Gamma 分布計算機

Gamma 分布計算機

熱門 AI Skill PRO

輸入計算

數學公式

f(x)=xk−1e−x/θθkΓ(k)其中{k=形狀 (k)θ=尺度 (θ)f(\text{x}) = \frac{\text{x}^{\,k-1}\,e^{-\text{x}/\theta}}{\theta^{k}\,\Gamma(k)} \qquad \text{其中}\quad \left\{ \begin{aligned} k &= \text{形狀 (k)} \\ \theta &= \text{尺度 (θ)} \end{aligned} \right.
顯示計算步驟 (3)
  1. Gamma 累積分布函數 (CDF)

    F(x)=γ(形狀 (k),x尺度 (θ))Γ(形狀 (k))F(\text{x}) = \frac{\gamma\!\left(\text{形狀 (k)},\ \dfrac{\text{x}}{\text{尺度 (θ)}}\right)}{\Gamma\!\left(\text{形狀 (k)}\right)}

    γ 為下不完全 Gamma 函數;k = 形狀,θ = 尺度

  2. 平均數

    μ=形狀 (k)·尺度 (θ)\mu = \text{形狀 (k)} \cdot \text{尺度 (θ)}

    平均數 = 形狀 × 尺度

  3. 變異數

    σ2=形狀 (k)·尺度 (θ)2\sigma^{2} = \text{形狀 (k)} \cdot \text{尺度 (θ)}^{2}

    變異數 = 形狀 × 尺度²

使用統計

廣告

結果

機率密度函數 (PDF): 0.36787944
累積分布函數 (CDF): 0.26424112
輸入參數 數值
形狀參數 (k) 2
尺度參數 (θ) 1
X 值 1
其他計算結果 數值
平均數 2
變異數 2
眾數 1
偏態 1.4142
峰態 3

回報本頁錯誤

這個計算機的功能

Gamma 分布計算機會根據您指定的形狀參數 k 與尺度參數 θ,計算 Gamma 分布在某一點 X 的機率密度函數 (PDF) 與累積分布函數 (CDF)。除了 PDF 與 CDF 之外,它還會一併呈現該分布的平均數、變異數、眾數、偏態與峰態,讓您只需輸入三個簡單數值,就能掌握完整的統計輪廓。Gamma 分布廣泛應用於建模等待時間、降雨量、保險理賠金額,以及其他連續且為正值的數量。

同一座標軸上形狀各異的多條伽瑪分布密度曲線
伽瑪分布的機率密度函數隨 k 和 θ 呈現不同的右偏形狀。

三個輸入值

  • 形狀參數 (k):決定曲線的形態。k 較小時曲線會急遽下降;k 較大時則愈接近鐘形。
  • 尺度參數 (θ):沿著 x 軸拉伸分布。θ 愈大,機率就分散到愈高的數值範圍。
  • X 值:計算密度與累積機率所評估的那一個點。

計算公式

本計算機使用的 PDF 為:

$$f(x) = \frac{x^{\,k-1}\,e^{-x/\theta}}{\theta^{k}\,\Gamma(k)}$$

其中 \(\Gamma(k)\) 為 Gamma 函數。CDF 則是此密度函數從 0 到 X 的積分,透過正規化的下不完全 Gamma 函數計算得出。計算機也會直接由參數推導出以下摘要統計量:

  • 平均數 = \(k\cdot\theta\)
  • 變異數 = \(k\cdot\theta^{2}\)
  • 眾數 = 當 \(k > 1\) 時為 \((k-1)\cdot\theta\),否則為 0
  • 偏態 = \(2/\sqrt{k}\)
  • 峰態(超額峰態)= \(6/k\)
廣告
伽瑪密度曲線,左側至點 X 的區域以陰影填滿,表示累積分布函數
累積分布函數是曲線下方 X 左側的陰影面積。

範例試算

假設 k = 2、θ = 3、X = 4。PDF 為 $$f(4) = \frac{4^{1}\cdot e^{-4/3}}{3^{2}\cdot\Gamma(2)} = \frac{4\cdot 0.2636}{9} \approx 0.117$$ X = 4 處的 CDF 約為 0.385,代表該變數落在 4(含)以下的機率約為 38.5%。平均數為 \(2\times 3 = 6\),變異數為 \(2\times 3^{2} = 18\),眾數為 \((2-1)\times 3 = 3\),偏態為 \(2/\sqrt{2}\approx 1.414\),超額峰態為 \(6/2 = 3\)。

關鍵術語與相關分布

  • PDF(機率密度函數):密度 \(f(x)\)。曲線下的面積代表機率。對於伽瑪分布,\(f(x)=\dfrac{x^{k-1}e^{-x/\theta}}{\theta^{k}\,\Gamma(k)}\),其中 \(x>0\)。
  • CDF(累積分布函數):\(F(x)=P(X\le x)\),即變數至多為 x 的機率。
  • 形狀參數(k):控制曲線的形態。也寫作 α。
  • 尺度參數(θ):沿 x 軸拉伸分布,其單位與 X 相同。
  • 速率參數(β):尺度參數的倒數,\(\beta = 1/\theta\),因此 \(\theta = 1/\beta\)。部分軟體與教科書以速率而非尺度來參數化伽瑪分布。輸入數值前,請先確認您使用的是哪一種。
  • 伽瑪函數 \(\Gamma(k)\):\(\Gamma(k)=\int_0^\infty t^{k-1}e^{-t}\,dt\)。對於正整數,\(\Gamma(n)=(n-1)!\),且 \(\Gamma(1/2)=\sqrt{\pi}\)。
  • 正則化不完全伽瑪函數:\(P(k,z)=\dfrac{\gamma(k,z)}{\Gamma(k)}\),其中 \(\gamma(k,z)=\int_0^z t^{k-1}e^{-t}\,dt\)。伽瑪 CDF 為 \(F(x)=P(k,\,x/\theta)\)。
  • 超額峰度:相對於常態分布的尾部厚度,常態分布的超額峰度為 0。對於伽瑪分布,超額峰度等於 \(6/k\)。

特殊情形

  • 指數分布:\(k=1\) 給出平均數為 θ 的指數分布。
  • 卡方分布:\(k=\nu/2\) 且 \(\theta=2\) 給出自由度為 ν 的卡方分布。
  • 埃爾朗分布:整數 k 給出埃爾朗分布,即 k 個平均數為 θ 的獨立指數分布之和。其 CDF 為 \(1-e^{-x/\theta}\sum_{n=0}^{k-1}\dfrac{(x/\theta)^n}{n!}\)。
  • 速率轉尺度:\(\theta=1/\beta\)。例如,每單位 0.5 的速率對應尺度 2。
廣告

解讀 PDF 與 CDF 的輸出結果

PDF

PDF 值是密度,而不是機率。對於連續變數,任何單一精確值的機率為 0。當分布集中在較窄的範圍內時,密度可以超過 1。例如,當 k=2 且尺度 θ=0.1 很小時,峰值附近的密度遠大於 1。必須等於 1 的是曲線下的總面積。

CDF

  • CDF 為 \(F(x)=P(X\le x)\),其值永遠介於 0 與 1 之間。
  • 上尾:\(P(X>x)=1-F(x)\)。
  • 區間:\(P(a<X\le b)=F(b)-F(a)\)。對於 k=2、θ=2,\(P(2<X\le 4)=0.593994-F(2)\),其中 \(F(2)=1-2e^{-1}=0.264241\),結果為 0.329753。

形狀解讀

  • k < 1:當 x 趨近於 0 時,密度無上界,並且持續下降。沒有內部峰值。
  • k = 1:分布為指數分布,在 x=0 處密度最高,為 \(1/\theta\)。
  • k > 1:分布為單峰,峰值位於 \((k-1)\theta\),並具有較長的右尾。

趨近常態

偏度 \(2/\sqrt{k}\) 與超額峰度 \(6/k\) 都隨 k 增大而縮小。當 k=100 時,兩者分別為 0.2 與 0.06,因此曲線接近平均數為 \(k\theta\)、變異數為 \(k\theta^2\) 的常態分布。對於較小的 k,常態近似效果不佳,尤其是在尾部和接近 0 的區域。

常見問題

這是尺度參數還是率參數的版本?本計算機採用尺度參數 (θ) 的形式。如果您手上的是率參數 β,請先用 \(\theta = 1/\beta\) 換算後再輸入。

哪些數值才有效?k 與 θ 都必須為正值,而 X 應大於或等於 0,因為 Gamma 分布僅在非負數值範圍內有定義。

Gamma 分布與指數分布、卡方分布有何關係?當 k = 1 時,Gamma 分布會退化為平均數為 θ 的指數分布。自由度為 v 的卡方分布,則相當於 k = v/2、θ = 2 的 Gamma 分布。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器