最后更新: 2025-12-21 10:57 查看: 372 次反馈能力测评会员8.2元/月赞助

连续型(贝塔Beta分布)

> 贝塔分布是统计人员常用的一种数据建模方式，和其它建模不同，他是对**概率**进行建模。比如盒子里有8个白球2个黑球，前面讨论都是对取得**白球数量**进行建模，而贝塔分布是对取得**白球的概率**进行建模，常用来描述**概率的概率**（比如事件成功率的不确定性），是统计学中共轭先验分布的典型代表

## 贝塔分布

设 $a, b>0$ ．如果随机变量 $X$ 服从下列的密度函数，则我们称呼随机变量$X$服从参数为 $a$ 和 $b$ 的**贝塔分布**。

贝塔Beta分布的密度函数如下，我们记作 $X \sim B(a, b)$ ．

$$
\boxed{
f_{t,a, b}= \begin{cases}\frac{\Gamma(a+b)}{\Gamma(a) \Gamma(b)} t^{a-1}(1-t)^{b-1}   & \text { 若 } 0 \leqslant t \leqslant 1 \\ 0 & \text { 其他. }\end{cases}
}
$$

Beta分布的密度函数图像如下

![图片](/uploads/2024-11/b832bc.svg){width=400px}

### 解析贝塔分布
 为了掌握 Beta 分布的底层逻辑，我们首先检查一下它的概率密度函数（PDF）：

$$
f(x ; \alpha, \beta)=\frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha, \beta)}
$$

其中：

$$
B(\alpha, \beta)=\frac{\Gamma(\alpha) \Gamma(\beta)}{\Gamma(\alpha+\beta)}
$$

$B(\alpha, \beta)$ 是[贝塔函数](https://kb.kmath.cn/kbase/detail.aspx?id=2273)，归一化常数，确保概率密度积分等于 1。

$\Gamma$ 是 gamma函数.

**有什么直觉？** 让我们先暂时忽略系数 $ \frac{1}{B(\alpha, \beta)}$ ，只看分子 $x^{\alpha-1} *(1-x)^{\beta-1}$ ，因为  $ \frac{1}{B(\alpha, \beta)}$  只是使该函数积分为 1 的规格化常数。

> 上面这句话是什么意思呢？因为密度函数的积分是分布函数，其值必须为1，为了最终积分结果为1，我们会人为增加一些“系数”平衡方程，比如正态分布里含有分母 $\sqrt{2 \pi}$  ，因此不要被Beta分布的复杂公式吓到。

仔细看Beta分母的分子项：$x$ 的幂乘以 $1-x$ 的幂看起来很熟悉。
我们以前看过，似曾相识的感觉，是！二项式分布
$$
P_{(y=k)}=\binom{m}{k} p^k *(1-p)^{m-k}
$$

我们从二项式分布的视角来看贝塔时，就容易理解了。

![图片](/uploads/2025-05/e37f9d.jpg)
 
 二项式分布和 beta 分布之间的区别在于，前者对成功次数 $x$ 进行建模，而后者对成功概率$p$进行建模。换句话说，概率是二项式的一个参数；在Beta中，概率是一个随机变量。

> **理解上面这句话后，再看Beta分布的参数$t$，其中要求 $0 \leqslant t \leqslant 1$ ，这是因为密度的取值范围就是0到1.**
 
 
 
 
 
 ## 理解贝塔分布里的 $\alpha, \beta$

从二项式分布联想到，你能想到 $\alpha-1$ 作为成功的次数和 $\beta-1$ 作为失败的次数，就像二项式分布中的 $n$ 和 $n-x$ 。

$$
\begin{gathered}
x^{\alpha-1} *(1-x)^{\beta-1} \\
P_{(y=x)}=\binom{n}{x} p^x *(1-p)^{n-x}
\end{gathered}
$$

> $\alpha$－代表成功的次数，类似于二项分布中的 $n$ 项。 $\beta$－代表失败的次数，类似于二项分布中的 $n-x$ 项。

您可以按照自己的想法选择 $\alpha$ 和 $\beta$ 参数。例如，如果您认为成功的概率非常高（如 $90 \%$ ），则可以将 $\alpha$ 设为 90 ，将 $\beta$ 设为 10 。反之，如果您认为失败的概率较高，则应将 $\beta$ 设为 $90, \alpha$ 设为 10 。

![图片](/uploads/2025-05/37287a.jpg)
 
 随着 $\alpha$ 的增加（成功事件增多），概率分布的大部分将向右移动。另一方面，$\beta$ 的增加会使分布向左移动（更多失败事件）。

同样，如果我们同时确定 $\alpha$ 和 $\beta$ 都增加，则分布将变窄。

###  核心参数 $\alpha$ 和 $\beta$ 的意义
参数 $\alpha$ 和 $\beta$ 决定了贝塔分布的形状，可直观理解为 **成功次数+1** 和 **失败次数+1**

| 参数情况 | 分布形状 | 应用场景 |
|----------|----------|----------|
| $\alpha>1,\beta>1$ | 单峰曲线，峰值在 $\frac{\alpha-1}{\alpha+\beta-2}$ | 描述大概率集中在中间的情况（如产品合格率） |
| $\alpha<1,\beta<1$ | U型曲线，概率集中在0和1附近 | 描述极端值概率高的情况（如小概率事件发生概率） |
| $\alpha=

免费注册查看余下70%

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：连续型(伽马分布garmma)

下一篇：连续性(韦布尔分布Weibull )

本文对您是否有用？有用 (0) 无用 (0)