Бета-распределение

Бета-распределение — это семейство непрерывных распределений вероятностей, заданных на интервале [0, 1] и параметризованных двумя положительными параметрами формы, обычно обозначаемыми α (альфа) и β (бета). Оно является одним из основных распределений в теории вероятностей и математической статистике, широко применяется в байесовском анализе, моделировании случайных величин, ограниченных диапазоном, и в задачах, связанных с долями и пропорциями.

Определение и основные характеристики

Бета-распределение описывает распределение случайной величины X, которая может принимать любые значения от 0 до 1 включительно. Его функция плотности вероятности (PDF) имеет вид:

\[ f(x; \alpha, \beta) = \frac{x^{\alpha-1} (1-x)^{\beta-1}}{B(\alpha, \beta)}, \quad 0 \le x \le 1, \]

где \( B(\alpha, \beta) \) — бета-функция, выступающая нормировочной константой и определяемая как:

\[ B(\alpha, \beta) = \int_0^1 t^{\alpha-1} (1-t)^{\beta-1} dt = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}. \]

Здесь \(\Gamma\) — гамма-функция, обобщение факториала на действительные числа.

Параметры

• α (альфа) — параметр формы, влияющий на «вес» значений вблизи 0.
• β (бета) — параметр формы, влияющий на «вес» значений вблизи 1.

Оба параметра положительны (α > 0, β > 0). Их конкретные значения определяют форму распределения.

Основные числовые характеристики

Для случайной величины X, имеющей бета-распределение с параметрами α и β:

• Математическое ожидание: \( E[X] = \frac{\alpha}{\alpha + \beta} \).
• Дисперсия: \( \text{Var}[X] = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)} \).
• Мода (наиболее вероятное значение): при α > 1 и β > 1 — \( \frac{\alpha-1}{\alpha+\beta-2} \); при α ≤ 1 или β ≤ 1 может быть на границе интервала.
• Коэффициенты асимметрии и эксцесса выражаются сложными формулами и зависят от α и β.

Форма распределения

Форма бета-распределения чрезвычайно гибка и зависит от значений параметров:

• α = 1, β = 1: равномерное распределение на [0, 1] (прямоугольная форма).
• α < 1, β < 1: U-образная форма (значения сосредоточены у границ интервала).
• α > 1, β > 1: унимодальная (одновершинная) форма, симметричная при α = β.
• α = β: симметричное распределение относительно 0.5; при α = β = 2 — параболическая форма.
• α > β: смещение моды в сторону 1.
• α < β: смещение моды в сторону 0.
• α = 1, β > 1: убывающая экспоненциальная форма.
• α > 1, β = 1: возрастающая экспоненциальная форма.

Такая гибкость делает бета-распределение удобным для моделирования различных пропорций, вероятностей и долей.

Связь с другими распределениями

Бета-распределение тесно связано с несколькими другими распределениями:

• Равномерное распределение: частный случай при α = β = 1.
• F-распределение: если X имеет бета-распределение, то \( \frac{X}{1-X} \cdot \frac{\beta}{\alpha} \) имеет F-распределение с параметрами 2α и 2β.
• Гамма-распределение: если Y₁ и Y₂ — независимые гамма-распределённые случайные величины с параметрами формы α и β соответственно, то \( \frac{Y₁}{Y₁+Y₂} \) имеет бета-распределение с параметрами α и β.
• Биномиальное распределение: бета-распределение является сопряжённым априорным распределением для вероятности успеха в биномиальной модели в байесовской статистике.
• Распределение Дирихле: многомерное обобщение бета-распределения на симплексе (множество векторов вероятностей).

Применение

Байесовская статистика

Бета-распределение широко используется как априорное распределение для параметра p (вероятности успеха) в биномиальной модели. Благодаря свойству сопряжённости, апостериорное распределение также будет бета-распределением с обновлёнными параметрами: α' = α + k, β' = β + n - k, где k — число успехов, n — число испытаний. Это делает байесовский вывод для долей и вероятностей аналитически простым.

Моделирование пропорций и долей

Поскольку бета-распределение определено на [0, 1], оно естественно для моделирования:

• Доли голосов на выборах.
• Вероятностей дефолта в кредитном скоринге.
• Коэффициентов вариации.
• Показателей качества (например, доли брака).

Анализ надёжности и времени жизни

В инженерных приложениях бета-распределение используется для моделирования времени жизни компонентов, когда время нормировано на единичный интервал, или для описания доли отказов.

Эконометрика и финансы

В финансовом моделировании бета-распределение применяется для описания распределения доходностей активов, ограниченных диапазоном, или для моделирования вероятностей дефолта.

Машинное обучение

В байесовских методах машинного обучения бета-распределение используется как априорное распределение для параметров моделей, таких как вероятности в наивном байесовском классификаторе или параметры в тематическом моделировании (например, в латентном размещении Дирихле).

Медицина и эпидемиология

Применяется для моделирования пропорций заболеваемости, эффективности лечения (доля выздоровевших) и других показателей, ограниченных единицей.

Интересные факты

• Бета-распределение было впервые введено в научный оборот в 1895 году английским статистиком Карлом Пирсоном в рамках его системы распределений (распределения Пирсона).
• Название «бета» происходит от бета-функции, которая является нормировочной константой в функции плотности.
• Частный случай бета-распределения с параметрами α = β = 0.5 называется распределением арксинуса (из-за формы функции плотности, напоминающей арксинус).
• Бета-распределение может быть обобщено на случай, когда случайная величина принимает значения на произвольном интервале [a, b] (четырёхпараметрическое бета-распределение).

Критика и ограничения

Несмотря на широкое применение, бета-распределение имеет ограничения:

• Предполагает, что случайная величина строго ограничена интервалом [0, 1], что не всегда реалистично (например, в финансах доходности могут выходить за эти пределы).
• При малых значениях параметров (α < 1, β < 1) распределение принимает U-образную форму, что может быть неадекватно для многих прикладных задач.
• Оценка параметров по выборке (методом максимального правдоподобия) может быть вычислительно сложной при малых объёмах данных или при значениях, близких к границам.

Источники

• Feller, W. (1968). An Introduction to Probability Theory and Its Applications, Volume 1. Wiley.
• Johnson, N. L., Kotz, S., & Balakrishnan, N. (1995). Continuous Univariate Distributions, Volume 2. Wiley.
• Gelman, A., Carlin, J. B., Stern, H. S., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press.
• Gupta, A. K., & Nadarajah, S. (2004). Handbook of Beta Distribution and Its Applications. CRC Press.