1、二项分布（Binomial Distribution）；

　　参考wiki，在统计学和概率学中，二项分布是n个独立的0/1（是/非）试验中“成功次数”的离散概率分布，其中每次成功的概率记为p。这种单次成功/失败的试验又称为伯努利分布，事实上，当n被归一化为1时，这种分布被称为伯努利分布。

　　如果一个随机变量X是服从参数为n，p的二项分布，我们记为X~b(n,p)，n次试验中恰好成功k次的概率质量函数（离散随机变量在各个取值上的概率）是：

　　二项分布的期望和方差如下：

2、多项分布；

　　多项分布是二项分布的拓展。扔骰子是一个比较简单的多项分布的问题，标准的骰子有6个面对应6个不同的点数，这样单次每个点数朝上的概率都是1/6。更加一般的问题可能是“点数1，2，3，4，5，6依次出现次数为（x1,x2,x3,x4,x5,x6）的概率为多少，其中x1+x2+x3+x4+x5+x6=N”。要理解多项分布，先回顾一下我们以前接触过的多项式定理：

　　其中n1+n2+...+nt=n，n1,n2,...,nt是满足上式的所有非负数组合，即为一组组合解。

 　　再来看多项分布，某一个随机试验有K中可能的结果r1,r2,...,rk,对应的概率分别是p1,p1,...,pk;那么在N次采样中,r1出现n1次，r2出现n2次，...，rk出现nk次的概率质量函数可以表示为：

　　我们可以分析一下这个式子，我们知道，(***)式是k个变量和N次试验的展开式，是一个多项式（多项分布），如果这k个变量恰好代表所有各个事件的发生概率，那么这些概率的和就是一个必然事件----即是对一个必然事件做了N次相同的试验。多项式展开的每一项都代表了一个事件的出现概率，即我们上文中提到的r1,r2,...,rk,这就是多项分布的由来。

3、Beta分布；

　　wiki直接给出了Beta分布的概率函数：

　　是GAMMA函数，α，β是参数。我们还是分析一下抛硬币这个最经典的例子：有一枚均匀的硬币，抛了5次，结果是3次head，2次tail，要求的是这枚硬币抛出head的概率。这是一个典型的已知观测结果求最适参数的问题，设head概率为t，则tail概率为1-t，构造似然方程如下：

                                                                                   M(t)=t³(1-t)²    当t=3/5时似然方程取到最大值

　　所以我们预测这枚硬币抛出head的概率是3/5.如果试验中抛出5次head的话，似然方程告诉我们，这枚硬币抛出head的概率是1，这显然是不符合常理的，这也是似然方程估计的过拟合现象。

　　贝叶斯方法给似然方程乘上了一个先验概率项，用来修正似然方程的片面性。我们选择Beta分布作为先验概率的分布方式，我们要求的后验概率正比于先验概率和似然方程的乘积：

　　　　　　　　　　　　                              先验概率p(θ)=Beta(θ|a,b); 似然方程p(x|θ)=10θ³(1-θ)²

求得后验概率p(θ|x)=Beta(θ|a+3,b+2)，求解过程在这里省略了，wiki上给出了简单明了的计算方法。我们很明显的看到，在观测前后，先验概率和后验概率都满足Beta分布（所谓的共轭分布），而且参数a和b有很明显的相关性（3次head，2次tail），这就是Beta分布的神奇之处，十分奇妙。

4、狄利克雷分布（Dirichlet Distribution）；

　　狄利克雷分布是Beta分布的拓展版，将二项分布（伯努利试验）变成了多项分布（多元变量），将二项分布对应的先验分布（Beta）也替换成了狄利克雷分布。即Beta分布是二项分布的共轭先验分布，那么狄利克雷分布就是多项分布的共轭先验分布。Dirichlet分布也可可以看做是分布之上的分布。如何理解这句话，我们可以先举个例子：假设我们有一个骰子，其有六面，分别为{1,2,3,4,5,6}。现在我们做了10000次投掷的实验，得到的实验结果是六面分别出现了{2000,2000,2000,2000,1000,1000}次，如果用每一面出现的次数与试验总数的比值估计这个面出现的概率，则我们得到六面出现的概率，分别为{0.2,0.2,0.2,0.2,0.1,0.1}。现在，我们还不满足，我们想要做10000次试验，每次试验中我们都投掷骰子10000次。我们想知道，出现这样的情况使得我们认为，骰子六面出现概率为{0.2,0.2,0.2,0.2,0.1,0.1}的概率是多少（说不定下次试验统计得到的概率为{0.1, 0.1, 0.2, 0.2, 0.2, 0.2}这样了）。这就是Dirichlet分布（Ditribution of distribution）。

　　例如，如果我们有一个能够取K = 6种状态的变量，这个变量的某次特定的观测恰好对应于x3 = 1的状态，那么x就可以表式为x=(0,0,1,0,0,0)^T,如果用参数μ_k表示x_k=1的次数，那么x的分布如下：

　　然后考虑一个有N次观测的数据集D，对应的似然函数可以表达为：

　　其中m_k表示的是x_k=1的次数。下面是标准归一化的狄利克雷分布公式，也是多项分布的共轭先验：

　　上式乘上多项分布的似然方程得到下面的后验分布：

　　可以发现，后验分布和先验分布有着共轭的形式，便于计算和分析。

　　了解Beta分布首先要了解一个叫做“共轭先验（Conjugate Priors）”的问题。共轭先验是属于贝叶斯统计流派，指的是“如果后验分布和先验分布属于同一类型（同一簇），则先验分布和后验分布被称为共轭分布，而先验分布被称为似然函数的共轭先验”。共轭先验的好处在于代数上计算和分析的方便，可以直接给出后验分布的封闭形式

概率分布形式