Четырёхпараметрическое бета-распределение

Четырёхпараметрическое бета-распределение (также известное как бета-распределение с четырьмя параметрами, обобщённое бета-распределение, или распределение Пирсона типа I) — это семейство непрерывных распределений вероятностей, заданное на конечном интервале [a, b] и определяемое четырьмя параметрами: двумя параметрами формы (α > 0, β > 0) и двумя параметрами сдвига и масштаба (a, b), которые задают границы интервала. В отличие от стандартного бета-распределения, которое определено на отрезке [0, 1], четырёхпараметрическое бета-распределение позволяет моделировать случайные величины, ограниченные произвольным интервалом, что делает его гибким инструментом в статистическом моделировании, анализе данных и байесовской статистике.

Определение и функция плотности

Случайная величина X имеет четырёхпараметрическое бета-распределение с параметрами a, b, α, β, если её функция плотности вероятности (PDF) задаётся формулой:

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

где \( B(\alpha, \beta) \) — бета-функция, определяемая как \( B(\alpha, \beta) = \int_0^1 t^{\alpha-1} (1-t)^{\beta-1} dt \). Параметры a и b — это нижняя и верхняя границы интервала соответственно, причём a < b. Параметры α и β — положительные действительные числа, определяющие форму распределения.

Если a = 0 и b = 1, распределение сводится к стандартному бета-распределению. Если α = 1 и β = 1, распределение становится равномерным на отрезке [a, b].

Свойства

Моменты

Математическое ожидание (среднее значение) четырёхпараметрического бета-распределения равно:

\[ E[X] = a + (b - a) \frac{\alpha}{\alpha + \beta}. \]

Дисперсия:

\[ Var[X] = (b - a)^2 \frac{\alpha \beta}{(\alpha + \beta)^2 (\alpha + \beta + 1)}. \]

Коэффициенты асимметрии (skewness) и эксцесса (kurtosis) зависят только от α и β, так как сдвиг и масштабирование не влияют на эти стандартизированные моменты. Асимметрия положительна при α < β (распределение скошено вправо), отрицательна при α > β (скошено влево) и равна нулю при α = β (симметричное распределение). Эксцесс уменьшается с ростом α и β, приближаясь к нормальному распределению при больших значениях.

Мода

Мода распределения (если α > 1 и β > 1) находится в точке:

\[ \text{Mode} = a + (b - a) \frac{\alpha - 1}{\alpha + \beta - 2}. \]

Если α ≤ 1 или β ≤ 1, распределение имеет U-образную или J-образную форму, и мода может быть на границах интервала.

Кумулятивная функция распределения

Кумулятивная функция распределения (CDF) выражается через неполную бета-функцию:

\[ F(x; a, b, \alpha, \beta) = I_{z}(\alpha, \beta), \quad z = \frac{x - a}{b - a}, \]

где \( I_{z}(\alpha, \beta) \) — регуляризованная неполная бета-функция.

Частные случаи и обобщения

Стандартное бета-распределение

При a = 0, b = 1 четырёхпараметрическое распределение превращается в стандартное бета-распределение, которое широко используется в байесовской статистике как сопряжённое априорное распределение для параметра биномиального распределения.

Распределение Пирсона типа I

Четырёхпараметрическое бета-распределение является частным случаем семейства распределений Пирсона (тип I). В классификации Пирсона это распределение соответствует случаю, когда характеристическая функция имеет два действительных корня разного знака, что приводит к ограниченному носителю.

Распределение Кумарасвами

Распределение Кумарасвами (Kumaraswamy distribution) также задаётся на отрезке [0, 1] и имеет два параметра формы, но его функция плотности отличается от бета-распределения. Однако четырёхпараметрическое бета-распределение не является обобщением распределения Кумарасвами.

Применение

Байесовская статистика

В байесовском анализе четырёхпараметрическое бета-распределение используется как априорное распределение для вероятностей, когда априорная информация задаётся на произвольном интервале. Например, при моделировании доли дефектных изделий в производстве, где известно, что доля не может быть ниже 0,01 и выше 0,1, параметры a и b задают этот диапазон, а α и β — форму априорного убеждения.

Моделирование ограниченных данных

Во многих прикладных областях (финансы, экология, медицина) данные естественным образом ограничены (например, процентное содержание вещества, индекс массы тела, время выполнения задачи). Четырёхпараметрическое бета-распределение позволяет гибко моделировать такие данные, подбирая параметры сдвига и масштаба под реальные границы.

Анализ надёжности

В теории надёжности распределение используется для моделирования времени безотказной работы устройств, когда время работы ограничено сверху (например, сроком службы батареи или гарантийным периодом). Параметры a и b задают минимальное и максимальное время, а α и β — форму распределения отказов.

Гидрология и климатология

При моделировании осадков, стока рек или других климатических переменных, которые имеют физические границы (например, количество осадков не может быть отрицательным и не превышает определённого уровня), четырёхпараметрическое бета-распределение применяется для аппроксимации эмпирических распределений.

Оценивание параметров

Метод моментов

Оценки параметров a, b, α, β могут быть получены методом моментов, приравнивая выборочные моменты (среднее, дисперсию, асимметрию и эксцесс) к теоретическим. Однако метод моментов может давать нестабильные оценки, особенно при малых выборках.

Метод максимального правдоподобия

Наиболее распространённый метод — метод максимального правдоподобия (ММП). Функция правдоподобия для выборки \( x_1, \dots, x_n \) имеет вид:

\[ L(a, b, \alpha, \beta) = \prod_{i=1}^n f(x_i; a, b, \alpha, \beta). \]

Максимизация этой функции обычно требует численных методов (например, алгоритма Ньютона-Рафсона или градиентного спуска). При этом оценки a и b часто принимаются равными минимальному и максимальному значениям выборки, если только не известно, что истинные границы шире.

Байесовский подход

В байесовском анализе параметры a, b, α, β сами могут иметь априорные распределения. Например, для a и b часто используют равномерные или нормальные априорные распределения, а для α и β — гамма-распределения. Оценки получают с помощью методов Монте-Карло по цепям Маркова (MCMC).

Связь с другими распределениями

• При α = 1, β = 1 — равномерное распределение на [a, b].
• При α → ∞, β → ∞ при фиксированном отношении α/β — распределение стремится к нормальному, усечённому на [a, b].
• Если X имеет четырёхпараметрическое бета-распределение, то линейное преобразование \( Y = (X - a)/(b - a) \) имеет стандартное бета-распределение.
• Распределение является частным случаем обобщённого бета-распределения второго рода (GB2), которое включает дополнительный параметр масштаба.

Программная реализация

Четырёхпараметрическое бета-распределение реализовано во многих статистических пакетах. В языке R функции для работы с ним доступны в пакетах extraDistr (функция rbeta4) и EnvStats (функция ebeta). В Python библиотека scipy.stats содержит класс beta, который по умолчанию использует стандартное бета-распределение, но для четырёхпараметрического варианта можно задать параметры loc и scale (loc = a, scale = b - a). В MATLAB функция betarnd также поддерживает параметры сдвига и масштаба.

Источники

• Johnson, N. L., Kotz, S., & Balakrishnan, N. (1995). Continuous Univariate Distributions, Volume 2 (2nd ed.). Wiley.
• Gupta, A. K., & Nadarajah, S. (2004). Handbook of Beta Distribution and Its Applications. CRC Press.
• Forbes, C., Evans, M., Hastings, N., & Peacock, B. (2011). Statistical Distributions (4th ed.). Wiley.
• McDonald, J. B., & Xu, Y. J. (1995). A generalization of the beta distribution with applications. Journal of Econometrics, 66(1-2), 133-152.