{
  "id": "beta-distribution",
  "title": "贝塔分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "定义在单位区间上的一族形态灵活的连续概率分布，广泛用于描述比例及概率的不确定性。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "Beta分布",
    "β分布",
    "第一类贝塔分布"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/beta-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/beta-distribution/",
      "json": "https://aiwiki.page/en/beta-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "贝塔分布是一族连续概率分布，用于描述取值介于零和一之间的随机变量。它有两个正的形状参数，通常记为 \\(\\alpha\\) 和 \\(\\beta\\)，写作 \\(X\\sim\\operatorname{Beta}(\\alpha,\\beta)\\)。由于取值范围有界且形态多样，贝塔分布适合表示比例以及具有不确定性的概率。尤其是，对于只有两种可能结果的试验，它为成功概率的不确定性提供了便于解析处理的模型。(docs.scipy.org)"
    },
    {
      "heading": "定义与分布函数",
      "text": "当 \\(\\alpha>0\\) 且 \\(\\beta>0\\) 时，概率密度函数为\n\n\\[f(x;\\alpha,\\beta) =\\frac{x^{\\alpha-1}(1-x)^{\\beta-1}}{B(\\alpha,\\beta)}, \\qquad 0<x<1,\\]\n\n在单位区间以外则为零。归一化常数为贝塔函数，由下列积分定义：\n\n\\[B(\\alpha,\\beta) =\\int_0^1 t^{\\alpha-1}(1-t)^{\\beta-1}\\,dt =\\frac{\\Gamma(\\alpha)\\Gamma(\\beta)} {\\Gamma(\\alpha+\\beta)},\\]\n\n其中，\\(\\Gamma\\) 表示伽马函数。因此，对于任意一对正参数，密度函数的积分都等于一。(itl.nist.gov)\n\n累积分布函数为\n\n\\[F(x)=I_x(\\alpha,\\beta) =\\frac{1}{B(\\alpha,\\beta)} \\int_0^x t^{\\alpha-1}(1-t)^{\\beta-1}\\,dt, \\qquad 0\\le x\\le1.\\]\n\n这里，\\(I_x\\) 是正则化不完全贝塔函数。一般情况下，分位数没有简单的闭式表达式，需要通过数值方法求得。虽然密度可能在某个端点附近趋于无穷大，但该分布仍然是连续的：零和一这两个点的概率质量均为零。(itl.nist.gov)"
    },
    {
      "heading": "分布形态与参数解释",
      "text": "参数决定了概率在区间内的分布方式：\n\n- 当 \\(\\alpha=\\beta=1\\) 时，该分布就是 \\([0,1]\\) 上的均匀分布。\n- 当 \\(\\alpha,\\beta>1\\) 时，密度在区间内部有唯一的峰。\n- 当 \\(0<\\alpha,\\beta<1\\) 时，密度呈 U 形，并在趋近两端点时趋于无穷大。\n- 当 \\(\\alpha\\le1\\) 且 \\(\\beta\\ge1\\) 时，除均匀分布的情形外，密度在整个区间上递减；将这两个不等式的方向反转，则得到递增的密度。\n\n当两个参数相等时，分布关于 \\(1/2\\) 对称。交换参数相当于将密度曲线左右翻转：若 \\(X\\sim\\operatorname{Beta}(\\alpha,\\beta)\\)，则 \\(1-X\\sim\\operatorname{Beta}(\\beta,\\alpha)\\)。(randomservices.org)\n\n一种实用的替代参数化方式将均值与集中程度分开表示：\n\n\\[\\mu=\\frac{\\alpha}{\\alpha+\\beta}, \\qquad \\kappa=\\alpha+\\beta,\\]\n\n于是 \\(\\alpha=\\mu\\kappa\\)，\\(\\beta=(1-\\mu)\\kappa\\)。固定 \\(\\mu\\) 时，增大 \\(\\kappa\\) 会降低离散程度，而不改变均值。这可以直接由下文的方差公式得出，有助于区分分布的中心位置与集中程度。(itl.nist.gov)"
    },
    {
      "heading": "矩与尺度变换",
      "text": "期望值和方差分别为\n\n\\[\\mathbb E[X]=\\frac{\\alpha}{\\alpha+\\beta}, \\qquad \\operatorname{Var}(X) =\\frac{\\alpha\\beta} {(\\alpha+\\beta)^2(\\alpha+\\beta+1)} =\\frac{\\mu(1-\\mu)}{\\kappa+1}.\\]\n\n当两个形状参数都大于一时，众数为\n\n\\[\\frac{\\alpha-1}{\\alpha+\\beta-2}.\\]\n\n这些公式描述的是单位区间上的标准贝塔分布。(itl.nist.gov)\n\n通过令 \\(Y=a+(b-a)X\\)，可以将贝塔随机变量变换到任意有限区间 \\([a,b]\\) 上，其中 \\(a<b\\)。其密度变为\n\n\\[f_Y(y)=\\frac{1}{b-a} f\\!\\left(\\frac{y-a}{b-a};\\alpha,\\beta\\right).\\]\n\n因此，其均值为 \\(a+(b-a)\\mathbb E[X]\\)，方差为 \\((b-a)^2\\operatorname{Var}(X)\\)。区间端点额外规定了位置和尺度，并不能替代两个形状参数。(docs.scipy.org)"
    },
    {
      "heading": "贝叶斯推断",
      "text": "在贝叶斯推断中，贝塔先验分布是伯努利分布模型或二项分布模型中成功概率 \\(p\\) 的共轭先验。假设在给定 \\(p\\) 的条件下，\\(n\\) 次试验相互独立，并观测到 \\(s\\) 次成功。似然函数与 \\(p^s(1-p)^{n-s}\\) 成正比。根据贝叶斯定理，将似然函数与贝塔先验相乘，可得到后验分布\n\n\\[p\\mid s,n \\sim\\operatorname{Beta}(\\alpha+s,\\beta+n-s).\\]\n\n因此，每次成功使第一个参数增加一，每次失败使第二个参数增加一。(mas.ncl.ac.uk)\n\n后验均值为\n\n\\[\\mathbb E[p\\mid s,n] =\\frac{\\alpha+s}{\\alpha+\\beta+n}.\\]\n\n当 \\(n>0\\) 时，它可以写成先验均值与观测成功比例的加权平均：\n\n\\[\\frac{\\alpha+\\beta}{\\alpha+\\beta+n} \\frac{\\alpha}{\\alpha+\\beta} + \\frac{n}{\\alpha+\\beta+n}\\frac{s}{n}.\\]\n\n这一代数关系说明了为什么可以将 \\(\\alpha+\\beta\\) 解释为先验集中度或有效权重参数。形状参数不必是整数，也不必对应实际的历史观测次数。例如，\\(\\operatorname{Beta}(2,2)\\) 先验在观测到八次成功和两次失败后，会更新为 \\(\\operatorname{Beta}(10,4)\\)，后验均值为 \\(5/7\\)。(mas.ncl.ac.uk)"
    },
    {
      "heading": "相关分布与参数估计",
      "text": "贝塔分布可以由伽马分布构造。若 \\(G_1\\) 与 \\(G_2\\) 满足统计独立性，形状参数分别为 \\(\\alpha,\\beta\\)，且具有相同的正速率参数，则\n\n\\[\\frac{G_1}{G_1+G_2} \\sim\\operatorname{Beta}(\\alpha,\\beta).\\]\n\n这一关系提供了一种生成贝塔随机变量的构造方法。(randomservices.org)\n\n贝塔分布还可以描述次序统计量：对于 \\(n\\) 个相互独立、服从 \\([0,1]\\) 上均匀分布的随机变量，按观测值从小到大排列后的第 \\(k\\) 个值服从 \\(\\operatorname{Beta}(k,n-k+1)\\) 分布。因此，贝塔分布不仅是为有界数据选用的模型，也自然出现在排序后观测值的抽样分布中。(math.arizona.edu)\n\n狄利克雷分布将贝塔分布族推广到由正比例组成、各分量之和为一的向量。当向量只有两个分量时，第一个分量服从贝塔分布，第二个分量则等于一减去第一个分量。(docs.scipy.org)\n\n对于严格介于零和一之间的观测值，最大似然估计通过求解非线性方程来确定形状参数，通常需要采用数值方法。如果区间端点也可以自由估计，那么当拟合端点趋近于极端观测值时，似然可能变得无界；因此，固定区间端点与自由估计区间端点会导致差异显著的拟合问题。(itl.nist.gov)"
    }
  ],
  "links": [
    "probability-distribution",
    "random-variable",
    "probability",
    "probability-density-function",
    "beta-function",
    "integral",
    "gamma-function",
    "cumulative-distribution-function",
    "uniform-distribution",
    "expected-value",
    "variance",
    "bayesian-inference",
    "prior-distribution",
    "bernoulli-distribution",
    "binomial-distribution",
    "conjugate-prior",
    "likelihood-function",
    "bayes-theorem",
    "posterior-distribution",
    "statistical-independence",
    "order-statistics",
    "sampling-distribution",
    "dirichlet-distribution",
    "maximum-likelihood-estimation"
  ],
  "sources": [
    {
      "title": "docs.scipy.org/doc/scipy/reference/generated/scipy.stats.beta.html",
      "url": "https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.beta.html"
    },
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda366h.htm",
      "url": "https://itl.nist.gov/div898/handbook/eda/section3/eda366h.htm"
    },
    {
      "title": "randomservices.org/random/special/Beta.html",
      "url": "https://www.randomservices.org/random/special/Beta.html"
    },
    {
      "title": "mas.ncl.ac.uk/~nmf16/teaching/mas3301/notes1.pdf",
      "url": "https://www.mas.ncl.ac.uk/~nmf16/teaching/mas3301/notes1.pdf"
    },
    {
      "title": "math.arizona.edu/~jwatkins/I_examples.pdf",
      "url": "https://math.arizona.edu/~jwatkins/I_examples.pdf"
    },
    {
      "title": "docs.scipy.org/doc/numpy-1.16.0/reference/generated/numpy.random.dirichlet.html",
      "url": "https://docs.scipy.org/doc/numpy-1.16.0/reference/generated/numpy.random.dirichlet.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}