1. 从排队等公交到理赔建模伽玛分布到底在描述什么1.1 你其实一直在和它打交道我刚学概率统计那会儿第一次看到伽玛分布Gamma Distribution的密度函数心里想的只有一句话这玩意儿也太劝退了。幂函数、指数函数、还有那个看起来像阶乘亲戚的Gamma函数搅在一起谁看了都头大。后来真正做了几年数据分析才开始意识到伽玛分布才是隐藏在指数分布和泊松分布背后的那个“主角”。我常用一个特别朴素的例子来解释它。假设你家门口的公交站平均每10分钟来一班车而且来车这件事是随机的、彼此独立的。那么你走到车站等下一班车到来的时间服从指数分布。这个很多人熟。但如果问题换成你想等3班车才肯上车因为3班之后比较空那么“等满3班车所花的总时间”服从什么分布答案就是伽玛分布。再比如保险理赔。一家保险公司一天接到的理赔报案数量通常用泊松分布建模但一天之内“所有理赔金额的总和”呢如果单次理赔金额服从指数分布那么一整天理赔总额就是若干个指数变量相加这又是一个伽玛分布。做风险定价的人几乎天天在跟它打交道。所以你可以这样记指数分布描述“第一件事多久发生”泊松分布描述“一段时间里发生几件事”而伽玛分布描述的是“第k件事什么时候凑齐”。伽玛分布是这两个经典分布的延伸也是很多排队论、可靠性工程、贝叶斯统计模型的底层构件。这篇文章我打算抛开教科书式的定义堆砌从直觉、数学、代码、坑位四个角度把伽玛分布彻底掰开揉碎。不管你是学统计的学生、做数据分析的职场人还是玩机器学习的调参选手看完之后应该都能在真实的建模场景里想起它、用上它。1.2 形状参数与尺度参数的角色定位伽玛分布有两个参数这是它比指数分布灵活的关键也是初学者最容易犯迷糊的地方。先看名字这两个参数一个叫形状参数shape通常用α表示另一个叫尺度参数scale通常用θ表示。有的教材里也写成k和θ或者α和β本质是一样的只是符号习惯不同。形状参数α决定了密度曲线的“长相”。当α比较小比如α 1的时候曲线在靠近0的地方最高然后一路陡降这就是我们熟悉的指数分布当α逐渐增大曲线会慢慢长出一个“峰”而且峰值会向右移整体看起来越来越像钟形越来越对称。尺度参数θ则负责“拉伸坐标轴”。它不改变分布的形状只把整个曲线在x轴上拉长或压缩。θ越大曲线越“胖”尾巴拖得越远θ越小曲线越“瘦高”。你完全可以把它理解成一把尺子的刻度——同一个形状换个尺度数值范围就变了。这里有一个重要的直觉均值 αθ方差 αθ²。如果你画一组曲线对比会发现α值固定、只调θ的时候图形只是水平缩放形态不变但如果θ固定、把α从1调到10图形会从L形慢慢变成钟形。理解了这两个参数的职责分工再看任何伽玛分布的公式都会顺眼很多。1.3 “k次指数等待叠加”的直觉模型为了让伽玛分布不那么抽象最实用的办法是把它看成“若干独立指数随机变量的和”。严格说当形状参数α是正整数k时伽玛分布可以分解成k个相互独立、且速率参数相同的指数分布之和。具体点说假设有k个“服务窗口”每个窗口的服务时间服从指数分布你依次接受k个窗口的服务总服务时间就是伽玛分布。这听起来很合理因为每个窗口服务完才会进下一个总时间自然大于任何一个单窗口时间。这个分解视角的好处太多了。均值为什么等于αθ因为一个指数变量的均值是θk个相加就是kθ。方差为什么等于αθ²因为独立变量的方差可以直接相加。可加性为什么成立因为两个伽玛变量相加本质就是两批指数等待时间拼在一起。很多教材上的性质你不用死记靠这个“加法模型”就能自己推出来。还要说一句当α不是整数时伽玛分布的数学形式依然成立只是不能再直接解释成“k个指数相加”。你可以把它理解成一个连续的扩展版本非整数的α让你可以在“指数分布”和“多个指数相加”之间做平滑插值这在实际拟合数据时非常有用——毕竟真实数据可不会刚好是整数次事件的等待时间。2. 定义与数学形式Gamma函数才是背后的老板2.1 概率密度函数长什么样为什么长这样伽玛分布的密度函数长这样f(x; α, θ) x^(α-1) * exp(-x/θ) / (Γ(α) * θ^α)x 0其中Γ(α)是Gamma函数定义为Γ(α) ∫0^∞ t^(α-1) * exp(-t) dt。第一次看到这个公式大家都会问为什么分子分母要搞这么复杂答案是为了让密度函数在[0, ∞]上的积分为1。你可以把Gamma函数看成“归一化常数”。就像做概率分布时我们关心的是形状x^(α-1)控制曲线在0附近的行为exp(-x/θ)控制右尾衰减的速度。两者乘在一起就是伽玛分布的基本形状。但形状画出来面积不一定是1所以分母除一个常数把总面积拉回1这个常数恰好就是Γ(α) * θ^α。还有一个细节值得注意Gamma函数是阶乘在实数域上的推广。当α是正整数n时Γ(n) (n-1)!。这就是为什么很多初学者觉得伽玛分布和阶乘有关系本质上是因为它从泊松过程的整数次事件扩展而来而整数次排列组合里到处都是阶乘。另一个容易忽略的点是定义域。伽玛分布只定义在正半轴x 0上这决定了它天生适合建模“非负数据”。如果你手里是一堆时间、金额、长度这些数据天然不可能为负用正态分布拟合会产生左边界截断的问题而伽玛分布从定义上就杜绝了这种尴尬。2.2 scale与rate两套参数体系不小心就翻车这是整个伽玛分布里最容易让人翻车的地方。同一种分布在不同软件和教材里用了两套不同的参数化方式。一套是形状尺度shape-scale另一套是形状速率shape-rate。这里说的速率其实就是尺度的倒数rate 1 / scale。我整理了一个对照表方便你随时查参数体系密度函数形式数学期望方差备注形状尺度α, θ)x^(α-1) * exp(-x/θ) / (Γ(α) * θ^α)αθαθ²scipy默认用这套形状速率α, β)β^α * x^(α-1) * exp(-βx) / Γ(α)α/βα/β²R语言默认倾向于用这套如果你用同一组数字在这两套体系下生成的数据完全不同。举个例子R里的rgamma(n, shape2, rate3)生成的数据均值约为2/3而Python里scipy.stats.gamma.rvs(a2, scale3)生成的数据均值是6。这俩差了快10倍。我在实际工作里踩过这个坑一份实验数据处理脚本用R把参数估计结果输出给同事同事用Python复现怎么都对不上数字。最后发现R的fitdistr给的是shape和rate而Python的scipy.stats读的是shape和scale双方都没错只是参数口径不统一。一个很实用的转换技巧拿到任何一组参数先冷静三秒问自己“这个软件里的第二个参数是scale还是rate”。如果是scale密度和均值按第一套公式来如果是rate先做一次倒数转换再套公式。永远不要凭感觉直接套用。3. 核心性质与重要恒等式拿到分布后先算这些3.1 均值、方差、偏度和峰度伽玛分布的均值和方差在前面已经反复出现但偏度和峰度也是建模时必须关注的数字特征。均值E(X) αθ方差Var(X) αθ²这两个通过“指数等待叠加模型”很容易推一个指数变量均值是θ方差是θ²α个独立相加就是α倍。偏度系数公式是2 / √α。这个公式信息量很大形状参数α越小分布右偏越严重α越大偏度越接近0分布越对称。峰度公式是6 / α同样是α越大越接近正态的峰度3。如果你在拟合数据时发现样本偏度明显大于0那正态分布大概率不靠谱伽玛分布应该第一时间进入你的候选清单。这三个数字特征对实际建模的意义在于你可以快速判断伽玛分布是否适合你的数据。先用描述性统计算出样本均值、方差再结合偏度观察如果样本均值接近αθ、样本方差接近αθ²的形状而且偏度方向一致那么用伽玛建模就有了第一层依据。这里还要提醒一个反直觉的点虽然伽玛分布的均值是αθ但它的众数密度最大的点并不是均值而是(α-1)θ前提α 1。当α 1时众数在0处当α 1时众数干脆就落在0处且曲线在0附近趋于无穷。这意味着不要用“均值就是最可能的值”这个直觉去理解右偏分布伽玛分布的高峰和均值有系统性的偏移尾巴才是它和正态分布的核心区别。3.2 可加性合并独立伽玛变量的条件可加性是伽玛分布最重要的代数性质简单说就是两个独立伽玛变量相加结果仍然是伽玛分布。具体规则如果X服从Gamma(α1, θ)Y服从Gamma(α2, θ)且X和Y独立那么X Y服从Gamma(α1 α2, θ)。注意括号里有个条件必须保证两个分布的尺度参数θ完全一致。这是不少人在实际应用时忘记的前提。如果你拿着两个尺度不同的伽玛变量想让它们相加对不起结果不再是伽玛分布别硬套。从排队论的视角看这个问题很直观。服务台1需要Gamma(α1, θ)的时间服务台2需要Gamma(α2, θ)的时间串联起来的总时间就是Gamma(α1α2, θ)。尺度相同意味着每个子过程的“基本单元速率”一致相加的只是子事件数量所以形状参数相加尺度保持不变。这条性质在统计推断里格外好用。比如你有一批独立同分布的伽玛观测值想估计样本总和直接根据可加性知道总和也服从伽玛所有矩都可以精确计算不需要做近似模拟。3.3 特例指数分布和卡方分布伽玛分布之所以在统计教科书里地位特殊很大程度上因为它是一个“分布家族”指数分布和卡方分布都是它的特例。当α 1时伽玛分布退化为指数分布密度函数变成f(x; θ) exp(-x/θ) / θ这正是经典的指数密度。这个退化关系从“加法模型”看极其自然一个指数变量本身就是“1次等待”伽玛分布只是把这个等待重复了α次。当α ν/2且θ 2时伽玛分布变成自由度为ν的卡方分布。这个关系在假设检验里是被大量使用的。比如做方差估计时样本方差与总体方差之比服从卡方分布而卡方分布本质上是伽玛分布的一个特殊情形因此所有卡方分布的性质都可以从伽玛家族统一推导。理解了这两个特例你就掌握了一个熟练工的小技巧在R或Python里可以让rchisq(n, df10)等价于rgamma(n, shape5, scale2)。我经常用这个技巧少记一套函数或者把一些卡方分布的问题转换成伽玛分布的问题来处理。3.4 大形状参数时向正态靠近伽玛分布与正态分布的关系是另一个非常实用但容易被忽略的结论当形状参数α足够大时伽玛分布会越来越接近正态分布。这个结论背后的依据是中心极限定理。回忆一下伽玛分布的“指数等待叠加”模型α个独立同分布的指数变量相加α越大加和的项数越多中心极限定理就要求它趋向正态分布。更奇妙的是即使α不是整数这个逼近性质依然成立。实际经验里当α超过20左右伽玛分布密度曲线就已经与相同均值和方差的正态分布相当接近了。这给建模带来一个便利当你拟合的伽玛分布形状参数很大又需要和不懂伽玛的同事解释“这个分布长什么样”时你可以直接说“它近似一个均值αθ、标准差√(αθ²)的正态分布”对方立刻就有画面了。但这不意味着你可以永远用正态代替伽玛。当α小于5甚至更小的时候伽玛分布右偏得很厉害左边界还在0附近堆积大量概率这时候用正态近似会严重低估左尾和右尾的概率做风险评估会出大问题。4. 伽玛分布的关系网哪些场景会遇见它4.1 泊松过程与排队论中的等待时间伽玛分布出现频率最高的地方就是泊松过程相关的排队问题。泊松过程和伽玛分布是一对天然的搭档。设事件的发生服从泊松过程单位时间平均发生λ次。那么第一次事件发生的时间服从指数分布这大家都会但第k次事件发生的时间服从Gamma(k, 1/λ)。换句话说在速率λ下等待第k个事件等待时间就是形状参数k、尺度参数1/λ的伽玛分布。举个我工作里真实遇到的例子客服系统平均每6分钟接到一个电话也就是λ 1/6每分钟老板问你“第10通电话在1小时内完成的概率是多少”。这个问题直接用伽玛分布算等待时间T服从Gamma(10, 6)计算P(T ≤ 60)。在Python里一行stats.gamma.cdf(60, a10, scale6)就出来了。换成用人肉枚举10个指数变量做模拟也行但精度和效率差远了。排队论里还有一个经典结论M/M/1队列中一个顾客从进队到完成服务如果服务时间是指数分布的那么整个队列的等待时间往往也是伽玛分布或者它的近亲。网络延迟、任务调度、仓储装卸只要涉及“多个指数环节串联”伽玛分布就在那里等你。4.2 贝叶斯统计中的共轭先验如果你做贝叶斯统计伽玛分布几乎是绕不开的名字。它是泊松分布速率参数λ的共轭先验也是正态分布精度参数τ的共轭先验。先解释共轭先验是什么意思。在贝叶斯框架里你给参数选一个先验分布然后根据观测数据更新成后验分布。如果先验分布和后验分布属于同一个分布家族那么这个先验就叫共轭先验好处是后验有显式表达式不必做复杂的数值采样。以泊松分布为例。观测数据是泊松计数均值参数λ。假设λ的先验取Gamma(shapea, rateb)则观测到n个样本后λ的后验分布依然是伽玛分布形状参数变为a Σx_i速率参数变为b n。你看两个参数加一加就更新完了连积分都不用算这就是共轭先验的实际威力。我早期做点击率预估的时候小流量实验的转化率数据稀疏直接算频率估计波动极大。用伽玛先验去做贝叶斯平滑相当于给每个实验组套了一个“经验先验”小样本收缩到整体均值大样本自动放松约束效果比纯频率派稳得多。这正是伽玛分布作为共轭先验在工业界的典型用法。4.3 与Beta分布和Dirichlet分布的联动伽玛分布不只是自己的一个家族它还撑起了其他几个常见分布。最重要的一条关系是如果X服从Gamma(α1, θ)Y服从Gamma(α2, θ)且两者独立、尺度一致那么X / (XY)服从Beta(α1, α2)。这条关系的妙处在于Beta分布是贝叶斯里处理概率参数最常见的主角而伽玛分布是制造Beta分布的工厂。你只要有两个独立的伽玛变量把它们做个比率变换就能得到Beta分布。这解释了很多统计推断中Beta先验的构造来源。再往外跨一步如果有一组独立的伽玛变量把每一个除以它们的总和得到的向量服从Dirichlet分布。Dirichlet分布是分类问题里的主角主题模型里的文档主题分布就是它。所以你可以把伽玛分布看作一个“母分布”从它身上能生出Beta、Dirichlet还能通过变换生出卡方、F分布等。这个关系网的实用价值在于当你写代码采样一个Dirichlet分布而手里的库不支持时可以用伽玛分布临时拼一个出来。虽然不常用但关键时候能救急。4.4 工程里的常见用途除了排队和贝叶斯伽玛分布在工程实践中也有很多直接应用。可靠性工程里系统由若干个串联组件构成每个组件的寿命服从指数分布那么系统总寿命服从伽玛分布用这个模型可以预测“多久会坏”的分布情况。通信领域里无线信道衰落模型有时用Nakagami分布而Nakagami分布的强度变量本质上是伽玛分布。金融风控里操作风险的损失严重程度经常用伽玛分布拟合因为损失金额非负且右尾厚重比正态分布贴合得多。气象和环境科学里也有它的影子极端降雨量、污染物浓度、干旱天数这类数据大多是非负且偏右的伽玛分布是描述这类数据的标准选择之一。很多气候回归模型里就用伽玛分布做因变量的条件分布再配合对数链接函数组成广义线性模型这正是R语言里glm(..., familyGamma)在做的功能。所以别把伽玛分布当成教科书上的理论玩具它的适用范围横跨服务运营、金融保险、工程可靠性、机器学习等多个领域。你在建模时只要遇到“非负、右偏、连续”的三个特征就应该想起它。5. 实操环节从抽样、拟合到可视化5.1 Python用SciPy完成抽样与密度图在Python里操作伽玛分布自然绕不开SciPy。先看清楚scipy.stats.gamma的参数约定第一个参数a是形状参数α第二个参数scale是尺度θ默认scale1。速率参数在SciPy这套体系里不直接出现用的时候自己取倒数就行。下面是一段最基础的抽样和密度绘制代码import numpy as np from scipy import stats import matplotlib.pyplot as plt alpha 2.0 scale 3.0 # 画密度曲线 x np.linspace(0, 30, 400) pdf stats.gamma.pdf(x, aalpha, scalescale) # 抽样 np.random.seed(42) sample stats.gamma.rvs(aalpha, scalescale, size10000) print(样本均值:, sample.mean()) print(理论均值:, alpha * scale) print(样本方差:, sample.var()) print(理论方差:, alpha * scale**2) plt.plot(x, pdf, labelfGamma(alpha{alpha}, scale{scale})) plt.hist(sample, bins60, densityTrue, alpha0.5, labelsample) plt.legend() plt.show()跑完这段代码你会看到样本均值和方差与理论值的差距很小密度曲线和直方图几乎重合。如果你把alpha调成0.5曲线会变成一个在0处冲向无穷的L形把alpha调成20曲线就越来越像正态分布。动手玩一遍比看十遍公式都管用。还有一个高频需求估计伽玛分布的拟合参数。SciPy的fit方法可以直接帮你算极大似然估计alpha_hat, loc_hat, scale_hat stats.gamma.fit(sample, floc0) print(alpha_hat, scale_hat)注意它的返回值是三个中间那个是位置参数。伽玛分布的标准形式不支持位置偏移所以要固定floc0。如果忘了固定loc会被估计成一个非零值整个模型就不是标准伽玛了这个细节我见很多新人踩过。5.2 R语言用fitdistrplus做拟合在R语言里做伽玛分布拟合最方便的是fitdistrplus包。但你要牢记R默认用shape和rate而不是shape和scale。这个参数习惯和Python正好错开跨语言协作时务必转换。一个完整的拟合流程library(fitdistrplus) set.seed(42) x - rgamma(10000, shape 2, rate 1/3) # 等价于 scale3 fit - fitdist(x, gamma, start list(shape 1, rate 1)) summary(fit)summary输出的结果里有Estimate列会给出shape和rate的估计值。如果你按scale习惯写代码建议把结果里的rate取倒数再使用。也可以直接在fitdist里传入start list(shape 1, scale 1)吗这里有个坑fitdistrplus的Gamma拟合是基于R内置的pgamma和dgamma这两个函数的第二个分布参数默认是rate。所以你指定scale作为启动值有时也能用但正确、干净的方式还是显式用rate。实际上R内部的MASS::fitdistr在拟合gamma时返回的也是shape和rate两个参数这一点很多中文教程没讲清楚导致不少人拿R的结果去和Python的scipy.stats.gamma.fit比较差了好几倍还找不到原因。遇到这种跨工具对比第一件事就是把rate和scale统一掉。5.3 拟合优度怎么验证拟合完参数别急着上报告至少要做一次分布假设检验。最常用的两个工具是KS检验和QQ图。Python里的KS检验写法很直接from scipy import stats # 用拟合出的参数做KS检验 ks_stat, p_value stats.kstest(sample, gamma, args(alpha_hat, 0, scale_hat)) print(ks_stat, p_value)这里args的三个值分别对应形状参数、loc、scale。如果p值大于0.05说明没有充分证据拒绝样本来自伽玛分布的假设。但说句实在话KS检验对样本量极大时非常敏感几万个样本下小偏差也会导致p值很小所以必须配合QQ图一起看。QQ图的做法也简单把样本分位数和理论伽玛分位数放在一起画点import statsmodels.api as sm fig sm.qqplot(sample, diststats.gamma, distargs(alpha_hat,), loc0, scalescale_hat, line45) plt.show()如果点都落在45度基准线附近说明拟合良好。如果尾部偏离说明右尾被低估或高估这个时候就该考虑是否需要调整形状参数或者直接换一个带更厚尾的分布比如对数正态或帕累托。6. 参数估计的三种思路矩估计、极大似然、贝叶斯6.1 矩估计一分钟算完的粗筛工具参数估计里最快的方法就是矩估计思路特别朴素样本均值等于理论均值样本方差等于理论方差然后联立方程解出α和θ。已知E(X) αθVar(X) αθ²。记样本均值为x̄样本方差为s²那么有θ_hat s² / x̄α_hat x̄² / s²。举个例子样本均值是6样本方差是18那么θ_hat 18/6 3α_hat 36/18 2。这正是我们前面反复用过的Gamma(2, 3)。矩估计不需要迭代公式一秒出结果用来做初步探索非常合适。但矩估计的缺点是效率不够高尤其在小样本下方差偏大。它比较适合做“先看一眼大致参数范围”的工具给极大似然估计提供一个靠谱的初始值。我通常在代码里先算矩估计然后把结果作为极大似然优化的起点一举两得。6.2 极大似然估计精度更高的标准做法极大似然估计是推断伽玛参数的主流方法。似然函数写出来取对数、求导、令导数为0形状参数α的似然方程涉及一个特殊函数——digamma函数ψ(α) d lnΓ(α) / dα。方程核心形式是ln(α) - ψ(α) ln(x̄) - (1/n)Σln(x_i)左边只和α有关右边是样本的算术均值与几何均值之比的对数形式。这个方程没有闭式解必须通过数值方法迭代求解比如Newton-Raphson法。实际工程里你不需要手写迭代前面提到的scipy.stats.gamma.fit和R的fitdist都是极大似然估计的实现一行代码搞定。不过理解原理依然有好处。当你发现拟合结果不稳定时很大概率是形状参数的初始值给得太离谱。用矩估计先算一个启动值再去做MLE几乎不会踩坑。如果样本里有0值MLE会直接出问题因为对数项ln(0)不存在这也是伽玛拟合在真实数据中常遇到的拦路虎。处理方式一般是对0值做微小偏移或者在业务层面判断0值背后的机制是否真的属于同一个分布。6.3 贝叶斯更新视角小样本场景的救星当样本量很小时矩估计和MLE都会抖得厉害。这时贝叶斯方法就显出了优势。以泊松速率λ为例取先验Gamma(shapea, rateb)。观测到n个样本后后验为Gamma(shapeaΣx_i, ratebn)。举例说明你观测到5个泊松计数总和Σx_i 15n 5。如果先验取Gamma(1, 1)后验就是Gamma(16, 6)后验均值约2.67。而纯频率派的点估计是3两者差得不远但贝叶斯估计更稳尤其在样本从3个缩成1个时收缩效应会非常明显。在实际工作中我把这种方法用在零散渠道的转化率估计上。数据量少的渠道直接用频率派会算出极端值用伽玛先验做个收缩小渠道向大盘均值靠拢大渠道保持自己数据的权重。这是伽玛分布在现代机器学习里最接地气的用法之一。7. 使用伽玛分布的高频坑位与排查清单7.1 参数方向搞反结果天差地别这是所有坑里杀伤力最大的一个。前面提过scipy与R的参数体系不同这里再强调一次并给一个速查场景你从R脚本里拿到一组拟合结果shape2rate3。你希望在Python中复现同样的分布正确做法是scipy.stats.gamma(a2, scale1/3)。如果你误写成scale3你生成的分布均值是6而原分布均值只有0.67差了接近9倍。表达式看起来都是“2和3”含义天差地远。我的防呆习惯是每次写代码前先在同一份脚本里打印一句短注释写清楚当前参数体系。比如“这里是scipy: gamma(ashape, scalescale)”人脑记忆力靠不住注释比回忆靠谱得多。7.2 形状参数比较小的时候不要用正态习惯去思考伽玛分布在α较小时右偏非常严重此时均值并不是“最常见的情况”众数和均值差了一大截而且左边界0附近有大量概率堆积。如果你用均值和标准差去构造类似正态分布的置信区间下限很可能是负数这在实际业务里根本没有意义。比如α1的指数分布均值θ标准差θ按1.96倍标准差去算区间下限是θ - 1.96θ -0.96θ。但真实的伽玛分布永远非负这样的区间毫无意义。对右偏数据应优先用分位数构造置信区间或者直接用伽玛分布的分位数函数计算。分位数区间的解读远靠谱得多。7.3 大形状参数下的数值溢出形状参数α很大的时候直接计算密度函数中的x^(α-1)和Γ(α)都可能溢出得到Inf或者NaN。这时候你需要的是logpdf也就是对数密度函数它把幂和Gamma函数转换成加法运算稳定性大幅提升。在scipy里使用stats.gamma.logpdf可以避免绝大多数数值问题。实际计算对数似然的时候也永远用logpdf相加而不是pdf相乘否则还没算几步数值就炸了。R里对应的函数是dgamma(x, shape, rate, logTRUE)。这个习惯应该像吃饭喝水一样自然尤其是做参数优化的时候。7.4 可加性前提没看全尺度必须统一很多人在推导总和分布时直接把两个尺度不同的伽玛变量相加然后写成Gamma(α1α2, θ?)这里θ根本不存在因为两者速率不同时相加结果已经不是伽玛分布了。具体来说X ~ Gamma(2, 3)Y ~ Gamma(4, 5)XY不是Gamma(6, )。X与Y的尺度差异让总和的分布变成了一个复杂的混合形态。正确做法是要么通过数值模拟直接看分位数要么先把其中一个变量做尺度变换凑成相同尺度再把可加性质用上。总之不满足尺度相同这一前提时可加性公式不可以直接用。7.5 我自己踩过的坑和现在的建模习惯写到最后聊点我个人的实战习惯。我现在遇到任何“总量等于若干正分量相加”的建模问题时第一反应其实是先套伽玛分布试试看。原因很简单非负、右偏、能拟合指数也能逼近正态这三个特性让它比正态分布“诚实”太多。有一次我帮业务团队做页面响应时长的分析数据直方图右尾拖得很长一小部分请求能慢到几十秒。第一次我用正态分布去拟合置信区间下限直接变负数业务方看到报告很困惑。后来换成伽玛分布非负约束天然满足右尾也能扛住长尾分位数报告正常业务方一眼就看懂了。从那次之后我就决定凡是时间、金额、长度这类数据伽玛分布必须出现在我的第一个候选名单里。还有一个细节画图时不要只画拟合曲线要把样本直方图叠上去。很多时候肉眼就能看出哪里拟合得不好比如左端0值过多或者右尾被低估。单纯的数值检验尤其在大样本下几乎总是拒绝原假设叠加直方图反而能让问题显形。如果你正在犹豫某个连续非负变量该用伽玛还是对数正态我建议先把两种分布的QQ图都画出来哪个拟合得更直就用哪个。从我的观察看伽玛分布对尖峰靠近0的数据通常更友好对数正态对极端右尾的表现更稳定。两者不是谁替代谁的关系而是各有所长。多准备一个工具建模时也就多一种选择。
