伽马分布（Gamma Distribution）是一种连续概率分布，广泛应用于统计学和概率论中，特别是在描述等待时间、寿命分析等场景中。伽马分布的分布函数表达式包括其概率密度函数（PDF）、累积分布函数（CDF）等。以下是关于伽马分布的一些关键概念和公式：
1. 概率密度函数（Probability Density Function, PDF）
伽马分布的概率密度函数为：
[ f(x; k, \theta) = \frac{x^{k-1} e^{-\frac{x}{\theta}}}{\theta^k \Gamma(k)} ]
其中：
- ( x ) 是随机变量，取值范围为 ( [0, +\infty) )
- ( k ) 是形状参数（shape parameter），必须为正数
- ( \theta ) 是尺度参数（scale parameter），也必须为正数
- ( \Gamma(k) ) 是伽马函数，定义为 ( \Gamma(k) = \int_0^\infty t^{k-1} e^{-t} , dt )
当使用另一种常见的参数化方式（即使用速率参数 ( \lambda = \frac{1}{\theta} )）时，概率密度函数变为：
[ f(x; k, \lambda) = \frac{\lambda^k x^{k-1} e^{-\lambda x}}{\Gamma(k)} ]
2. 累积分布函数（Cumulative Distribution Function, CDF）
伽马分布的累积分布函数没有简单的封闭形式表达式，但可以通过积分概率密度函数得到：
[ F(x; k, \theta) = \int_0^x f(t; k, \theta) , dt = \frac{1}{\Gamma(k)} \gamma\left(k, \frac{x}{\theta}\right) ]
其中 ( \gamma(k, x) ) 是下不完全伽马函数（lower incomplete gamma function）。
同样地，在使用速率参数 ( \lambda ) 时，累积分布函数可以表示为：
[ F(x; k, \lambda) = \frac{1}{\Gamma(k)} \int_0^x t^{k-1} e^{-\lambda t} , dt ]
这个积分也没有简单的封闭形式解，通常需要通过数值方法计算。
3. 期望值和方差
伽马分布的期望值 ( E(X) ) 和方差 ( Var(X) ) 分别为：
- 期望值：( E(X) = k\theta ) 或 ( E(X) = \frac{k}{\lambda} )
- 方差：( Var(X) = k\theta^2 ) 或 ( Var(X) = \frac{k}{\lambda^2} )
4. 特殊情况
当形状参数 ( k = 1 ) 时，伽马分布退化为指数分布（Exponential Distribution）。
希望这些信息能帮助你理解伽马分布的分布函数表达式及其相关性质。如果你有更具体的问题或需要进一步的解释，请随时提问！
