简而言之，贝塔分布代表probabilities（概率的复数形式）的分布，也就是说，它代表当我们不知道概率是什么时，概率的所有可能值。 所有看棒球的人都熟悉打击率这个概念，也就是安打数除以打数（因此，打击率是0到1之间的百分数）。 .266是一个平均水平的打击率，而.300是一个优秀的打击率。 假设我们想预测某个棒球手在整个赛季的打击率。你可能会说，使用已有的打击率数据不就行了？但是在赛季刚开始的时候，这会是一个非常差的衡量指标，如果棒球手的打数只有几次，可能预测出棒球手的打击率为1.000或0.000这样的数字。 我们为什么知道上面的预测很糟糕？如果我们观察到棒球手在赛季一开始出现了一个三振，为什么没人会预测这个棒球手在整个赛季都拿不到一个安打？因为我们有先验知识，我们知道，在历史上，绝大多数棒球手的赛季平均打击率在.215到.360之间，有一些极端罕见的例外低于或高于这个范围。我们知道，如果一个棒球手刚开始出现了几个三振，那可能意味着他最终的打击率会比平均值低一点，但我们知道他大概不会偏离上面提到的范围。 我们的打击率问题可以表示为二项分布（一系列成功和失败），表示这些先验预期（在统计学上我们直接称为先验）的最好方式是贝塔分布——也就是说，在我们观测到棒球手的打击数据前，我们大致期望他的打击率会是这样的。贝塔分布的定义域为(0, 1)，和概率一样，因此我们知道我们的路线是正确的——但是贝塔分布与当前任务的相关性远不止这些。 我们期望，棒球手整个赛季的打击率最有可能在.27附近，但.21到.35 curve(dbeta(x, 81, 219)) 注意，分布的均值为α/(α β) = 81/(81 219) = .270。 整个分布基本上完全位于(.2, .35)之间，对打击率而言，这个范围很合理。 在我们的例子中，贝塔分布的x轴代表打击率。因此，不仅y轴代表概率（更准确地说，概率密度），x轴也代表概率（打击率是安打的概率）！贝塔分布是概率的概率分布。 接着我们讨论为什么贝塔分布非常合适我们的问题。假设棒球手完成了一个安打。当前赛季的记录为安打 1；打数 1。我们需要更新概率——我们希望略微移动整个曲线以反映我们新获得的信息。尽管相应的数学证明有点复杂（证明见此），结果非常简单。新的贝塔分布将是： Beta(α0 hits,β0 misses) 其中，α0和β0是刚开始的参数81和219。因此，在这一情形下，α增加了1（1次安打），而β完全没有增加（目前还没有落空）。这意味着我们的新分布是Beta(81 1,219)： curve(dbeta(x, 82, 219)) 注意上面的图像基本上没有变动——肉眼观察不到改变！（这是因为一个安打其实说明不了什么。） 然而，随着赛季的进行，棒球手的安打数越多，曲线为了适应新证据所作的移动也会越多，而且，由于我们有更多的证据，它会收拢。比如，到赛季的一半，球手的打数达到了300，其中有100个安打。新的分布会是Beta(81 100,219 200)： curve(dbeta(x, 81 100, 219 200)) 注意，和原来相比，现在曲线变得更狭长了，同时向右侧（更高的击打率）移动了。我们对球手的打击率更有概念了。 基本上，所得贝塔分布的期望值，就是我们新的估计。回顾一下，贝塔分布的期望值为α/(α β)。因此，在真实打数为300，安打数为100的情况下，新贝塔分布的期望值为(81 100)/(81 100 219 200) = .303。注意它比朴素的估计值100/(100 200) = .333要低，但比赛季开始前的估计值81/(81 219) = .270要高。你可能会注意到，这一等式等价于球手加上“提前开始”的安打数和落空数——也就是说“在赛季开始时，球手已经有81安打、219落空的记录”。 因此，贝塔函数最适宜用来表示概率的概率分布——当你并不预先知道概率是多少，但具备一些合理的猜测的时候。 |
|
|
