1 基本定义
1.1 分布的引入
Gamma分布是一类定义在非负实数上的连续型概率分布，常用来刻画“等待若干次随机事件发生所需的总时间”。在概率论中，它可视为指数分布的推广：当随机事件以稳定速率独立发生时，若关注第 \(k\) 次事件出现的时间，则其分布通常可由Gamma分布描述。由于这一特性，它在排队、可靠性和随机过程建模中十分常见。
从更一般的角度看，Gamma分布并不依赖于单一的物理背景，而是提供了一种灵活的非负随机变量建模框架。其形状可随参数变化，从右偏较强的曲线逐渐过渡到接近对称的钟形轮廓，因此适合描述多种实际数据。
1.2 概率密度函数
Gamma分布的概率密度函数通常写为 \[ f(x;\alpha,\theta)=\frac{1}{\Gamma(\alpha)\theta^\alpha}x^{\alpha-1}e^{-x/\theta}, \quad x>0 \] 其中 \(\alpha>0\) 为形状参数，\(\theta>0\) 为尺度参数，\(\Gamma(\alpha)\) 为伽马函数。
该函数在正实数区间上连续且可积，其总概率为1。密度的具体形态受参数控制：当形状参数较小时，分布在靠近零的区域更集中；当形状参数增大时，曲线会向右平移并趋于平滑。
1.2.1 形状参数表示
在形状参数表示中，Gamma分布通常记为 \(\Gamma(\alpha,\theta)\)。其中 \(\alpha\) 决定分布的偏斜程度和峰形结构。若 \(\alpha<1\)，密度函数在零附近具有较高的尖峰；若 \(\alpha=1\)，分布退化为指数分布；若 \(\alpha>1\)，曲线通常会出现内部峰值。
1.2.2 尺度参数表示
尺度参数 \(\theta\) 控制随机变量的拉伸程度。尺度越大，分布越分散，典型取值也越大。与之对应的速率参数常记为 \(\beta=1/\theta\)，这时密度可改写为 \[ f(x;\alpha,\beta)=\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}, \quad x>0 \] 速率参数越大，样本更倾向于落在较小的取值范围内。
1.3 定义域与取值范围
Gamma分布的定义域为 \(x>0\)，即只取正值。其随机变量不可能为负，也不会在零以下出现概率质量。取值范围覆盖所有正实数，理论上没有上界，因此它适合表示持续时间、累积量、寿命长度等非负且可延展的量。
1.4 参数的直观含义
形状参数可以理解为“事件累计的阶段数”或“过程的复杂程度”。当它较小时，单次等待的随机性更强；当它较大时，多个独立阶段叠加后，波动会相对减弱。尺度参数则可视为单个单位阶段的平均长度伸缩因子。若使用速率参数，含义更接近“单位时间内事件发生的频繁程度”。
2 数学性质
2.1 期望与方差
Gamma分布的基本统计量有清晰表达式，且便于推导和应用。
2.1.1 均值
若 \(X\sim \Gamma(\alpha,\theta)\)，则 \[ E[X]=\alpha\theta \] 均值等于形状参数与尺度参数的乘积。换成速率参数表示时，均值为 \(\alpha/\beta\)。
2.1.2 方差
其方差为 \[ \operatorname{Var}(X)=\alpha\theta^2 \] 这表明分布的离散程度随形状参数与尺度参数共同变化。速率参数形式下，方差写作 \(\alpha/\beta^2\)。
2.2 矩与阶乘矩
Gamma分布具有良好的矩性质，许多高阶统计量都可显式表示。
2.2.1 原点矩
第 \(n\) 阶原点矩为 \[ E[X^n]=\theta^n\frac{\Gamma(\alpha+n)}{\Gamma(\alpha)} \] 当 \(n\) 为正整数时，这一结果可进一步写成阶乘型乘积，便于计算。
2.2.2 中心矩
中心矩由原点矩组合而成，常用于描述分布形态的离散和偏离程度。Gamma分布的中心矩可以通过矩母函数或递推关系求得，其中低阶中心矩最常用于偏度、峰度等指标计算。
2.3 偏度与峰度
Gamma分布的偏度为 \[ \gamma_1=\frac{2}{\sqrt{\alpha}} \] 说明形状参数越大，分布越接近对称。其超额峰度为 \[ \gamma_2=\frac{6}{\alpha} \] 这反映出当 \(\alpha\) 增加时，尾部厚度和峰尖程度都会减弱。若 \(\alpha\) 足够大，分布外观可近似正态。
2.4 累积分布函数
Gamma分布的累积分布函数没有简单的初等函数通式，但可借助特殊函数表示。
2.4.1 不完全伽马函数表示
累积分布函数可写为 \[ F(x)=\frac{\gamma(\alpha,x/\theta)}{\Gamma(\alpha)} \] 其中 \(\gamma(\alpha,z)\) 是下不完全伽马函数。该表达式在理论分析和数值计算中都很重要。
2.4.2 特殊参数下的简化形式
当 \(\alpha=1\) 时，Gamma分布退化为指数分布，CDF简化为 \[ F(x)=1-e^{-x/\theta} \] 当形状参数为正整数时，CDF还可写成有限和形式，便于实际计算。
2.5 特征函数与矩母函数
Gamma分布的生成函数性质较为整齐，适合用于推导组合分布与极限定理中的表达。
2.5.1 矩母函数存在条件
矩母函数为 \[ M_X(t)=(1-\theta t)^{-\alpha} \] 其存在条件是 \(t<1/\theta\)。这意味着在某些较大的正参数下，矩母函数会发散，但在允许范围内可直接用于求矩和做参数推断。
2.5.2 特征函数表达式
特征函数为 \[ \varphi_X(t)=(1-i\theta t)^{-\alpha} \] 它总是存在，可用于频域分析、卷积运算和分布识别。
2.6 无记忆性与相关性质
Gamma分布一般不具有无记忆性，但在特定情形下会表现出与指数分布相近的行为。
2.6.1 与指数分布的关系
当 \(\alpha=1\) 时，Gamma分布正是指数分布。此时随机变量满足无记忆性，即未来等待时间与已经等待的时间无关。对于其他形状参数，Gamma分布不再满足这一性质。
2.6.2 加性与可分解性
若 \(X_1,\dots,X_n\) 相互独立且都服从相同尺度参数、形状参数分别为 \(\alpha_1,\dots,\alpha_n\) 的Gamma分布，则它们之和仍服从Gamma分布，形状参数为各自之和，尺度参数保持不变。这种可加性使其在阶段累积模型中尤为方便。
3 特殊情形与相关分布
3.1 指数分布
指数分布是Gamma分布最重要的特例之一，对应形状参数 \(\alpha=1\)。此时密度函数变为单调递减形式，常用于描述单次等待时间或无记忆过程。它也是许多随机过程构造的基础分布。
3.2 卡方分布
卡方分布可看作Gamma分布的一个特殊形式。若 \(X\sim \chi^2_\nu\)，则它等价于形状参数为 \(\nu/2\)、尺度参数为2的Gamma分布。这一对应关系使卡方分布的矩、累积概率和采样方法都可借助Gamma分布处理。
3.2.1 自由度与Gamma参数的对应关系
卡方分布的自由度 \(\nu\) 对应Gamma分布的形状参数 \(\alpha=\nu/2\)，尺度参数固定为 \(\theta=2\)。因此，自由度越大，卡方分布越平缓，整体形态也越接近正态。
3.3 Erlang分布
Erlang分布是形状参数为正整数的Gamma分布。它常被用于描述需要经历整数个独立指数阶段才能完成的过程，例如多级服务系统中的总等待时长。Erlang分布在工程排队论中十分常见，因为其可通过多个指数变量求和直接构造。
3.4 Beta分布的关联
Beta分布与Gamma分布存在经典联系：若 \(X\sim \Gamma(\alpha_1,1)\)、\(Y\sim \Gamma(\alpha_2,1)\) 且二者独立，则 \[ \frac{X}{X+Y} \] 服从Beta分布。这个关系常用于证明Beta分布性质，并在贝叶斯推断中构造先验与后验。
3.5 逆Gamma分布
逆Gamma分布可由Gamma分布的倒数变换得到，常用于表示正值参数的不确定性，特别是在方差建模和层次贝叶斯模型中。它与Gamma分布在参数化上互为对应，但尾部更厚，适合处理更强的不确定性。
3.6 广义Gamma分布
广义Gamma分布是Gamma分布的扩展形式，通过引入额外参数增强形状控制能力。它可覆盖更广泛的偏斜、厚尾和峰态特征，因此在寿命分析和经验建模中具有更大灵活性。Gamma分布可视为其重要子类之一。
4 生成与模拟
4.1 由指数分布求和生成
当形状参数为正整数时，Gamma随机变量可以表示为若干独立指数随机变量之和。这种方法概念简单，适合理论推导和教学演示。即便在一般参数下，许多数值算法也会借鉴这一分解思想。
4.2 通过变换法生成
对于某些特殊形状参数，可利用变量变换从其他简单分布出发构造Gamma样本。例如，借助幂变换、拒绝采样或与正态变量的组合生成，可以有效处理非整数形状参数。变换法的优势在于思路清晰，但效率受参数范围影响较大。
4.3 数值模拟算法
实际计算中，Gamma分布的采样往往依赖专门算法，以保证速度和精度。
4.3.1 Marsaglia与Tsang算法
Marsaglia与Tsang算法是生成Gamma随机数的经典高效方法，尤其适合形状参数大于1的情况。它通过构造合适的提议分布并结合接受-拒绝机制，实现较高的采样效率，因而被广泛用于统计软件实现。
4.3.2 其他常用采样方法
除上述算法外，还可使用接受-拒绝法、切分区域法、正态近似法或基于泊松过程的构造法。不同方法在计算成本、适用范围和数值稳定性方面各有特点，通常根据参数大小与应用场景选择。
5 参数估计与统计推断
5.1 方法矩估计
方法矩估计通过样本均值和样本方差匹配理论矩来求参数。对于Gamma分布，这种方法形式简洁，常先由样本均值 \(\bar{x}\) 与样本方差 \(s^2\) 估计出 \[ \hat{\alpha}\approx \frac{\bar{x}^2}{s^2}, \quad \hat{\theta}\approx \frac{s^2}{\bar{x}} \] 该方法计算方便，但精度通常不如极大似然估计。
5.2 极大似然估计
极大似然估计在Gamma分布参数推断中应用广泛，具有较好的渐近性质。
5.2.1 对数似然函数
若样本为 \(x_1,\dots,x_n\)，则对数似然函数为 \[ \ell(\alpha,\theta)= (\alpha-1)\sum_{i=1}^n \ln x_i-\frac{1}{\theta}\sum_{i=1}^n x_i-n\alpha\ln\theta-n\ln\Gamma(\alpha) \] 通过对参数求偏导并令其为零，可得到估计方程。
5.2.2 参数迭代求解
由于形状参数的估计方程通常没有闭式解，实际中常采用牛顿迭代或其他数值求解方法。先对 \(\alpha\) 进行迭代，再代入求 \(\theta\)，是常见做法。该过程依赖于初值选择，但在大多数情况下收敛性较好。
5.3 贝叶斯估计
在贝叶斯框架下，Gamma分布常既作为似然分布，也可充当先验分布。对速率参数或强度参数使用Gamma先验，能够带来共轭性，便于计算后验分布。若先验信息较弱，也可采用较分散的超参数设置，以减少人为偏置。
5.4 置信区间与假设检验
Gamma分布参数的置信区间通常通过渐近正态近似、似然比方法或Bootstrap方法构造。假设检验则可用于判断样本是否符合特定Gamma模型，或检验参数是否等于某个给定值。
5.4.1 参数检验
参数检验主要关注形状参数、尺度参数或速率参数是否满足假设值。常见策略包括基于似然比统计量的检验，以及利用Wald统计量进行近似判断。
5.4.2 拟合优度检验
拟合优度检验用于判断观测数据是否可由Gamma分布合理描述。常见方法有Kolmogorov-Smirnov检验、Anderson-Darling检验及卡方拟合检验。实际分析中，往往需要结合图形诊断，如直方图、Q-Q图和概率图综合判断。
6 应用领域
6.1 排队论中的等待时间
Gamma分布经常用于刻画顾客等待多个服务阶段完成的总时长。在多服务器系统、通信排队和任务处理模型中，它能自然表示多个独立服务环节叠加后的延迟。
6.2 可靠性与寿命分析
在可靠性工程中，Gamma分布可用于描述部件从启用到失效之间的寿命，尤其适合“磨损逐步积累”的场景。与指数分布相比，它能够更灵活地反映失效率随时间变化的情况，因此在工业寿命建模中较为常见。
6.3 贝叶斯先验建模
Gamma分布常被用作泊松率、指数强度或某些精度参数的先验分布。其共轭性质使后验计算更为简洁，特别适合需要反复更新信息的统计问题。由于形式灵活，它也常作为层次模型中的中间层分布。
6.4 金融与风险管理
在金融建模中，Gamma分布可用于描述损失规模、等待时间、交易间隔或某些正值风险因子。它在风险管理里常与混合模型、复合分布和生存分析方法结合，用于处理偏斜明显、下界为零的数据。
6.5 物理与工程随机过程
在物理学和工程学中，Gamma分布出现于放射性衰变时间、信号到达累积、随机流量和材料老化等过程。对于具有“阶段累积”或“多次独立触发”特征的系统，它往往能提供较好的近似描述。
7 历史与命名
7.1 伽马函数的来源
Gamma分布之名来自伽马函数。伽马函数是阶乘概念的连续推广，由欧拉等数学家发展完善，后来成为特殊函数理论中的核心工具。Gamma分布的密度中直接包含伽马函数，因此得名自然形成。
7.2 分布名称的由来
“Gamma”一词源于该分布与伽马函数之间的紧密联系。由于其规范化常数中含有 \(\Gamma(\alpha)\)，人们便以此命名这一分布。中文中常译作“伽马分布”，有时也按英文音译作“Gamma分布”。
7.3 发展与推广
Gamma分布最初在数学分析和概率论中作为特殊函数相关对象被系统研究，随后在应用统计中逐渐显现价值。随着排队论、寿命分析和贝叶斯方法的发展，它的应用范围不断扩大，成为现代统计建模中的基础分布之一。
8 拓展主题
8.1 多元Gamma分布
多元Gamma分布是Gamma思想在多维情形下的推广，用于描述多个相关非负随机变量的联合行为。它在构造相关寿命、联合风险和多通道随机强度模型时具有一定价值，但形式通常更复杂。
8.2 截断Gamma分布
截断Gamma分布是在某个区间内保留Gamma分布并重新归一化得到的分布。它常用于实际数据存在观测边界或物理限制的情况，例如只能记录落在特定范围内的正值数据。
8.3 混合Gamma模型
混合Gamma模型将多个Gamma成分按权重组合，用以表示更复杂的数据结构。它能够刻画多峰、厚尾或异质性较强的样本，因此在工程统计、通信建模和聚类分析中具有较好适应性。
8.4 与其他分布的极限关系
Gamma分布与正态分布、指数分布和卡方分布之间存在多种极限联系。例如，当形状参数增大时，在适当标准化后可近似正态分布；当形状参数取1时则化为指数分布。这些极限关系说明Gamma分布在分布族中具有较强的枢纽地位。