Jeśli oczekiwana wartość to , jaka jest oczekiwana wartość ? Czy można to obliczyć analitycznie?
Parametryzacja, której używam, jest kształtem.
expected-value
gamma-distribution
Stefano Vespucci
źródło
źródło
Odpowiedzi:
Ten (może zaskakujący) można wykonać za pomocą prostych operacji elementarnych (wykorzystując ulubioną sztuczkę Richarda Feynmana polegającą na odróżnianiu pod znakiem integralnym parametru).
Zakładamy, że ma rozkład i chcemy znaleźć oczekiwanie Po pierwsze, ponieważ jest parametrem skali, jego efektem będzie przesunięcie logarytmu o (Jeśli użyjesz jako parametru szybkości , tak jak w pytaniu, spowoduje to przesunięcie logarytmu o ) To pozwala nam pracować z przypadkiemX Γ ( α , β) Y= log( X) . β log β . β - log β . β = 1.logβ. β - logβ. β= 1
Po tym uproszczeniu element prawdopodobieństwa wynosiX
gdzie jest stałą normalizującąΓ ( α )
Podstawienie co pociąga za sobą daje element prawdopodobieństwa ,x = ey, d x / x= d y, Y
Możliwe wartości mieszczą się teraz we wszystkich liczbach rzeczywistychY R.
Ponieważ musi integrować się z jednością, otrzymujemy (trywialnie)fY
Zauważ, że to funkcjaŁatwe obliczenia dająfY(y) α.
Następny krok wykorzystuje relację uzyskaną przez podzielenie obu stron tej tożsamości przez odsłaniając tym samym przedmiot, który musimy zintegrować, aby znaleźć oczekiwanie; mianowicieΓ(α), yfY(y):
logarytmiczna pochodna funkcji gamma (aka „ polygamma ”). Całka została obliczona przy użyciu tożsamości(1).
Ponowne wprowadzenie współczynnika pokazuje ogólny wynikβ
do parametryzacji skali (gdzie funkcja gęstości zależy od ) lubx/β
do parametryzacji szybkości (gdzie funkcja gęstości zależy od ).xβ
źródło
Odpowiedź @whuber jest całkiem fajna; Zasadniczo powtórzę jego odpowiedź w bardziej ogólnej formie, która lepiej łączy (moim zdaniem) z teorią statystyczną i która wyjaśnia moc całej techniki.
Rozważ rodzinę rozkładów które składają się na wykładniczą rodzinę , co oznacza, że przyjmują gęstość w odniesieniu do niektórych popularnych miar dominujących (zwykle miara Lebesgue'a lub liczenia). Rozróżniając obie strony ∫ f θ ( x ) d x = 1 w odniesieniu do θ dochodzimy do równania wyniku ∫ f ′ θ ( x ) = ∫ f ′ θ ( x{Fθ:θ∈Θ} f θ ( x ) = exp { s ( x ) θ - A ( θ ) + h ( x ) }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(†)
gdzieuθ(x)=ddθlogfθ(x) jestfunkcją punktacjii zdefiniowaliśmyf′θ(x)=ddθfθ(x) . W przypadku rodziny wykładniczej mamy
uθ(x)=s(x)−A′(θ)
gdzieA′(θ)=ddθA(θ) ; jest to czasami nazywanefunkcją kumulacyjną, ponieważ jest wyraźnie ściśle związane z funkcją generującą kumulację. Z(†) wynika, żeEθ[s(X)]=A′(θ) .
Teraz pokazujemy, że to pomaga nam obliczyć oczekiwania. Możemy zapisać gęstość gamma ze stałymβ jako wykładniczą rodziną
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.
źródło