Expectativa de un gamma cuadrado

11

Si una distribución Gamma se parametriza con y , entonces: $\alpha$ $\beta$

E (Γ (α, β)) = \frac{α}{β}

$E(\Gamma(\alpha, \beta)) = \frac{\alpha}{\beta}$

Me gustaría calcular la expectativa de un Gamma al cuadrado, es decir:

E (Γ (α, β)^{2}) = ?

$E(\Gamma(\alpha, \beta)^2) = ?$

Yo creo que es:

E (Γ (α, β)^{2}) = {(\frac{α}{β})}^{2} + \frac{α}{β^{2}}

$E(\Gamma(\alpha, \beta)^2) = \left(\frac{\alpha}{\beta}\right)^2 + \frac{\alpha}{\beta^2}$

¿Alguien sabe si esta última expresión es correcta?

expected-value gamma-distribution

— Joshua
fuente

1

Esto estaba relacionado con un estudio de simulación en el que estoy trabajando, donde estoy dibujando desviaciones estándar de un Gamma, y luego quería la media de las variaciones (es decir, Gammas al cuadrado).

— Joshua

13

La expectativa del cuadrado de cualquier variable aleatoria es su varianza más su expectativa al cuadrado, como

$\mathbb{D}^2(X)=\mathbb{E}([X-\mathbb{E}(X)]^2)=\mathbb{E}(X^2)-[\mathbb{E}(X)]^2 \Rightarrow \mathbb{E}(X^2) = \mathbb{D}^2(X)+[\mathbb{E}(X)]^2$ .

La expectativa de la distribución parametrizada como arriba es (como usted mencionó), la varianza es , por lo tanto, la expectativa de su cuadrado es $\Gamma$ $\alpha/\beta$ $\alpha/\beta^2$

$(\alpha/\beta)^2+\alpha/\beta^2$ .

Es decir: tienes razón.

— Tamas Ferenci
fuente

Agradezco la respuesta, aunque no estoy seguro de seguir tu ecuación --- si la sigues a través de D2 (X) termina igualando D2 (X) + E (X) ^ 2

— Joshua

3

¡Esa línea no es una ecuación única! Tenga en cuenta la flecha en el medio. La primera parte (en el lado izquierdo de la flecha) es una ecuación que implica la segunda ecuación (en el lado derecho de la flecha). (Al agregar a ambos lados.)

[E (X)]^{2}

$[\mathbb{E}(X)]^2$

— Tamas Ferenci

7

En aras de la integridad, calcularé directamente los momentos crudos de la densidad. Primero, bajo una parametrización de forma / velocidad, la distribución gamma tiene densidad Daremos por sentado que para cualquier elección de parámetros , tenemos aunque este resultado se deriva fácilmente de la identidad Luego se deduce que para un entero positivo ,

f_{X} (x) = \frac{β^{α} x^{α - 1} e^{- β x}}{Γ (α)}, x > 0.

$f_X(x) = \frac{\beta^\alpha x^{\alpha-1} e^{-\beta x}}{\Gamma(\alpha)}, \quad x > 0.$

α, β > 0

$\alpha, \beta > 0$

\int_{x = 0}^{\infty} f_{X} (x) d x = 1,

$\int_{x=0}^\infty f_X(x) \, dx = 1,$

\int_{z = 0}^{\infty} x^{z - 1} e^{- z} d z = Γ (z) .

$\int_{z=0}^\infty x^{z-1} e^{-z} \, dz = \Gamma(z).$

k

$k$

\begin{aligned} E [X^{k}] & = \int_{x = 0}^{\infty} x^{k} f_{X} (x) d x \\ = \frac{1}{Γ (α)} \int_{x = 0}^{\infty} β^{α} x^{α + k - 1} e^{- β x} d x \\ = \frac{Γ (α + k)}{β^{k} Γ (α)} \int_{x = 0}^{\infty} \frac{β^{α + k} x^{α + k - 1} e^{- β x}}{Γ (α + k)} d x \\ = \frac{Γ (α + k)}{β^{k} Γ (α)}, \end{aligned}

$\begin{align*} \mathrm{E}[X^k] &= \int_{x=0}^\infty x^k f_X(x) \, dx \\ &= \frac{1}{\Gamma(\alpha)} \int_{x=0}^\infty \beta^\alpha x^{\alpha+k-1} e^{-\beta x} \, dx \\ &= \frac{\Gamma(\alpha+k)}{\beta^k \Gamma(\alpha)} \int_{x=0}^\infty \frac{\beta^{\alpha+k} x^{\alpha+k-1} e^{-\beta x}}{\Gamma(\alpha+k)} \, dx \\ &= \frac{\Gamma(\alpha+k)}{\beta^k \Gamma(\alpha)}, \end{align*}$ donde en el penúltimo paso observamos que la integral es igual a porque es la integral de una densidad gamma con los parámetros y . Para , obtenemos inmediatamente

1

$1$

α + k

$\alpha+k$

β

$\beta$

k = 2

$k = 2$

E [X^{2}] = \frac{Γ (α + 2)}{β^{2} Γ (α)} = \frac{(α + 1) α}{β^{2}} .

$\mathrm{E}[X^2] = \frac{\Gamma(\alpha+2)}{\beta^2 \Gamma(\alpha)} = \frac{(\alpha+1)\alpha}{\beta^2}.$ Otro enfoque es mediante la función de generación de momentos: donde se requiere la condición en para que la integral converja. Podemos reescribir esto como y se deduce que

\begin{aligned} M_{X} (t) = E [e^{t X}] & = \int_{x = 0}^{\infty} \frac{β^{α} x^{α - 1} e^{- β x + t x}}{Γ (α)} d x \\ = \frac{β^{α}}{(β - t)^{α}} \int_{x = 0}^{\infty} \frac{(β - t)^{α} x^{α - 1} e^{- (β - t) x}}{Γ (α)} d x \\ = (\frac{β}{β - t})^{α}, t < β, \end{aligned}

$\begin{align*} M_X(t) = \mathrm{E}[e^{tX}] &= \int_{x=0}^\infty \frac{\beta^\alpha x^{\alpha-1} e^{-\beta x + tx}}{\Gamma(\alpha)} \, dx \\ &= \frac{\beta^\alpha}{(\beta-t)^\alpha} \int_{x=0}^\infty \frac{(\beta-t)^\alpha x^{\alpha-1} e^{-(\beta-t)x}}{\Gamma(\alpha)} \, dx \\ &= \biggl(\frac{\beta}{\beta-t}\biggr)^{\!\alpha}, \quad t < \beta, \end{align*}$

t

$t$

M_{X} (t) = (1 - t / β)^{- α},

$M_X(t) = (1 - t/\beta)^{-\alpha},$

E [X^{k}] = {[\frac{d^{k} M_{X} (t)}{d t^{k}}]}_{t = 0} = {[(1 - t / β)^{- α - k}]}_{t = 0} \prod_{j = 0}^{k - 1} \frac{α + j}{β} = \frac{Γ (α + k)}{β^{k} Γ (α)} .

$\mathrm{E}[X^k] = \left[ \frac{d^k M_X(t)}{dt^k} \right]_{t=0} = \left[(1-t/\beta)^{-\alpha-k}\right]_{t=0} \prod_{j=0}^{k-1} \frac{\alpha+j}{\beta} = \frac{\Gamma(\alpha+k)}{\beta^k \Gamma(\alpha)}.$

— heropup
fuente

Muy claro y útil derivación.

— Joshua