投硬币，硬币是正还是反，这属于两点分布的问题。
疯狂投硬币，正面出现的次数，服从二项分布：【Python】从二项分布到泊松分布
二项分布中，若特定时间内的伯努利试验次数趋于无穷大，那么在某一时刻发生某事件的概率，服从泊松分布。
在某一时刻，发生第N次事件，其概率服从 Γ \Gamma Γ分布：【Python】Gamma分布详解
回到抛硬币的问题，如果硬币出现正反的概率是未知的，考虑到时间地点重力等因素的不同，硬币出现正面的概率甚至可能是不稳定的，换言之，硬币出现正面的概率，或许也是服从某种分布的。
暂且将这个概率设为 θ \theta θ，则经过n次伯努利试验，在 θ \theta θ发生的情况下，正面出现 k k k次的概率为
π ( k ∣ θ ) = ( n k ) θ k ( 1 − θ ) n − k \pi(k\vert\theta)=\binom{n}{k}\theta^k(1-\theta)^{n-k} π(k∣θ)=(kn)θk(1−θ)n−k
由于这个 θ \theta θ实际上是未知的，但这个 P P P却可通过不断地伯努利试验来去逼近，所以接下来就可以通过贝叶斯公式，来将 θ \theta θ表达出来
π ( θ ∣ k ) = π ( k ∣ θ ) π ( θ ) ∫ π ( k ∣ θ ) π ( θ ) d θ \pi(\theta\vert k)=\frac{\pi(k\vert\theta)\pi(\theta)}{\int\pi(k|\theta)\pi(\theta)\text d\theta} π(θ∣k)=∫π(k∣θ)π(θ)dθπ(k∣θ)π(θ)
其中， π ( θ ∣ k ) \pi(\theta\vert k) π(θ∣k)表示 k k k发生的情况下， θ \theta θ发生的概率； π ( θ ) \pi(\theta) π(θ)为 θ \theta θ发生的概率。
设 θ \theta θ服从均匀分布，则在 ( 0 , 1 ) (0,1) (0,1)范围内，其概率密度 π ( θ ) = 1 \pi(\theta)=1 π(θ)=1，于是 π ( θ ∣ k ) \pi(\theta\vert k) π(θ∣k)可以写为
π ( θ ∣ k ) = θ k ( 1 − θ ) n − k ∫ θ k ( 1 − θ ) n − k d θ \pi(\theta\vert k)=\frac{\theta^k(1-\theta)^{n-k}}{\int\theta^k(1-\theta)^{n-k}\text d\theta} π(θ∣k)=∫θk(1−θ)n−kdθθk(1−θ)n−k
由于 Γ ( x ) = ∫ 0 ∞ t x − 1 e − t d t \Gamma(x)=\int^\infty_0t^{x-1}e^{-t}\text dt Γ(x)=∫0∞tx−1e−tdt，则上式可写为
π ( θ ∣ k ) = Γ ( n + 1 ) Γ ( k + 1 ) Γ ( n − k + 1 ) θ k ( 1 − θ ) n − k \pi(\theta\vert k)=\frac{\Gamma(n+1)}{\Gamma(k+1)\Gamma(n-k+1)}\theta^k(1-\theta)^{n-k} π(θ∣k)=Γ(k+1)Γ(n−k+1)Γ(n+1)θk(1−θ)n−k
此即 B \Beta B分布。
所以， B \Beta B分布就是在抛 n n n次硬币，出现 k k k次正面后，则单次抛硬币出现正面的概率。
在Numpy中，random.beta(a,b)即为
B
\Beta
B分布，其表达式为
p
(
x
)
=
Γ
(
a
+
b
)
Γ
(
a
)
Γ
(
b
)
x
a
−
1
(
1
−
x
)
b
−
1
p(x)=\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}x^{a-1}(1-x)^{b-1}
p(x)=Γ(a)Γ(b)Γ(a+b)xa−1(1−x)b−1。
显而易见，当 a = b = 1 a=b=1 a=b=1时， p ( x ) = 1 p(x)=1 p(x)=1，退化为均匀分布。
当a和b的取值不同时， B \Beta B分布表现出不同的分布特性
import numpy as np
import matplotlib.pyplot as plt
from numpy.random import beta
a_s = [0.5, 5, 1, 2, 2]
b_s = [0.5, 1, 3, 2, 5]
for a,b in zip(a_s, b_s):
xs = beta(a, b, size=20000)
plt.hist(xs, 100, alpha=0.5, label=f"a={a}, b={b}")
plt.legend()
plt.show()
效果为
