1 基本概念
1.1 定义
伽马分布是一类定义在非负实数区间上的连续概率分布，常用来刻画等待时间、寿命长度或累计发生量等随机现象。若随机变量 \(X\) 服从参数为形状参数 \(k\) 与尺度参数 \(\theta\) 的伽马分布，通常记作 \(X \sim \Gamma(k,\theta)\)。当采用率参数 \(\lambda = 1/\theta\) 表示时，也可写作 \(X \sim \Gamma(k,\lambda)\)。
在概率论中，伽马分布可看作指数分布的重要推广。它不仅保留了非负支持集这一特征，还能通过参数变化描述从高度偏斜到较为对称的多种分布形态，因此在理论与应用中都十分常见。
1.2 参数表示
伽马分布的参数化方式主要有两种：一是形状参数与尺度参数的组合，二是形状参数与率参数的组合。不同文献可能采用不同记号，但其本质是一致的。
1.2.1 形状参数
形状参数决定分布曲线的大致外形，通常记为 \(k\) 或 \(\alpha\)。当形状参数较小时，分布在靠近零的位置更集中，右尾较长；当形状参数增大时，分布会逐渐变得更对称，峰形也更明显。若形状参数取整数，伽马分布与多个指数变量之和存在直接关系，这一性质在排队论和可靠性分析中很有用。
1.2.2 尺度参数与率参数
尺度参数通常记为 \(\theta\)，表示随机变量在横轴方向上的伸缩程度；率参数通常记为 \(\lambda\)，且 \(\lambda = 1/\theta\)。尺度参数越大，分布整体向右拉伸；率参数越大，则分布更集中在较小取值附近。两种表示方法只是参数习惯不同，实际应用中常根据领域传统选用其一。
1.3 几何直观
伽马分布的概率密度函数在非负区间内呈现单峰、偏斜或近似对称等不同形态。其曲线起始于零点附近，在形状参数较小时往往迅速上升后缓慢衰减；随着形状参数增加，峰值位置会向右移动，曲线也会逐渐平缓。
1.3.1 分布形状特征
伽马分布最显著的几何特征是定义域仅限于非负实数，并且右尾通常较长。低形状参数下，分布常表现出明显右偏；高形状参数时，曲线峰值更突出，偏斜程度减弱。其形状较灵活，因此适合模拟多种非对称现象。
1.3.2 参数变化对曲线的影响
形状参数增大时，密度曲线的峰值会从靠近原点逐渐向右移动，分布也会更集中。尺度参数增大则会使整体分布拉宽，均值和离散程度同步提高。若改用率参数表示，则其变化效果与尺度参数相反。
2 数学性质
2.1 概率密度函数
在形状参数 \(k>0\)、尺度参数 \(\theta>0\) 下，伽马分布的概率密度函数为 \[ f(x)=\frac{1}{\Gamma(k)\theta^k}x^{k-1}e^{-x/\theta}, \quad x>0. \] 其中 \(\Gamma(k)\) 为伽马函数。若采用率参数 \(\lambda>0\)，则密度函数可写为 \[ f(x)=\frac{\lambda^k}{\Gamma(k)}x^{k-1}e^{-\lambda x}, \quad x>0. \] 该形式清楚表明伽马分布兼具幂函数项与指数衰减项，因此在零附近和尾部都具有可调节的行为。
2.2 累积分布函数
伽马分布的累积分布函数一般不能用初等函数表示，通常通过不完全伽马函数来表达。若 \(X \sim \Gamma(k,\theta)\)，则 \[ F(x)=P(X\le x)=\frac{\gamma(k,x/\theta)}{\Gamma(k)}, \] 其中 \(\gamma(k,\cdot)\) 为下不完全伽马函数。对于整数形状参数，累积分布函数可进一步写成有限项和，计算上较为方便。
2.3 矩与阶矩
伽马分布具有明确而简洁的矩结构，其各阶矩通常可通过伽马函数直接求得，因此在统计推断与理论分析中十分便利。
2.3.1 期望
若 \(X \sim \Gamma(k,\theta)\)，则其期望为 \[ E[X]=k\theta. \] 这表明均值随形状参数和尺度参数共同线性增长。
2.3.2 方差
伽马分布的方差为 \[ \mathrm{Var}(X)=k\theta^2. \] 这说明离散程度不仅取决于形状参数，也与尺度参数的平方成正比。
2.3.3 高阶矩
伽马分布的 \(n\) 阶原点矩可写为 \[ E[X^n]=\theta^n \frac{\Gamma(k+n)}{\Gamma(k)}. \] 若 \(k\) 为正整数，则该表达式可进一步简化。利用这些矩，可以推导偏度、峰度及其他统计量。
2.4 特征函数与矩母函数
伽马分布的矩母函数在 \(t<1/\theta\) 时存在，形式为 \[ M_X(t)=(1-\theta t)^{-k}. \] 其特征函数则为 \[ \varphi_X(t)=(1-i\theta t)^{-k}. \] 这些函数为研究独立随机变量之和、极限定理以及分布变换提供了便利工具，也便于推导矩和累积量。
2.5 偏度与峰度
伽马分布的偏度为 \[ \frac{2}{\sqrt{k}}, \] 峰度超额为 \[ \frac{6}{k}. \] 由此可见，形状参数越大，分布越接近对称，尾部相对也越不“尖锐”。当 \(k\) 较小时，右偏明显，长尾特征更突出。
2.6 熵与信息量
伽马分布的香农熵可用伽马函数、对数函数以及狄伽马函数表达。其具体形式较为复杂，但总体上反映了分布在参数变化下的不确定性大小。一般而言，尺度参数增大通常会提高熵，而形状参数改变则会影响分布的集中程度与信息分散水平。
3 特殊情形与相关分布
3.1 指数分布
当形状参数 \(k=1\) 时，伽马分布退化为指数分布。此时密度函数简化为 \[ f(x)=\lambda e^{-\lambda x}, \quad x>0. \] 这也是伽马分布最常见的特例之一，常用于描述“无记忆”等待时间。
3.2 卡方分布
若令 \(k=\nu/2\)、\(\theta=2\)，则伽马分布对应自由度为 \(\nu\) 的卡方分布。卡方分布因此可视为伽马分布的特定参数形式，广泛出现在统计检验、方差分析和抽样分布理论中。
3.3 爱尔兰分布
当形状参数取正整数 \(k=n\) 时，伽马分布也常被称为爱尔兰分布。它可以解释为 \(n\) 个独立同分布指数变量之和，因此在通信系统和排队系统中经常出现，用于表示多个阶段依次完成所需的总等待时间。
3.4 威布尔分布中的比较关系
伽马分布与威布尔分布都可用于描述非负数据，但二者的尾部行为和形状控制方式并不相同。伽马分布更擅长表示由“若干阶段累计而成”的随机过程，而威布尔分布则常用于寿命数据和失效率变化的建模。两者在某些参数区间内可呈现相似的单峰偏斜形态，但并非彼此的简单特例关系。
3.5 伽马函数与不完全伽马函数
伽马函数是伽马分布的核心数学工具之一，定义为 \[ \Gamma(s)=\int_0^\infty x^{s-1}e^{-x}\,dx. \] 不完全伽马函数则是其截断积分形式，分为上不完全伽马函数与下不完全伽马函数。它们不仅用于书写伽马分布的归一化常数和累积分布函数，也在数值计算中占据关键位置。
4 生成与表示
4.1 随机变量的构造方法
伽马随机变量可通过多种方式生成。常见方法包括基于指数变量求和、利用接受-拒绝法以及通过专门的随机数生成算法构造。对于不同参数区间，实际实现时往往会选用效率更高的专用程序。
4.2 与泊松过程的关系
在泊松过程中，若事件以固定平均速率独立发生，则第 \(k\) 次事件到达的等待时间服从伽马分布。换言之，伽马分布描述的是多个泊松到达间隔的累积等待时间，这一联系使其在随机过程理论中具有基础地位。
4.3 作为独立指数变量之和
当 \(X_1,\dots,X_n\) 为独立同分布的指数随机变量且参数相同，其和 \[ S_n=\sum_{i=1}^n X_i \] 服从形状参数为 \(n\) 的伽马分布。这一性质在阶段性服务、维修过程和逐步完成任务的建模中尤为常见。
4.4 作为尺度变换后的标准形式
若 \(X \sim \Gamma(k,\theta)\)，则令 \(Y=X/\theta\)，可得 \(Y \sim \Gamma(k,1)\)。因此，很多理论推导只需研究标准尺度下的伽马分布，再通过尺度变换推广到一般情形即可。这种处理方式能显著简化证明与计算。
4.5 混合表示与层次模型
伽马分布常作为混合模型中的先验或潜变量分布使用。例如，在贝叶斯分析中，它可作为泊松率参数的先验分布，从而构成伽马-泊松层次模型。此类表示有助于表达参数的不确定性，并提升模型的灵活性。
5 参数估计与推断
5.1 矩估计
矩估计通常利用样本均值与样本方差与理论矩相匹配来求解参数。对伽马分布而言，由于均值和方差公式较为简洁，因此矩估计方法实现方便，适合作为初始估计或粗略拟合手段。
5.2 极大似然估计
伽马分布的极大似然估计一般需要数值求解，因为形状参数的似然方程通常不具有闭式解。实际中常借助迭代算法，如牛顿法或固定点迭代，以获得参数的近似最优值。该方法具有较好的渐近性质，在样本量较大时表现通常稳定。
5.3 贝叶斯估计
在贝叶斯框架下，可为伽马分布参数指定先验分布，并结合样本数据得到后验分布。由于伽马分布与泊松、指数模型之间常存在共轭关系，因此其先验与后验分析在计数数据和等待时间建模中尤为常见。贝叶斯估计还能自然地给出参数不确定性的概率描述。
5.4 参数检验
对伽马分布参数进行检验时，常关注形状参数或尺度参数是否满足某一假设，也可能检验样本是否符合伽马分布。方法上可采用似然比检验、Wald 检验或基于拟合优度的检验。具体选择取决于数据规模、参数是否已知以及建模目的。
5.5 置信区间与区间估计
伽马分布参数的区间估计通常依赖于渐近近似、似然函数或自助法等技术。对于某些特定情形，也可利用与卡方分布的联系构造区间。区间估计能比点估计更充分地反映参数的不确定性，在实际应用中具有重要价值。
6 应用领域
6.1 排队论
在排队论中，伽马分布常用于刻画顾客到达间隔、服务完成时间或多阶段处理时间。特别是当某一任务由若干个独立阶段组成时，总耗时往往更适合用伽马分布描述，而非单纯指数分布。
6.2 可靠性工程
在可靠性工程中，伽马分布可用于表示零件或系统的寿命、失效等待时间以及多步骤退化过程。由于其参数灵活，既能表现早期失效较集中的现象，也能模拟使用寿命较长且右偏明显的产品数据。
6.3 生存分析
伽马分布可作为生存时间模型的候选分布，用于分析个体从起点到事件发生之间的时间长度。它适合处理非负且右偏的生存数据，并可与协变量模型结合，用于研究时间到事件的变化规律。
6.4 贝叶斯统计
在贝叶斯统计中，伽马分布经常作为泊松分布率参数、指数分布率参数的共轭先验。由于这种共轭关系，后验更新往往具有简洁形式，便于进行逐步学习、在线更新和分层建模。
6.5 金融与风险建模
在金融与风险建模中，伽马分布可用于描述损失金额、持续时间、到达强度或某些正值型风险变量。它在建模右偏数据、累计风险暴露和稀疏事件过程方面具有一定优势，尤其适用于强调非负性和长尾特征的场景。
6.6 物理与工程等待时间建模
在物理实验和工程系统中，伽马分布常用于描述粒子到达、信号触发、机器阶段性完成任务所需的等待时间。对于具有多步随机累积特征的过程，该分布往往比单一指数模型更贴切。
7 计算与数值方法
7.1 随机数生成
伽马随机数生成是数值统计中的常见问题。对于整数形状参数，可通过若干指数随机变量求和实现；对于一般参数，则常采用专门的高效算法，如基于接受-拒绝思想的方法。现代统计软件通常已内置较成熟的生成器。
7.2 密度与分布函数计算
密度函数计算通常较直接，但分布函数涉及不完全伽马函数，往往需要借助数值积分或特殊函数库。对于尾部概率较小或参数较大的情形，直接计算可能出现精度损失，因此常需采用稳定性更好的数值策略。
7.3 伽马函数的数值近似
伽马函数在大范围参数下的数值计算通常依赖近似公式、递推关系或渐近展开。常见方法包括斯特林公式及其改进形式。合理选择近似算法可以兼顾速度与精度，特别是在大规模计算中尤为重要。
7.4 不完全伽马函数算法
不完全伽马函数的计算通常分为级数展开、连分数表示和递推算法等路径。不同方法在不同参数区间各有优势：小参数区间往往适合级数展开，而尾部概率计算则常使用连分数以增强稳定性。
7.5 软件实现与常用函数接口
主流科学计算软件和编程语言通常提供伽马分布相关接口，包括密度函数、分布函数、分位数函数和随机数生成函数。常见命名往往围绕 gamma、pgamma、qgamma、rgamma 等形式展开，便于在统计分析和模拟实验中直接调用。
8 相关扩展
8.1 多元伽马分布
多元伽马分布是伽马分布在多维情形下的推广形式，用于刻画多个相关正值变量的联合行为。其构造方式较多，常与协方差结构、相关系数或矩阵分布理论相联系。
8.2 广义伽马分布
广义伽马分布在伽马分布基础上引入更多参数，从而具有更强的形状适应能力。它能够覆盖更广泛的偏斜程度与尾部特征，因此在经验拟合中有时比标准伽马分布更灵活。
8.3 非中心伽马分布
非中心伽马分布通常出现在与卡方分布相关的扩展中，描述带有非中心参数的随机变量分布。它在统计检验和抽样理论中具有一定地位，尤其适用于偏离原假设的情形分析。
8.4 逆伽马分布
逆伽马分布是由伽马分布经过倒数变换得到的一类分布，常用于正值参数的先验建模或重尾现象描述。它与贝叶斯统计中的某些共轭分析密切相关。
8.5 伽马过程
伽马过程是一类具有独立增量和非减路径的随机过程，其增量服从伽马分布。该过程常用于刻画累计损伤、降解演化和随机增长现象，是伽马分布在随机过程领域中的重要推广。