Beta-jakauma

Beta-jakauma
Tiheysfunktio
Beta-jakauman todennäköisyysfunktio
Kertymäfunktio
Beta-jakauman kertymäfunktio
Merkintä
Parametrit
Määrittelyjoukko
Tiheysfunktio
Kertymäfunktio
Odotusarvo
Moodi
Varianssi
Vinous
Huipukkuus
Entropia
Momentit generoiva funktio
Karakteristinen funktio (katso hypergeometrinen funktio)
Fisherin informaatiomatriisi

Beta-jakauma eli jakauma on todennäköisyyslaskennassa ja tilastotieteessä jatkuvan satunnaismuuttujan todennäköisyysjakauma, jota käytetään bayesilaisessa todennäköisyyslaskennassa. Koska Beta-jakaumaa voi parametrisoida monella eri tavalla, sitä voidaan kutsua jakaumaperheeksi. Sen avulla voidaan esittää lähes kaikki äärelliselle välille konsentroituneet jakaumat.

Jos satunnaismuuttuja on Beta-jakautunut parametreillä ja , merkitään se yleensä

Todennäköisyysjakauma

Satunnaismuuttujalla , joka on Beta-jakautunut ja jolla perusjoukko on [0,1], on kaksi positiivista parametria ja . Niiden avulla Beta-jakauman tiheysfunktio määritellään

missä niin sanottu beta-funktio on

jossa taas on gammafunktio. Beta-funktion tarkoituksena on "normalisoida" beta-jakauma niin, että sen tiheysfunktion määrätty integraali koko reaalialueen yli on tasan yksi.

Toisinaan joskus parametrien arvoista vähennetään yksi ( ja ), jotta tiheysfunktion ja momenttifunktion kaavat yksinkertaistuisivat hieman.

Beta-jakauman tiheysfunktiolla on seuraavanlaisia ominaisuuksia:

Beta-jakauman kertymäfunktion lauseketta ei ole mahdollista kirjoittaa eksplisiittiseen muotoon, koska sen tiheysfunktion integraalifunktiota ei voi kirjoittaa lausekkeeksi alkeisfunktioiden avulla. Ne onkin tapana esittää vain numeerisessa muodossa aivan kuten toimitaan normaalijakaumassakin.

Tunnusluvut ja momentit

Momenttifunktio

Momenttifunktio eli momentit generoiva funktio saadaan määritelmästä

Sen avulla voidaan määritellä origomomentit ja keskusmomentit. Origomomenttien yleinen muoto on

ja koska gammafunktiolla on , siitä saadaan ensimmäiset momentit

ja

Keskusmomenttien yleinen muoto on

missä on hypergeometrinen funktio.

Ensimmäinen origomomentti voidaan laskea myös suoraan

Tunnuslukuja

Jakauman odotusarvo saadaan ensimmäisestä origomomentista

Sen varianssi on taas suoraan toinen keskusmomentti

Jakauman tiheysfunktion vinous määritetään kahden keskumomentin avulla

Vinous on nolla, mikä näkyy tasajakauman tiheysfunktion kuvaajasta, joka on täysin symmetrinen.

Jakauman huipukkuus määritetään kahden keskusmomentin avulla

Negativinen huipukkuus näkyy tiheysfunktion kuvaajassa siten, että kuvaaja on "tasa- ja litteäpäinen" eikä terävää kärkeä esiinny ollenkaan.

Jakauman moodi sijaitsee välin [0,1] sisäpisteessä, kun ja

Jos tai voi moodi sijaita välin päätepisteessä. Kun on jakauma tasajakauma ja kaikki pisteet ovat moodi.

Esimerkkejä

Tarkastellaan toistokoetta, jonka yksittäisen kolikonheiton arvoksi voi tulla vain "kruuna" tai "klaava" todennäköisyyksillä ja . Heittojen kokonaismäärän ollessa , noudattaa saatujen kruunujen yhteismäärät binomijakaumaa . Jos halutaan selvittää "kruunan" todennäköisyyttä , kun saadaan "kruunaa", on se Beta-jakautunut .

Edellinen ongelma on perinteisesti ratkaistu käyttäen normaalijakaumaa, mutta Beta-jakauma antaa silloin oikean tuloksen, kun se määritellään

Normaalijakauma antaa harhaisen tuloksen, mikäli toistojen lukumäärä on pieni ja suhde on lähellä arvoa 0 tai 1.

Beta-jakaumaa tulisi käyttää normaalijakauman sijasta approksimoitaessa binomijakaumaa epäsymmetrisissä tiheysjakauman tilanteissa. Esimerkiksi epäsymmetrisessä ja kahta arvoa antavassa satunnaistapauhtumassa kannattaa käyttää diskreetin binomijakauman approksimoimiseksi jatkuvaa Beetta-jakaumaa. Yleensä binomijakaumaa approksimoidaan normaalijakaumalla, mutta se ei toimi kunnolla, kun toista arvoa esiintyy tuntuvasti enemmän kuin toista.

Beta-jakaumaa voidaan käyttää arvioitaessa tasajakaumien arvoja. Arvotaan n satunnaismuuttujalle arvot . Arvot lajitellaan suuruusjärjestykseen, jolloin arvo merkitään uudella tavalla kun se on järjestyksessä i:nnes. (eli < < ... < ). Silloin arvo kun .

Muut jakaumat

Beta-jakaumasta saadaan tasajakauma, mikäli parametrit ovat molemmat yksi

Lähteet

  1. 1 2 3 4 5 6 7 8 Mellin, Ilkka: Todennäköisyysjakaumat (Arkistoitu – Internet Archive), s. 407−410, luentomonisteesta Todennäköisyyslaskenta (Arkistoitu – Internet Archive), Aalto-yliopisto, 2006
  2. 1 2 3 Rahiala, Markku: Satunnaismallien teoria (Arkistoitu – Internet Archive), s. 21−22, Oulun yliopisto, 2002
  3. 1 2 3 4 5 Johnson, Paul & Beverlin, Matt: Beta Distribution, 2013
  4. 1 2 3 4 5 6 7 Weisstein, Eric W.: Beta Distribution (Math World – A Wolfram Web Resource) Wolfram Research. (englanniksi)
  5. ↑ Weisstein, Eric W.: Skewness (Math World – A Wolfram Web Resource) Wolfram Research. (englanniksi)
  6. ↑ Weisstein, Eric W.: Kurtosis (Math World – A Wolfram Web Resource) Wolfram Research. (englanniksi)
  7. 1 2 3 Stich, Slater: Use the Beta Distribution
  8. ↑ Laurent, Stéphane: The Beta distribution also appears as an order statistic...

Aiheesta muualla