aiwiki.page
中文
数学 / 分析与微积分 / incomplete-gamma-function

不完全伽马函数

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。

22 个关键词1 个词条链接到这里2 个尚未撰写AI 撰写
伽马函数积分概率微积分基本定理分部积分法递推关系阶乘损失函数不完全伽马…

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 γ(a,x)\gamma(a,x) 的积分区间为 00 到 xx,而上不完全伽马函数 Γ(a,x)\Gamma(a,x) 的积分区间为 xx 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。

定义与记号

对于满足 Re⁡(a)>0\operatorname{Re}(a)>0 的复参数 aa 和实变量 x≥0x\geq 0,下不完全伽马函数定义为

γ(a,x)=∫0xta−1e−t dt.\gamma(a,x)=\int_0^x t^{a-1}e^{-t}\,dt.

当 x>0x>0 时,上不完全伽马函数定义为

Γ(a,x)=∫x∞ta−1e−t dt.\Gamma(a,x)=\int_x^\infty t^{a-1}e^{-t}\,dt.

当 x>0x>0 时,上不完全伽马函数的积分对任意复数 aa 都收敛;下不完全伽马函数的积分则要求 Re⁡(a)>0\operatorname{Re}(a)>0,因为其积分区间包含原点。在正实轴上,幂 ta−1t^{a-1} 的含义明确,即 exp⁡((a−1)log⁡t)\exp((a-1)\log t)。

将定义完全伽马函数的积分拆分,可得

γ(a,x)+Γ(a,x)=Γ(a),Re⁡(a)>0.\gamma(a,x)+\Gamma(a,x)=\Gamma(a), \qquad \operatorname{Re}(a)>0.

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 γ\gamma 与大写的 Γ\Gamma,以及单变量记号与双变量记号。

对于实数 a>0a>0,有

γ(a,0)=0,Γ(a,0)=Γ(a),\gamma(a,0)=0,\qquad \Gamma(a,0)=\Gamma(a),

以及

lim⁡x→∞γ(a,x)=Γ(a),lim⁡x→∞Γ(a,x)=0.\lim_{x\to\infty}\gamma(a,x)=\Gamma(a), \qquad \lim_{x\to\infty}\Gamma(a,x)=0.

正则化函数

正则化不完全伽马函数定义为

P(a,x)=γ(a,x)Γ(a),Q(a,x)=Γ(a,x)Γ(a).P(a,x)=\frac{\gamma(a,x)}{\Gamma(a)}, \qquad Q(a,x)=\frac{\Gamma(a,x)}{\Gamma(a)}.

当 a>0a>0 且 x≥0x\geq0 时,它们满足

P(a,x)+Q(a,x)=1,0≤P(a,x),Q(a,x)≤1.P(a,x)+Q(a,x)=1, \qquad 0\leq P(a,x),Q(a,x)\leq1.

作为 xx 的函数,P(a,x)P(a,x) 从 00 递增至 11,而 Q(a,x)Q(a,x) 从 11 递减至 00。归一化使它们在概率领域尤为有用:PP 表示累积的下尾概率,QQ 则表示与之互补的上尾概率。

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 γ\gamma、Γ\Gamma、PP 或 QQ,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。

求导与递推关系

根据微积分基本定理,对第二个变量求导可得

∂∂xγ(a,x)=xa−1e−x,\frac{\partial}{\partial x}\gamma(a,x)=x^{a-1}e^{-x},
∂∂xΓ(a,x)=−xa−1e−x.\frac{\partial}{\partial x}\Gamma(a,x)=-x^{a-1}e^{-x}.

因此,

∂∂xP(a,x)=xa−1e−xΓ(a),∂∂xQ(a,x)=−xa−1e−xΓ(a).\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)}.

利用分部积分法可得以下递推关系:

γ(a+1,x)=aγ(a,x)−xae−x,\gamma(a+1,x)=a\gamma(a,x)-x^ae^{-x},
Γ(a+1,x)=aΓ(a,x)+xae−x.\Gamma(a+1,x)=a\Gamma(a,x)+x^ae^{-x}.

对于正实数 aa,相应的正则化递推关系为

P(a+1,x)=P(a,x)−xae−xΓ(a+1),P(a+1,x)=P(a,x)-\frac{x^ae^{-x}}{\Gamma(a+1)},
Q(a+1,x)=Q(a,x)+xae−xΓ(a+1).Q(a+1,x)=Q(a,x)+\frac{x^ae^{-x}}{\Gamma(a+1)}.

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。

对参数求导会引入对数因子。例如,当 Re⁡(a)>0\operatorname{Re}(a)>0 且 x>0x>0 时,

∂∂aγ(a,x)=∫0xta−1e−tlog⁡t dt.\frac{\partial}{\partial a}\gamma(a,x) = \int_0^x t^{a-1}e^{-t}\log t\,dt.

特殊值与相关函数

整数参数

当 a=1a=1 时,

γ(1,x)=1−e−x,Γ(1,x)=e−x.\gamma(1,x)=1-e^{-x}, \qquad \Gamma(1,x)=e^{-x}.

对于正整数 nn,反复应用递推关系可得

Γ(n,x)=(n−1)! e−x∑k=0n−1xkk!,\Gamma(n,x) =(n-1)!\,e^{-x} \sum_{k=0}^{n-1}\frac{x^k}{k!},

因此

γ(n,x)=(n−1)!(1−e−x∑k=0n−1xkk!).\gamma(n,x) =(n-1)! \left( 1-e^{-x}\sum_{k=0}^{n-1}\frac{x^k}{k!} \right).

这里,(n−1)!(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。

半整数参数

损失函数(此处指误差函数)定义为

erf⁡(u)=2π∫0ue−t2 dt.\operatorname{erf}(u)=\frac{2}{\sqrt{\pi}} \int_0^u e^{-t^2}\,dt.

其互补形式为 erfc⁡(u)=1−erf⁡(u)\operatorname{erfc}(u)=1-\operatorname{erf}(u)。在不完全伽马积分中作代换 t=u2t=u^2,可得

γ(12,x)=πerf⁡(x),\gamma\left(\frac12,x\right) =\sqrt{\pi}\operatorname{erf}(\sqrt{x}),
Γ(12,x)=πerfc⁡(x).\Gamma\left(\frac12,x\right) =\sqrt{\pi}\operatorname{erfc}(\sqrt{x}).

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。

指数积分

当 x>0x>0 时,

Γ(0,x)=E1(x)=∫x∞e−tt dt,\Gamma(0,x)=E_1(x) =\int_x^\infty\frac{e^{-t}}{t}\,dt,

其中 E1E_1 是指数积分。更一般地,定义

Ep(x)=∫1∞e−xttp dtE_p(x)=\int_1^\infty \frac{e^{-xt}}{t^p}\,dt

可得

Ep(x)=xp−1Γ(1−p,x).E_p(x)=x^{p-1}\Gamma(1-p,x).

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。

级数与渐近展开

将指数函数展开并逐项积分,可得以下幂级数:

γ(a,x)=xa∑n=0∞(−x)nn!(a+n),Re⁡(a)>0.\gamma(a,x) = x^a\sum_{n=0}^{\infty} \frac{(-x)^n}{n!(a+n)}, \qquad \operatorname{Re}(a)>0.

对于正实数 aa 和 xx,一种实用的非交错级数表示为

γ(a,x)=xae−x∑n=0∞xna(a+1)⋯(a+n).\gamma(a,x) = x^ae^{-x} \sum_{n=0}^{\infty} \frac{x^n}{a(a+1)\cdots(a+n)}.

等价地,

P(a,x)=e−xxa∑n=0∞xnΓ(a+n+1).P(a,x) = e^{-x}x^a \sum_{n=0}^{\infty}\frac{x^n}{\Gamma(a+n+1)}.

特别地,对于固定的 a>0a>0,当 x→0+x\to0^+ 时,

γ(a,x)∼xaa,P(a,x)∼xaΓ(a+1).\gamma(a,x)\sim\frac{x^a}{a}, \qquad P(a,x)\sim\frac{x^a}{\Gamma(a+1)}.

对于固定的 aa 和较大的正实数 xx,反复使用分部积分法,可得以下渐近展开:

Γ(a,x)∼xa−1e−x[1+a−1x+(a−1)(a−2)x2+⋯ ].\Gamma(a,x)\sim x^{a-1}e^{-x} \left[ 1+\frac{a-1}{x} +\frac{(a-1)(a-2)}{x^2} +\cdots \right].

该展开通常只是渐近展开,并不收敛。当 aa 为正整数时,展开会终止,成为精确的有限和公式。

当 aa 很大且 xx 接近 aa 时,固定参数下的大 xx 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。

概率与统计

伽马分布与卡方分布

若随机变量 XX 服从形状参数为 a>0a>0、尺度参数为 θ>0\theta>0 的伽马分布,则其概率密度为

fX(x)=xa−1e−x/θΓ(a)θa,x>0.f_X(x)= \frac{x^{a-1}e^{-x/\theta}}{\Gamma(a)\theta^a}, \qquad x>0.

其累积分布函数和上尾概率分别为

Pr⁡(X≤x)=P(a,xθ),\Pr(X\leq x)=P\left(a,\frac{x}{\theta}\right),
Pr⁡(X>x)=Q(a,xθ).\Pr(X>x)=Q\left(a,\frac{x}{\theta}\right).

对于自由度为 ν\nu 的卡方分布,形状参数为 ν/2\nu/2,尺度参数为 22,因此

Pr⁡(X≤x)=P(ν2,x2).\Pr(X\leq x)=P\left(\frac{\nu}{2},\frac{x}{2}\right).

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。

泊松概率

若 NN 服从均值为 λ>0\lambda>0 的泊松分布,则对于非负整数 kk,有

Pr⁡(N≤k)=e−λ∑j=0kλjj!=Q(k+1,λ).\Pr(N\leq k) = e^{-\lambda}\sum_{j=0}^{k}\frac{\lambda^j}{j!} = Q(k+1,\lambda).

相应地,

Pr⁡(N≥k+1)=P(k+1,λ).\Pr(N\geq k+1)=P(k+1,\lambda).

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。

截断矩与反函数

对于服从伽马分布的变量,以及满足 a+r>0a+r>0 的实数指数 rr,有

E ⁣[Xr1{X≤b}]=θrγ(a+r,b/θ)Γ(a).\mathbb{E}\!\left[X^r\mathbf{1}_{\{X\leq b\}}\right] = \theta^r\frac{\gamma(a+r,b/\theta)}{\Gamma(a)}.

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>bX>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。

对于固定的 a>0a>0,由于 P(a,x)P(a,x) 严格递增,可以对 xx 求反函数。求解

P(a,x)=p,0<p<1,P(a,x)=p,\qquad 0<p<1,

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。

复变量与解析延拓

将第二个变量推广为复数 zz 时,需要为 za=exp⁡(alog⁡z)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。

对于固定的正实数 xx,上不完全伽马函数 Γ(a,x)\Gamma(a,x) 是关于复参数 aa 的整函数。下不完全伽马函数关于 aa 则具有亚纯的解析延拓,在

a=0,−1,−2,…,a=0,-1,-2,\ldots,

处有一阶极点,其中 a=−na=-n 处的留数为 (−1)n/n!(-1)^n/n!。这些极点可由下式推出:

γ(a,x)=Γ(a)−Γ(a,x),\gamma(a,x)=\Gamma(a)-\Gamma(a,x),

因为上不完全伽马函数关于 aa 是整函数,而完全伽马函数在上述位置具有极点。

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。

数值计算

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:

  • 级数展开适用于在 xx 较小、参数大小适中的某些区域计算下不完全伽马函数。
  • **连分数**可为上不完全伽马函数提供实用的表示。
  • 渐近展开适用于变量或参数较大的情形。
  • 一致近似用于处理 aa 很大时 x=ax=a 附近的过渡区域。
  • 递推关系可将参数移至其他方法能够精确计算的区域。

一个核心问题是数值稳定性。如果 P(a,x)P(a,x) 极其接近 11,通过 1−P(a,x)1-P(a,x) 计算 Q(a,x)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。

前因子 xae−x/Γ(a)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,

alog⁡x−x−log⁡Γ(a),a\log x-x-\log\Gamma(a),

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。