R语言B(beta)分布

这篇具有很好参考价值的文章主要介绍了R语言B(beta)分布。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

贝塔分布(Beta Distribution) 是一个作为伯努利分布和二项式分布的共轭先验分布的密度函数,在机器学习和数理统计学中有重要应用。在概率论中,贝塔分布,也称Β分布,是指一组定义在(0,1) 区间的连续概率分布。

 

beta分布r语言,概率论,r语言文章来源地址https://www.toymoban.com/news/detail-714831.html

1. 生成Β分布的随机数rbeta函数

num <- 1000
alpha <- 2
belta <- 3

x <- seq(0,1,0.01)
# rbeta(num,shape1=0.609501654,shape2=0.695410541)
# rbeta(num,shape1=alpha,shape2=belta)

2.概率密度分布函数dbeta

plot(x,dbeta(x,shape1=alpha,shape2=belta))
plot(x,dbeta(x,shape1=0.609501654,shape2=0.695410541))

3.累积概率函数pbeta

pbeta(0.752,shape1=alpha,shape2=belta)

4.qbeta函数(pbeta的反函数)

# 达到给定累积概率值时,事件发生次数最少为多少
qbeta(0.95,shape1=alpha,shape2=belta)

5.beta分布参数估算

library(MASS)
m_distr <- rbeta(num,shape1=alpha,shape2=belta)
beta_values=fitdistr(m_distr,'beta',start=list(shape1=1,shape2=2))

6 从平均值和方差计算beta分布参数:alpha,belta

# 构造数据框,每一行数据为B分布
m_df <- data.frame()
m_distr <- rbeta(num,shape1=alpha,shape2=belta)
for (alpha in seq(1:3)){
  for (belta in seq(2:5)){
    data <- rbeta(num,shape1=alpha,shape2=belta)
    m_df<- rbind(m_df,data,make.row.names=FALSE)
  }
}
colnames(m_df) <- paste0("sample",1:1000)
rownames(m_df) <- paste0("probe",1:dim(m_df)[1])
m_df[1:2,1:3]
dim(m_df)

mean_vec=rowMeans(m_df,na.rm = TRUE)
var_vec=apply(m_df,1,function(x){return(var(x,na.rm = TRUE))})
alfa_vec=(mean_vec*(mean_vec-(mean_vec^2)-(var_vec)))/var_vec
beta_vec=(alfa_vec/mean_vec)-(alfa_vec)

results_df=data.frame(mean_vec,var_vec,alfa_vec,beta_vec)

到了这里,关于R语言B(beta)分布的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 概率论:数理统计基本概念——三大分布

    首先是X分布:    n=1的时候,f(y)就是正态分布平方的密度函数,这个可以用y=g(x)的密度函数计算方法来计算。 自由度是什么?: 很显然,几个X加起来,也就是自由度加起来:     接下来是t型分布:   这个T型分布建立在X型分布和标准正态分布上。   最后是F分布:    这

    2024年02月11日
    浏览(48)
  • 【概率论】多维随机变量函数的分布(三)

    设随机变量X,Y相互独立同分布,均服从(0,1)上的均匀分布,则下列随机变量中仍然服从相应区间或区域上均匀分布的是()。 A. X 2 X^2 X

    2024年02月13日
    浏览(44)
  • 【概率论与数理统计】二维随机变量:分布函数(联合分布函数、边缘分布函数)、联合概率密度、边缘概率密度、联合分布律、边缘分布律

    直观理解: 联合概率密度 草帽/山峰 边缘概率密度 切一刀的山峰切面 联合分布函数 切两刀山峰体 边缘分布函数 切一刀山峰体 联合分布律 和 边缘分布律 针对离散型随机变量 二维随机变量  联合分布函数(切两刀山峰体) 边缘分布函数 (切一刀山峰体)    【连续型随

    2024年02月05日
    浏览(36)
  • 概率论与数理统计---随机变量的分布

    随机变量 随机变量就是随机事件的数值体现。 例如投色子记录色子的点数,记录的点数其实就是一个随机变量,他是这个点数出现的数值体现。 注意: 随机变量X = X(e) , 是一个单实值函数,每个随机事件的结果只能对应一个随机变量。 X(e)体现的是对随机事件的描述,本质

    2024年02月13日
    浏览(46)
  • 概率论与数理统计————3.随机变量及其分布

    设E是一个随机试验,S为样本空间,样本空间的任意样本点e可以通过特定的对应法则X,使得每个样本点都有与之对应的数对应,则称 X=X(e)为随机变量 分布函数: 设X为随机变量,x是任意实数,则事件{Xx}为随机变量X的分布函数,记为F(x) 即: F(x)=P(Xx) (1)几何意

    2024年01月18日
    浏览(40)
  • 概率论的学习和整理16: 泊松分布(未完成)

    目录 简单的扩展到泊松分布  比较整体的动态过程,增加实验次数时 当二项分布,n很大,p很小的时候,会趋向泊松分布 当n足够大时,二项分布趋向于正态分布。这个结论在概率论中被称为中心极限定理,它是概率论中一个非常重要的定理,广泛应用于各种领域,如金融、

    2024年02月16日
    浏览(46)
  • 概率论第二章 随机变量的分布与数字特征

    (ps:主要依照课本目录总结一下要记的公式期望和方差,概念去课本上看) 随机变量一般用大写XYZ表示,取值一般用小写xyz表示                 分布函数性质 1、单调性:若x1=x2,则F(x1)=F(x2);(单调递增) 2、F(负无穷)=0,F(正无穷)=1 2、右连续性:F(x+0)=F(x) 区间概率表示:

    2024年04月27日
    浏览(35)
  • 概率论的学习和整理9:超几何分布 (未完成!!!)

    目录 1超几何分布 Hypergeometric distribution          1.1 超几何分布的定义 1.2 为什么叫超几何分布  1.3 超几何分布的公式  (2种公式) 1.3.1 超几何分布的公式1 (总体型公式) 1.3.2 超几何分布的公式2 (拆分型公式) 1.4 超几何分布的分布图 2 超几何分布的期望和方差 3 超几

    2024年02月13日
    浏览(37)
  • 概率论中二项分布期望与方差的详细推导

    二项分布的期望和方差表达式非常简洁,但推导过程却很灵活,我们做如下推导: 概率论中,离散型随机变量期望的定义为 二项分布概率公式为 : 则其期望为 : 我们记   则 因为 所以 根据二项式展开定理,有 所以原式 概率论中,方差的定义为 因为上文已经得到E(X),所以

    2024年02月21日
    浏览(42)
  • 概率论与数理统计(3)--指数分布函数及其期望、方差

    设随机变量X具有如下形式的密度函数,那么则称X服从参数为θ的指数分布, 记为X~EXP(θ).  指数分布的分布函数为: ①数学期望 如果X 服从参数为λ (λ0)的指数分布,那么指数分布X~EXP(θ)的数学期望: λ  ②方差 设X 服从参数为λ (λ0)的指数分布, 指数分布X~EXP(θ)的方差:λ^2。

    2024年02月11日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包