在機器學習領域中，概率模型是一個常用的利器。用它來對問題進行建模，有幾點好處：1）當給定引數分佈的假設空間後，可以通過很嚴格的數學推導，得到模型的似然分佈，這樣模型可以有很好的概率解釋；2）可以利用現有的EM演算法或者Variational method來學習。通常為了方便推導引數的後驗分佈，會假設引數的先驗分佈是似然的某個共軛分佈，這樣後驗分佈和先驗分佈具有相同的形式，這對於建模過程中的數學推導可以大大的簡化，保證最後的形式是tractable。

    在概率模型中，Dirichlet這個詞出現的頻率非常的高。初始機器學習的同學或者說得再廣一些，在學習概率模型的時候，很多同學都不清楚為啥一個表現形式如此奇怪的分佈Dirichlet分佈會出現在我們的教科書中，它是靠啥關係攀上了多項分佈（Multinomial distribution）這個親戚的，以至於它可以“堂而皇之”地扼殺我大天朝這麼多數學家和科學家夢想的？為了引出背後這層關係，我們需要先介紹一個概念——共軛先驗（Conjugate Prior）

• Conjugate Prior: In Bayesian probability theory, if the posterior distributions p(θ|x) are in the same family as the prior probability distribution p(θ), the prior and posterior are then called conjugate distributions, and the prior is called a conjugate prior for the likelihood. ----from wiki
• 用中文來講，在貝葉斯統計理論中，如果某個隨機變數Θ的後驗概率 p(θ|x)和其先驗概率p(θ)屬於同一個分佈簇的，那麼稱p(θ|x)和p(θ)為共軛分佈，同時，也稱p(θ)為似然函式p(x|θ)的共軛先驗。

    介紹了這個重要的概念之後，我們回到文章的正題。首先需要弄清楚什麼是二項分佈（Binomial distribution）。這個概念是從伯努利分佈推進的。伯努利分佈是一個離散型的隨機分佈，其中的隨機變數只有兩類取值，非正即負{+，-}。二項分佈即重複n次的伯努利試驗，記為 X~b(n,p)。概率密度函式（概率質量函式）為。再來看看Beta分佈，給定引數和，取值範圍為[0,1]的隨機變數x的概率密度函式，其中，。這裡假定，先驗分佈和似然概率如下所示：

那麼很容易知道後驗概率（條件概率）為

     弄清楚了Beta分佈和二項分佈之間的關係後，對於接下來的Dirichlet 分佈和多項分佈（Multinomial distribution）的關係理解將會有非常大的幫助。多項分佈，從字面上所表現出的含義，我們也大抵知道它的意思。它本身確實也是這樣的，其單次試驗中的隨機變數的取值不再是0-1的，而是有多種離散值可能（1,2,3...,k），其中

     再一次來看看共軛。假設有先驗分佈

，

另有似然函式

則後驗概率

，和Dirichlet 分佈形式一致。

    其實，細心的讀者已經發現，這裡這四類分佈，如果但從數學形式上看，它們的組織形式都是一致的，都是通過乘積的形式構成，加上先驗分佈、似然函式和後驗分佈之間的乘積推導關係，可以很容易發現，它們所表現出的共軛性質很容易理解。