神经网络|(十八)概率论基础知识-伽马函数溯源-阶乘的积分表达式

【1】引言

前序学习进程中,已经初步学习了伽马函数入门伽马函数溯源初步

今天继续溯源伽马函数。

【2】对数函数转换为指数函数

伽马函数溯源初步中,我们已经证明:

当 s s s为正整数 n n n时,
∫ 0 1 ( − l n t ) s d t = s ! \int_{0}^{1}(-lnt)^sdt=s! ∫01(−lnt)sdt=s!

积分式和阶乘式相等,阶乘式和积分式的等价形式有了雏形。

但现实中的积分式却存在一种情况,当 s ≤ − 1 s\leq-1 s≤−1时,积分 ∫ 0 1 ( − l n t ) s d t \int_{0}^{1}(-lnt)^sdt ∫01(−lnt)sdt本身是发散的,因此有必要引入衰减因子,让积分函数的定义域覆盖面更广。

实际上我们最后见到的伽马函数式是积分式,所以如果着急,学到当前这一步依然令人迷惑。

我们回到之前提过的积分变换:

首先令 u = − l n t u=-ln t u=−lnt,有: d u = − 1 t d t d t = − t d u t = e − u du=-\frac{1}{t}dt\\ dt=-tdu \\t=e^{-u} du=−t1dtdt=−tdut=e−u

此时被积函数变换为:
( − l n t ) s = u s (-lnt)^s=u^s (−lnt)s=us

当 t → 0 + t\rightarrow 0^+ t→0+时, u = − l n t = + ∞ u=-lnt=+\infty u=−lnt=+∞

当 t → 1 t\rightarrow 1 t→1时, u = − l n t = 0 u=-lnt=0 u=−lnt=0

将上述变换代入积分式:
∫ 0 1 ( − l n t ) s d t = ∫ + ∞ 0 u s ( − t ) d u = ∫ + ∞ 0 u s ( − e u ) d u = ∫ 0 + ∞ u s e − u d u \int_{0}^{1}(-lnt)^sdt=\int_{+\infty}^{0}u^s(-t)du=\\ \int_{+\infty}^{0}u^s(-e^u)du=\int_{0}^{+\infty}u^se^{-u}du ∫01(−lnt)sdt=∫+∞0us(−t)du=∫+∞0us(−eu)du=∫0+∞use−udu

所以,此时非常重要的,阶乘的积分表示为:
x ! = ∫ 0 + ∞ u s e − u d u x!=\int_{0}^{+\infty}u^se^{-u}du x!=∫0+∞use−udu

【3】总结

说实话写到这一步有点醉,因为这个学习过程有点翻来覆去,这部分内容先讲到这里,理解到这里已经不耽误使用,大家大可放心继续向前学习其他新知识。

相关推荐
机器之心2 小时前
Scaling Laws起源于1993年?OpenAI总裁:深度学习的根本已揭秘
人工智能·openai
大模型真好玩3 小时前
大模型工程面试经典(四)—如何进行大模型多模态微调?
人工智能·python·面试
YBCarry_段松啓3 小时前
Claude 与 n8n 协作:打造高效 AI 自动化工作流
人工智能·llm
花先锋队长3 小时前
2025华为最值得入的耳机,真的赢麻了!
人工智能·华为·生活
冰糖猕猴桃3 小时前
【AI - nlp】Transformer输入部分要点
人工智能·ai·nlp·transformer
@Wufan3 小时前
【机器学习】 12 Latent linear models
人工智能·机器学习
字节逆旅3 小时前
CodeBuddy+Figma+MCP,我指挥AI写代码,老板夸我鱼摸得好
前端·人工智能·mcp
大千AI助手3 小时前
WMT2014:机器翻译领域的“奥林匹克盛会“
人工智能·深度学习·神经网络·自然语言处理·nlp·机器翻译·wmt2014
格林威3 小时前
面阵 vs 线阵相机:怎么选不踩坑?选型公式直接套用
人工智能·深度学习·数码相机·yolo·计算机视觉·视觉检测·相机