Distribuzione Beta

In teoria delle probabilità e in statistica la distribuzione $\mathrm {B}$ (Beta) è una distribuzione di probabilità continua definita da due parametri $\alpha$ e $\beta$ sull'intervallo unitario $[0,1]$.

Distribuzione $\mathrm {B} (\alpha ,\beta )$
Funzione di densità di probabilità
Funzione di ripartizione
Parametri	$\alpha ,\beta >0\$
Supporto	$[0,1]\$
Funzione di densità	${\frac {x^{\alpha -1}(1-x)^{\beta -1}}{\mathrm {B} (\alpha ,\beta )}}$
Funzione di ripartizione	$I_{x}(\alpha ,\beta )\$ (funzione Beta incompleta regolarizzata)
Valore atteso	${\frac {\alpha }{\alpha +\beta }}$
Moda	${\frac {\alpha -1}{\alpha +\beta -2}}$ se $\alpha ,\beta >1\$ $0\$ se $\alpha <1\$ e $\beta \geqslant 1$ $1\$ se $\alpha \geqslant 1$ e $\beta <1\$
Varianza	${\frac {\alpha \beta }{(\alpha +\beta )^{2}(\alpha +\beta +1)}}$
Indice di asimmetria	$2{\frac {\beta -\alpha }{\alpha +\beta +2}}{\sqrt {\frac {\alpha +\beta +1}{\alpha \beta }}}$
Funzione generatrice dei momenti	$1+\sum _{k=1}^{\infty }\left(\prod _{r=0}^{k-1}{\frac {\alpha +r}{\alpha +\beta +r}}\right){\frac {t^{k}}{k!}}$
Funzione caratteristica	${}_{1}F_{1}(\alpha ;\alpha +\beta ;i\,t)$

Questa distribuzione trova particolare utilizzo nella inferenza bayesiana perché governa la probabilità $p$ di un processo di Bernoulli a posteriori dell'osservazione di $\alpha -1$ "successi" e $\beta -1$ "fallimenti", quando $p$ è a priori distribuita uniformemente tra $0$ e $1$.

Definizione

La distribuzione Beta di parametri $(\alpha ,\beta )$ (entrambi positivi) è definita sull'intervallo $[0,1]$ con funzione di densità di probabilità

$f(x)={\frac {x^{\alpha -1}(1-x)^{\beta -1}}{\mathrm {B} (\alpha ,\beta )}}$.

In altri termini la funzione di densità di probabilità è proporzionale alla funzione

$x^{\alpha -1}(1-x)^{\beta -1}$,

riscalata per un fattore dato dalla funzione Beta

$\mathrm {B} (\alpha ,\beta )=\int _{0}^{1}x^{\alpha -1}(1-x)^{\beta -1}dx$;

in questo modo ha probabilità totale $P(X\in [0,1])=1$.

La sua funzione di ripartizione è la funzione Beta incompleta regolarizzata

$F(x)=I_{x}(\alpha ,\beta )={\frac {\mathrm {B} _{x}(\alpha ,\beta )}{\mathrm {B} (\alpha ,\beta )}}={\frac {\int _{0}^{x}t^{\alpha -1}(1-t)^{\beta -1}dt}{\int _{0}^{1}t^{\alpha -1}(1-t)^{\beta -1}dt}}$.

Caratteristiche

I momenti semplici di una variabile aleatoria $X$ con distribuzione Beta di parametri $(\alpha ,\beta )$ sono

$\mu _{k}=E[X^{k}]={\frac {\int _{0}^{1}x^{\alpha +k-1}(1-x)^{\beta -1}dx}{\int _{0}^{1}x^{\alpha -1}(1-x)^{\beta -1}dx}}={\frac {\mathrm {B} (\alpha +k,\beta )}{\mathrm {B} (\alpha ,\beta )}}={\frac {(\alpha )_{k}}{(\alpha +\beta )_{k}}}$,

dove $x_{k}$ indica il fattoriale crescente con k fattori, $(x)_{k}=x(x+1)\cdots (x+k-1)$. (L'ultima uguaglianza può essere dedotta dall'espressione della funzione Beta attraverso la funzione Gamma, $\mathrm {B} (\alpha ,\beta )=\Gamma (\alpha )\Gamma (\beta )/\Gamma (\alpha +\beta )$ e dalla proprietà $\Gamma (x+1)=x\Gamma (x)$.)

I momenti semplici soddisfano quindi la relazione ricorsiva

$\mu _{k+1}={\frac {\alpha +k}{\alpha +\beta +k}}\mu _{k}$.

Inoltre la distribuzione ha:

• valore atteso $E[X]={\frac {\alpha }{\alpha +\beta }}$;
• varianza ${\text{Var}}(X)={\frac {\alpha \beta }{(\alpha +\beta )^{2}(\alpha +\beta +1)}}$;
• indice di asimmetria $\gamma _{1}=2{\frac {\beta -\alpha }{\alpha +\beta +2}}{\sqrt {\frac {\alpha +\beta +1}{\alpha \beta }}}$;
• indice di curtosi $\gamma _{2}=6{\frac {\alpha ^{3}-2\alpha ^{2}\beta -2\alpha \beta ^{2}+\beta ^{3}+\alpha ^{2}-4\alpha \beta +\beta ^{2}}{\alpha \beta (\alpha +\beta +2)(\alpha +\beta +3)}}$.

I parametri $\alpha$ e $\beta$ possono essere determinati univocamente dal valore atteso e dalla varianza:

$\alpha =E[X]\left({\frac {E[X](1-E[X])}{{\text{Var}}(X)}}-1\right)$;

$\beta =(1-E[X])\left({\frac {E[X](1-E[X])}{{\text{Var}}(X)}}-1\right)$.

Queste formule vengono applicate nel metodo dei momenti con la media e la varianza osservate su un campione.

L'entropia è

$H(X)=\log \mathrm {B} (\alpha ,\beta )-(\alpha -1)\digamma (\alpha )-(\beta -1)\digamma (\beta )+(\alpha +\beta -2)\digamma (\alpha +\beta )$,

dove $\digamma$ è la funzione digamma.

La moda della distribuzione dipende dai segni di $\alpha -1$ e $\beta -1$, ed è unica solo se almeno uno dei due è positivo:

se $\alpha >1$ e $\beta >1$ allora la moda è ${\frac {\alpha -1}{\alpha +\beta -2}}$;

se $\alpha >1$ (o $\alpha =1$) e $\beta <1$ allora la moda è 1;

se $\beta >1$ (o $\beta =1$) e $\alpha <1$ allora la moda è 0.

(La funzione di densità di probabilità ha un asintoto in 0 se $\alpha <1$, in 1 se $\beta <1$.)

Relazioni con altre distribuzioni

Una distribuzione Beta può essere definita su un qualunque intervallo $[a,b]$, prendendo $Y=a+(b-a)X$.

Se $X$ segue la distribuzione Beta di parametri $(\alpha ,\beta )$ allora $1-X$ segue la distribuzione Beta di parametri $(\beta ,\alpha )$.

• La distribuzione Beta di parametri $(1,1)$ corrisponde alla distribuzione continua uniforme ${\mathcal {U}}([0,1])$ sull'intervallo unitario.

• La distribuzione di Dirichlet è una generalizzazione della distribuzione Beta e descrive i parametri di una distribuzione multinomiale a posteriori di un'osservazione. La distribuzione di Dirichlet con due parametri è esattamente la distribuzione Beta.

• Per $\alpha =\beta ={\tfrac {3}{2}}$ la densità di probabilità $f(x)={\sqrt {x(1-x)}}$ della distribuzione Beta descrive la metà superiore di una circonferenza: $(2f(x))^{2}+(2x-1)^{2}=1$, descrive un semicerchio. La variabile aleatoria $Y=r(2X-1)$ segue una distribuzione di Wigner di parametro r.

• Se $X$ e $Y$ sono due variabili aleatorie indipendenti con distribuzioni Gamma di rispettivi parametri $(\alpha ,\theta )$ e $(\beta ,\theta )$, allora la variabile aleatoria ${\tfrac {X}{X+Y}}$ segue la distribuzione Beta di parametri $(\alpha ,\beta )$.

• Se la variabile aleatoria $X$ segue la distribuzione Beta di parametri $(\alpha ,\beta )$ allora la variabile aleatoria $T={\tfrac {X}{1-X}}$ è descritta dalla distribuzione Beta del secondo tipo, che ha funzione di densità di probabilità

$f(t)={\frac {x^{\alpha -1}/(1-x)^{\alpha +\beta }}{\mathrm {B} (\alpha ,\beta )}}$

• La distribuzione di Wilks $\Lambda (p,m,n)$ può essere interpretata come la distribuzione che governa il prodotto $X_{1}\cdots X_{n}$ di n variabili aleatorie indipendenti $X_{1},...,X_{n}$ con rispettivi parametri $({\tfrac {m+1-p}{2}},{\tfrac {p}{2}}),...,({\tfrac {m+n-p}{2}},{\tfrac {p}{2}})$.

• Se $Y$ è una variabile aleatoria con distribuzione di Kumaraswamy di parametri $(a,b)$ allora $X=Y^{a}$ segue la distribuzione Beta di parametri $(1,b)$.

Inferenza bayesiana

La distribuzione Beta e il processo di Bernoulli

Se X è distribuita come una v.c. binomiale con parametri n e π

$f(x|\pi )=Binom(x|n;\pi )$

e il parametro π è distribuito a priori come una v.c. Beta con i parametri a e b

$g(\pi )=Beta(\pi |a;b)$

allora il parametro π è distribuito a posteriori anch'esso come una v.c. Beta, ma con parametri a+x e b+n-x

$g(\pi |x)=Beta(\pi |a+x;b+n-x)$

Qualora la distribuzione a priori sia una variabile casuale rettangolare nell'intervallo [0;1] (ovvero ipotizzando a priori tutti i possibili valori di π equiprobabili), e pertanto a=1 e b=1, allora la distribuzione a posteriori è una Beta con parametri x+1 e n-x+1

$g(\pi |x)=(n+1){n \choose x}\pi ^{x}(1-\pi )^{n-x}$

che ha come valore modale p (e dunque come valore più probabile)

$p={\frac {x}{n}}$, che corrisponde alla stima usata in ambito frequentistico

mentre il valore che minimizza lo scarto quadratico, ovvero la media è

$p={\frac {x+1}{n+2}}$, che per x<n/2 è maggiore del valore modale ${\frac {x}{n}}$

Infatti, la probabilità di ottenere $\alpha -1$ successi e $\beta -1$ fallimenti in un processo di Bernoulli di parametro p è ${\tbinom {\alpha +\beta -2}{\alpha -1\,,\,\beta -1}}p^{\alpha -1}(1-p)^{\beta -1}$, proporzionale alla densità $f(p)$ della distribuzione Beta di parametri $(\alpha ,\beta )$.

Pertanto, se la variabile aleatoria $S$ segue una distribuzione binomiale ${\mathcal {B}}(P,\alpha +\beta -2)$ con parametro aleatorio P distribuito a priori uniformemente sull'intervallo unitario $[0,1]$, a posteriori dell'osservazione $S=\alpha -1$ il parametro P segue la distribuzione $\mathrm {B} (\alpha ,\beta )$.

Più in generale, se $S$ è una variabile aleatoria con distribuzione binomiale ${\mathcal {B}}(P,n)$ e il parametro P segue a priori la distribuzione $\mathrm {B} (\alpha ,\beta )$, allora a posteriori dell'osservazione $S=s$ il parametro P segue la distribuzione $\mathrm {B} (\alpha +s,\beta +n-s)$.

Il caso della distribuzione uniforme a priori è un caso particolare di quest'ultimo, essendo $\mathrm {B} (1,1)={\mathcal {U}}(0,1)$.

Priori coniugati e la v.c. binomiale negativa

Se X è distribuita come una v.c. binomiale negativa con parametri m e θ

$f(x|\theta )=BinNeg(x|m;\theta )$

e il parametro θ è distribuito a priori come una v.c. Beta con i parametri a e b

$g(\theta )=Beta(\theta |a;b)$

allora il parametro θ è distribuito a posteriori anch'esso come una v.c. Beta, ma con parametri a+m e b+x

$g(\theta |x)=Beta(\theta |a+m;b+x)$

Qualora la distribuzione a priori sia una variabile casuale rettangolare nell'intervallo [0;1] (ovvero ipotizzando a priori tutti i possibili valori di θ equiprobabili), e pertanto a=1 e b=1, allora la distribuzione a posteriori è una Beta con parametri m+1 e x+1

che ha come valore modale t (e dunque come valore più probabile)

t=m/(m+x)

Similmente, se la variabile aleatoria $T$ segue la distribuzione di Pascal ${\mathcal {NB}}(P,n)$ e P segue a priori la distribuzione $\mathrm {B} (\alpha ,\beta )$, allora a posteriori dell'osservazione $T=t$ il parametro P segue la distribuzione $\mathrm {B} (\alpha +n,\beta +t)$.

Voci correlate

• Distribuzione binomiale
• Funzione Beta
• Processo di Bernoulli
• Statistica bayesiana

Altri progetti

Altri progetti

• Wikimedia Commons

• Wikimedia Commons contiene immagini o altri file su Distribuzione Beta

Collegamenti esterni

• (EN) Eric W. Weisstein, Distribuzione Beta, su MathWorld, Wolfram Research.

Controllo di autorità	GND (DE) 4144975-7