Python统计之Beta分布

微小冷

已于 2023-08-19 09:59:36 修改

阅读量2.7k

点赞数 3

分类专栏： # Numpy 文章标签： python 概率论 Beta分布统计

于 2022-12-25 07:00:00 首次发布

本文链接：https://blog.csdn.net/m0_37816922/article/details/128429200

版权

Numpy 专栏收录该内容

40 篇文章

订阅专栏

文章目录

- Beta分布
- beta函数

Beta分布

投硬币，硬币是正还是反，这属于两点分布的问题。

疯狂投硬币，正面出现的次数，服从二项分布：【Python】从二项分布到泊松分布

二项分布中，若特定时间内的伯努利试验次数趋于无穷大，那么在某一时刻发生某事件的概率，服从泊松分布。

在某一时刻，发生第N次事件，其概率服从 $\Gamma$ 分布：【Python】Gamma分布详解

回到抛硬币的问题，如果硬币出现正反的概率是未知的，考虑到时间地点重力等因素的不同，硬币出现正面的概率甚至可能是不稳定的，换言之，硬币出现正面的概率，或许也是服从某种分布的。

暂且将这个概率设为 $\theta$ ，则经过n次伯努利试验，在 $\theta$ 发生的情况下，正面出现 $k$ 次的概率为

$\pi(k\vert\theta)=\binom{n}{k}\theta^k(1-\theta)^{n-k}$

由于这个 $\theta$ 实际上是未知的，但这个 $P$ 却可通过不断地伯努利试验来去逼近，所以接下来就可以通过贝叶斯公式，来将 $\theta$ 表达出来

$\pi(\theta\vert k)=\frac{\pi(k\vert\theta)\pi(\theta)}{\int\pi(k|\theta)\pi(\theta)\text d\theta}$

其中， $\pi(\theta\vert k)$ 表示 $k$ 发生的情况下， $\theta$ 发生的概率； $\pi(\theta)$ 为 $\theta$ 发生的概率。

设 $\theta$ 服从均匀分布，则在 $(0, 1)$ 范围内，其概率密度 $\pi(\theta)=1$ ，于是 $\pi(\theta\vert k)$ 可以写为

$\pi(\theta\vert k)=\frac{\theta^k(1-\theta)^{n-k}}{\int\theta^k(1-\theta)^{n-k}\text d\theta}$

由于 $\Gamma(x)=\int^\infty_0t^{x-1}e^{-t}\text dt$ ，则上式可写为

$\pi(\theta\vert k)=\frac{\Gamma(n+1)}{\Gamma(k+1)\Gamma(n-k+1)}\theta^k(1-\theta)^{n-k}$

此即 $\Beta$ 分布。

所以， $\Beta$ 分布就是在抛 $n$ 次硬币，出现 $k$ 次正面后，则单次抛硬币出现正面的概率。

beta函数

在Numpy中，random.beta(a,b)即为 $\Beta$ 分布，其表达式为 $p(x)=\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}x^{a-1}(1-x)^{b-1}$ 。

显而易见，当 $a = b = 1$ 时， $p (x) = 1$ ，退化为均匀分布。

当a和b的取值不同时， $\Beta$ 分布表现出不同的分布特性

import numpy as np
import matplotlib.pyplot as plt
from numpy.random import beta

a_s = [0.5, 5, 1, 2, 2]
b_s = [0.5, 1, 3, 2, 5]

for a,b in zip(a_s, b_s):
    xs = beta(a, b, size=20000)
    plt.hist(xs, 100, alpha=0.5, label=f"a={a}, b={b}")

plt.legend()
plt.show()