베타 분포 계산기

형상 매개변수 α와 β를 사용하여 베타 분포의 확률을 계산합니다. 대화형 PDF/CDF 그래프, 확률 영역 표시, 단계별 MathJax 풀이, 그리고 평균, 분산, 최빈값, 왜도를 포함한 분포 속성과 함께 P(X ≤ x), P(X ≥ x) 또는 P(a ≤ X ≤ b)를 구하세요.

베타 분포 계산기

Embed 베타 분포 계산기 Widget

베타 분포 계산기 정보

베타 분포 계산기는 베타 분포 $X \sim \text{Beta}(\alpha, \beta)$에 대한 확률을 계산하고, 확률 밀도 함수(PDF) 및 누적 분포 함수(CDF)를 시각화하며, 분포의 속성을 표시합니다. 형태 매개변수 $\alpha$와 $\beta$, 그리고 $x \in [0, 1]$ 범위의 값을 입력하면 $P(X \leq x)$, $P(X \geq x)$ 또는 $P(a \leq X \leq b)$를 단계별 풀이, 대화형 그래프 및 평균, 분산, 최빈값, 왜도와 같은 주요 통계와 함께 얻을 수 있습니다.

베타 분포란 무엇인가요?

베타 분포는 두 개의 양의 형태 매개변수인 $\alpha$ (알파)와 $\beta$ (베타)를 가지며 $[0, 1]$ 구간에서 정의되는 연속 확률 분포입니다. 확률 밀도 함수(PDF)는 다음과 같습니다:

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

여기서 $B(\alpha,\beta) = \frac{\Gamma(\alpha)\,\Gamma(\beta)}{\Gamma(\alpha+\beta)}$는 베타 함수입니다. 베타 분포는 매우 다재다능합니다. $\alpha$와 $\beta$를 변화시켜 균등, 종 모양, U자형 또는 J자형 분포를 모델링할 수 있어 확률 및 통계에서 가장 중요한 분포 중 하나로 꼽힙니다.

주요 속성

🔗

베이지안 공액성

베이지안 추론에서 베르누이, 이항 및 기하 분포의 공액 사전 분포입니다.

🔄

형태의 다양성

α와 β에 따라 균등, U자형, J자형 및 종 모양 분포를 모델링할 수 있습니다.

📏

유계 지지

[0, 1] 범위에서 정의되어 확률, 비율 및 비율 모델링에 이상적입니다.

⚖

대칭성

α = β일 때 분포는 0.5를 중심으로 대칭입니다. 그렇지 않으면 한쪽으로 치우칩니다.

형태 갤러리 — α와 β가 분포에 미치는 영향

베타 분포는 매개변수에 따라 매우 다른 형태를 취합니다:

균등 분포

α = 1, β = 1

대칭 종 모양

α = 5, β = 5

J자형 (왼쪽)

α = 0.5, β = 2

U자형

α = 0.5, β = 0.5

공식

속성	공식	설명
PDF	$f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}$	x에서의 확률 밀도
CDF	$F(x) = I_x(\alpha,\beta)$	정규화된 불완전 베타 함수
평균	$\mu = \frac{\alpha}{\alpha+\beta}$	기댓값
분산	$\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}$	분포의 퍼짐 정도
최빈값	$\frac{\alpha-1}{\alpha+\beta-2}$ (α, β > 1인 경우)	가장 확률이 높은 값
왜도	$\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}$	비대칭 측정치
베타 함수	$B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}$	정규화 상수

베이지안 해석

베타 분포는 베르누이 및 이항 분포의 공액 사전 분포이기 때문에 베이지안 통계에서 핵심적인 역할을 합니다. 만약 확률 $p$에 대해 $\text{Beta}(\alpha, \beta)$로 표현된 사전 믿음을 가지고 있고, $n$번의 시행에서 $s$번의 성공을 관찰했다면, 업데이트된(사후) 믿음은 다음과 같습니다:

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

이 우아한 업데이트 규칙 덕분에 베타 분포는 확률에 대한 불확실성을 모델링할 때 기본적으로 선택됩니다. 일반적인 사전 분포 선택은 다음과 같습니다:

사전 분포 이름	매개변수	사용 시기
균등 (Flat)	Beta(1, 1)	사전 정보 없음 — 모든 확률이 동일하게 가능함
제프리스 사전 분포	Beta(0.5, 0.5)	수학적 속성이 좋은 무정보적 사전 분포
할데인 사전 분포	Beta(0, 0) (부적절)	최대한의 무정보성 — 공식적인 베이지안 분석에 사용
약한 정보성	Beta(2, 2)	0.5 근처의 값에 대해 약간의 선호도 가짐

실생활 응용

분야	X 모델링 대상	예시
A/B 테스트	전환율 확률	두 웹사이트 변형의 클릭률 추정
품질 관리	불량품 비율	제조 공정의 불량률 모델링
스포츠 분석	승리 확률 / 타율	야구 선수의 실제 타율 추정
보험	청구 확률	보험 청구를 제출하는 보험 가입자 비율 모델링
유전학	대립 유전자 빈도	집단 내 유전자 변이 빈도 모델링
기계 학습	모델 신뢰도	베이지안 분류기에서 확률 매개변수의 사전 분포

베타 분포 vs. 다른 분포

특징	베타 (Beta)	정규 (Normal)	균등 (Uniform)
지지 (Support)	[0, 1]	(−∞, +∞)	[a, b]
매개변수	α, β (형태)	μ, σ (위치, 척도)	a, b (끝점)
형태 유연성	매우 높음 (종형, U형, J형, 평면형)	항상 종 모양	항상 평면형
최적 용도	비율, 확률	경계가 없는 측정값	동일 확률 시나리오
베이지안 용도	베르누이 공액 사전 분포	정규 분포 공액 사전 분포 (σ 알 때)	무정보적 사전 분포

베타 분포 계산기 사용 방법

형태 매개변수 α와 β 입력: 두 값 모두 양수여야 합니다. α는 1 근처의 가중치를 제어하고, β는 0 근처의 가중치를 제어합니다. 대칭 분포를 원하면 α = β로 설정하십시오.
확률 유형 선택: 누적 확률의 경우 P(X ≤ x), 생존 확률의 경우 P(X ≥ x), 범위 확률의 경우 P(a ≤ X ≤ b)를 선택합니다.
x 값 또는 범위 입력: 값은 0과 1 사이여야 합니다. 범위 확률의 경우 하한값 a와 상한값 b를 모두 입력하십시오.
결과 검토: 확률 결과, 형태 분류 배지, 확률 영역이 표시된 대화형 PDF 및 CDF 그래프, 분포 속성(평균, 분산, 최빈값) 및 전체 단계별 풀이를 확인하십시오.

자주 묻는 질문 (FAQ)

베타 분포란 무엇인가요?

베타 분포는 alpha와 beta라는 두 가지 형태 매개변수를 가지며 [0, 1] 구간에서 정의되는 연속 확률 분포입니다. 매우 유연하여 비율, 확률 및 비율을 모델링할 수 있습니다. 매개변수 값에 따라 종 모양, U자형, J자형 또는 균등 분포 등 다양한 형태를 취할 수 있습니다.

형태 매개변수 alpha와 beta는 무엇인가요?

Alpha (α)와 beta (β)는 분포의 형태를 제어하는 양의 실수입니다. alpha와 beta가 같으면 분포는 0.5를 중심으로 대칭입니다. alpha가 beta보다 크면 분포는 1쪽으로 치우칩니다(왼쪽 왜도). alpha가 beta보다 작으면 0쪽으로 치우칩니다(오른쪽 왜도). 둘 다 1보다 작으면 분포는 양 끝점에 정점을 가진 U자형이 됩니다.

베이지안 통계에서 베타 분포는 어떻게 사용되나요?

베타 분포는 베르누이 및 이항 분포의 공액 사전 분포입니다. 베이지안 추론에서 확률 매개변수에 대해 Beta(α, β) 사전 분포로 시작하여 n번의 시행에서 s번의 성공을 관찰하면 사후 분포는 Beta(α + s, β + n − s)가 됩니다. 따라서 확률, 전환율, 비율 및 0과 1 사이의 유사한 수치에 대한 불확실성을 모델링하는 표준적인 선택이 됩니다.

베타 분포와 정규 분포의 차이점은 무엇인가요?

베타 분포는 [0, 1] 범위로 제한되지만 정규 분포는 음의 무한대에서 양의 무한대까지 모든 실수를 포괄합니다. 베타 분포는 훨씬 더 유연하여 U자형, J자형, 종 모양 또는 평면형이 될 수 있는 반면 정규 분포는 항상 종 모양입니다. 베타 분포는 비율과 확률 모델링에 적합하고 정규 분포는 경계가 없는 연속 측정값에 가장 적합합니다.

베타 분포의 CDF는 어떻게 계산하나요?

베타 분포의 CDF는 0에서 x까지 t^(α−1)(1−t)^(β−1) dt의 적분값을 베타 함수 B(α, β)로 나눈 정규화된 불완전 베타 함수 I_x(α, β)로 정의됩니다. 이 적분은 일반적인 α와 β에 대해 닫힌 형식의 해가 없으므로 연분수 알고리즘이나 급수 전개를 사용하여 수치적으로 계산됩니다. 이 계산기는 이 계산 과정을 자동으로 처리합니다.

이 콘텐츠, 페이지 또는 도구를 다음과 같이 인용하세요:

"베타 분포 계산기" - https://MiniWebtool.com/ko/베타-분포-계산기/에서 MiniWebtool 인용, https://MiniWebtool.com/

miniwebtool 팀 제작. 업데이트: 2026-04-14

개발자 API 사용 가능: 이 도구를 앱, 자동화, 에이전트에서 한 번의 JSON HTTP 요청으로 실행할 수 있습니다. API 문서 보기

또한 저희의 AI 수학 해결사 GPT를 사용하여 자연어 질문과 답변으로 수학 문제를 해결할 수 있습니다.

베타 분포 계산기

베타 분포 계산기 정보

베타 분포란 무엇인가요?

주요 속성

형태 갤러리 — α와 β가 분포에 미치는 영향

공식

베이지안 해석

실생활 응용

베타 분포 vs. 다른 분포

베타 분포 계산기 사용 방법

자주 묻는 질문 (FAQ)

데이터 분석 및 통계 도구:

주요 도구:

속성	공식	설명
PDF	\(f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}\)	x에서의 확률 밀도
CDF	\(F(x) = I_x(\alpha,\beta)\)	정규화된 불완전 베타 함수
평균	\(\mu = \frac{\alpha}{\alpha+\beta}\)	기댓값
분산	\(\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}\)	분포의 퍼짐 정도
최빈값	\(\frac{\alpha-1}{\alpha+\beta-2}\) (α, β > 1인 경우)	가장 확률이 높은 값
왜도	\(\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}\)	비대칭 측정치
베타 함수	\(B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}\)	정규화 상수