{
  "id": "incomplete-gamma-function",
  "title": "不完全伽马函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "不完全伽马函数通过仅在部分定义区间上积分来推广伽马函数，广泛用于概率、统计与数值分析。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [
    "不完全Γ函数"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/incomplete-gamma-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/incomplete-gamma-function/",
      "json": "https://aiwiki.page/en/incomplete-gamma-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "不完全伽马函数是将定义伽马函数的积分在一个可变上、下限处分割而得到的两个相互关联的函数。下不完全伽马函数 \\(\\gamma(a,x)\\) 的积分区间为 \\(0\\) 到 \\(x\\)，而上不完全伽马函数 \\(\\Gamma(a,x)\\) 的积分区间为 \\(x\\) 到无穷大。它们的归一化形式可用于描述伽马分布和卡方分布的概率，在统计推断、定积分求值和科学计算中具有重要作用。"
    },
    {
      "heading": "定义与记号",
      "text": "对于满足 \\(\\operatorname{Re}(a)>0\\) 的复参数 \\(a\\) 和实变量 \\(x\\geq 0\\)，下不完全伽马函数定义为\n\n\\[\\gamma(a,x)=\\int_0^x t^{a-1}e^{-t}\\,dt.\\]\n\n当 \\(x>0\\) 时，上不完全伽马函数定义为\n\n\\[\\Gamma(a,x)=\\int_x^\\infty t^{a-1}e^{-t}\\,dt.\\]\n\n当 \\(x>0\\) 时，上不完全伽马函数的积分对任意复数 \\(a\\) 都收敛；下不完全伽马函数的积分则要求 \\(\\operatorname{Re}(a)>0\\)，因为其积分区间包含原点。在正实轴上，幂 \\(t^{a-1}\\) 的含义明确，即 \\(\\exp((a-1)\\log t)\\)。\n\n将定义完全伽马函数的积分拆分，可得\n\n\\[\\gamma(a,x)+\\Gamma(a,x)=\\Gamma(a), \\qquad \\operatorname{Re}(a)>0.\\]\n\n因此，“不完全”是指只在完整积分区间的一部分上进行积分，而不是指某种近似。必须注意区分小写的 \\(\\gamma\\) 与大写的 \\(\\Gamma\\)，以及单变量记号与双变量记号。\n\n对于实数 \\(a>0\\)，有\n\n\\[\\gamma(a,0)=0,\\qquad \\Gamma(a,0)=\\Gamma(a),\\]\n\n以及\n\n\\[\\lim_{x\\to\\infty}\\gamma(a,x)=\\Gamma(a), \\qquad \\lim_{x\\to\\infty}\\Gamma(a,x)=0.\\]"
    },
    {
      "heading": "正则化函数",
      "text": "正则化不完全伽马函数定义为\n\n\\[P(a,x)=\\frac{\\gamma(a,x)}{\\Gamma(a)}, \\qquad Q(a,x)=\\frac{\\Gamma(a,x)}{\\Gamma(a)}.\\]\n\n当 \\(a>0\\) 且 \\(x\\geq0\\) 时，它们满足\n\n\\[P(a,x)+Q(a,x)=1, \\qquad 0\\leq P(a,x),Q(a,x)\\leq1.\\]\n\n作为 \\(x\\) 的函数，\\(P(a,x)\\) 从 \\(0\\) 递增至 \\(1\\)，而 \\(Q(a,x)\\) 从 \\(1\\) 递减至 \\(0\\)。归一化使它们在概率领域尤为有用：\\(P\\) 表示累积的下尾概率，\\(Q\\) 则表示与之互补的上尾概率。\n\n不同软件采用的约定不尽相同。名为“不完全伽马”的例程可能返回 \\(\\gamma\\)、\\(\\Gamma\\)、\\(P\\) 或 \\(Q\\)，有些接口还会颠倒参数顺序。在比较公式或数值结果时，必须区分这些约定。"
    },
    {
      "heading": "求导与递推关系",
      "text": "根据微积分基本定理，对第二个变量求导可得\n\n\\[\\frac{\\partial}{\\partial x}\\gamma(a,x)=x^{a-1}e^{-x},\\]\n\n\\[\\frac{\\partial}{\\partial x}\\Gamma(a,x)=-x^{a-1}e^{-x}.\\]\n\n因此，\n\n\\[\\frac{\\partial}{\\partial x}P(a,x) =\\frac{x^{a-1}e^{-x}}{\\Gamma(a)}, \\qquad \\frac{\\partial}{\\partial x}Q(a,x) =-\\frac{x^{a-1}e^{-x}}{\\Gamma(a)}.\\]\n\n利用分部积分法可得以下递推关系：\n\n\\[\\gamma(a+1,x)=a\\gamma(a,x)-x^ae^{-x},\\]\n\n\\[\\Gamma(a+1,x)=a\\Gamma(a,x)+x^ae^{-x}.\\]\n\n对于正实数 \\(a\\)，相应的正则化递推关系为\n\n\\[P(a+1,x)=P(a,x)-\\frac{x^ae^{-x}}{\\Gamma(a+1)},\\]\n\n\\[Q(a+1,x)=Q(a,x)+\\frac{x^ae^{-x}}{\\Gamma(a+1)}.\\]\n\n这些恒等式将相邻参数处的函数值联系起来，既可用于符号运算，也可用于数值算法。其数值可靠性取决于递推方向，以及减法是否会造成有效数字损失。\n\n对参数求导会引入对数因子。例如，当 \\(\\operatorname{Re}(a)>0\\) 且 \\(x>0\\) 时，\n\n\\[\\frac{\\partial}{\\partial a}\\gamma(a,x) = \\int_0^x t^{a-1}e^{-t}\\log t\\,dt.\\]"
    },
    {
      "heading": "特殊值与相关函数",
      "text": "整数参数\n\n当 \\(a=1\\) 时，\n\n\\[\\gamma(1,x)=1-e^{-x}, \\qquad \\Gamma(1,x)=e^{-x}.\\]\n\n对于正整数 \\(n\\)，反复应用递推关系可得\n\n\\[\\Gamma(n,x) =(n-1)!\\,e^{-x} \\sum_{k=0}^{n-1}\\frac{x^k}{k!},\\]\n\n因此\n\n\\[\\gamma(n,x) =(n-1)! \\left( 1-e^{-x}\\sum_{k=0}^{n-1}\\frac{x^k}{k!} \\right).\\]\n\n这里，\\((n-1)!\\) 表示阶乘。这些有限和将不完全伽马函数与泊松概率联系起来。\n\n半整数参数\n\n损失函数（此处指误差函数）定义为\n\n\\[\\operatorname{erf}(u)=\\frac{2}{\\sqrt{\\pi}} \\int_0^u e^{-t^2}\\,dt.\\]\n\n其互补形式为\n\\(\\operatorname{erfc}(u)=1-\\operatorname{erf}(u)\\)。在不完全伽马积分中作代换 \\(t=u^2\\)，可得\n\n\\[\\gamma\\left(\\frac12,x\\right) =\\sqrt{\\pi}\\operatorname{erf}(\\sqrt{x}),\\]\n\n\\[\\Gamma\\left(\\frac12,x\\right) =\\sqrt{\\pi}\\operatorname{erfc}(\\sqrt{x}).\\]\n\n再利用递推关系，就能将所有正半整数参数的情形表示为误差函数与初等项的组合。\n\n指数积分\n\n当 \\(x>0\\) 时，\n\n\\[\\Gamma(0,x)=E_1(x) =\\int_x^\\infty\\frac{e^{-t}}{t}\\,dt,\\]\n\n其中 \\(E_1\\) 是指数积分。更一般地，定义\n\n\\[E_p(x)=\\int_1^\\infty \\frac{e^{-xt}}{t^p}\\,dt\\]\n\n可得\n\n\\[E_p(x)=x^{p-1}\\Gamma(1-p,x).\\]\n\n借助这些恒等式，可以用不完全伽马函数的记号来改写含有指数积分的公式。"
    },
    {
      "heading": "级数与渐近展开",
      "text": "将指数函数展开并逐项积分，可得以下幂级数：\n\n\\[\\gamma(a,x) = x^a\\sum_{n=0}^{\\infty} \\frac{(-x)^n}{n!(a+n)}, \\qquad \\operatorname{Re}(a)>0.\\]\n\n对于正实数 \\(a\\) 和 \\(x\\)，一种实用的非交错级数表示为\n\n\\[\\gamma(a,x) = x^ae^{-x} \\sum_{n=0}^{\\infty} \\frac{x^n}{a(a+1)\\cdots(a+n)}.\\]\n\n等价地，\n\n\\[P(a,x) = e^{-x}x^a \\sum_{n=0}^{\\infty}\\frac{x^n}{\\Gamma(a+n+1)}.\\]\n\n特别地，对于固定的 \\(a>0\\)，当 \\(x\\to0^+\\) 时，\n\n\\[\\gamma(a,x)\\sim\\frac{x^a}{a}, \\qquad P(a,x)\\sim\\frac{x^a}{\\Gamma(a+1)}.\\]\n\n对于固定的 \\(a\\) 和较大的正实数 \\(x\\)，反复使用分部积分法，可得以下渐近展开：\n\n\\[\\Gamma(a,x)\\sim x^{a-1}e^{-x} \\left[ 1+\\frac{a-1}{x} +\\frac{(a-1)(a-2)}{x^2} +\\cdots \\right].\\]\n\n该展开通常只是渐近展开，并不收敛。当 \\(a\\) 为正整数时，展开会终止，成为精确的有限和公式。\n\n当 \\(a\\) 很大且 \\(x\\) 接近 \\(a\\) 时，固定参数下的大 \\(x\\) 展开无法充分描述尾概率由小到大的过渡。在这种情形下，含互补误差函数的一致近似十分有用。"
    },
    {
      "heading": "概率与统计",
      "text": "伽马分布与卡方分布\n\n若随机变量 \\(X\\) 服从形状参数为 \\(a>0\\)、尺度参数为 \\(\\theta>0\\) 的伽马分布，则其概率密度为\n\n\\[f_X(x)= \\frac{x^{a-1}e^{-x/\\theta}}{\\Gamma(a)\\theta^a}, \\qquad x>0.\\]\n\n其累积分布函数和上尾概率分别为\n\n\\[\\Pr(X\\leq x)=P\\left(a,\\frac{x}{\\theta}\\right),\\]\n\n\\[\\Pr(X>x)=Q\\left(a,\\frac{x}{\\theta}\\right).\\]\n\n对于自由度为 \\(\\nu\\) 的卡方分布，形状参数为 \\(\\nu/2\\)，尺度参数为 \\(2\\)，因此\n\n\\[\\Pr(X\\leq x)=P\\left(\\frac{\\nu}{2},\\frac{x}{2}\\right).\\]\n\n因此，不完全伽马函数可用于卡方分布的尾概率计算及相关统计方法。\n\n泊松概率\n\n若 \\(N\\) 服从均值为 \\(\\lambda>0\\) 的泊松分布，则对于非负整数 \\(k\\)，有\n\n\\[\\Pr(N\\leq k) = e^{-\\lambda}\\sum_{j=0}^{k}\\frac{\\lambda^j}{j!} = Q(k+1,\\lambda).\\]\n\n相应地，\n\n\\[\\Pr(N\\geq k+1)=P(k+1,\\lambda).\\]\n\n因此，上正则化伽马函数表示泊松分布的下尾概率，而对于服从伽马分布的变量，它表示的却是上尾概率。\n\n截断矩与反函数\n\n对于服从伽马分布的变量，以及满足 \\(a+r>0\\) 的实数指数 \\(r\\)，有\n\n\\[\\mathbb{E}\\!\\left[X^r\\mathbf{1}_{\\{X\\leq b\\}}\\right] = \\theta^r\\frac{\\gamma(a+r,b/\\theta)}{\\Gamma(a)}.\\]\n\n将下不完全伽马函数替换为上不完全伽马函数，即可得到 \\(X>b\\) 范围内对应的矩。这类表达式可用于截断分布和条件期望值的计算。\n\n对于固定的 \\(a>0\\)，由于 \\(P(a,x)\\) 严格递增，可以对 \\(x\\) 求反函数。求解\n\n\\[P(a,x)=p,\\qquad 0<p<1,\\]\n\n即可得到伽马分布的分位数。这些反函数通常需要通过数值方法计算。"
    },
    {
      "heading": "复变量与解析延拓",
      "text": "将第二个变量推广为复数 \\(z\\) 时，需要为 \\(z^a=\\exp(a\\log z)\\) 中的对数选择分支。一种标准的主分支以负实轴为支割线。积分路径与延拓的解释必须与所选分支保持一致。\n\n对于固定的正实数 \\(x\\)，上不完全伽马函数 \\(\\Gamma(a,x)\\) 是关于复参数 \\(a\\) 的整函数。下不完全伽马函数关于 \\(a\\) 则具有亚纯的解析延拓，在\n\n\\[a=0,-1,-2,\\ldots,\\]\n\n处有一阶极点，其中 \\(a=-n\\) 处的留数为 \\((-1)^n/n!\\)。这些极点可由下式推出：\n\n\\[\\gamma(a,x)=\\Gamma(a)-\\Gamma(a,x),\\]\n\n因为上不完全伽马函数关于 \\(a\\) 是整函数，而完全伽马函数在上述位置具有极点。\n\n在采用一致的延拓方式时，这一恒等式仍然成立，但奇异参数处的值必须通过极限求得，而不能直接将发散的表达式相减。"
    },
    {
      "heading": "数值计算",
      "text": "可靠的实现会结合多种方法，而不是在整个参数范围内只依赖一个公式：\n\n- 级数展开适用于在 \\(x\\) 较小、参数大小适中的某些区域计算下不完全伽马函数。\n- **连分数**可为上不完全伽马函数提供实用的表示。\n- 渐近展开适用于变量或参数较大的情形。\n- 一致近似用于处理 \\(a\\) 很大时 \\(x=a\\) 附近的过渡区域。\n- 递推关系可将参数移至其他方法能够精确计算的区域。\n\n一个核心问题是数值稳定性。如果 \\(P(a,x)\\) 极其接近 \\(1\\)，通过 \\(1-P(a,x)\\) 计算 \\(Q(a,x)\\) 可能损失大部分乃至全部有效数字。因此，精确的计算例程会在需要时直接计算较小的尾概率。\n\n前因子 \\(x^ae^{-x}/\\Gamma(a)\\) 在浮点运算中也可能发生上溢或下溢。先计算其对数，\n\n\\[a\\log x-x-\\log\\Gamma(a),\\]\n\n再仅在适当时进行指数运算，有助于控制这一问题。对于极小的概率，以对数形式或经过缩放的形式输出，可以保留普通浮点数无法表示的信息。"
    }
  ],
  "links": [
    "gamma-function",
    "integral",
    "probability",
    "fundamental-theorem-of-calculus",
    "integration-by-parts",
    "recurrence-relation",
    "factorial",
    "loss-function",
    "power-series",
    "asymptotic-expansion",
    "random-variable",
    "cumulative-distribution-function",
    "chi-squared-distribution",
    "poisson-distribution",
    "expected-value",
    "quantile",
    "analytic-continuation",
    "continued-fraction",
    "numerical-stability",
    "floating-point-arithmetic"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}