先验分布，后验分布，共轭分布的关系

先考虑一下我们是如何解决一个概率问题的：

在一个实际问题中我们通常是根据经验选出一个模型，例如一个抛硬币可以抽象为伯努利分布（0-1分布）的模型，人的身高分布可以抽象为正态分布的模型，然后根据数据推算出模型的参数。

而这个选取的模型就决定了似然函数p(X|θ)的形式。例如抛硬币模型：f(k;n,p)=Pr(K=k)=(nk)pk(1−p)n−k（参数为k），身高分布模型：f(x)=1σ2π√e−(((x−μ)22σ2))（参数为(μ,σ)）。

那么如何估计这些模型的参数呢？这里可以使用贝叶斯定理：P(θ|X)=P(X|θ)P(θ)P(X)，p(θ|x)=p(x|θ)p(θ)∫p(x|θ′)p(θ′)dθ′,

P(θ|X)（posterior），它表示已知数据分布的情况下参数的分布，

似然函数P(X|θ)（likelihood）表示在参数为θ的情况下数据X的分布，

P(θ)（prior）表示在没看到数据X的情况下的对参数分布的估计，

其实先验分布P(θ)可以随便选择，只不过在计算∫p(x|θ′)p(θ′)dθ′可能会导致后验分布没有解析式，所以通常都是在保证先验分布合理的情况下选择可以让后验分布有close form的prior。

例如抛硬币模型中likelihood是0-1分布，所以可以选择prior为均匀分布（Beta(1, 1)的特殊形式），此时posterior为Beta(1+Σxi,1+n−Σxi)，所以可以直接解出后验的close form。

ps：Beta分布可以理解为先验分布为均匀分布时，加入数据x后的0-1分布参数的后验分布。

在身高模型中，我们的模型，也就是likelihood，为正态分布，
有已知μ，σ或两者都不知道三种情况的情形。如果先验分布是正态分布的话，后验分布也是正态分布。具体参数可参考

所以以上我们就知道了什么是prior和posterior，以及应该选取什么样的prior，这时如果prior和posterior同一分布的不同参数形式的话，那么prior和posterior叫做共轭分布，prior叫做似然函数的共轭先验。