是用一种方法就能解决的，它是多种方法的灵活运用，也是各种思想方法的集中体现，因此难度较大。解决这个问题的途径主要在于熟练掌握特殊函数的特性和一些基本方法。下面结合具体例题来探究特殊函数相关性质及应用。

　　2.伽马函数的性质及应用

　　2.1.1伽马函数的定义：

　　伽马函数通常定义是：这个定义只适用于的区域，因为这是积分在t=0处收敛的条件。已知函数的定义域是区间，下面讨论Г函数的两个性质。

　　2.1.2Г函数在区间连续。

　　事实上，已知假积分与无穷积分都收敛，则无穷积分在区间一致收敛。而被积函数在区间D连续。Г函数在区间连续。于是，Г函数在点z连续。因为z是区间任意一点，所以Г函数在区间连续。

　　2.1.3，伽马函数的递推公式

　　此关系可由原定义式换部积分法证明如下：

　　这说明在z为正整数n时，就是阶乘。

　　由公式(4)看出是一半纯函数，在有限区域内的奇点都是一阶极点，极点为z=0,-1,-2,...,-n,....

　　2.1.4用Г函数求积分

　　2.2贝塔函数的性质及应用

　　2.2.1贝塔函数的定义：

　　函数称为B函数(贝塔函数)。

　　已知的定义域是区域，下面讨论的三个性质：

　　贝塔函数的性质

　　2.2.2对称性：=。事实上，设有

　　2.2.3递推公式：，有事实上，由分部积分公式，，有

　　即

　　由对称性，

　　特别地，逐次应用递推公式，有

　　而，即

　　当时，有

　　此公式表明，尽管B函数与Г函数的定义在形式上没有关系，但它们之间却有着内在的联系。这个公式可推广为

　　2.2.4

　　由上式得以下几个简单公式：

　　2.2.5用贝塔函数求积分

　　例2.2.1

　　解：设有

　　(因是偶函数)

　　例2.2.2贝塔函数在重积分中的应用

　　计算，其中是由及这三条直线所围成的闭区域，

　　解：作变换且这个变换将区域映照成正方形：。于是

　　通过在计算过程中使用函数，使得用一般方法求原函数较难的问题得以轻松解决。

　　2.3贝塞尔函数的性质及应用

　　2.3.1贝塞尔函数的定义

　　贝塞尔函数：二阶系数线性常微分方程称为λ阶的贝塞尔方程，其中y是x的未知函数，λ是任一实数。

　　2.3.2贝塞尔函数的’递推公式

　　在式(5)、(6)中消去则得式3，消去则得式4

　　特别，当n为整数时，由式(3)和(4)得：

　　以此类推，可知当n为正整数时，可由和表示。

　　又因为

　　以此类推，可知也可用和表示。所以当n为整数时，和都可由和表示。

　　2.3.3为半奇数贝塞尔函数是初等函数

　　证：由Г函数的性质知

　　由递推公式知

　　一般，有

　　其中表示n个算符的连续作用，例如

　　由以上关系可见，半奇数阶的贝塞尔函数(n为正整数)都是初等函数。

　　2.3.4贝塞尔函数在物理学科的应用：

　　频谱有限函数新的快速收敛的取样定理，.根据具体问题，利用卷积的方法还可以调节收敛速度，达到预期效果，并且计算亦不太复杂。由一个函数的离散取样值重建该函数的取样定理是通信技术中必不可少的工具，令

　　称为的Fourier变换。它的逆变换是

　　若存在一个正数b，当是b频谱有限的。对于此类函数，只要取样间隔，则有离散取样值(这里z表示一切整数：0,)可以重建函数，

　　这就是Shannon取样定理。Shannon取样定理中的母函数是

　　由于Shannon取样定理收敛速度不够快，若当这时允许的最大取样间隔特征函数Fourier变换：

　　以下取样方法把贝塞尔函数引进取样定理，其特点是收敛速度快，且可根据实际问题调节收敛速度，这样就可以由不太多的取样值较为精确地确定函数。

　　首先建立取样定理

　　设：

　　其中是零阶贝塞尔函数。构造函数：

　　令

　　经计算：

　　利用分部积分法，并考虑到所以的Fourier变换。

　　通过函数卷积法，可加快收敛速度，使依据具体问题，适当选取N，以达到预期效果，此种可调节的取样定理，计算量没有增加很多。取：

　　类似地

　　经计算：

　　经计算得：

　　则有：设是的Fourier变换，

　　记则由离散取样值

　　因为，故该取样定理收敛速度加快是不言而喻的，通过比较得，计算量并没有加大，而且N可控制收敛速度。

　　例2.4，利用

　　引理：当

　　当

　　因为不能用初等函数表示，所以在求定积分的值时，牛顿-莱布尼茨公式不能使用，故使用如下计算公式

　　首先证明函数满足狄利克雷充分条件，在区间上傅立叶级数展开式为：

　　(1)

　　其中

　　函数的幂级数展开式为：

　　则关于幂级数展开式为： (2)

　　由引理及(2)可得

　　(3)

　　由阶修正贝塞尔函数

　　其中函数，且当为正整数时，取，则(3)可化为

　　(4)

　　通过(1)(4)比较系数得

　　又由被积函数为偶函数，所以

　　公式得证。

　　3.结束语

　　本文是关于特殊函数性质学习及其相关计算的探讨，通过对特殊函数性质的学习及其相关计算的归纳可以更好的掌握特殊函数在日常学习中遇到相关交叉学科时应用，并且针对不同的实例能够应用不同的特殊函数相关性质进行证明、计算，从而更加简洁，更加合理的利用特殊函数求解相关问题。有些特殊函数的应用不是固定的，它可以通过不止一种方法来证明和计算，解题时应通过观察题目结构和类型，选用一种最简捷的方法来解题。

　　参考文献：

　　.北京大学出版社，2000.5，90-91.

　　.高等教育出版社，2003，331.

　　.高等教育出版社，2003，331.

　　科技信息，2012(34)

　　.上海交通大学出版社，2000，96-98.

　　. 上海大学学报(自然科学版),1997,8(4):368-371.

　　.中央民族大学学报(自然科学版)，2004，2.

　　.防灾技术高等专科学校学报,2010,1(3):38-39.

　　.教学通报，1992.2.

　　.高等数学研究，2004，7(6)：41—42.

　　.高等理科教育，2004(6)：29—34.

　　. 哈尔滨师范大学学报.2002,18(4):12~15.