Loi Gamma généralisée

En théorie des probabilités et en statistiques, une loi Gamma généralisée est un type de loi de probabilité de variables aléatoires réelles positives avec deux paramètres de forme (et un paramètre d'échelle), qui est une extension de la loi Gamma avec un paramètre de forme additionnel. Comme de nombreuses lois sont utilisées comme modèles paramétriques dans l'analyse de survie (telles que la loi exponentielle, la loi de Weibull et la loi Gamma) sont des cas particuliers de la loi Gamma généralisée, elle est parfois utilisée pour déterminer quel modèle paramétrique est adapté pour un jeu de données. Un autre exemple est la loi demi-normale. La loi Gamma généralisée a deux paramètres de forme et , et un paramètre d'échelle . Pour x positif, la densité de probabilité est avec désignant la fonction gamma. La fonction de répartition est : où désigne la fonction gamma incomplète et la fonction gamma incomplète régularisée. La fonction quantile peut être définie en remarquant que où est la fonction de répartition de la loi Gamma de paramètres et . La fonction quantile se déduit donc par inversion de en utilisant les diverses fonctions réciproques, soit : où est la fonction quantile d'une loi gamma pour . Si alors la loi Gamma généralisée devient la loi de Weibull. Si alors la loi Gamma généralisée devient la loi Gamma. Si alors la loi Gamma généralisée devient la loi exponentielle. Si et alors la loi Gamma généralisée devient la loi de Nakagami. Si et alors la loi Gamma généralisée devient la loi demi-normale. Si et alors la loi Gamma généralisée devient la loi demi-normale. Si et alors la loi Gamma généralisée devient la Loi du χ à d degrés de liberté. D'autres paramétrisations de cette loi sont parfois utilisées ; par exemple, en substituant α = d/p. On peut également ajouter un paramètre de position, de sorte qu'on décale le domaine de définition de x pour le faire commencer en un point différent de 0.

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (21)

On the Sums over Inverse Powers of Zeros of the Hurwitz Zeta Function and Some Related Properties of These Zeros

Recently, we have applied the generalized Littlewood theorem concerning contour integrals of the logarithm of the analytical function to find the sums over inverse powers of zeros for the incomplete gamma and Riemann zeta functions, polygamma functions, an ...

MDPI2024

Changing climatic conditions and increase of extreme events induced by climate change have impacts on non- adapted infrastructures, leading to destruction, damage costs and indirect impacts. To adapt infrastructures to those new conditions, there is a need ...

2023

On the Use of the Generalized Littlewood Theorem Concerning Integrals of the Logarithm of Analytical Functions for the Calculation of Infinite Sums and the Analysis of Zeroes of Analytical Functions

Recently, we have established and used the generalized Littlewood theorem concerning contour integrals of the logarithm of an analytical function to obtain a few new criteria equivalent to the Riemann hypothesis. Here, the same theorem is applied to calcul ...

MDPI2023

Afficher plus

Personnes associées (2)

Unités associées (2)

Concepts associés (5)

Séances de cours associées (20)

In probability theory, the stable count distribution is the conjugate prior of a one-sided stable distribution. This distribution was discovered by Stephen Lihn (Chinese: 藺鴻圖) in his 2017 study of daily distributions of the S&P 500 and the VIX. The stable distribution family is also sometimes referred to as the Lévy alpha-stable distribution, after Paul Lévy, the first mathematician to have studied it. Of the three parameters defining the distribution, the stability parameter is most important.

thumb|Exemple de courbe de survie. L'analyse de (la) survie est une branche des statistiques qui cherche à modéliser le temps restant avant la mort pour des organismes biologiques (l'espérance de vie) ou le temps restant avant l'échec ou la panne dans les systèmes artificiels, ce que l'on représente graphiquement sous la forme d'une courbe de survie. On parle aussi d'analyse de la fiabilité en ingénierie, d'analyse de la durée en économie ou d'analyse de l'histoire d'événements en sociologie.

En théorie des probabilités, la loi de Weibull, nommée d'après Waloddi Weibull en 1951, est une loi de probabilité continue. La loi de Weibull est un cas spécial de loi d'extremum généralisée au même titre que la loi de Gumbel ou la loi de Fréchet. Avec deux paramètres (pour x > 0), la densité de probabilité est : où k > 0 est le paramètre de forme et λ > 0 le paramètre d'échelle de la distribution.

Estimation statistique: Probabilité maximale MATH-240: Statistics

Explore la probabilité maximale Propriétés d'estimation, défis et méthodes alternatives dans l'inférence statistique.

Modèles statistiques: Bases et applications MATH-240: Statistics

Couvre des concepts statistiques comme la probabilité, l'estimation, les tests d'hypothèse et les intervalles de confiance pour les mathématiciens.

Variables aléatoires continues : distributions et attentes EE-209: Elements of statistics for data science

Explore diverses distributions de probabilité continue et l'attente de variables aléatoires.