Beta分布（Beta Distribution）

定义：

beta分布可以看作一个概率的概率分布，当你不知道一个东西的具体概率是多少时，它可以给出了所有概率出现的可能性大小。

举一个简单的例子，熟悉棒球运动的都知道有一个指标就是棒球击球率(batting average)，就是用一个运动员击中的球数除以击球的总数，我们一般认为0.266是正常水平的击球率，而如果击球率高达0.3就被认为是非常优秀的。现在有一个棒球运动员，我们希望能够预测他在这一赛季中的棒球击球率是多少。你可能就会直接计算棒球击球率，用击中的数除以击球数，但是如果这个棒球运动员只打了一次，而且还命中了，那么他就击球率就是100%了，这显然是不合理的，因为根据棒球的历史信息，我们知道这个击球率应该是0.215到0.36之间才对啊。对于这个问题一个最好的方法就是用beta分布，这表示在我们没有看到这个运动员打球之前，我们就有了一个大概的范围。beta分布的定义域是(0,1)这就跟概率的范围是一样的。接下来我们将这些先验信息转换为beta分布的参数，我们知道一个击球率应该是平均0.27左右，而他的范围是0.21到0.35，那么根据这个信息，我们可以取α=81,β=219（击中了81次，未击中219次）

之所以取这两个参数是因为：

beta分布的均值是从图中可以看到这个分布主要落在了(0.2,0.35)间，这是从经验中得出的合理的范围。
在这个例子里，我们的x轴就表示各个击球率的取值，x对应的y值就是这个击球率所对应的概率。也就是说beta分布可以看作一个概率的概率分布。

公式：

# IMPORTS
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
import matplotlib.style as style
from IPython.core.display import HTML# PLOTTING CONFIG
%matplotlib inline
style.use('fivethirtyeight')
plt.rcParams["figure.figsize"] = (14, 7)plt.figure(dpi=100)# PDF
plt.plot(np.linspace(0, 1, 100), stats.beta.pdf(np.linspace(0, 1, 100),a=2,b=2) )
print (stats.beta.pdf(np.linspace(0, 1, 100),a=2,b=2))
plt.fill_between(np.linspace(0, 1, 100),stats.beta.pdf(np.linspace(0, 1, 100),a=2,b=2),alpha=.15)# CDF
plt.plot(np.linspace(0, 1, 100), stats.beta.cdf(np.linspace(0, 1, 100),a=2,b=2),)# LEGEND
plt.text(x=0.1, y=.7, s="pdf (normed)", rotation=52, alpha=.75, weight="bold", color="#008fd5")
plt.text(x=0.45, y=.5, s="cdf", rotation=40, alpha=.75, weight="bold", color="#fc4f30")# TICKS
plt.tick_params(axis = 'both', which = 'major', labelsize = 18)
plt.axhline(y = 0, color = 'black', linewidth = 1.3, alpha = .7)# TITLE, SUBTITLE & FOOTER
plt.text(x = -.125, y = 1.85, s = "Beta Distribution - Overview",fontsize = 26, weight = 'bold', alpha = .75)
plt.text(x = -.125, y = 1.6, s = 'Depicted below are the normed probability density function (pdf) and the cumulative density\nfunction (cdf) of a beta distributed random variable ' + r'$ y \sim Beta(\alpha, \beta)$, given $ \alpha = 2 $ and $ \beta = 2$.',fontsize = 19, alpha = .85)

改变参数α和β对结果产生的影响如下所示：

plt.figure(dpi=100)# A = B = 1
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=1, b=1),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=1, b=1),alpha=.15,)# A = B = 10
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=10, b=10),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=10, b=10),alpha=.15,)# A = B = 100
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=100, b=100),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=100, b=100),alpha=.15,)# LEGEND
plt.text(x=0.1, y=1.45, s=r"$ \alpha = 1, \beta = 1$", alpha=.75, weight="bold", color="#008fd5")
plt.text(x=0.325, y=3.5, s=r"$ \alpha = 10, \beta = 10$", rotation=35, alpha=.75, weight="bold", color="#fc4f30")
plt.text(x=0.4125, y=8, s=r"$ \alpha = 100, \beta = 100$", rotation=80, alpha=.75, weight="bold", color="#e5ae38")# TICKS
plt.tick_params(axis = 'both', which = 'major', labelsize = 18)
plt.axhline(y = 0, color = 'black', linewidth = 1.3, alpha = .7)# TITLE, SUBTITLE & FOOTER
plt.text(x = -.1, y = 13.75, s = r"Beta Distribution - constant $\frac{\alpha}{\beta}$, varying $\alpha + \beta$",fontsize = 26, weight = 'bold', alpha = .75)
plt.text(x = -.1, y = 12, s = 'Depicted below are three beta distributed random variables with '+ r'equal $\frac{\alpha}{\beta} $ and varying $\alpha+\beta$'+'.\nAs one can see the sum of ' + r'$\alpha + \beta$ (mainly) sharpens the distribution (the bigger the sharper).',fontsize = 19, alpha = .85)

plt.figure(dpi=100)# A / B = 1/3
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=25, b=75),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=25, b=75),alpha=.15,)# A / B = 1
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=50, b=50),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=50, b=50),alpha=.15,)# A / B = 3
plt.plot(np.linspace(0, 1, 200), stats.beta.pdf(np.linspace(0, 1, 200), a=75, b=25),)
plt.fill_between(np.linspace(0, 1, 200),stats.beta.pdf(np.linspace(0, 1, 200), a=75, b=25),alpha=.15,)# LEGEND
plt.text(x=0.15, y=5, s=r"$ \alpha = 25, \beta = 75$", rotation=80, alpha=.75, weight="bold", color="#008fd5")
plt.text(x=0.39, y=5, s=r"$ \alpha = 50, \beta = 50$", rotation=80, alpha=.75, weight="bold", color="#fc4f30")
plt.text(x=0.65, y=5, s=r"$ \alpha = 75, \beta = 25$", rotation=80, alpha=.75, weight="bold", color="#e5ae38")# TICKS
plt.tick_params(axis = 'both', which = 'major', labelsize = 18)
plt.axhline(y = 0, color = 'black', linewidth = 1.3, alpha = .7)# TITLE, SUBTITLE & FOOTER
plt.text(x = -.1, y = 11.75, s = r"Beta Distribution - constant $\alpha + \beta$, varying $\frac{\alpha}{\beta}$",fontsize = 26, weight = 'bold', alpha = .75)
plt.text(x = -.1, y = 10, s = 'Depicted below are three beta distributed random variables with '+ r'equal $\alpha+\beta$ and varying $\frac{\alpha}{\beta} $'+'.\nAs one can see the fraction of ' + r'$\frac{\alpha}{\beta} $ (mainly) shifts the distribution ' + r'($\alpha$ towards 1, $\beta$ towards 0).',fontsize = 19, alpha = .85)

构造随机beta分布：

from scipy.stats import beta# draw a single sample
print(beta.rvs(a=2, b=2), end="\n\n")# draw 10 samples
print(beta.rvs(a=2, b=2, size=10))

0.736118736802914[0.52821195 0.41843068 0.64285567 0.13075973 0.47871566 0.720698170.27643923 0.38471512 0.51838499 0.64945068]

概率密度函数：

from scipy.stats import beta# additional import for plotting
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams["figure.figsize"] = (14, 7)# continuous pdf for the plot
x_s = np.linspace(0, 1, 100)
y_s = beta.pdf(a=2, b=2, x=x_s)
plt.scatter(x_s, y_s);

累计概率密度函数：

from scipy.stats import beta# probability of x less or equal 0.3
print("P(X <0.3) = {:.3}".format(beta.cdf(a=2, b=2, x=0.3)))# probability of x in [-0.2, +0.2]
print("P(-0.2 < X < 0.2) = {:.3}".format(beta.cdf(a=2, b=2, x=0.2) - beta.cdf(a=2, b=2, x=-0.2)))

P(X <0.3) = 0.216
P(-0.2 < X < 0.2) = 0.104

Beta分布（Beta Distribution）相关推荐

如何通俗理解beta分布？
作者:小杰链接:https://www.zhihu.com/question/30269898/answer/123261564 来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载 ...
Gamma 分布与 Beta 分布及共轭的含义
Gamma 分布 Gamma函数可将许多数学概念从整数集延拓到实数集合. Γ(x)=∫∞0tx−1e−tdt \Gamma(x)=\int_0^\infty t^{x-1}e^{-t}dt 我们来看对 ...
如何理解beta分布？
相信大家学过统计学的都对正态分布二项分布均匀分布等等很熟悉了,但是却鲜少有人去介绍beta分布的. 用一句话来说,beta分布可以看作一个概率的概率分布,当你不知道一个东西的具体概率是多少时, ...
带你理解beta分布
#beta分布介绍相信大家学过统计学的都对正态分布二项分布均匀分布等等很熟悉了,但是却鲜少有人去介绍beta分布的. 用一句话来说,beta分布可以看作一个概率的概率分布,当你不知道一个东西 ...
Gamma 分布和Beta 分布简介
1. Gamma 分布 1.1 首先要了解一下Gamma 函数. Gamma 函数在实数域可以表示为: Γ(x)=∫0∞tx−1e−tdt\Gamma(x)=\int_0^{\infty} t^{x- ...
概率分布之Beta分布与Dirichlet分布
Beta分布与Dirichlet分布的定义域均为[0,1],在实际使用中,通常将两者作为概率的分布,Beta分布描述的是单变量分布,Dirichlet分布描述的是多变量分布,因此,Beta分布可作为二 ...
伯努利分布、二项分布、多项分布、Beta分布、Dirichlet分布
https://blog.csdn.net/michael_r_chang/article/details/39188321 https://www.cnblogs.com/wybang/p/3206 ...
贝叶斯统计：Inverted Beta与Three Parameter Beta分布
贝叶斯统计:Inverted Beta与Three Parameter Beta分布 Beta分布 Inverted Beta与Three Parameter Beta TPB-Normal Mixt ...
【联系】—— Beta 分布与二项分布、共轭分布
1. 伯努利分布与二项分布伯努利分布:Bern(x|μ)=μx(1−μ)1−x\text{Bern}(x|\mu)=\mu^{x}(1-\mu)^{1-x},随机变量 xx 取值为 0,1,μ\mu ...
统计学（1）二项分布几何分布泊松分布指数分布正态分布 gamma分布 beta分布
分布与分布关系 1.二项分布 2.几何分布 3.泊松分布 4.二项分布转化泊松分布,泊松转化正态分布 5.指数分布 6.gamma分布 7.泊松.指数.gamma三者关系 8.Beta分布 1.二项分 ...

Beta分布（Beta Distribution）

Beta分布（Beta Distribution）相关推荐

最新文章

热门文章