¿Cuál es el valor esperado del logaritmo de la distribución Gamma?

Question

Si el valor esperado de $\mathsf{Gamma}(\alpha, \beta)$ es $\frac{\alpha}{\beta}$ ¿Cuál es el valor esperado de $\log(\mathsf{Gamma}(\alpha, \beta))$ ? ¿Se puede calcular analíticamente?

La parametrización que estoy utilizando es shape-rate.

Answer 1

Ésta (quizá sorprendentemente) puede hacerse con fáciles operaciones elementales (empleando el truco favorito de Richard Feynman de diferenciar bajo el signo integral con respecto a un parámetro).

---

Suponemos que $X$ tiene un $\Gamma(\alpha,\beta)$ y queremos encontrar la expectativa de $Y=\log(X).$ En primer lugar, porque $\beta$ es un parámetro de escala, su efecto será turno el logaritmo por $\log\beta.$ (Si utiliza $\beta$ como tasa como en la pregunta, desplazará el logaritmo en $-\log\beta.$ ) Esto nos permite trabajar con el caso $\beta=1.$

Tras esta simplificación, el elemento de probabilidad de $X$ es

$$f_X(x) = \frac{1}{\Gamma(\alpha)} x^\alpha e^{-x} \frac{\mathrm{d}x}{x}$$

donde $\Gamma(\alpha)$ es la constante de normalización

$$\Gamma(\alpha) = \int_0^\infty x^\alpha e^{-x} \frac{\mathrm{d}x}{x}.$$

Sustituyendo $x=e^y,$ lo que implica $\mathrm{d}x/x = \mathrm{d}y,$ da el elemento de probabilidad de $Y$ ,

$$f_Y(y) = \frac{1}{\Gamma(\alpha)} e^{\alpha y - e^y} \mathrm{d}y.$$

Los posibles valores de $Y$ ahora abarcan todos los números reales $\mathbb{R}.$

Porque $f_Y$ debe integrarse a la unidad, obtenemos (trivialmente)

$$\Gamma(\alpha) = \int_\mathbb{R} e^{\alpha y - e^y} \mathrm{d}y.\tag{1}$$

Aviso $f_Y(y)$ es una función diferenciable de $\alpha.$ Un cálculo sencillo da como resultado

$$\frac{\mathrm{d}}{\mathrm{d}\alpha}e^{\alpha y - e^y} \mathrm{d}y = y\, e^{\alpha y - e^y} \mathrm{d}y = \Gamma(\alpha) y\,f_Y(y).$$

El siguiente paso aprovecha la relación que se obtiene al dividir ambos lados de esta identidad por $\Gamma(\alpha),$ exponiendo así el propio objeto que necesitamos integrar para encontrar la expectativa; a saber, $y f_Y(y):$

$$\eqalign{ \mathbb{E}(Y) &= \int_\mathbb{R} y\, f_Y(y) = \frac{1}{\Gamma(\alpha)} \int_\mathbb{R} \frac{\mathrm{d}}{\mathrm{d}\alpha}e^{\alpha y - e^y} \mathrm{d}y \\ &= \frac{1}{\Gamma(\alpha)} \frac{\mathrm{d}}{\mathrm{d}\alpha}\int_\mathbb{R} e^{\alpha y - e^y} \mathrm{d}y\\ &= \frac{1}{\Gamma(\alpha)} \frac{\mathrm{d}}{\mathrm{d}\alpha}\Gamma(\alpha)\\ &= \frac{\mathrm{d}}{\mathrm{d}\alpha}\log\Gamma(\alpha)\\ &=\psi(\alpha), }$$

la derivada logarítmica de la función gamma (también conocida como " poligamma "). La integral se calculó utilizando la identidad $(1).$

Reintroducir el factor $\beta$ muestra que el resultado general es

$$\mathbb{E}(\log(X)) = \log\beta + \psi(\alpha)$$

para una parametrización de escala (donde la función de densidad depende de $x/\beta$ ) o

$$\mathbb{E}(\log(X)) = -\log\beta + \psi(\alpha)$$

para una parametrización de la tasa (donde la función de densidad depende de $x\beta$ ).

Answer 2

La respuesta de @whuber es bastante buena; esencialmente replantearé su respuesta en una forma más general que conecta (en mi opinión) mejor con la teoría estadística, y que deja claro el poder de la técnica global.

Consideremos una familia de distribuciones $\{F_\theta : \theta \in \Theta\}$ que constituyen una familia exponencial , lo que significa que admiten una densidad $$f_\theta(x) = \exp\left\{s(x)\theta - A(\theta) + h(x)\right\}$$ con respecto a alguna medida dominante común (normalmente, la medida de Lebesgue o de recuento). Diferenciando ambos lados de
$$\int f_\theta(x) \ dx = 1$$ con respecto a $\theta$ llegamos a la ecuación de puntuación $$\int f'_\theta(x) = \int \frac{f'_\theta(x)}{f_\theta(x)} f_\theta(x) = \int u_\theta(x) \, f_\theta(x) \ dx = 0 \tag{$ \N - Puñal $}$$ donde $u_\theta(x) = \frac d {d\theta} \log f_\theta(x)$ es el función de puntuación y hemos definido $f'_\theta(x) = \frac{d}{d\theta} f_\theta(x)$ . En el caso de una familia exponencial, tenemos $$u_\theta(x) = s(x) - A'(\theta)$$ donde $A'(\theta) = \frac d {d\theta} A(\theta)$ Esto es lo que a veces se llama el función cumulante ya que evidentemente está muy relacionada con la función generadora de cúmulos. Ahora se deduce de $(\dagger)$ que $E_\theta[s(X)] = A'(\theta)$ .

Ahora mostramos que esto nos ayuda a calcular la expectativa requerida. Podemos escribir la densidad gamma con $\beta$ como una familia exponencial $$f_\theta(x) = \frac{\beta^\alpha}{\Gamma(\alpha)} x^{\alpha-1} e^{-\beta x} = \exp\left\{\log(x) \alpha + \alpha \log \beta - \log \Gamma(\alpha) - \beta x \right\}.$$ Se trata de una familia exponencial en $\alpha$ solo con $s(x) = \log x$ y $A(\alpha) = \log \Gamma(\alpha) - \alpha \log \beta$ . Ahora se deduce inmediatamente al calcular $\frac d {d\alpha} A(\alpha)$ que $$E[\log X] = \psi(\alpha) - \log \beta.$$