KNOWECON WIKI

ARTICLE

Beta Distribution

Beta 分布 (Beta Distribution) Beta 分布是一族定义在区间 [0,1] 上的连续概率分布，由两个正形状参数 > 0 和 > 0 完全刻画。它在贝叶斯统计中占有核心地位，是二项分布、伯努利分布和几何分布的共轭先验，广泛应用于概率建模、A/B 测试、机器学习和可靠性工程等领域。 定义与概率密度函数 若随机变量 X 服从参数为 和 的

浏览 0 更新 2026-05-25

Beta 分布 (Beta Distribution)

Beta 分布是一族定义在区间 [0,1] [0,1] 上的连续概率分布，由两个正形状参数 α>0 \alpha > 0 和 β>0 \beta > 0 完全刻画。它在贝叶斯统计中占有核心地位，是二项分布、伯努利分布和几何分布的共轭先验，广泛应用于概率建模、A/B 测试、机器学习和可靠性工程等领域。

定义与概率密度函数

若随机变量 X X 服从参数为 α \alpha 和 β \beta 的 Beta 分布，记作 X∼Beta(α,β) X \sim \text{Beta}(\alpha, \beta) ，其概率密度函数 (PDF) 为：

f(x;α,β)=xα−1(1−x)β−1B(α,β),x∈[0,1]f(x; \alpha, \beta) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha, \beta)}, \quad x \in [0,1]

其中 B(α,β) B(\alpha, \beta) 是 Beta 函数，定义为：

B(α,β)=∫01tα−1(1−t)β−1 dt=Γ(α)Γ(β)Γ(α+β)B(\alpha, \beta) = \int_0^1 t^{\alpha-1}(1-t)^{\beta-1}\,dt = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}

Γ(⋅) \Gamma(\cdot) 是伽马函数。Beta 函数充当归一化常数，确保 PDF 在 [0,1] [0,1] 上积分为 1。

形状参数的直观含义

两个参数 α \alpha 和 β \beta 分别控制分布向 1 和向 0 的"拉力"，可以直观地理解为"伪观测计数"：

  • α−1 \alpha - 1 可视为先验的"成功"次数。
  • β−1 \beta - 1 可视为先验的"失败"次数。

当 α=β=1 \alpha = \beta = 1 时，Beta 分布退化为 [0,1] [0,1] 上的均匀分布 Uniform(0,1) \text{Uniform}(0,1) ，表达完全无知。α>β \alpha > \beta 时密度向右偏斜（概率靠近 1）；β>α \beta > \alpha 时密度向左偏斜（概率靠近 0）。α \alpha 和 β \beta 同时增大时，分布集中在其均值附近，反映更大的确定性。

重要特例

  • Beta(1,1) \text{Beta}(1, 1) ：均匀分布。每个 x x 等可能，对应无信息先验。
  • Beta(12,12) \text{Beta}(\frac{1}{2}, \frac{1}{2}) ：反正弦分布，即 Jeffreys 先验。密度在 0 和 1 两端极高，是二项比例问题中的无信息先验。密度函数 f(x)=1πx(1−x) f(x) = \frac{1}{\pi\sqrt{x(1-x)}} 。
  • Beta(1,β) \text{Beta}(1, \beta) 或 Beta(α,1) \text{Beta}(\alpha, 1) ：幂函数分布，密度单调递增或递减。
  • Beta(α,α) \text{Beta}(\alpha, \alpha) 当 α→∞ \alpha \to \infty 时近似于正态分布，集中于 x=0.5 x = 0.5 。

矩与统计性质

  • 均值：E[X]=αα+β \mathbb{E}[X] = \frac{\alpha}{\alpha + \beta} 。直观上，当观测到 α−1 \alpha-1 次成功和 β−1 \beta-1 次失败后，成功概率的期望估计。
  • 方差：Var(X)=αβ(α+β)2(α+β+1) \text{Var}(X) = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)} 。α+β \alpha+\beta 越大，方差越小。
  • 众数：当 α>1,β>1 \alpha > 1, \beta > 1 时，众数为 α−1α+β−2 \frac{\alpha-1}{\alpha+\beta-2} ；当 α<1,β<1 \alpha < 1, \beta < 1 时，分布在两端呈 U 形反众数；边界情况下众数在 0 或 1。
  • 偏度：2(β−α)α+β+1(α+β+2)αβ \frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}} ，符号由 β−α \beta - \alpha 决定。

此外，Beta 分布具有自相似性：若 X∼Beta(α,β) X \sim \text{Beta}(\alpha, \beta) ，则 1−X∼Beta(β,α) 1 - X \sim \text{Beta}(\beta, \alpha) ，这是对称性的体现。

共轭性与贝叶斯推断

Beta 分布在贝叶斯统计中的核心地位源于其共轭性。给定二项似然函数：

Likelihood: p(k∣θ)∝θk(1−θ)n−k\text{Likelihood: } p(k \mid \theta) \propto \theta^k (1-\theta)^{n-k}

若先验为 θ∼Beta(α,β) \theta \sim \text{Beta}(\alpha, \beta) ，则后验为：

p(θ∣k)∝θα+k−1(1−θ)β+n−k−1p(\theta \mid k) \propto \theta^{\alpha + k - 1} (1-\theta)^{\beta + n - k - 1}

即 θ∣k∼Beta(α+k,β+n−k) \theta \mid k \sim \text{Beta}(\alpha + k, \beta + n - k) 。这种解析可处理的更新规则——简单地将观测计数加到先验参数上——使得 Beta-Binomial 共轭对成为贝叶斯推断中最优雅和实用的工具之一。

这一特性在A/B 测试中尤为突出：若 A 组和 B 组各有一个 Beta 分布描述其转化率的不确定性，可以通过蒙特卡洛抽样或解析近似直接计算 "B 优于 A" 的后验概率，而无需依赖频率主义的 p p 值。

与 Gamma 和 Dirichlet 分布的关系

Beta 分布与Gamma 分布存在紧密的结构联系。若 Y1∼Gamma(α,θ) Y_1 \sim \text{Gamma}(\alpha, \theta) 和 Y2∼Gamma(β,θ) Y_2 \sim \text{Gamma}(\beta, \theta) 是独立的 Gamma 随机变量（共享尺度参数 θ \theta ），则比值：

X=Y1Y1+Y2∼Beta(α,β)X = \frac{Y_1}{Y_1 + Y_2} \sim \text{Beta}(\alpha, \beta)

这一关系提供了 Beta 分布生成的重要算法，也将其与泊松过程关联：在一个两类型 Poisson 过程中，给定总到达数，各类型的比例服从 Beta 分布。

Beta 分布在多维情况下的自然推广是Dirichlet 分布，它将概率向量约束在 K K 维单纯形 {θ:θi≥0,∑iθi=1} \{\boldsymbol{\theta} : \theta_i \ge 0, \sum_i \theta_i = 1\} 上。Dirichlet 是多项分布的共轭先验，在主题模型（如 LDA）和混合模型中广泛应用。

应用场景

  1. 转化率建模：电商点击率、广告转化率、邮件打开率等 [0,1] [0,1] 比例数据。Beta-Binomial 框架提供完整的不确定性量化。
  2. 贝叶斯 A/B 测试：为每个变体维护一个 Beta 后验分布，通过后验概率直接比较变体，避免了传统频率主义方法中多重比较和 p p -值误用的困扰。
  3. 可靠性分析：产品的可靠性（存活率）介于 [0,1] [0,1] ，Beta 分布可作为先验，结合失效时间数据更新信念。
  4. 订单簿建模：在市场微观结构中，限价订单的成交概率可用 Beta 分布刻画，因为它是概率的自然表达。
  5. 遗传学：Hardy-Weinberg 平衡中基因频率的估计，Beta 先验配合等位基因计数形成后验推断。
  6. 经验贝叶斯：在大规模并行推断中（如棒球击球率、基因差异表达），用数据估计先验超参数 α,β \alpha, \beta ，然后对每个单元做贝叶斯收缩，即 Beta-Binomial 经验贝叶斯方法。

与其它分布的转换

Beta 分布与若干常见分布互通。除了前述 Gamma 比值构造外，若 X∼Beta(α,β) X \sim \text{Beta}(\alpha, \beta) ，则 βXα(1−X)∼F(2α,2β) \frac{\beta X}{\alpha(1-X)} \sim F(2\alpha, 2\beta) ，即 F F 分布的变换。此外，Kumaraswamy 分布是 Beta 分布的一种计算上更易处理的近似，特别适合无需正规化常数的模拟场景。

总结：Beta 分布是 [0,1] [0,1] 区间上最灵活的连续分布族，以共轭性为贝叶斯推断提供了解析上的巨大便利。从无信息均匀分布到高度集中的钟形密度，仅两个参数即可覆盖极宽的信念形态，使其在理论和实践中都不可或缺。