Lei beta
Lei beta
|
Densidade de probabilidade
|
|
|
Função de distribuição
|
|
Definições
|
α>0{\ displaystyle \ alpha> 0} forma ( real ) forma (real)
β>0{\ displaystyle \ beta> 0} |
---|
Apoiar
|
x∈[0;1]{\ displaystyle x \ in [0; 1] \!}
|
---|
Densidade de probabilidade
|
xα-1(1-x)β-1B(α,β){\ displaystyle {\ frac {x ^ {\ alpha -1} (1-x) ^ {\ beta -1}} {\ mathrm {B} (\ alpha, \ beta)}} \!}
|
---|
Função de distribuição
|
eux(α,β){\ displaystyle I_ {x} (\ alpha, \ beta) \!}
|
---|
Ter esperança
|
αα+β{\ displaystyle {\ frac {\ alpha} {\ alpha + \ beta}} \!}
|
---|
Moda
|
α-1α+β-2{\ displaystyle {\ frac {\ alpha -1} {\ alpha + \ beta -2}} \!} para α>1,β>1{\ displaystyle \ alpha> 1, \ beta> 1}
|
---|
Variância
|
αβ(α+β)2(α+β+1){\ displaystyle {\ frac {\ alpha \ beta} {(\ alpha + \ beta) ^ {2} (\ alpha + \ beta +1)}} \!}
|
---|
Assimetria
|
2(β-α)α+β+1(α+β+2)αβ{\ displaystyle 2 \, {\ frac {(\ beta - \ alpha) {\ sqrt {\ alpha + \ beta +1}}} {(\ alpha + \ beta +2) {\ sqrt {\ alpha \ beta} }}}}
|
---|
Curtose normalizada
|
6(β-α)2(α+β+1)-αβ(α+β+2)αβ(α+β+2)(α+β+3){\ displaystyle 6 \, {\ tfrac {(\ beta - \ alpha) ^ {2} (\ alpha + \ beta +1) - \ alpha \ beta (\ alpha + \ beta +2)} {\ alpha \ beta (\ alpha + \ beta +2) (\ alpha + \ beta +3)}} \!}
|
---|
Função geradora de momento
|
1+∑k=1∞(∏r=0k-1α+rα+β+r)tkk!{\ displaystyle 1+ \ sum _ {k = 1} ^ {\ infty} \ left (\ prod _ {r = 0} ^ {k-1} {\ frac {\ alpha + r} {\ alpha + \ beta + r}} \ right) {\ frac {t ^ {k}} {k!}}}
|
---|
Função característica
|
1F1(α;α+β;eut){\ displaystyle {} _ {1} F_ {1} (\ alpha; \ alpha + \ beta; i \, t) \!}
|
---|
Na teoria da probabilidade e na estatística , a lei beta é uma família de leis de probabilidade contínuas, definidas em [0,1] , parametrizadas por dois parâmetros de forma, tipicamente notados α e β . Este é um caso especial da lei de Dirichlet , com apenas dois parâmetros.
Admitindo uma grande variedade de formas, permite modelar muitas distribuições com suporte finito. É, por exemplo, usado no método PERT .
Caracterização
Função de densidade
A densidade de probabilidade da distribuição beta é:
f(x;α,β)={xα-1(1-x)β-1∫01vocêα-1(1-você)β-1dvocê para x∈[0,1]0 se não {\ displaystyle f (x; \ alpha, \ beta) = {\ begin {cases} \ displaystyle {\ frac {x ^ {\ alpha -1} (1-x) ^ {\ beta -1}} {\ int _ {0} ^ {1} u ^ {\ alpha -1} (1-u) ^ {\ beta -1} \, du}} & {\ hbox {for}} x \ in [0,1] \ \ 0 & {\ hbox {caso contrário}} \ end {casos}}}=Γ(α+β)Γ(α)Γ(β)xα-1(1-x)β-111[0,1](x){\ displaystyle = {\ frac {\ Gamma (\ alpha + \ beta)} {\ Gamma (\ alpha) \ Gamma (\ beta)}} \, x ^ {\ alpha -1} (1-x) ^ { \ beta -1} \; 1 \! \! 1 _ {[0,1]} (x)}=1B(α,β)xα-1(1-x)β-111[0,1](x){\ displaystyle = {\ frac {1} {\ mathrm {B} (\ alpha, \ beta)}} \, x ^ {\ alpha -1} (1-x) ^ {\ beta -1} \; 1 \! \! 1 _ {[0,1]} (x)}onde Γ é a função gama e é a função característica de [0; 1] . A função beta Β aparece como uma constante de normalização, permitindo que a densidade se integre na unidade.
11[0,1]{\ displaystyle 1 \! \! 1 _ {[0,1]}}
Função de distribuição
A função de distribuição é
F(x;α,β)=Bx(α,β)B(α,β)=eux(α,β){\ displaystyle F (x; \ alpha, \ beta) = {\ frac {\ mathrm {B} _ {x} (\ alpha, \ beta)} {\ mathrm {B} (\ alpha, \ beta)}} = I_ {x} (\ alpha, \ beta) \!}onde está a função beta incompleta e é a função beta incompleta regularizada.
Bx(α,β){\ displaystyle \ mathrm {B} _ {x} (\ alpha, \ beta)}eux(α,β){\ displaystyle I_ {x} (\ alpha, \ beta)}
Propriedades
Momentos
Veja infobox e função hipergeométrica de confluência para a definição de .
1F1(α;α+β;eut){\ displaystyle {} _ {1} F_ {1} (\ alpha; \ alpha + \ beta; it)}
Formas
A densidade da lei beta pode assumir diferentes formas, dependendo dos valores dos dois parâmetros:
-
α<1, β<1{\ displaystyle \ alpha <1, \ \ beta <1} é em forma de U (gráfico vermelho);
-
α<1, β≥1{\ displaystyle \ alpha <1, \ \ beta \ geq 1}ou está estritamente decrescente (gráfico azul);
α=1, β>1{\ displaystyle \ alpha = 1, \ \ beta> 1}
-
α=1, β>2{\ displaystyle \ alpha = 1, \ \ beta> 2}é estritamente convexo ;
-
α=1, β=2{\ displaystyle \ alpha = 1, \ \ beta = 2} é uma linha reta;
-
α=1, 1<β<2{\ displaystyle \ alpha = 1, \ 1 <\ beta <2}é estritamente côncavo ;
-
α=1, β=1{\ displaystyle \ alpha = 1, \ \ beta = 1}é a lei uniforme contínua ;
-
α=1, β<1{\ displaystyle \ alpha = 1, \ \ beta <1}ou está estritamente crescente (gráfico verde);
α>1, β≤1{\ displaystyle \ alpha> 1, \ \ beta \ leq 1}
-
α>2, β=1{\ displaystyle \ alpha> 2, \ \ beta = 1} é estritamente convexo;
-
α=2, β=1{\ displaystyle \ alpha = 2, \ \ beta = 1} é uma linha reta;
-
1<α<2, β=1{\ displaystyle 1 <\ alpha <2, \ \ beta = 1} é estritamente côncavo;
-
α>1, β>1{\ displaystyle \ alpha> 1, \ \ beta> 1} é unimodal (gráficos em preto e roxo).
Além disso, se a densidade for simétrica em torno de 1/2 (gráficos em vermelho e roxo).
α=β{\ displaystyle \ alpha = \ beta}
Generalizações
A lei beta pode ser generalizada por:
Estimativa de parâmetro
Deixe o empírico significar
x¯=1NÃO∑eu=1NÃOxeu{\ displaystyle {\ bar {x}} = {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} x_ {i}}e
v=1NÃO∑eu=1NÃO(xeu-x¯)2{\ displaystyle v = {\ frac {1} {N}} \ sum _ {i = 1} ^ {N} (x_ {i} - {\ bar {x}}) ^ {2}}a variação . O método dos momentos fornece as seguintes estimativas:
α=x¯(x¯(1-x¯)v-1),{\ displaystyle \ alpha = {\ bar {x}} \ left ({\ frac {{\ bar {x}} (1 - {\ bar {x}})} {v}} - 1 \ right),}β=(1-x¯)(x¯(1-x¯)v-1).{\ displaystyle \ beta = (1 - {\ bar {x}}) \ left ({\ frac {{\ bar {x}} (1 - {\ bar {x}})} {v}} - 1 \ direito).}
Distribuições associadas
- Se tiver uma distribuição beta, a variável aleatória será distribuída de acordo com a lei do beta .X{\ displaystyle X}T=X1-X{\ displaystyle T = {\ frac {X} {1-X}}}
- A lei beta-binomial é a lei conjugada da lei beta.
- Se onde está a lei uniforme contínua , então (para todos ).X∼você(0,1){\ displaystyle X \ sim \ operatorname {U} (0,1)}você{\ displaystyle U}Xr∼Beta(1/r,1) {\ displaystyle X ^ {r} \ sim \ operatorname {Beta} (1 / r, 1) \}r>0{\ displaystyle r> 0}
- Se , então onde está a lei exponencial .X∼Beta(α,1){\ displaystyle X \ sim \ operatorname {Beta} (\ alpha, 1)}-em(X)∼Exp(1/α){\ displaystyle - \ ln (X) \ sim \ operatorname {Exp} (1 / \ alpha)}Exp{\ displaystyle \ operatorname {Exp}}
- Se e forem distribuídos independentemente de acordo com uma lei Gama , de parâmetros e respectivamente, a variável aleatória é distribuída de acordo com uma lei .X{\ displaystyle X}Y{\ displaystyle Y}(α,θ){\ displaystyle (\ alpha, \ theta)}(β,θ){\ displaystyle (\ beta, \ theta)}XX+Y{\ displaystyle {\ frac {X} {X + Y}}}Betno(α,β){\ displaystyle \ mathrm {Beta} (\ alpha, \ beta)}
- O k- th ordem estatística de um n- amostra de distribuições uniformes segue a lei .você(0,1){\ displaystyle \ operatorname {U} (0,1) \,}Beta(k,não-k+1) {\ displaystyle \ operatorname {Beta} (k, n-k + 1) \}
- A lei é chamada de lei do arco seno .Beta(1/2,1/2){\ displaystyle \ operatorname {Beta} (1 / 2,1 / 2)}
- A lei beta pode ser interpretada como marginal à lei de Dirichlet . Na verdade, se então(X1,...,Xnão)∼Dirichlet(α1,...,αnão){\ displaystyle (X_ {1}, \ dots, X_ {n}) \ sim \ operatorname {Dirichlet} (\ alpha _ {1}, \ dots, \ alpha _ {n})}Xeu∼Beta(αeu,∑k=1nãoαk-αeu).{\ displaystyle X_ {i} \ sim \ operatorname {Beta} \ left (\ alpha _ {i}, \ sum _ {k = 1} ^ {n} \ alpha _ {k} - \ alpha _ {i} \ direito).}
Exemplo de ocorrência da lei beta
A lei beta aparece naturalmente em um experimento de urnas, dado por George Pólya em um artigo de 1930, Sobre alguns pontos da teoria das probabilidades . Ele descreve o seguinte experimento: damos a nós mesmos uma urna contendo inicialmente r bolas vermelhas eb bolas azuis, desenhamos uma bola na urna, depois a colocamos de volta na urna com uma segunda bola da mesma cor. Então, a proporção de bolas vermelhas tende para uma variável aleatória da lei Βeta ( r, b ) e, inversamente, a proporção de bolas azuis tende para uma variável aleatória da lei Βeta ( b, r ) .
Esse processo estudado por Pólya é o que hoje se chama de processo aprimorado .
Notas e referências
(fr) Este artigo foi retirado parcial ou totalmente do artigo da Wikipedia em
inglês intitulado
" Distribuição beta " ( ver a lista de autores ) .
-
George Pólya, " Em alguns pontos da teoria da probabilidade ", Annales de Institut Henri Poincaré ,1930, p. 150 ( ler online , consultado em 5 de dezembro de 2018 )
links externos
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">