Calculateur de Distribution Bêta

Calculez des probabilités de loi bêta depuis les paramètres alpha et bêta. P(X <= x), P(X >= x) ou un intervalle, avec graphiques PDF et CDF interactifs, solution détaillée, moyenne, variance, mode et asymétrie.

Utilisation gratuiteSans inscriptionRésultats instantanés

Calculateur de Distribution BêtaEssayez maintenant — gratuit ▼

Embed Calculateur de Distribution Bêta Widget

Calculateur de Distribution Bêta

Le Calculateur de Distribution Bêta calcule les probabilités, visualise la fonction de densité de probabilité (PDF) et la fonction de répartition (CDF), et affiche les propriétés de distribution pour la distribution bêta $X \sim \text{Beta}(\alpha, \beta)$. Saisissez les paramètres de forme $\alpha$ et $\beta$ ainsi qu'une valeur $x \in [0, 1]$ pour obtenir $P(X \leq x)$, $P(X \geq x)$ ou $P(a \leq X \leq b)$, avec des solutions étape par étape, des graphiques interactifs et des statistiques clés comme la moyenne, la variance, le mode et l'asymétrie.

Qu'est-ce que la distribution bêta ?

La distribution bêta est une distribution de probabilité continue définie sur l'intervalle $[0, 1]$ avec deux paramètres de forme positifs $\alpha$ (alpha) et $\beta$ (bêta). Sa fonction de densité de probabilité (PDF) est :

$$f(x;\,\alpha,\beta) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}, \quad 0 \leq x \leq 1$$

où $B(\alpha,\beta) = \frac{\Gamma(\alpha)\,\Gamma(\beta)}{\Gamma(\alpha+\beta)}$ est la fonction bêta. La distribution bêta est extrêmement polyvalente — en variant $\alpha$ et $\beta$, elle peut modéliser des distributions uniformes, en cloche, en U ou en J, ce qui en fait l'une des distributions les plus importantes en probabilités et en statistiques.

Propriétés Clés

🔗

Conjugué Bayésien

Prieur conjugué pour les distributions de Bernoulli, binomiales et géométriques en inférence bayésienne.

🔄

Polyvalence de Forme

Peut modéliser des distributions uniformes, en U, en J et en cloche selon α et β.

📏

Support Borné

Définie sur [0, 1], ce qui la rend idéale pour modéliser des probabilités, des proportions et des taux.

⚖

Symétrie

Lorsque α = β, la distribution est symétrique autour de 0,5. Sinon, elle est asymétrique.

Galerie de Formes — Comment α et β Affectent la Distribution

La distribution bêta prend des formes remarquablement différentes selon ses paramètres :

Uniforme

α = 1, β = 1

Cloche Symétrique

α = 5, β = 5

En Forme de J (gauche)

α = 0.5, β = 2

En Forme de U

α = 0.5, β = 0.5

Formules

Propriété	Formule	Description
PDF	$f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}$	Densité de probabilité en x
CDF	$F(x) = I_x(\alpha,\beta)$	Fonction bêta incomplète régularisée
Moyenne	$\mu = \frac{\alpha}{\alpha+\beta}$	Valeur attendue
Variance	$\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}$	Dispersion de la distribution
Mode	$\frac{\alpha-1}{\alpha+\beta-2}$ (si α, β > 1)	Valeur la plus probable
Asymétrie	$\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}$	Mesure de l'asymétrie
Fonction Bêta	$B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}$	Constante de normalisation

Interprétation Bayésienne

La distribution bêta est centrale aux statistiques bayésiennes car elle est le prieur conjugué pour les distributions de Bernoulli et binomiales. Si vous avez une croyance préalable sur une probabilité $p$ exprimée sous la forme $\text{Beta}(\alpha, \beta)$, et que vous observez $s$ succès dans $n$ essais, alors votre croyance mise à jour (postérieure) est :

$$p \mid \text{données} \sim \text{Beta}(\alpha + s, \; \beta + n - s)$$

Cette règle de mise à jour élégante est la raison pour laquelle la distribution bêta est le choix par défaut pour modéliser l'incertitude sur les probabilités. Les choix courants pour les prieurs incluent :

Nom du Prieur	Paramètres	Quand l'utiliser
Uniforme (plat)	Beta(1, 1)	Aucune information préalable — toutes les probabilités sont également probables
Prieur de Jeffreys	Beta(0.5, 0.5)	Prieur non informatif avec de bonnes propriétés mathématiques
Prieur de Haldane	Beta(0, 0) (impropre)	Maximalement non informatif — utilisé dans l'analyse bayésienne formelle
Faiblement informatif	Beta(2, 2)	Légère préférence pour les valeurs proches de 0,5

Applications en Monde Réel

Domaine	Ce que X modélise	Exemple
Tests A/B	Probabilité du taux de conversion	Estimation des taux de clics pour deux variantes de site web
Contrôle Qualité	Proportion d'articles défectueux	Modélisation du taux de défaut d'un processus de fabrication
Analyse Sportive	Probabilité de victoire / moyenne au bâton	Estimation de la véritable moyenne au bâton d'un joueur de baseball
Assurances	Probabilité de réclamation	Modélisation de la proportion d'assurés qui déposent une plainte
Génétique	Fréquence allélique	Modélisation de la fréquence d'un variant génétique dans une population
Apprentissage Automatique	Confiance du modèle	Distribution préalable pour les paramètres de probabilité dans les classifieurs bayésiens

Distribution Bêta vs Autres Distributions

Caractéristique	Bêta	Normale	Uniforme
Support	[0, 1]	(−∞, +∞)	[a, b]
Paramètres	α, β (forme)	μ, σ (position, échelle)	a, b (bornes)
Flexibilité de forme	Très élevée (cloche, U, J, plat)	Toujours en cloche	Toujours plate
Idéal pour	Proportions, probabilités	Mesures non bornées	Scénarios d'équiprobabilité
Usage Bayésien	Prieur conjugué pour Bernoulli	Prieur conjugué pour Normale (σ connu)	Prieur non informatif

Comment utiliser le Calculateur de Distribution Bêta

Saisissez les paramètres de forme α et β : Les deux doivent être des nombres positifs. α contrôle le poids près de 1, et β contrôle le poids près de 0. Pour une distribution symétrique, réglez α = β.
Sélectionnez le type de probabilité : Choisissez P(X ≤ x) pour la probabilité cumulative, P(X ≥ x) pour la probabilité de survie, ou P(a ≤ X ≤ b) pour la probabilité d'intervalle.
Saisissez la valeur x ou l'intervalle : Les valeurs doivent être comprises entre 0 et 1. Pour les probabilités d'intervalle, saisissez à la fois la borne inférieure a et la borne supérieure b.
Consultez les résultats : Examinez le résultat de la probabilité, le badge de classification de la forme, les graphiques PDF et CDF interactifs avec les régions de probabilité ombrées, les propriétés de distribution (moyenne, variance, mode) et la solution complète étape par étape.

FAQ

Qu'est-ce que la distribution bêta ?

La distribution bêta est une distribution de probabilité continue définie sur l'intervalle [0, 1] avec deux paramètres de forme alpha et bêta. Elle est extrêmement polyvalente et peut modéliser des proportions, des probabilités et des taux. Selon les valeurs des paramètres, elle peut prendre de nombreuses formes, notamment en cloche, en U, en J ou uniforme.

Quels sont les paramètres de forme alpha et bêta ?

Alpha (α) et bêta (β) sont des nombres réels positifs qui contrôlent la forme de la distribution. Lorsque alpha est égal à bêta, la distribution est symétrique autour de 0,5. Lorsque alpha est supérieur à bêta, la distribution est asymétrique vers 1 (asymétrie négative). Lorsque alpha est inférieur à bêta, elle est asymétrique vers 0 (asymétrie positive). Lorsque les deux sont inférieurs à 1, la distribution devient en forme de U avec des pics aux deux extrémités.

Comment la distribution bêta est-elle utilisée dans les statistiques bayésiennes ?

La distribution bêta est le prieur conjugué pour les distributions de Bernoulli et binomiales. En inférence bayésienne, si vous commencez avec un prieur Beta(α, β) pour un paramètre de probabilité et que vous observez s succès dans n essais, la distribution postérieure est Beta(α + s, β + n − s). Cela en fait le choix standard pour modéliser l'incertitude sur les probabilités, les taux de conversion, les proportions et les quantités similaires bornées entre 0 et 1.

Quelle est la différence entre la distribution bêta et la distribution normale ?

La distribution bêta est bornée sur [0, 1] tandis que la distribution normale s'étend sur tous les nombres réels de l'infini négatif à l'infini positif. La distribution bêta est beaucoup plus flexible dans sa forme — elle peut être en U, en J, en cloche ou plate — tandis que la distribution normale est toujours en cloche. La distribution bêta est le choix naturel pour modéliser les proportions et les probabilités, tandis que la distribution normale est préférable pour les mesures continues non bornées.

Comment calculer la CDF de la distribution bêta ?

La CDF de la distribution bêta est la fonction bêta incomplète régularisée I_x(α, β), définie comme l'intégrale de 0 à x de t^(α−1)(1−t)^(β−1) dt, divisée par la fonction bêta B(α, β). Cette intégrale n'a pas de solution sous forme fermée pour des α et β généraux, elle est donc calculée numériquement à l'aide d'algorithmes de fractions continues ou de développements en série. Ce calculateur gère le calcul automatiquement.

Citez ce contenu, cette page ou cet outil comme suit :

"Calculateur de Distribution Bêta" sur https://MiniWebtool.com/fr/calculateur-de-distribution-beta/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe miniwebtool. Mis à jour : 2026-04-14

API développeur disponible: Exécutez cet outil depuis votre app, automatisation ou agent avec une requête HTTP JSON. Voir la documentation API

Calculateur de Distribution Bêta

Calculateur de Distribution Bêta

Qu'est-ce que la distribution bêta ?

Propriétés Clés

Galerie de Formes — Comment α et β Affectent la Distribution

Formules

Interprétation Bayésienne

Applications en Monde Réel

Distribution Bêta vs Autres Distributions

Comment utiliser le Calculateur de Distribution Bêta

FAQ

Statistiques et analyse de données:

Résolution mathématique

Nombres et facteurs

Fractions et division

Puissances, racines et logarithmes

Algèbre et équations

Calcul différentiel et intégral

Géométrie et trigonométrie

Outils populaires et mis à jour:

Téléchargez tout en un seul ZIP avec Pro

Propriété	Formule	Description
PDF	\(f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}\)	Densité de probabilité en x
CDF	\(F(x) = I_x(\alpha,\beta)\)	Fonction bêta incomplète régularisée
Moyenne	\(\mu = \frac{\alpha}{\alpha+\beta}\)	Valeur attendue
Variance	\(\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}\)	Dispersion de la distribution
Mode	\(\frac{\alpha-1}{\alpha+\beta-2}\) (si α, β > 1)	Valeur la plus probable
Asymétrie	\(\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}\)	Mesure de l'asymétrie
Fonction Bêta	\(B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}\)	Constante de normalisation