Beta-jakauma

Beta-jakauma[1] eli jakauma[2] 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.[1][2]

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

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

[1]

Todennäköisyysjakauma

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

[1]

missä niin sanottu beta-funktio on

[1]

jossa taas on gammafunktio. Beta-funktion tarkoituksena on "normalisoida" beta-jakauma niin, että sen tiheysfunktion määrätty integraali koko reaalialueen yli on tasan yksi.[3]

Toisinaan joskus parametrien arvoista vähennetään yksi ( ja ), jotta tiheysfunktion ja momenttifunktion kaavat yksinkertaistuisivat hieman.[4]

Beta-jakauman tiheysfunktiolla on seuraavanlaisia ominaisuuksia:[1]

  • kaikilla
  • Jos ja , niin on aidosti kasvava ja sen maksimikohta on välin päätepisteessä
  • Jos ja , niin on aidosti vähenevä ja sen maksimikohta on välin päätepisteessä
  • Jos ja , niin on yksihuippuinen ja sen maksimikohta on välin sisäpisteessä
  • Jos ja , niin on U:n muotoinen ja sillä on lokaalit maksimikohdat on välin päätepisteissä ja
  • on symmetrinen, jos

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.[1]

Tunnusluvut ja momentit

Momenttifunktio

Momenttifunktio eli momentit generoiva funktio saadaan määritelmästä

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

[4]

ja koska gammafunktiolla on , siitä saadaan ensimmäiset momentit

ja

Keskusmomenttien yleinen muoto on

missä on hypergeometrinen funktio.[4]

Ensimmäinen origomomentti voidaan laskea myös suoraan

[1]

Tunnuslukuja

Jakauman odotusarvo saadaan ensimmäisestä origomomentista

[4]

Sen varianssi on taas suoraan toinen keskusmomentti

[3][4]

Jakauman tiheysfunktion vinous määritetään kahden keskumomentin avulla

[3][5][4]

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

Jakauman huipukkuus määritetään kahden keskusmomentin avulla

[3][6][4]

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.[3]

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 .[7]

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.[7]

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.[7]

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 .[8]

Muut jakaumat

Beta-jakaumasta saadaan tasajakauma, mikäli parametrit ovat molemmat yksi

[2]

Lähteet

  1. Mellin, Ilkka: Todennäköisyysjakaumat, s. 407−410, luentomonisteesta Todennäköisyyslaskenta, Aalto-yliopisto, 2006
  2. Rahiala, Markku: Satunnaismallien teoria (Arkistoitu – Internet Archive), s. 21−22, Oulun yliopisto, 2002
  3. Johnson, Paul & Beverlin, Matt: Beta Distribution, 2013
  4. 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. Stich, Slater: Use the Beta Distribution
  8. Laurent, Stéphane: The Beta distribution also appears as an order statistic...

    Aiheesta muualla

    This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.