태그 보관물: expected-value

expected-value

제곱 감마의 기대 분포가 및

감마 분포가 및 매개 변수화되는 경우 :

α

β

E(Γ(α,β))=αβ

제곱 감마의 기대치를 계산하고 싶습니다.

E(Γ(α,β)2)=?

나는 그것이 생각 합니다 :

E(Γ(α,β)2)=(αβ)2+αβ2

후자의 표현이 올바른지 아는 사람이 있습니까?



답변

임의의 변수의 제곱에 대한 기대 값은 다음과 같이 분산과 기대 제곱입니다.

D2(X)=E([XE(X)]2)=E(X2)[E(X)]2E(X2)=D2(X)+[E(X)]2

.

위와 같이 매개 변수화 된 distribution 의 기대 값은 (당신이 언급 한 것처럼)이고, 분산은 . 따라서 제곱의 기대 값은 다음과 같습니다.

Γ

α/β

α/β2

(α/β)2+α/β2

입니다.

즉 : 당신이 맞아요.


답변

완전성을 위해 밀도에서 원시 모멘트를 직접 계산합니다. 먼저, 모양 / 속도 매개 변수화에서 감마 분포는 밀도 매개 변수의 선택에 대한 것을 당연하게 우리가 걸릴 것 , 우리가 이 결과는 ID에서 쉽게 도출 할 수 있습니다 그런 다음 양의 정수 대해 다음을 따릅니다 .

fX(x)=βαxα1eβxΓ(α),x>0.

α,β>0

x=0fX(x)dx=1,

z=0xz1ezdz=Γ(z).

k

E[Xk]=x=0xkfX(x)dx=1Γ(α)x=0βαxα+k1eβxdx=Γ(α+k)βkΓ(α)x=0βα+kxα+k1eβxΓ(α+k)dx=Γ(α+k)βkΓ(α),

여기서 두 번째 단계에서 적분은 같습니다. 이는 및 매개 변수를 가진 감마 밀도의 적분이기 때문입니다 . 들면 , 우리는 즉시 획득

1

α+k

β

k=2

E[X2]=Γ(α+2)β2Γ(α)=(α+1)αβ2.

또 다른 방법은 순간 생성 함수를 사용하는 것입니다 : 적분을 수렴하기 위해 의 조건 이 필요한 경우우리는 이것을 같이 다시 쓸 수있다 그리고 그 다음

MX(t)=E[etX]=x=0βαxα1eβx+txΓ(α)dx=βα(βt)αx=0(βt)αxα1e(βt)xΓ(α)dx=(ββt)α,t<β,

t

MX(t)=(1t/β)α,

E[Xk]=[dkMX(t)dtk]t=0=[(1t/β)αk]t=0j=0k1α+jβ=Γ(α+k)βkΓ(α).


답변