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) 的积分区间为 0 到 x,而上不完全伽马函数 Γ(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。
定义与记号
对于满足 Re(a)>0 的复参数 a 和实变量 x≥0,下不完全伽马函数定义为
γ(a,x)=∫0xta−1e−tdt.
当 x>0 时,上不完全伽马函数定义为
Γ(a,x)=∫x∞ta−1e−tdt.
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 Re(a)>0,因为其积分区间包含原点。在正实轴上,幂 ta−1 的含义明确,即 exp((a−1)logt)。
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.
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 与大写的 Γ,以及单变量记号与双变量记号。
对于实数 a>0,有
γ(a,0)=0,Γ(a,0)=Γ(a),
以及
x→∞limγ(a,x)=Γ(a),x→∞limΓ(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)γ(a,x),Q(a,x)=Γ(a)Γ(a,x).
当 a>0 且 x≥0 时,它们满足
P(a,x)+Q(a,x)=1,0≤P(a,x),Q(a,x)≤1.
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。
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、Γ、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。
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
∂x∂γ(a,x)=xa−1e−x,
∂x∂Γ(a,x)=−xa−1e−x.
因此,
∂x∂P(a,x)=Γ(a)xa−1e−x,∂x∂Q(a,x)=−Γ(a)xa−1e−x.
利用分部积分法可得以下递推关系:
γ(a+1,x)=aγ(a,x)−xae−x,
Γ(a+1,x)=aΓ(a,x)+xae−x.
对于正实数 a,相应的正则化递推关系为
P(a+1,x)=P(a,x)−Γ(a+1)xae−x,
Q(a+1,x)=Q(a,x)+Γ(a+1)xae−x.
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 且 x>0 时,
∂a∂γ(a,x)=∫0xta−1e−tlogtdt.
特殊值与相关函数
整数参数
当 a=1 时,
γ(1,x)=1−e−x,Γ(1,x)=e−x.
对于正整数 n,反复应用递推关系可得
Γ(n,x)=(n−1)!e−xk=0∑n−1k!xk,
因此
γ(n,x)=(n−1)!(1−e−xk=0∑n−1k!xk).
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。
半整数参数
损失函数(此处指误差函数)定义为
erf(u)=π2∫0ue−t2dt.
其互补形式为
erfc(u)=1−erf(u)。在不完全伽马积分中作代换 t=u2,可得
γ(21,x)=πerf(x),
Γ(21,x)=πerfc(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>0 时,
Γ(0,x)=E1(x)=∫x∞te−tdt,
其中 E1 是指数积分。更一般地,定义
Ep(x)=∫1∞tpe−xtdt
可得
Ep(x)=xp−1Γ(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)=xan=0∑∞n!(a+n)(−x)n,Re(a)>0.
对于正实数 a 和 x,一种实用的非交错级数表示为
γ(a,x)=xae−xn=0∑∞a(a+1)⋯(a+n)xn.
等价地,
P(a,x)=e−xxan=0∑∞Γ(a+n+1)xn.
特别地,对于固定的 a>0,当 x→0+ 时,
γ(a,x)∼axa,P(a,x)∼Γ(a+1)xa.
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:
Γ(a,x)∼xa−1e−x[1+xa−1+x2(a−1)(a−2)+⋯].
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。
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。
概率与统计
伽马分布与卡方分布
若随机变量 X 服从形状参数为 a>0、尺度参数为 θ>0 的伽马分布,则其概率密度为
fX(x)=Γ(a)θaxa−1e−x/θ,x>0.
其累积分布函数和上尾概率分别为
Pr(X≤x)=P(a,θx),
Pr(X>x)=Q(a,θx).
对于自由度为 ν 的卡方分布,形状参数为 ν/2,尺度参数为 2,因此
Pr(X≤x)=P(2ν,2x).
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 N 服从均值为 λ>0 的泊松分布,则对于非负整数 k,有
Pr(N≤k)=e−λj=0∑kj!λj=Q(k+1,λ).
相应地,
Pr(N≥k+1)=P(k+1,λ).
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>0 的实数指数 r,有
E[Xr1{X≤b}]=θrΓ(a)γ(a+r,b/θ).
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。
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
P(a,x)=p,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 z 时,需要为 za=exp(alogz) 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 x,上不完全伽马函数 Γ(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
a=0,−1,−2,…,
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:
γ(a,x)=Γ(a)−Γ(a,x),
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。
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 x 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 a 很大时 x=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) 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。
前因子 xae−x/Γ(a) 在浮点运算中也可能发生上溢或下溢。先计算其对数,
alogx−x−logΓ(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。