Distribución de probabilidad
Beta prima Función de densidad de probabilidad
Función de distribución acumulativa
Parámetros alfa > 0 {\displaystyle \alpha >0} forma ( real ) forma (real) β > 0 {\displaystyle \beta >0} Apoyo incógnita ∈ [ 0 , ∞ ) {\displaystyle x\in [0,\infty )\!} PDF F ( incógnita ) = incógnita alfa − 1 ( 1 + incógnita ) − alfa − β B ( alfa , β ) {\displaystyle f(x)={\frac {x^{\alpha -1}(1+x)^{-\alpha -\beta }}{\mathrm {B} (\alpha ,\beta )}}\!} CDF I incógnita 1 + incógnita ( alfa , β ) {\displaystyle I_{{\frac {x}{1+x}}(\alpha ,\beta )}} I incógnita ( alfa , β ) {\displaystyle I_{x}(\alpha,\beta)} Significar alfa β − 1 {\displaystyle {\frac {\alpha }{\beta -1}}} β > 1 {\displaystyle \beta >1} Modo alfa − 1 β + 1 si alfa ≥ 1 , 0 en caso contrario {\displaystyle {\frac {\alpha -1}{\beta +1}}{\text{ si }}\alpha \geq 1{\text{, 0 en caso contrario}}\!} Diferencia alfa ( alfa + β − 1 ) ( β − 2 ) ( β − 1 ) 2 {\displaystyle {\frac {\alpha (\alpha +\beta -1)}{(\beta -2)(\beta -1)^{2}}}} β > 2 {\displaystyle \beta >2} Oblicuidad 2 ( 2 alfa + β − 1 ) β − 3 β − 2 alfa ( alfa + β − 1 ) {\displaystyle {\frac {2(2\alpha +\beta -1)}{\beta -3}}{\sqrt {\frac {\beta -2}{\alpha (\alpha +\beta -1)}}}} β > 3 {\displaystyle \beta >3} Exceso de curtosis 6 alfa ( alfa + β − 1 ) ( 5 β − 11 ) + ( β − 1 ) 2 ( β − 2 ) alfa ( alfa + β − 1 ) ( β − 3 ) ( β − 4 ) {\displaystyle 6{\frac {\alpha (\alpha +\beta -1)(5\beta -11)+(\beta -1)^{2}(\beta -2)}{\alpha (\alpha +\beta -1)(\beta -3)(\beta -4)}}} β > 4 {\displaystyle \beta >4} Entropía log ( B ( α , β ) ) + ( α − 1 ) ( ψ ( β ) − ψ ( α ) ) + ( α + β ) ( ψ ( 1 − α − β ) − ψ ( 1 − β ) + π sin ( α π ) sin ( β π ) sin ( ( α + β ) π ) ) ) {\displaystyle {\begin{aligned}&\log \left(\mathrm {B} (\alpha ,\beta )\right)+(\alpha -1)(\psi (\beta )-\psi (\alpha ))\\+&(\alpha +\beta )\left(\psi (1-\alpha -\beta )-\psi (1-\beta )+{\frac {\pi \sin(\alpha \pi )}{\sin(\beta \pi )\sin((\alpha +\beta )\pi ))}}\right)\end{aligned}}} función digamma ? ψ {\displaystyle \psi } MGF No existe CF e − i t Γ ( α + β ) Γ ( β ) G 1 , 2 2 , 0 ( α + β β , 0 | − i t ) {\displaystyle {\frac {e^{-it}\Gamma (\alpha +\beta )}{\Gamma (\beta )}}G_{1,2}^{\,2,0}\!\left(\left.{\begin{matrix}\alpha +\beta \\\beta ,0\end{matrix}}\;\right|\,-it\right)}
En teoría de probabilidad y estadística , la distribución beta prima (también conocida como distribución beta invertida o distribución beta de segundo tipo [1] ) es una distribución de probabilidad absolutamente continua . Si tiene una distribución beta , entonces las probabilidades tienen una distribución beta prima. p ∈ [ 0 , 1 ] {\displaystyle p\in [0,1]} p 1 − p {\displaystyle {\frac {p}{1-p}}}
Definiciones La distribución beta prima se define para dos parámetros α y β , que tienen la función de densidad de probabilidad : x > 0 {\displaystyle x>0}
f ( x ) = x α − 1 ( 1 + x ) − α − β B ( α , β ) {\displaystyle f(x)={\frac {x^{\alpha -1}(1+x)^{-\alpha -\beta }}{\mathrm {B} (\alpha ,\beta )}}} donde B es la función Beta .
La función de distribución acumulativa es
F ( x ; α , β ) = I x 1 + x ( α , β ) , {\displaystyle F(x;\alpha ,\beta )=I_{\frac {x}{1+x}}\left(\alpha ,\beta \right),} donde I es la función beta incompleta regularizada .
Mientras que la distribución beta relacionada es la distribución previa conjugada del parámetro de una distribución de Bernoulli expresada como probabilidad, la distribución beta prima es la distribución previa conjugada del parámetro de una distribución de Bernoulli expresada en probabilidades . La distribución es una distribución de tipo VI de Pearson . [1]
La moda de una variable X distribuida como es . Su media es si (si la media es infinita, es decir no tiene media bien definida) y su varianza es si . β ′ ( α , β ) {\displaystyle \beta '(\alpha ,\beta )} X ^ = α − 1 β + 1 {\displaystyle {\hat {X}}={\frac {\alpha -1}{\beta +1}}} α β − 1 {\displaystyle {\frac {\alpha }{\beta -1}}} β > 1 {\displaystyle \beta >1} β ≤ 1 {\displaystyle \beta \leq 1} α ( α + β − 1 ) ( β − 2 ) ( β − 1 ) 2 {\displaystyle {\frac {\alpha (\alpha +\beta -1)}{(\beta -2)(\beta -1)^{2}}}} β > 2 {\displaystyle \beta >2}
Para , el k -ésimo momento está dado por − α < k < β {\displaystyle -\alpha <k<\beta } E [ X k ] {\displaystyle E[X^{k}]}
E [ X k ] = B ( α + k , β − k ) B ( α , β ) . {\displaystyle E[X^{k}]={\frac {\mathrm {B} (\alpha +k,\beta -k)}{\mathrm {B} (\alpha ,\beta )}}.} Porque con esto se simplifica k ∈ N {\displaystyle k\in \mathbb {N} } k < β , {\displaystyle k<\beta ,}
E [ X k ] = ∏ i = 1 k α + i − 1 β − i . {\displaystyle E[X^{k}]=\prod _{i=1}^{k}{\frac {\alpha +i-1}{\beta -i}}.} La cdf también se puede escribir como
x α ⋅ 2 F 1 ( α , α + β , α + 1 , − x ) α ⋅ B ( α , β ) {\displaystyle {\frac {x^{\alpha }\cdot {}_{2}F_{1}(\alpha ,\alpha +\beta ,\alpha +1,-x)}{\alpha \cdot \mathrm {B} (\alpha ,\beta )}}} donde es la función hipergeométrica de Gauss 2 F 1 . 2 F 1 {\displaystyle {}_{2}F_{1}}
Parametrización alternativa La distribución beta prima también puede repararetizarse en términos de sus parámetros de media μ > 0 y precisión ν > 0 ( [2] p. 36).
Considere la parametrización μ = α /( β -1) y ν = β - 2, es decir, α = μ ( 1 + ν ) y β = 2 + ν . Bajo esta parametrización E[Y] = μ y Var[Y] = μ (1 + μ )/ ν .
Generalización Se pueden agregar dos parámetros más para formar la distribución beta prima generalizada : β ′ ( α , β , p , q ) {\displaystyle \beta '(\alpha ,\beta ,p,q)}
p > 0 {\displaystyle p>0} forma ( real ) q > 0 {\displaystyle q>0} real )teniendo la función de densidad de probabilidad :
f ( x ; α , β , p , q ) = p ( x q ) α p − 1 ( 1 + ( x q ) p ) − α − β q B ( α , β ) {\displaystyle f(x;\alpha ,\beta ,p,q)={\frac {p\left({\frac {x}{q}}\right)^{\alpha p-1}\left(1+\left({\frac {x}{q}}\right)^{p}\right)^{-\alpha -\beta }}{q\mathrm {B} (\alpha ,\beta )}}} Con media
q Γ ( α + 1 p ) Γ ( β − 1 p ) Γ ( α ) Γ ( β ) if β p > 1 {\displaystyle {\frac {q\Gamma \left(\alpha +{\tfrac {1}{p}}\right)\Gamma (\beta -{\tfrac {1}{p}})}{\Gamma (\alpha )\Gamma (\beta )}}\quad {\text{if }}\beta p>1} y modo
q ( α p − 1 β p + 1 ) 1 p if α p ≥ 1 {\displaystyle q\left({\frac {\alpha p-1}{\beta p+1}}\right)^{\tfrac {1}{p}}\quad {\text{if }}\alpha p\geq 1} Nótese que si p = q = 1 entonces la distribución beta prima generalizada se reduce a la distribución beta prima estándar .
Esta generalización se puede obtener mediante la siguiente transformación invertible. Si y para , entonces . y ∼ β ′ ( α , β ) {\displaystyle y\sim \beta '(\alpha ,\beta )} x = q y 1 / p {\displaystyle x=qy^{1/p}} q , p > 0 {\displaystyle q,p>0} x ∼ β ′ ( α , β , p , q ) {\displaystyle x\sim \beta '(\alpha ,\beta ,p,q)}
Distribución gamma compuesta La distribución gamma compuesta [3] es la generalización de la beta prima cuando se añade el parámetro de escala, q , pero donde p = 1. Se llama así porque se forma mediante la composición de dos distribuciones gamma :
β ′ ( x ; α , β , 1 , q ) = ∫ 0 ∞ G ( x ; α , r ) G ( r ; β , q ) d r {\displaystyle \beta '(x;\alpha ,\beta ,1,q)=\int _{0}^{\infty }G(x;\alpha ,r)G(r;\beta ,q)\;dr} ¿Dónde está la pdf gamma con forma y escala inversa ? G ( x ; a , b ) {\displaystyle G(x;a,b)} a {\displaystyle a} b {\displaystyle b}
La moda, la media y la varianza del compuesto gamma se pueden obtener multiplicando la moda y la media en el cuadro de información anterior por q y la varianza por q 2 .
Otra forma de expresar la composición es si y , entonces . Esto proporciona una forma de generar variables aleatorias con distribuciones compuestas de gamma o beta prima. Otra forma es a través de la relación de variables gamma independientes, como se muestra a continuación. r ∼ G ( β , q ) {\displaystyle r\sim G(\beta ,q)} x ∣ r ∼ G ( α , r ) {\displaystyle x\mid r\sim G(\alpha ,r)} x ∼ β ′ ( α , β , 1 , q ) {\displaystyle x\sim \beta '(\alpha ,\beta ,1,q)}
Propiedades Si entonces . X ∼ β ′ ( α , β ) {\displaystyle X\sim \beta '(\alpha ,\beta )} 1 X ∼ β ′ ( β , α ) {\displaystyle {\tfrac {1}{X}}\sim \beta '(\beta ,\alpha )} Si , y , entonces . Y ∼ β ′ ( α , β ) {\displaystyle Y\sim \beta '(\alpha ,\beta )} X = q Y 1 / p {\displaystyle X=qY^{1/p}} X ∼ β ′ ( α , β , p , q ) {\displaystyle X\sim \beta '(\alpha ,\beta ,p,q)} Si entonces . X ∼ β ′ ( α , β , p , q ) {\displaystyle X\sim \beta '(\alpha ,\beta ,p,q)} k X ∼ β ′ ( α , β , p , k q ) {\displaystyle kX\sim \beta '(\alpha ,\beta ,p,kq)} β ′ ( α , β , 1 , 1 ) = β ′ ( α , β ) {\displaystyle \beta '(\alpha ,\beta ,1,1)=\beta '(\alpha ,\beta )} Si y son dos variables iid, entonces con y , ya que la distribución beta prima es infinitamente divisible. X 1 ∼ β ′ ( α , β ) {\displaystyle X_{1}\sim \beta '(\alpha ,\beta )} X 2 ∼ β ′ ( α , β ) {\displaystyle X_{2}\sim \beta '(\alpha ,\beta )} Y = X 1 + X 2 ∼ β ′ ( γ , δ ) {\displaystyle Y=X_{1}+X_{2}\sim \beta '(\gamma ,\delta )} γ = 2 α ( α + β 2 − 2 β + 2 α β − 4 α + 1 ) ( β − 1 ) ( α + β − 1 ) {\displaystyle \gamma ={\frac {2\alpha (\alpha +\beta ^{2}-2\beta +2\alpha \beta -4\alpha +1)}{(\beta -1)(\alpha +\beta -1)}}} δ = 2 α + β 2 − β + 2 α β − 4 α α + β − 1 {\displaystyle \delta ={\frac {2\alpha +\beta ^{2}-\beta +2\alpha \beta -4\alpha }{\alpha +\beta -1}}} De manera más general, sean variables iid las que siguen la misma distribución beta prima, es decir , entonces la suma con y . X 1 , . . . , X n n {\displaystyle X_{1},...,X_{n}n} ∀ i , 1 ≤ i ≤ n , X i ∼ β ′ ( α , β ) {\displaystyle \forall i,1\leq i\leq n,X_{i}\sim \beta '(\alpha ,\beta )} S = X 1 + . . . + X n ∼ β ′ ( γ , δ ) {\displaystyle S=X_{1}+...+X_{n}\sim \beta '(\gamma ,\delta )} γ = n α ( α + β 2 − 2 β + n α β − 2 n α + 1 ) ( β − 1 ) ( α + β − 1 ) {\displaystyle \gamma ={\frac {n\alpha (\alpha +\beta ^{2}-2\beta +n\alpha \beta -2n\alpha +1)}{(\beta -1)(\alpha +\beta -1)}}} δ = 2 α + β 2 − β + n α β − 2 n α α + β − 1 {\displaystyle \delta ={\frac {2\alpha +\beta ^{2}-\beta +n\alpha \beta -2n\alpha }{\alpha +\beta -1}}}
Si , entonces . Esta propiedad se puede utilizar para generar variantes distribuidas de beta prima. X ∼ Beta ( α , β ) {\displaystyle X\sim {\textrm {Beta}}(\alpha ,\beta )} X 1 − X ∼ β ′ ( α , β ) {\displaystyle {\frac {X}{1-X}}\sim \beta '(\alpha ,\beta )} Si , entonces . Este es un corolario de la propiedad anterior. X ∼ β ′ ( α , β ) {\displaystyle X\sim \beta '(\alpha ,\beta )} X 1 + X ∼ Beta ( α , β ) {\displaystyle {\frac {X}{1+X}}\sim {\textrm {Beta}}(\alpha ,\beta )} Si tiene una distribución F X ∼ F ( 2 α , 2 β ) {\displaystyle X\sim F(2\alpha ,2\beta )} α β X ∼ β ′ ( α , β ) {\displaystyle {\tfrac {\alpha }{\beta }}X\sim \beta '(\alpha ,\beta )} X ∼ β ′ ( α , β , 1 , β α ) {\displaystyle X\sim \beta '(\alpha ,\beta ,1,{\tfrac {\beta }{\alpha }})} Para la parametrización de la distribución gamma I:Si son independientes, entonces . Tenga en cuenta que todos los parámetros de escala corresponden a sus respectivas distribuciones. X k ∼ Γ ( α k , θ k ) {\displaystyle X_{k}\sim \Gamma (\alpha _{k},\theta _{k})} X 1 X 2 ∼ β ′ ( α 1 , α 2 , 1 , θ 1 θ 2 ) {\displaystyle {\tfrac {X_{1}}{X_{2}}}\sim \beta '(\alpha _{1},\alpha _{2},1,{\tfrac {\theta _{1}}{\theta _{2}}})} α 1 , α 2 , θ 1 θ 2 {\displaystyle \alpha _{1},\alpha _{2},{\tfrac {\theta _{1}}{\theta _{2}}}} Para la parametrización de la distribución gamma II:Si son independientes, entonces . Son parámetros de velocidad, mientras que es un parámetro de escala. X k ∼ Γ ( α k , β k ) {\displaystyle X_{k}\sim \Gamma (\alpha _{k},\beta _{k})} X 1 X 2 ∼ β ′ ( α 1 , α 2 , 1 , β 2 β 1 ) {\displaystyle {\tfrac {X_{1}}{X_{2}}}\sim \beta '(\alpha _{1},\alpha _{2},1,{\tfrac {\beta _{2}}{\beta _{1}}})} β k {\displaystyle \beta _{k}} β 2 β 1 {\displaystyle {\tfrac {\beta _{2}}{\beta _{1}}}} Si y , entonces . Los son parámetros de velocidad para las distribuciones gamma, pero es el parámetro de escala para la beta prima. β 2 ∼ Γ ( α 1 , β 1 ) {\displaystyle \beta _{2}\sim \Gamma (\alpha _{1},\beta _{1})} X 2 ∣ β 2 ∼ Γ ( α 2 , β 2 ) {\displaystyle X_{2}\mid \beta _{2}\sim \Gamma (\alpha _{2},\beta _{2})} X 2 ∼ β ′ ( α 2 , α 1 , 1 , β 1 ) {\displaystyle X_{2}\sim \beta '(\alpha _{2},\alpha _{1},1,\beta _{1})} β k {\displaystyle \beta _{k}} β 1 {\displaystyle \beta _{1}} β ′ ( p , 1 , a , b ) = Dagum ( p , a , b ) {\displaystyle \beta '(p,1,a,b)={\textrm {Dagum}}(p,a,b)} distribución de Dagum β ′ ( 1 , p , a , b ) = SinghMaddala ( p , a , b ) {\displaystyle \beta '(1,p,a,b)={\textrm {SinghMaddala}}(p,a,b)} distribución Singh-Maddala . β ′ ( 1 , 1 , γ , σ ) = LL ( γ , σ ) {\displaystyle \beta '(1,1,\gamma ,\sigma )={\textrm {LL}}(\gamma ,\sigma )} distribución logística logarítmica .La distribución beta prima es un caso especial de la distribución de Pearson tipo 6 . Si X tiene una distribución de Pareto con mínimo y parámetro de forma , entonces . x m {\displaystyle x_{m}} α {\displaystyle \alpha } X x m − 1 ∼ β ′ ( 1 , α ) {\displaystyle {\dfrac {X}{x_{m}}}-1\sim \beta ^{\prime }(1,\alpha )} Si X tiene una distribución Lomax , también conocida como distribución Pareto tipo II, con parámetro de forma y parámetro de escala , entonces . α {\displaystyle \alpha } λ {\displaystyle \lambda } X λ ∼ β ′ ( 1 , α ) {\displaystyle {\frac {X}{\lambda }}\sim \beta ^{\prime }(1,\alpha )} Si X tiene una distribución Pareto tipo IV estándar con parámetro de forma y parámetro de desigualdad , entonces , o equivalentemente, . α {\displaystyle \alpha } γ {\displaystyle \gamma } X 1 γ ∼ β ′ ( 1 , α ) {\displaystyle X^{\frac {1}{\gamma }}\sim \beta ^{\prime }(1,\alpha )} X ∼ β ′ ( 1 , α , 1 γ , 1 ) {\displaystyle X\sim \beta ^{\prime }(1,\alpha ,{\tfrac {1}{\gamma }},1)} La distribución de Dirichlet invertida es una generalización de la distribución beta prima. Si , entonces tiene una distribución logística generalizada . En términos más generales, si , entonces tiene una distribución logística generalizada escalada y desplazada . X ∼ β ′ ( α , β ) {\displaystyle X\sim \beta '(\alpha ,\beta )} ln X {\displaystyle \ln X} X ∼ β ′ ( α , β , p , q ) {\displaystyle X\sim \beta '(\alpha ,\beta ,p,q)} ln X {\displaystyle \ln X}
Notas ^ ab Johnson y otros (1995), pág. 248 ^ Bourguignon, M.; Santos-Neto, M.; de Castro, M. (2021). "Un nuevo modelo de regresión para variables aleatorias positivas con cola sesgada y larga". Metron . 79 : 33–55. doi :10.1007/s40300-021-00203-y. S2CID 233534544. ^ Dubey, Satya D. (diciembre de 1970). "Distribuciones de compuestos gamma, beta y F". Metrika . 16 : 27–31. doi :10.1007/BF02613934. S2CID 123366328.
Referencias Johnson, NL, Kotz, S., Balakrishnan, N. (1995). Distribuciones univariadas continuas , volumen 2 (segunda edición), Wiley. ISBN 0-471-58494-0 Bourguignon, M.; Santos-Neto, M.; de Castro, M. (2021), "Un nuevo modelo de regresión para variables aleatorias positivas con cola sesgada y larga", Metron , 79 : 33–55, doi :10.1007/s40300-021-00203-y, S2CID 233534544
![{\displaystyle p\in [0,1]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/33c3a52aa7b2d00227e85c641cca67e85583c43c)
![{\displaystyle E[X^{k}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/4dcd54fe6c5cb4afbfcd7bd94c4778d13b8bbc3f)
![{\displaystyle E[X^{k}]={\frac {\mathrm {B} (\alpha +k,\beta -k)}{\mathrm {B} (\alpha ,\beta )}}.}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7fd9d05a47fe1f0f99394c92575308526827c714)
![{\displaystyle E[X^{k}]=\prod _{i=1}^{k}{\frac {\alpha +i-1}{\beta -i}}.}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d0f1689a0ef95460a83f9f53462da32a9b1e8f04)
