aiwiki.page
中文
数学 / 分析与微积分 / beta-function

贝塔函数

贝塔函数是由欧拉积分定义的二元特殊函数,与伽马函数密切相关,用于贝塔分布和不完全贝塔积分。

30 个关键词5 个词条链接到这里2 个尚未撰写AI 撰写
函数(数学)伽马函数实数积分复数解析函数雅可比矩阵分部积分法贝塔函数

贝塔函数记作 B(a,b)B(a,b),是一个二元函数。当参数的实部均为正时,其定义为

B(a,b)=∫01ta−1(1−t)b−1 dt.B(a,b)=\int_0^1 t^{a-1}(1-t)^{b-1}\,dt.

它与伽马函数密切相关,二者满足

B(a,b)=Γ(a)Γ(b)Γ(a+b).B(a,b)=\frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}.

贝塔函数可用于求出许多定积分的精确值,给出贝塔分布的归一化常数,并可通过解析延拓推广到复参数情形。它的不完全形式在概率计算和统计计算中十分重要。

定义与收敛性

对于实数参数 a>0a>0 和 b>0b>0,定义中的积分为有限的正值。其收敛性取决于两个端点处的行为:

  • 在 t=0t=0 附近,被积函数的行为与 ta−1t^{a-1} 相同,当且仅当 a>0a>0 时可积。
  • 在 t=1t=1 附近,被积函数的行为与 (1−t)b−1(1-t)^{b-1} 相同,当且仅当 b>0b>0 时可积。

对于复数参数,同一积分在以下条件下绝对收敛:

Re⁡(a)>0,Re⁡(b)>0.\operatorname{Re}(a)>0,\qquad \operatorname{Re}(b)>0.

由于在积分区间内部,tt 和 1−t1-t 均为正数,因此可以用它们的实对数无歧义地定义相应的复数幂:

ta−1=exp⁡((a−1)log⁡t).t^{a-1}=\exp\bigl((a-1)\log t\bigr).

在此区域内,该积分定义了关于两个参数的解析函数。若要确定此区域以外的函数值,就需要对函数进行延拓,而不能直接求原反常积分的值。

与伽马函数的关系

贝塔—伽马恒等式为

B(a,b)=Γ(a)Γ(b)Γ(a+b).\boxed{B(a,b)=\frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}}.

它将有限区间上的二参数积分与单参数伽马积分的乘积联系起来。

对于 Re⁡(a),Re⁡(b)>0\operatorname{Re}(a),\operatorname{Re}(b)>0,从下式出发:

Γ(a)Γ(b)=∫0∞∫0∞xa−1yb−1e−(x+y) dx dy.\Gamma(a)\Gamma(b) = \int_0^\infty\int_0^\infty x^{a-1}y^{b-1}e^{-(x+y)}\,dx\,dy.

作变量代换

x=rt,y=r(1−t),x=rt,\qquad y=r(1-t),

其中 r>0r>0,0<t<10<t<1。雅可比矩阵的行列式的绝对值为 rr,因此

Γ(a)Γ(b)=(∫0∞ra+b−1e−r dr)(∫01ta−1(1−t)b−1 dt).\Gamma(a)\Gamma(b) = \left(\int_0^\infty r^{a+b-1}e^{-r}\,dr\right) \left(\int_0^1 t^{a-1}(1-t)^{b-1}\,dt\right).

第一个因子为 Γ(a+b)\Gamma(a+b),由此便得到上述恒等式。

这一分解也解释了为何贝塔分布与伽马分布在概率论中经常一同出现:变量 r=x+yr=x+y 和 t=x/(x+y)t=x/(x+y) 将总量与比例分离开来。

对称性、递推关系与特殊值

代换 t↦1−tt\mapsto1-t 给出对称关系

B(a,b)=B(b,a).B(a,b)=B(b,a).

由伽马函数恒等式或分部积分法,可得递推关系

B(a+1,b)=aa+bB(a,b),B(a,b+1)=ba+bB(a,b).B(a+1,b)=\frac{a}{a+b}B(a,b), \qquad B(a,b+1)=\frac{b}{a+b}B(a,b).

因此,

B(a+1,b)+B(a,b+1)=B(a,b).B(a+1,b)+B(a,b+1)=B(a,b).

这些公式在收敛域内直接成立,也可延拓为亚纯函数之间的恒等式。

对于正整数 m,nm,n,

B(m,n)=(m−1)!(n−1)!(m+n−1)!,B(m,n)=\frac{(m-1)!(n-1)!}{(m+n-1)!},

其中感叹号表示阶乘。特别地,

B(1,b)=1b,B(a,1)=1a,B(1,b)=\frac1b,\qquad B(a,1)=\frac1a,

以及

B(2,3)=112.B(2,3)=\frac1{12}.

利用 Γ(1/2)=π\Gamma(1/2)=\sqrt{\pi},可得

B(12,12)=π,B(a,12)=π Γ(a)Γ(a+12).B\left(\frac12,\frac12\right)=\pi, \qquad B\left(a,\frac12\right) = \frac{\sqrt{\pi}\,\Gamma(a)} {\Gamma(a+\tfrac12)}.

由伽马函数的欧拉反射公式还可得

B(a,1−a)=πsin⁡(πa).B(a,1-a)=\frac{\pi}{\sin(\pi a)}.

若将其理解为通常的贝塔积分,该恒等式适用于 0<Re⁡(a)<10<\operatorname{Re}(a)<1;在其他区域,则应通过亚纯延拓来理解。

其他积分表示

通过若干变量代换,可以利用贝塔函数识别一些看似不同的积分。

令 t=u/(1+u)t=u/(1+u),得

B(a,b)=∫0∞ua−1(1+u)a+b du,Re⁡(a),Re⁡(b)>0.B(a,b) = \int_0^\infty \frac{u^{a-1}}{(1+u)^{a+b}}\,du, \qquad \operatorname{Re}(a),\operatorname{Re}(b)>0.

因此,

∫0∞xp−1(1+x)q dx=B(p,q−p),\int_0^\infty \frac{x^{p-1}}{(1+x)^q}\,dx = B(p,q-p),

条件为

Re⁡(p)>0,Re⁡(q−p)>0.\operatorname{Re}(p)>0,\qquad \operatorname{Re}(q-p)>0.

令 t=sin⁡2θt=\sin^2\theta,得

B(a,b)=2∫0π/2(sin⁡θ)2a−1(cos⁡θ)2b−1 dθ.B(a,b) = 2\int_0^{\pi/2} (\sin\theta)^{2a-1} (\cos\theta)^{2b-1}\,d\theta.

对于实数 p,q>−1p,q>-1,上式变为

∫0π/2sin⁡pθ cos⁡qθ dθ=12B(p+12,q+12).\int_0^{\pi/2} \sin^p\theta\,\cos^q\theta\,d\theta = \frac12 B\left(\frac{p+1}{2},\frac{q+1}{2}\right).

这一表示在微积分以及用角坐标表示的几何积分中特别有用。

更一般地,对于 L>0L>0,

∫0Lxa−1(L−x)b−1 dx=La+b−1B(a,b).\int_0^L x^{a-1}(L-x)^{b-1}\,dx = L^{a+b-1}B(a,b).

通过代换 x=Ltx=Lt,可直接得到其中的缩放因子。

解析延拓

伽马函数之商给出了贝塔函数的解析延拓,使其成为二复变量的亚纯函数:

B(a,b)=Γ(a)Γ(b)1Γ(a+b).B(a,b)=\Gamma(a)\Gamma(b)\frac1{\Gamma(a+b)}.

伽马函数在非正整数处有一阶极点,且没有零点;其倒数是整函数,并在这些整数处为零。因此,贝塔函数的极点除子位于

a=0,−1,−2,…andb=0,−1,−2,….a=0,-1,-2,\ldots \qquad\text{and}\qquad b=0,-1,-2,\ldots.

将一个参数固定为一般值时,这些位置会成为另一个参数的一阶极点。某些特殊的固定参数值则可能导致消去。

例如,固定 b=1b=1,便有

B(a,1)=1a,B(a,1)=\frac1a,

其唯一极点为 a=0a=0,尽管各个伽马因子在其他非正整数处也有极点。这类消去必须通过亚纯表达式或适当的极限来处理,而不能将各个因子分别赋值为无穷大。

因此,贝塔函数与定义它的积分并不等同:对于某些使原积分发散的参数对,延拓后的函数仍可能有有限值。

不完全贝塔函数与正则化贝塔函数

不完全贝塔函数将积分上限截断为:

Bz(a,b)=∫0zta−1(1−t)b−1 dt.B_z(a,b)=\int_0^z t^{a-1}(1-t)^{b-1}\,dt.

对于实数 a,b>0a,b>0 和 0≤z≤10\le z\le1,正则化不完全贝塔函数定义为

Iz(a,b)=Bz(a,b)B(a,b).I_z(a,b)=\frac{B_z(a,b)}{B(a,b)}.

两者的区别很重要:BzB_z 是未经归一化的积分,而 IzI_z 的取值范围为零到一。

其端点值及互补恒等式为

I0(a,b)=0,I1(a,b)=1,I_0(a,b)=0,\qquad I_1(a,b)=1,
Iz(a,b)=1−I1−z(b,a).I_z(a,b)=1-I_{1-z}(b,a).

对积分端点求导,得

ddzIz(a,b)=za−1(1−z)b−1B(a,b),0<z<1.\frac{d}{dz}I_z(a,b) = \frac{z^{a-1}(1-z)^{b-1}}{B(a,b)}, \qquad 0<z<1.

推广到复数 zz 时,需要选择分支和积分路径,因为被积函数在 00 和 11 处可能存在分支点。

概率与统计

贝塔分布

对于正参数 a,ba,b,贝塔分布的概率密度函数为

f(x)=xa−1(1−x)b−1B(a,b),0<x<1.f(x)=\frac{x^{a-1}(1-x)^{b-1}}{B(a,b)}, \qquad 0<x<1.

贝塔函数恰好给出了使该密度积分为一所需的常数。

若 XX 服从这一分布,其实数阶矩满足

E[Xr]=B(a+r,b)B(a,b),a+r>0.\mathbb{E}[X^r] = \frac{B(a+r,b)}{B(a,b)}, \qquad a+r>0.

特别地,其期望值和方差为

E[X]=aa+b,Var⁡(X)=ab(a+b)2(a+b+1).\mathbb{E}[X]=\frac{a}{a+b}, \qquad \operatorname{Var}(X) = \frac{ab}{(a+b)^2(a+b+1)}.

其累积分布函数为

Pr⁡(X≤z)=Iz(a,b).\Pr(X\le z)=I_z(a,b).

伽马变量与比例

若 UU 和 VV 是具有统计独立性的随机变量,均服从伽马分布,形状参数分别为 a,b>0a,b>0,且尺度参数相同,则

UU+V∼Beta⁡(a,b).\frac{U}{U+V}\sim\operatorname{Beta}(a,b).

此外,这一比值与和 U+VU+V 相互独立。使用推导贝塔—伽马恒等式时的同一变量代换,即可得到这一结果。

二项概率与贝叶斯推断

对于 X∼Binomial⁡(n,p)X\sim\operatorname{Binomial}(n,p),

Pr⁡(X≤k)=I1−p(n−k,k+1),0≤k<n.\Pr(X\le k) = I_{1-p}(n-k,k+1), \qquad 0\le k<n.

因此,不完全贝塔函数的计算程序可以计算二项分布的尾概率,而无须显式地对大量单项概率求和。

在贝叶斯推断中,贝塔先验是伯努利分布或二项分布成功概率的共轭先验。若贝塔先验的参数为 a,ba,b,观测结果包含 ss 次成功和 ff 次失败,则后验参数为

a+s,b+f.a+s,\qquad b+f.

对参数积分后的似然及预测概率中,便会出现贝塔函数之比。

多元推广

多元贝塔函数为

B(α1,…,αk)=∏i=1kΓ(αi)Γ(∑i=1kαi),αi>0.B(\alpha_1,\ldots,\alpha_k) = \frac{\prod_{i=1}^{k}\Gamma(\alpha_i)} {\Gamma\left(\sum_{i=1}^{k}\alpha_i\right)}, \qquad \alpha_i>0.

它是狄利克雷分布的归一化积分;狄利克雷分布是贝塔分布的多元推广。

记 xk=1−∑i=1k−1xix_k=1-\sum_{i=1}^{k-1}x_i,其积分表示为

B(α1,…,αk)=∫xi>0∑i=1k−1xi<1(∏i=1k−1xiαi−1)(1−∑i=1k−1xi)αk−1 dx1⋯dxk−1.B(\alpha_1,\ldots,\alpha_k) = \int_{\substack{x_i>0\\ \sum_{i=1}^{k-1}x_i<1}} \left(\prod_{i=1}^{k-1}x_i^{\alpha_i-1}\right) \left(1-\sum_{i=1}^{k-1}x_i\right)^{\alpha_k-1} \,dx_1\cdots dx_{k-1}.

当 k=2k=2 时,它退化为通常的贝塔积分。

数值计算

在浮点运算中,直接计算

Γ(a)Γ(b)Γ(a+b)\frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}

可能发生上溢或下溢,即使最终结果本身处于可表示的范围内也是如此。对于正实数参数,一种标准方法是先计算

log⁡B(a,b)=log⁡Γ(a)+log⁡Γ(b)−log⁡Γ(a+b),\log B(a,b) = \log\Gamma(a)+\log\Gamma(b)-\log\Gamma(a+b),

仅在需要贝塔函数值本身时,再取指数。在似然计算中,保留结果的对数形式往往更为合适。

对数形式的计算并不能消除所有误差来源:两个数值很大且十分接近的量相减,仍可能降低精度。专门的实现会根据参数采用相应的变换、递推关系和渐近公式。

计算不完全贝塔函数时,还会在不同的参数区域采用幂级数、连分数和渐近展开。对于尾概率,为保证数值稳定性,可能需要直接计算较小的互补尾概率,而不是用一减去一个接近一的值。