不完全 Beta 函數計算機

不完全 Beta 函數計算機

成長中 AI Skill PRO

輸入計算

數學公式

Bx(a,b)=∫cxta−1(1−t)b−1dt≈d−c2∑i=1nwif(ti)其中{f(t)=ta−1(1−t)b−1ti=d−c2zi+d+c2c=下限,d=xn=分割數\begin{gathered} B_x(a,b) = \int_{\text{c}}^{\text{x}} t^{\,\text{a}-1}\,(1-t)^{\,\text{b}-1}\,dt \;\approx\; \frac{d-c}{2}\sum_{i=1}^{n} w_i\, f\!\left(t_i\right) \\[1.5em] \text{其中}\quad \left\{ \begin{aligned} f(t) &= t^{\,\text{a}-1}\,(1-t)^{\,\text{b}-1} \\ t_i &= \frac{d-c}{2}\,z_i + \frac{d+c}{2} \\ c &= \text{下限},\quad d = \text{x} \\ n &= \text{分割數} \end{aligned} \right. \end{gathered}
使用統計

廣告

結果

不完全 Beta 函數 B_x(a,b)
0.0095238095
定積分值
被積函數 t^(a-1) (1-t)^(b-1)
計算方法 高斯-勒讓德求積法
使用節點數 (n) 20

回報本頁錯誤

這個計算機能做什麼

本工具用來計算下不完全 Beta 函數,其定義為定積分 \(B_x(a,b) = \int_{0}^{x} t^{a-1}(1-t)^{b-1}\,dt\)。被積函數 \(t^{a-1}(1-t)^{b-1}\) 正是 Beta 分布與 Beta-二項分布的核函數。當積分上限 \(x = 1\)(下限為 0)時,計算結果即等於完全 Beta 函數 \(B(a,b) = \Gamma(a)\Gamma(b)/\Gamma(a+b)\)。

使用方法

輸入兩個形狀參數:a(變數 a)與 b,兩者皆須為正值。設定積分區間的下限,以及上限 x(通常介於 0 與 1 之間)。再選擇分割數 n,也就是高斯-勒讓德節點的數量。n 越大精度越高;對於平滑的被積函數而言,n = 20 已綽綽有餘。若想求完全 Beta 函數,只要將區間維持在 [0, 1] 即可。

以若干加權取樣點近似的曲線下面積
高斯-勒讓德求積在最佳分布的節點處對被積函數取樣,並對加權值求和。

公式說明

本積分採用高斯-勒讓德求積法計算。首先在 [-1, 1] 上以牛頓法求出勒讓德多項式 \(P_n\) 的根,得到標準節點 \(x_i\) 與權重 \(w_i\),接著線性映射到所選區間 [c, d]:

$$t_i = \frac{d-c}{2}\cdot x_i + \frac{d+c}{2}$$

隨後以 \(\frac{d-c}{2}\cdot \sum w_i\, f(t_i)\) 近似積分值。由於高斯-勒讓德能精確積分次數最高達 \(2n-1\) 的多項式,因此對平滑的被積函數收斂得極快。

$$\begin{gathered} B_x(a,b) = \int_{\text{c}}^{\text{x}} t^{\,\text{a}-1}\,(1-t)^{\,\text{b}-1}\,dt \;\approx\; \frac{d-c}{2}\sum_{i=1}^{n} w_i\, f\!\left(t_i\right) \\[1.5em] \text{where}\quad \left\{ \begin{aligned} f(t) &= t^{\,\text{a}-1}\,(1-t)^{\,\text{b}-1} \\ t_i &= \frac{d-c}{2}\,z_i + \frac{d+c}{2} \\ c &= \text{lower},\quad d = \text{x} \\ n &= \text{divisions} \end{aligned} \right. \end{gathered}$$
廣告

實例演算

取 \(a = 3\)、\(b = 5\),區間 [0, 1] 且 \(n = 20\),結果即為完全 Beta 函數 $$B(3,5) = \frac{2! \cdot 4!}{7!} = \frac{48}{5040} = 0.0095238095\ldots = \frac{1}{105}.$$本求積法可將此值重現至雙精度浮點數的完整精度。

貝塔被積函數曲線,其下方從 0 到 x 的區域以陰影標示
\(B_x(a,b)\) 是 \(t^{a-1}(1-t)^{b-1}\) 下方從 0 到 x 的陰影面積。

用於檢查結果的已知貝塔函數值

完整貝塔函數為 \(B(a,b)=\dfrac{\Gamma(a)\,\Gamma(b)}{\Gamma(a+b)}\)。在本計算器中將 x = 1 時,應可重現下列數值。請用這些數值檢查輸入值與求積精度。

a b 計算 B(a,b) 精確值 小數
1 1 \(\Gamma(1)\Gamma(1)/\Gamma(2)=1\) 1 1.000000
2 2 \(1\cdot 1/3!\) 1/6 0.166667
2 3 \(1\cdot 2/4!\) 1/12 0.083333
3 3 \(2\cdot 2/5!\) 1/30 0.033333
3 5 \(2\cdot 24/7!=48/5040\) 1/105 0.009524
0.5 0.5 \(\Gamma(1/2)^2/\Gamma(1)=\pi\) π 3.141593
1 b \(\int_0^1 (1-t)^{b-1}dt\) 1/b –
a 1 \(\int_0^1 t^{a-1}dt\) 1/a –

用於驗證的恆等式

  • 對稱性: \(B_x(a,b)+B_{1-x}(b,a)=B(a,b)\)。分別計算兩個不完全值,並檢查它們的和是否等於完整值。
  • 特例 b = 1: \(B_x(a,1)=\dfrac{x^{a}}{a}\)。例如,\(B_{0.5}(2,1)=0.25/2=0.125\)。
  • 完整情形: \(B_1(a,b)=B(a,b)\) 且 \(B_0(a,b)=0\)。

精度與節點數及參數選擇的關係

n 點高斯-勒讓德法則可精確積分至次數為 2n−1 的多項式。當 a 與 b 為正整數時,被積函數 \(t^{a-1}(1-t)^{b-1}\) 是次數為 a+b−2 的多項式,因此只要 n 適中,便可在捨入誤差範圍內得到精確答案。當 a < 1 或 b < 1 時,被積函數在端點處為奇異,此法則只能以代數方式收斂。

情境 精確值 被積函數 所需節點/收斂行為 預期絕對誤差
a=3, b=5, x=1 1/105 ≈ 0.0095238 多項式,次數 6 當 2n−1 ≥ 6 時即精確,故 n ≥ 4。n = 10、20、50、100 均符合。 接近機器精度(約 10−16 或更小)
a=2, b=2, x=0.5 1/12 ≈ 0.0833333 \(t(1-t)\),次數 2 n ≥ 2 時即精確,故 n = 10 至 100 結果皆一致。 接近機器精度
a=0.5, b=0.5, x=1, n=10 π ≈ 3.1415927 \(1/\sqrt{t(1-t)}\),在兩端皆為奇異 代數收斂緩慢 誤差大;約為 10−1 量級或略小
a=0.5, b=0.5, x=1, n=20 π 同上 誤差約減半 約與 1/n 成正比
a=0.5, b=0.5, x=1, n=50 π 同上 相較 n = 20 誤差僅縮小約 2.5 倍 約與 1/n 成正比
a=0.5, b=0.5, x=1, n=100 π 同上 結果趨近 π,但僅準確到約 2 至 3 位有效數字 約與 1/n 成正比,約為 n = 10 時的 1/10

為何會有差異? 高斯-勒讓德法則的誤差取決於被積函數在整個區間上的平滑程度。對於端點奇異 \(t^{\alpha}\),其中 −1 < α < 0,誤差以 \(n^{-2(\alpha+1)}\) 的速度衰減。當 α = −1/2(a = 0.5)時,約為 \(n^{-1}\)。奇異情形的誤差數值為尺度估計,並非精確輸出,因此您看到的末幾位數字可能有所不同。平滑情形(a、b 為大於等於 1 的整數)可達到接近機器精度,即雙精度下約 15 至 16 位有效數字。

實用建議: 若 a 或 b 小於 1,請在工具允許的範圍內盡量增加 n。您也可以將結果與伽瑪函數的精確值,或與對稱性恆等式進行比對。

廣告

定義與術語表

不完全下貝塔函數 \(B_x(a,b)\)
積分 \(B_x(a,b)=\int_0^x t^{a-1}(1-t)^{b-1}\,dt\),其中 0 ≤ x ≤ 1。本工具允許一般下限 c,因此它會從 c 積分到 x。
完整貝塔函數 \(B(a,b)\)
在 [0, 1] 上的同一積分,即 \(B_1(a,b)\)。它等於 \(\Gamma(a)\Gamma(b)/\Gamma(a+b)\)。
正則化不完全貝塔函數 \(I_x(a,b)\)
比值 \(I_x(a,b)=B_x(a,b)/B(a,b)\),其值介於 0 與 1 之間。它是 Beta(a, b) 分布的累積分布函數。
形狀參數 a 與 b
控制被積函數的正實數。指數 a−1 決定其在 t = 0 附近的行為,b−1 決定其在 t = 1 附近的行為。小於 1 的值會使被積函數在該端點趨於無限大。
高斯-勒讓德節點與權重
在 [−1, 1] 上,節點 \(x_i\) 為勒讓德多項式 \(P_n\) 的 n 個根。權重為 \(w_i=\dfrac{2}{(1-x_i^2)\,[P_n'(x_i)]^2}\)。對於區間 [c, d],節點映射為 \(t_i=\tfrac{d-c}{2}x_i+\tfrac{d+c}{2}\),積分近似為 \(\tfrac{d-c}{2}\sum w_i f(t_i)\)。此法則可精確積分至次數為 2n−1 的多項式。
勒讓德多項式 \(P_n\)
在 [−1, 1] 上以權重 1 正交的多項式族中的 n 次多項式,並經正規化使 \(P_n(1)=1\)。例如 \(P_1=x\) 與 \(P_2=(3x^2-1)/2\)。
可積奇異點
被積函數在此點趨於無限大,但積分仍然收斂的點。此處當 0 < a < 1 時發生於 t = 0,當 0 < b < 1 時發生於 t = 1。在此情形下,適用於平滑函數的求積法則收斂較慢。
伽瑪函數關係式
\(B(a,b)=\Gamma(a)\Gamma(b)/\Gamma(a+b)\),其中對正整數 \(\Gamma(n)=(n-1)!\),且 \(\Gamma(1/2)=\sqrt{\pi}\)。這提供了用於檢查數值結果的精確參考值。

常見問題

若 \(0 < a < 1\) 或 \(0 < b < 1\) 會怎樣?此時被積函數在端點處出現可積奇異點。由於高斯-勒讓德的節點都落在區間內部,結果仍保持有限值,但精度會下降,可調高 n 來改善。

如何取得正規化不完全 Beta 函數 \(I_x(a,b)\)?將此結果除以完全 Beta 函數即可(把區間設為 [0, 1] 即可算出完全 Beta 函數)。

為什麼結果有時會是負值?若積分上限小於下限,帶符號的積分值就會是負數,這在數學上是正確的。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器