베타 분포는 또한 평균 μ(0 < μ 0([9] p. 83)의 관점에서 재매개될 수 있다. αPosterior 및 βPosterior에 의해 이항 우도 함수 및 선행 확률에 베이즈 정리를 적용하여 생성된 후방 베타 분포의 형상 파라미터를 나타내며, 샘플 크기 = α= α· 후방 + β· 후방은 할데인 이전 확률 베타(0,0)에 대해서만 정확합니다. 구체적으로, 베이즈(균일) 이전 베타(1,1)의 경우 정확한 해석은 샘플 크기 = α· 후방 + β 후방 – 2, 또는 θ = (샘플 크기) + 2. 물론 샘플 크기가 2보다 훨씬 큰 경우 이 두 이전 의 차이는 무시할 수 있습니다. (자세한 내용은 베이지안 절전 추론을 참조하십시오.) 이 문서의 나머지 부분에서 = α + β는 “샘플 크기”라고 하지만, 엄밀히 말하면 베이즈 정리에서 이전에 Haldane Beta(0,0)를 사용하는 경우에만 이항 가능성 함수의 “샘플 크기”임을 기억해야 합니다. 0이 아닌 샘플 기울이기의 경우 두 개의 결합 방정식 시스템을 해결해야 합니다. 기울이기와 과잉 첨도는 매개 변수와 독립적이기 때문에 ^ , c ^ {디스플레이 스타일 {hat {a}}, {hat {alpha}} 및 {hat {beta}}} 두 개의 알려진 변수(샘플 왜곡 및 샘플 과잉 첨도)와 두 개의 미지수(셰이프 매개변수)로 결합된 방정식을 해결하여 얕은 복제 깊이를 지정된 커밋 수로 설정합니다. Git은 원격 리포지토리에서만 깊이 커밋을 다운로드하여 시간과 디스크 공간을 절약합니다.

베타 분포의 중앙값은 고유 실수 x = I 1 2 [ – 1] (α) {디스플레이 스타일 x=I_{frac {1}={frac {1}{2}}}{{-1}}(알파,베타)}(알파 및베타)}입니다.}[알파&amp.베타]}}[알파]베타]}는 정규화된 불완전베타 함수 I x (α , β) = 1 2 {디스플레이 스타일 I_{{x}({1}={2} α 및 β의 임의값에 대한 베타 분포의 중앙값에 대한 일반적인 폐쇄형 식은 없다. 매개 변수 α와 β의 특정 값에 대한 폐쇄 형 발현은 다음과 같습니다 :[인용 필요] 두 개의 베타 분산 무작위 변수를 주어진, X1 ~ 베타 (α, β) 및 X2 ~ 베타 (α′, β′), 크로스 엔트로피는 (nats에서 측정)[30] I x (α , β) {디스플레이 스타일 I_{x}(\)}.*}.} 특히 셰이프 매개변수 중 하나에 통일값이 있는 경우, 예를 들어 β ^ = 1 {디스플레이 스타일 {베타 }}=1} (경계 지원으로 전원 함수 분포 [0,1]), ID 를 사용하여 (x + 1) = θ (x) = 1/x 방정식에서 1/x ( α ^ ) – – α ^ 알파})-psi ({hat {알파}}}=ln {hat {G}}}, 알 수 없는 매개 변수 α ^디스플레이 스타일 {hat {alpha}}에 대한 최대 우측 추정기는 정확히 1: 모멘트 생성 함수 M X ❏디스플레이 스타일 M_{X}(알파;베타;cdot)}는 수렴 반경을 가지며, 베타 분포는 모멘트에 의해 결정됩니다. [25]는 분자와 후방 확률의 분모 모두에 나타나며, 통합 변수 x에 의존하지 않으므로 취소되며 최종 결과와 는 관련이 없습니다.