เครื่องคำนวณการแจกแจงเบตา

คำนวณความน่าจะเป็นสำหรับการแจกแจงเบตาด้วยพารามิเตอร์รูปร่าง α และ β หาค่า P(X ≤ x), P(X ≥ x) หรือ P(a ≤ X ≤ b) พร้อมกราฟ PDF/CDF แบบโต้ตอบ พื้นที่แรเงาแสดงความน่าจะเป็น วิธีทำแบบทีละขั้นตอนด้วย MathJax และคุณสมบัติของการแจกแจง ได้แก่ ค่าเฉลี่ย ความแปรปรวน ฐานนิยม และความเบ้

ตัวอย่าง:

พารามิเตอร์รูปร่าง (α)

α > 0. α ที่สูงขึ้นจะย้ายน้ำหนักไปทาง 1

พารามิเตอร์รูปร่าง (β)

β > 0. β ที่สูงขึ้นจะย้ายน้ำหนักไปทาง 0

ประเภทความน่าจะเป็น

ค่าของ x (0 ถึง 1)

ตัวอย่างสูตร

f(x; α, β) = x^α−1(1−x)^β−1 / B(α, β)

Embed เครื่องคำนวณการแจกแจงเบตา Widget

เกี่ยวกับ เครื่องคำนวณการแจกแจงเบตา

เครื่องคำนวณการแจกแจงเบตาทำหน้าที่คำนวณความน่าจะเป็น แสดงภาพฟังก์ชันความหนาแน่นของความน่าจะเป็น (PDF) และฟังก์ชันการแจกแจงสะสม (CDF) พร้อมแสดงคุณสมบัติของการแจกแจงเบตา $X \sim \text{Beta}(\alpha, \beta)$ เพียงป้อนพารามิเตอร์รูปร่าง $\alpha$ และ $\beta$ พร้อมกับค่า $x \in [0, 1]$ เพื่อหาค่า $P(X \leq x)$, $P(X \geq x)$ หรือ $P(a \leq X \leq b)$ พร้อมคำอธิบายแบบทีละขั้นตอน กราฟแบบโต้ตอบ และสถิติสำคัญ เช่น ค่าเฉลี่ย ความแปรปรวน ฐานนิยม และความเบ้

การแจกแจงเบตาคืออะไร?

การแจกแจงเบตา คือการแจกแจงความน่าจะเป็นแบบต่อเนื่องที่กำหนดบนช่วง $[0, 1]$ โดยมีพารามิเตอร์รูปร่างที่เป็นบวกสองตัวคือ $\alpha$ (อัลฟา) และ $\beta$ (เบตา) ฟังก์ชันความหนาแน่นของความน่าจะเป็น (PDF) คือ:

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

โดยที่ $B(\alpha,\beta) = \frac{\Gamma(\alpha)\,\Gamma(\beta)}{\Gamma(\alpha+\beta)}$ คือ ฟังก์ชันเบตา การแจกแจงเบตามีความยืดหยุ่นสูงมาก — ด้วยการเปลี่ยนค่า $\alpha$ และ $\beta$ มันสามารถจำลองการแจกแจงแบบสม่ำเสมอ รูปทรงระฆัง รูปตัว U หรือรูปตัว J ได้ ทำให้เป็นการแจกแจงที่สำคัญที่สุดอย่างหนึ่งในด้านความน่าจะเป็นและสถิติ

คุณสมบัติหลัก

🔗

สังยุคของเบย์

เป็นสังยุคก่อน (conjugate prior) สำหรับการแจกแจงแบบแบร์นูลลี, ทวินาม และเรขาคณิตในการอนุมานแบบเบย์

🔄

ความหลากหลายของรูปร่าง

สามารถจำลองรูปร่างแบบสม่ำเสมอ, รูปตัว U, รูปตัว J และรูปทรงระฆังได้ ขึ้นอยู่กับค่า α และ β

📏

การรองรับที่มีขอบเขต

กำหนดในช่วง [0, 1] ทำให้เหมาะสำหรับการจำลองความน่าจะเป็น, สัดส่วน และอัตรา

⚖

ความสมมาตร

เมื่อ α = β การแจกแจงจะสมมาตรรอบจุด 0.5 มิฉะนั้นจะมีความเบ้

แกลเลอรีรูปร่าง — α และ β ส่งผลต่อการแจกแจงอย่างไร

การแจกแจงเบตาจะมีรูปร่างที่แตกต่างกันอย่างมากตามพารามิเตอร์:

สม่ำเสมอ (Uniform)

α = 1, β = 1

ระฆังสมมาตร

α = 5, β = 5

รูปตัว J (ซ้าย)

α = 0.5, β = 2

รูปตัว U

α = 0.5, β = 0.5

สูตรต่างๆ

คุณสมบัติ	สูตร	คำอธิบาย
PDF	$f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}$	ความหนาแน่นของความน่าจะเป็นที่ x
CDF	$F(x) = I_x(\alpha,\beta)$	ฟังก์ชันเบตาไม่สมบูรณ์แบบปกติ
ค่าเฉลี่ย	$\mu = \frac{\alpha}{\alpha+\beta}$	ค่าคาดหมาย
ความแปรปรวน	$\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}$	การกระจายของการแจกแจง
ฐานนิยม	$\frac{\alpha-1}{\alpha+\beta-2}$ (ถ้า α, β > 1)	ค่าที่มีโอกาสเกิดมากที่สุด
ความเบ้	$\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}$	การวัดความไม่สมมาตร
ฟังก์ชันเบตา	$B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}$	ค่าคงที่การปรับมาตรฐาน

การตีความแบบเบย์

การแจกแจงเบตามีความสำคัญอย่างยิ่งต่อ สถิติแบบเบย์ เนื่องจากเป็น สังยุคก่อน (conjugate prior) สำหรับการแจกแจงแบบแบร์นูลลีและทวินาม หากคุณมีความเชื่อก่อนหน้าเกี่ยวกับความน่าจะเป็น $p$ ที่แสดงเป็น $\text{Beta}(\alpha, \beta)$ และคุณสังเกตพบความสำเร็จ $s$ ครั้งจากการทดลอง $n$ ครั้ง ความเชื่อที่อัปเดตแล้วของคุณ (การแจกแจงหลัง) คือ:

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

กฎการอัปเดตที่หรูหรานี้คือเหตุผลที่การแจกแจงเบตาเป็นตัวเลือกหลักสำหรับการจำลองความไม่แน่นอนเกี่ยวกับความน่าจะเป็น ตัวเลือกทั่วไปสำหรับการแจกแจงก่อน ได้แก่:

ชื่อการแจกแจงก่อน	พารามิเตอร์	เมื่อควรใช้
สม่ำเสมอ (คงที่)	Beta(1, 1)	ไม่มีข้อมูลล่วงหน้า — ทุกความน่าจะเป็นมีโอกาสเท่ากัน
Jeffreys prior	Beta(0.5, 0.5)	การแจกแจงก่อนแบบไม่ให้ข้อมูลที่มีคุณสมบัติทางคณิตศาสตร์ที่ดี
Haldane prior	Beta(0, 0) (ไม่เหมาะสม)	ไม่ให้ข้อมูลอย่างสูงสุด — ใช้ในการวิเคราะห์แบบเบย์อย่างเป็นทางการ
ข้อมูลอ่อน	Beta(2, 2)	ชอบค่าที่อยู่ใกล้ 0.5 เล็กน้อย

การประยุกต์ใช้ในโลกแห่งความเป็นจริง

สาขาวิชา	สิ่งที่ X จำลอง	ตัวอย่าง
การทดสอบ A/B	ความน่าจะเป็นของอัตราการเปลี่ยนเป็นลูกค้า	การประมาณอัตราการคลิกผ่าน (CTR) สำหรับเว็บไซต์สองรูปแบบ
การควบคุมคุณภาพ	สัดส่วนของสินค้าที่บกพร่อง	การจำลองอัตราข้อบกพร่องของกระบวนการผลิต
การวิเคราะห์กีฬา	ความน่าจะเป็นที่จะชนะ / ค่าเฉลี่ยการตี	การประมาณค่าเฉลี่ยการตีที่แท้จริงของนักเบสบอล
การประกันภัย	ความน่าจะเป็นในการเคลม	การจำลองสัดส่วนของผู้ถือกรมธรรม์ที่ยื่นเคลม
พันธุศาสตร์	ความถี่ของอัลลีล	การจำลองความถี่ของตัวแปรยีนในประชากร
การเรียนรู้ของเครื่อง	ความเชื่อมั่นของโมเดล	การแจกแจงก่อนสำหรับพารามิเตอร์ความน่าจะเป็นในลักษณนามแบบเบย์

การแจกแจงเบตา vs. การแจกแจงอื่นๆ

คุณลักษณะ	เบตา (Beta)	ปกติ (Normal)	สม่ำเสมอ (Uniform)
การรองรับ	[0, 1]	(−∞, +∞)	[a, b]
พารามิเตอร์	α, β (รูปร่าง)	μ, σ (ตำแหน่ง, มาตราส่วน)	a, b (จุดปลาย)
ความยืดหยุ่นของรูปร่าง	สูงมาก (ระฆัง, U, J, แบน)	เป็นรูปทรงระฆังเสมอ	แบนเสมอ
เหมาะสำหรับ	สัดส่วน, ความน่าจะเป็น	การวัดที่ไม่มีขอบเขต	สถานการณ์ที่มีโอกาสเท่ากัน
การใช้แบบเบย์	สังยุคก่อนสำหรับแบร์นูลลี	สังยุคก่อนสำหรับปกติ (ทราบ σ)	การแจกแจงก่อนแบบไม่ให้ข้อมูล

วิธีใช้งานเครื่องคำนวณการแจกแจงเบตา

กรอกพารามิเตอร์รูปร่าง α และ β: ทั้งคู่ต้องเป็นจำนวนบวก α ควบคุมน้ำหนักที่อยู่ใกล้ 1 และ β ควบคุมน้ำหนักที่อยู่ใกล้ 0 สำหรับการแจกแจงที่สมมาตร ให้ตั้งค่า α = β
เลือกประเภทความน่าจะเป็น: เลือก P(X ≤ x) สำหรับความน่าจะเป็นสะสม, P(X ≥ x) สำหรับความน่าจะเป็นรอดชีวิต หรือ P(a ≤ X ≤ b) สำหรับความน่าจะเป็นแบบช่วง
กรอกค่า x หรือช่วง: ค่าต้องอยู่ระหว่าง 0 ถึง 1 สำหรับความน่าจะเป็นแบบช่วง ให้กรอกทั้งขอบเขตล่าง a และขอบเขตบน b
ตรวจสอบผลลัพธ์: ตรวจสอบผลลัพธ์ความน่าจะเป็น ป้ายการจำแนกรูปร่าง กราฟ PDF และ CDF แบบโต้ตอบพร้อมพื้นที่ความน่าจะเป็นที่แรเงา คุณสมบัติการแจกแจง (ค่าเฉลี่ย, ความแปรปรวน, ฐานนิยม) และวิธีแก้ปัญหาแบบทีละขั้นตอน

FAQ

การแจกแจงเบตาคืออะไร?

การแจกแจงเบตาคือการแจกแจงความน่าจะเป็นแบบต่อเนื่องที่กำหนดบนช่วง [0, 1] พร้อมพารามิเตอร์รูปร่างสองตัวคือ alpha และ beta มันมีความหลากหลายมากและสามารถใช้จำลองสัดส่วน ความน่าจะเป็น และอัตราได้ ขึ้นอยู่กับค่าของพารามิเตอร์ มันสามารถมีรูปร่างได้หลายแบบรวมถึงรูปทรงระฆัง รูปตัว U รูปตัว J หรือแบบสม่ำเสมอ

พารามิเตอร์รูปร่าง alpha และ beta คืออะไร?

Alpha (α) และ beta (β) เป็นจำนวนจริงบวกที่ควบคุมรูปร่างของการแจกแจง เมื่อ alpha เท่ากับ beta การแจกแจงจะสมมาตรรอบจุด 0.5 เมื่อ alpha มากกว่า beta การแจกแจงจะเบ้ไปทาง 1 (เบ้ซ้าย) เมื่อ alpha น้อยกว่า beta จะเบ้ไปทาง 0 (เบ้ขวา) และเมื่อทั้งคู่มีค่าน้อยกว่า 1 การแจกแจงจะเป็นรูปตัว U โดยมีจุดสูงสุดที่ปลายทั้งสองด้าน

การแจกแจงเบตาใช้ในสถิติแบบเบย์อย่างไร?

การแจกแจงเบตาคือสังยุคก่อน (conjugate prior) สำหรับการแจกแจงแบบแบร์นูลลีและทวินาม ในการอนุมานแบบเบย์ หากคุณเริ่มต้นด้วยการแจกแจงก่อนแบบ Beta(α, β) สำหรับพารามิเตอร์ความน่าจะเป็น และสังเกตพบความสำเร็จ s ครั้งจากการทดลอง n ครั้ง การแจกแจงหลังจะเป็น Beta(α + s, β + n − s) สิ่งนี้ทำให้เป็นตัวเลือกมาตรฐานสำหรับการจำลองความไม่แน่นอนเกี่ยวกับความน่าจะเป็น อัตราการเปลี่ยนเป็นลูกค้า สัดส่วน และปริมาณอื่นๆ ที่มีขอบเขตระหว่าง 0 ถึง 1

ข้อแตกต่างระหว่างการแจกแจงเบตากับการแจกแจงปกติคืออะไร?

การแจกแจงเบตามีขอบเขตอยู่ในช่วง [0, 1] ในขณะที่การแจกแจงปกติครอบคลุมจำนวนจริงทั้งหมดตั้งแต่ลบอินฟินิตี้ถึงบวกอินฟินิตี้ การแจกแจงเบตามีรูปร่างที่ยืดหยุ่นกว่ามาก — สามารถเป็นรูปตัว U, รูปตัว J, รูปทรงระฆัง หรือแบบแบน — ในขณะที่การแจกแจงปกติจะเป็นรูปทรงระฆังเสมอ การแจกแจงเบตาเป็นตัวเลือกที่เป็นธรรมชาติสำหรับการจำลองสัดส่วนและความน่าจะเป็น ในขณะที่การแจกแจงปกติเหมาะที่สุดสำหรับการวัดแบบต่อเนื่องที่ไม่มีขอบเขต

ฉันจะคำนวณ CDF ของการแจกแจงเบตาได้อย่างไร?

CDF ของการแจกแจงเบตาคือฟังก์ชันเบตาไม่สมบูรณ์แบบปกติ I_x(α, β) ซึ่งนิยามว่าเป็นอินทิกรัลจาก 0 ถึง x ของ t^(α−1)(1−t)^(β−1) dt หารด้วยฟังก์ชันเบตา B(α, β) อินทิกรัลนี้ไม่มีคำตอบในรูปแบบปิดสำหรับ α และ β ทั่วไป ดังนั้นจึงต้องคำนวณเชิงตัวเลขโดยใช้อัลกอริทึมเศษส่วนต่อเนื่องหรือการขยายอนุกรม เครื่องคำนวณนี้จะจัดการการคำนวณให้คุณโดยอัตโนมัติ

อ้างอิงเนื้อหา หน้าหรือเครื่องมือนี้ว่า:

"เครื่องคำนวณการแจกแจงเบตา" ที่ https://MiniWebtool.com/th// จาก MiniWebtool, https://MiniWebtool.com/

โดยทีมงาน miniwebtool อัปเดตเมื่อ: 2026-04-14

คุณสามารถลองใช้ AI แก้ปัญหาคณิตศาสตร์ GPT ของเรา เพื่อแก้ไขปัญหาทางคณิตศาสตร์ของคุณผ่านคำถามและคำตอบด้วยภาษาธรรมชาติ.

คุณสมบัติ	สูตร	คำอธิบาย
PDF	\(f(x) = \frac{x^{\alpha-1}(1-x)^{\beta-1}}{B(\alpha,\beta)}\)	ความหนาแน่นของความน่าจะเป็นที่ x
CDF	\(F(x) = I_x(\alpha,\beta)\)	ฟังก์ชันเบตาไม่สมบูรณ์แบบปกติ
ค่าเฉลี่ย	\(\mu = \frac{\alpha}{\alpha+\beta}\)	ค่าคาดหมาย
ความแปรปรวน	\(\sigma^2 = \frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}\)	การกระจายของการแจกแจง
ฐานนิยม	\(\frac{\alpha-1}{\alpha+\beta-2}\) (ถ้า α, β > 1)	ค่าที่มีโอกาสเกิดมากที่สุด
ความเบ้	\(\frac{2(\beta-\alpha)\sqrt{\alpha+\beta+1}}{(\alpha+\beta+2)\sqrt{\alpha\beta}}\)	การวัดความไม่สมมาตร
ฟังก์ชันเบตา	\(B(\alpha,\beta) = \frac{\Gamma(\alpha)\Gamma(\beta)}{\Gamma(\alpha+\beta)}\)	ค่าคงที่การปรับมาตรฐาน

เครื่องคำนวณการแจกแจงเบตา

เกี่ยวกับ เครื่องคำนวณการแจกแจงเบตา

การแจกแจงเบตาคืออะไร?

คุณสมบัติหลัก

แกลเลอรีรูปร่าง — α และ β ส่งผลต่อการแจกแจงอย่างไร

สูตรต่างๆ

การตีความแบบเบย์

การประยุกต์ใช้ในโลกแห่งความเป็นจริง

การแจกแจงเบตา vs. การแจกแจงอื่นๆ

วิธีใช้งานเครื่องคำนวณการแจกแจงเบตา

FAQ

เครื่องมือเด่น: