Summary

감마 분포는 0보다 큰 양수 값을 다루는 연속(continuous) 확률분포다. 가장 강력한 직관은 “포아송 과정에서 $\alpha$번째 사건이 일어날 때까지의 대기시간”. 모수 두 개(모양 $\alpha$, 비율 $\beta$)로 모양이 자유자재로 바뀌며, 지수분포·카이제곱분포를 특수 경우로 포함하는 분포 가족의 중심이다.

용어 설명

• 연속 (Continuous): 값이 $(0,\infty )$에서 끊김 없이 이어짐
• shape parameter $\alpha$ (모양 모수): “몇 번째 사건까지 기다리나” (= $k$로도 표기)
• rate parameter $\beta$ (비율 모수): 단위시간당 사건 발생률 (scale $\theta =1/\beta$)
• gamma function $\Gamma (\alpha )$ (감마 함수): 계승(factorial)을 실수로 확장한 함수, 정규화 상수
• PDF: 연속 분포의 밀도 함수 (Probability Distribution Representations (PMF, PDF, CDF))
• Poisson process (포아송 과정): 사건이 일정 비율 $\beta$로 무작위 발생하는 과정

Gamma distribution

1. 한 줄 직관: “$\alpha$번째 사건까지의 대기시간”

버스가 평균적으로 시간당 $\beta$대씩 무작위로 온다고 하자(포아송 과정).

• 첫 번째 버스를 기다리는 시간 → 지수분포(Exponential)
• $\alpha$번째 버스를 기다리는 시간 → 감마 분포(Gamma)

즉 감마 분포는 지수분포를 $\alpha$번 이어 붙인 대기시간이다. 그래서 가로축은 항상 양수 시간/크기 $(0,\infty )$.

한 문장 요약

감마 = “여러 번의 무작위 대기를 합한 총 시간.” $\alpha$개의 독립 지수분포의 합이 곧 $\text{Gamma}(\alpha ,\beta )$.

2. PDF가 어떻게 정의되는가 (핵심)

감마 분포의 PDF는 다음과 같다 (rate 모수 버전):

$f(x;\alpha ,\beta )=\frac{{\beta }^{\alpha }}{\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\beta x},x>0,\alpha ,\beta >0$

이 식을 두 부분으로 쪼개서 읽으면 “어떻게 정의되는지”가 보인다.

(1) 알맹이(kernel): 분포의 모양을 만드는 부분

$\underset{\text{초반엔 천천히 올라감}}{\underbrace{x^{\alpha -1}}}\cdot \underset{\text{후반엔 빠르게 0으로}}{\underbrace{e^{-\beta x}}}$

• $x^{\alpha -1}$: 0 근처에서 밀도를 끌어올리는 다항식 항. $\alpha$가 클수록 봉우리가 오른쪽으로.
• $e^{-\beta x}$: 큰 $x$에서 밀도를 빠르게 0으로 떨어뜨리는 지수 꼬리. $\beta$가 클수록 빨리 사라짐.
• 두 항의 줄다리기로 오른쪽으로 치우친 봉우리 모양이 만들어진다.

(2) 정규화 상수(normalizing constant): 전체 넓이를 1로 맞추는 부분

PDF는 전체 적분이 반드시 1이어야 한다. 그런데 알맹이만으로는 1이 아니므로, 그 적분값으로 나눠 줘야 한다:

${\int }_0^{\infty }{x}^{\alpha -1}{e}^{-\beta x}dx=\frac{\Gamma (\alpha )}{{\beta }^{\alpha }}$

PDF 정의의 논리 — 이게 핵심 insight

“원하는 모양(알맹이)을 먼저 적고, 그 적분값으로 나눠 넓이를 1로 만든다.” 이것이 거의 모든 연속분포 PDF의 정의 방식이다. 감마 분포는
$f(x)=\frac{\text{알맹이}}{\text{알맹이의 적분}}=\frac{x^{\alpha -1}{e}^{-\beta x}}{\Gamma (\alpha )/{\beta }^{\alpha }}=\frac{{\beta }^{\alpha }}{\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\beta x}$
분모의 $\Gamma (\alpha )/{\beta }^{\alpha }$가 바로 “넓이를 1로 만드는 나눗셈”이다.

감마 함수 $\Gamma (\alpha )$란?

$\Gamma (\alpha )={\int }_0^{\infty }{t}^{\alpha -1}{e}^{-t}dt$

• 계승(factorial)을 실수로 확장한 함수: 자연수 $n$에 대해 $\Gamma (n)=(n-1)!$.
• 예: $\Gamma (1)=1,\Gamma (2)=1,\Gamma (5)=4!=24,\Gamma (1/2)=\sqrt{\pi }$.
• 감마 분포·Beta distribution의 정규화 상수가 모두 이 함수로 적힌다.

3. 평균·분산·모드

$\mathbb{E}[X]=\frac{\alpha }{\beta },\mathrm{Var}(X)=\frac{\alpha }{{\beta }^2},\text{Mode}=\frac{\alpha -1}{\beta }(\alpha \ge 1)$

• 평균 = $\alpha /\beta$: ($\alpha$번 대기) × (한 번 평균 대기시간 $1/\beta$). 직관적.
• $\alpha$가 커질수록 분포가 종 모양에 가까워지고(중심극한정리), 대칭에 근접.

scale 모수 버전

$\theta =1/\beta$ (scale)로 쓰면 $f(x;k,\theta )=\frac{1}{\Gamma (k){\theta }^k}{x}^{k-1}{e}^{-x/\theta }$, 평균 $=k\theta$, 분산 $=k{\theta }^2$. rate $\beta$인지 scale $\theta$인지 항상 확인할 것(라이브러리마다 다름).

4. 분포 가족: 무엇을 특수 경우로 품는가

조건	되는 분포	의미
$\alpha =1$	지수분포 Exponential($\beta$)	첫 사건까지의 대기시간
$\alpha =k/2,\beta =1/2$	카이제곱 ${\chi }^2(k)$	표준정규 제곱합
$\alpha$ 정수	얼랑 분포 Erlang	$\alpha$개 지수의 합
$\alpha \to \infty$	정규분포에 근사	대기 횟수가 많아지면 종모양

→ 감마는 이 분포들을 잇는 부모 격 분포다.

5. 어디에 쓰나

• 대기시간/수명 모델링: 고장까지 시간, 도착 간격의 합, 강수량.
• 베이즈 통계의 켤레사전분포(conjugate prior): 포아송의 비율 $\lambda$, 지수의 비율 $\beta$, 정규분포의 정밀도(precision)에 대한 사전분포.
• 베타 분포와의 관계: $X\sim \text{Gamma}(\alpha ),Y\sim \text{Gamma}(\beta )$ 독립이면 $\frac{X}{X+Y}\sim \text{Beta}(\alpha ,\beta )$ → 감마에서 Beta distribution이 태어난다.

6. 30초 요약

• 감마 분포 = $(0,\infty )$ 위 연속 분포 = “포아송 과정에서 $\alpha$번째 사건까지의 대기시간”.
• PDF $f(x)=\frac{{\beta }^{\alpha }}{\Gamma (\alpha )}{x}^{\alpha -1}{e}^{-\beta x}$ — 알맹이 $x^{\alpha -1}{e}^{-\beta x}$ 를 감마 함수 정규화 $\Gamma (\alpha )/{\beta }^{\alpha }$ 로 나눠 넓이를 1로 맞춘 것.
• 평균 $\alpha /\beta$, 분산 $\alpha /{\beta }^2$. $\alpha$ 커지면 종모양.
• $\alpha =1$ → 지수분포, $\alpha =k/2,\beta =1/2$ → 카이제곱. 베이즈에서 포아송·지수의 켤레사전분포.

관련 노트

• Beta distribution
• Probability Distribution Representations (PMF, PDF, CDF)
• 005 - The Exponential Distribution
• CDF (Cumulative Distribution Function)