Die Gamma-Gamma-Verteilung ist eine univariate Verteilung für stetige Zufallsvariablen, die in der Bayesschen Statistik und in der Inferenztheorie eine wichtige Rolle spielt, da es sich um eine Mischverteilung handelt.
Definition Die Wahrscheinlichkeitsdichtefunktion der Gamma-Gamma-Verteilung G g ( α , β , δ ) {\displaystyle Gg(\alpha ,\beta ,\delta )} ist bei α , β , δ > 0 {\displaystyle \alpha ,\beta ,\delta >0}
f ( x ) = β α B ( α , δ ) x δ − 1 ( β + x ) α + δ {\displaystyle f(x)={\frac {\beta ^{\alpha }}{B(\alpha ,\delta )}}{\frac {x^{\delta -1}}{(\beta +x)^{\alpha +\delta }}}} wobei B ( α , β ) {\displaystyle B(\alpha ,\beta )} die Eulersche Betafunktion ist.
Eigenschaften Erwartungswert und Varianz Der Erwartungswert ist
E ( X ) = δ β α − 1 {\displaystyle \operatorname {E} (X)={\frac {\delta \beta }{\alpha -1}}} , für α > 1 {\displaystyle \alpha >1} und die Varianz
Var ( X ) = β 2 δ ( δ + α − 1 ) ( α − 1 ) 2 ( α − 2 ) = E ( X ) 2 1 + α − 1 δ α − 2 {\displaystyle \operatorname {Var} (X)={\frac {\beta ^{2}\delta (\delta +\alpha -1)}{(\alpha -1)^{2}(\alpha -2)}}=\operatorname {E} (X)^{2}{\frac {1+{\frac {\alpha -1}{\delta }}}{\alpha -2}}} , für α > 2 {\displaystyle \alpha >2} Modus Der Modus ist
Mod ( X ) = β ( δ − 1 ) α + 1 {\displaystyle \operatorname {Mod} (X)={\frac {\beta \ (\delta -1)}{\alpha +1}}} , für δ > 1 {\displaystyle \delta >1} Sonderfall δ=1 Falls δ=1, dann ist die Dichtefunktion
f ( x | δ = 1 ) = α β + x ( β β + x ) α {\displaystyle f(x|\delta =1)={\frac {\alpha }{\beta +x}}\left({\frac {\beta }{\beta +x}}\right)^{\alpha }} Da G ( 1 , λ ) = E x p ( λ ) {\displaystyle G(1,\lambda )=Exp(\lambda )} wendet man diesen Sonderfall an der Exponentialverteilung, mit gammaverteiltem G ( α , β ) {\displaystyle G(\alpha ,\beta )} Parameter λ {\displaystyle \lambda } .
Sonderfall β=1: Inverse Betaverteilung Eine Gamma-Gamma-Verteilung G g ( α , β = 1 , δ ) {\displaystyle Gg(\alpha ,\beta =1,\delta )} entspricht einer inversen Betaverteilung I n v B ( a = δ , b = α ) {\displaystyle {\mathcal {InvB}}(a=\delta ,b=\alpha )}
Beziehung zur Gammaverteilung Ist der zweite Parameter ϵ {\displaystyle \epsilon } der Gammaverteilung G ( d , ϵ ) {\displaystyle G(d,\epsilon )} eine Zufallsvariable, die wie eine Gammaverteilung G ( a , b ) {\displaystyle G(a,b)} verteilt ist, dann ist die hervorgehende Zufallsvariable wie eine Gamma-Gamma-Verteilung G ( a , b , d ) {\displaystyle G(a,b,d)} verteilt.
Beziehung zur Exponentialverteilung Ist der Parameter λ {\displaystyle \lambda } der Exponentialverteilung E x p ( λ ) {\displaystyle Exp(\lambda )} eine Zufallsvariable, die wie eine Gammaverteilung G ( a , b ) {\displaystyle G(a,b)} verteilt ist, dann ist die hervorgehende Zufallsvariable wie eine Gamma-Gamma-Verteilung G ( a , b , 1 ) {\displaystyle G(a,b,1)} verteilt.
Literatur Leonhard Held: Methoden der statistischen Inferenz. Likelihood und Bayes , unter Mitwirkung von Daniel Sabanés Bové, Spektrum Akademischer Verlag Heidelberg 2008, ISBN 978-3-8274-1939-2 Siehe auch Multivariate Verteilungen
Diskrete multivariate Verteilungen: Dirichlet compound multinomial | Ewens | gemischt Multinomial | multinomial | multivariat hypergeometrisch | multivariat Poisson | negativmultinomial | Pólya/Eggenberger | polyhypergeometrisch
Kontinuierliche multivariate Verteilungen: Dirichlet | GEM | generalized Dirichlet | multivariat normal | multivariat Student | normalskaliert invers Gamma | Normal-Gamma | Poisson-Dirichlet
Multivariate Matrixverteilungen: Invers Wishart | Matrix Beta | Matrix Gamma | Matrix invers Beta | Matrix invers Gamma | Matrix Normal | Matrix Student-t | Normal-invers-Wishart | Normal-Wishart | Wishart