逆卡方分配計算機

逆卡方分配計算機

成長中 AI Skill PRO

輸入計算

數學公式

f(x)=2−ν/2Γ(ν2)x−ν2−1e−12xf(x) = \frac{2^{-\nu/2}}{\Gamma\!\left(\frac{\nu}{2}\right)}\, x^{-\frac{\nu}{2}-1}\, e^{-\frac{1}{2x}}
顯示計算步驟 (1)
  1. 累積機率

    P上=P(ν2,12x),P下=1−P上其中{P(s,z)=1Γ(s)∫0zts−1e−tdtx=百分位點 xν=自由度\begin{gathered} P_{\text{上}} = P\!\left(\frac{\nu}{2},\ \frac{1}{2x}\right), \qquad P_{\text{下}} = 1 - P_{\text{上}} \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} P(s,z) &= \frac{1}{\Gamma(s)} \int_{0}^{z} t^{\,s-1} e^{-t}\, dt \\ x &= {{\text{百分位點 } x}} \\ \nu &= \text{自由度} \end{aligned} \right. \end{gathered}

    上累積機率使用正規化下不完全伽瑪函數 P,其中 s = nu/2,z = 1/(2x);下 = 1 - 上。

使用統計

廣告

結果

機率密度 f(x)
0.241971
PDF 在 x 處的值
下累積機率 P(= P(X ≤ x)) 0.31731051
上累積機率 Q(= P(X > x)) 0.68268949

回報本頁錯誤

什麼是逆卡方分配?

自由度為 \(\nu\)(nu)的逆卡方分配,指的是 \(Y = 1/X\) 的分配,其中 \(X\) 服從自由度為 \(\nu\) 的標準卡方分配。在貝氏統計中,它常被當作常態分配變異數的共軛先驗(conjugate prior),在可靠度分析與訊號處理模型中也經常出現。本計算機純粹進行數學運算,因此在世界各地的結果完全相同,不受任何地區規則影響。

若干自由度下逆卡方機率密度曲線族
若干自由度 nu 取值下的逆卡方機率密度曲線。

如何使用本計算機

輸入百分位點 x(任意正實數)以及自由度 \(\nu\)(任意正數,通常為正整數)。本工具會回傳三項數值:機率密度 \(f(x)\)、下累積機率 \(P = P(X \le x)\),以及上累積機率 \(Q = P(X > x)\)。由於 \(P\) 與 \(Q\) 共同描述了整個分配,兩者相加恆等於 1。

公式解析

當 \(x > 0\) 時,密度為 $$f(x) = \frac{2^{-\nu/2}}{\Gamma\!\left(\frac{\nu}{2}\right)}\, x^{-\frac{\nu}{2}-1}\, e^{-\frac{1}{2x}}$$ 為了確保數值穩定,我們會利用對數伽瑪函數(log-gamma)在對數空間中進行計算。累積機率則透過與卡方分配的倒數關聯求得:令 \(s = \nu/2\)、\(z = 1/(2x)\),下累積機率等於正則化上不完全伽瑪函數 \(Q(s, z)\),上累積機率則等於正則化下不完全伽瑪函數 \(P(s, z)\)。當 \(z\) 較小時以級數展開求值,\(z\) 較大時則採用連分數(Lentz)法計算。

廣告
逆卡方曲線下的陰影區域,顯示點 x 處的下側與上側累積機率
下側與上側累積機率分別是曲線下 x 左側與右側的面積。

實例演算

假設 \(x = 1\)、\(\nu = 1\),則 \(s = 0.5\)、\(z = 0.5\)。此時密度約為 \(f(1) \approx 0.241971\),下累積機率約為 \(P \approx 0.317311\),上累積機率約為 \(Q \approx 0.682689\),兩者相加恰好等於 1。

常見問題

為什麼 x 必須大於 0?此分配的定義域為 \(x > 0\)。當 \(x \le 0\) 時密度為 0;所有機率質量都落在大於 0 的範圍,因此下累積機率為 0,上累積機率為 1。

\(\nu\) 一定要是整數嗎?不一定。公式使用伽瑪函數,因此任何實數 \(\nu > 0\) 都適用,只是自由度在實務上多半為正整數。

這是縮放逆卡方分配(scaled inverse chi-squared)嗎?不是。本計算機計算的是標準(未縮放)逆卡方分配,對應於卡方變數的倒數。

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