使用概率分布可以描述全域性狀態和影象資料。為此已經給出了四個分布（伯努利分布、分類分布、一元正態分佈、多元正態分佈）。還給出了另外四個分布（貝塔分布、狄利克雷分布、正態逆伽馬分布、正態逆維希特分布），可以用於描述上一組分布的引數的概率分布，因此它們可以描述擬合模型的不確定性。這4對分布有特殊關係：第二組中的每個分布是對應的第一組的共軛。正如我們看到的，共軛關係可以更容易地擬合觀測資料並在擬合分布模型下評估新的資料。
備註
本書用較為深奧的術語來介紹離散分布，區分二項分布（在n次二值試驗中獲得m次成功的概率）和伯努利分布（在二值試驗中或一次實驗中獲得成功或失敗的概率），並專門談論後者。本書採取類似的方法介紹離散變數，它可以有k個值。多項分布表徵分在n次試驗中頻率為的值出現的概率。當n=1時就是特殊的分類分布。大多數其他作者不做這種區分，並會稱這種為「多項」。
附錄b中bishop（2006）更完整地介紹了常見的概率分布及其性質。關於共軛的更多資訊可檢視bishop（2006）第2章或有關貝葉斯方法的其他書籍，比如gelman等（2004）。關於正態分佈更多資訊參見本書第5章。
《計算機視覺 模型 學習和推理》 3 9 共軛性
貝塔分布可以表徵伯努利分布中引數的概率，與之相似，狄利克雷分布可表徵分類分布引數的分布，同樣的模擬關係也適用於正態逆伽馬分布與一元正態分佈 正態逆維希特分布與多元正態分佈之間。這些配對有很特殊的關係 在每種情況下前乙個分布是後乙個的共軛 貝塔分布與伯努利分布共軛，狄利克雷分布與分類分布共軛。當把乙個...
《計算機視覺 模型 學習和推理》一2 3 邊緣化
2.3 邊緣化 任意單變數的概率分布都可以通過在聯合概率分布上求其他變數的和 離散 或積分 連續 而得到 見圖2 4 例如，如果x和y是連續的，並且已知pr x,y 那麼通過如下計算就可以得到概率分布pr x 和pr y pr x pr x,y dy pr y pr x,y dx 所求出的分布pr ...
《計算機視覺 模型 學習和推理》一第3章 總結
總結 使用概率分布可以描述全域性狀態和影象資料。為此已經給出了四個分布 伯努利分布 分類分布 一元正態分佈 多元正態分佈 還給出了另外四個分布 貝塔分布 狄利克雷分布 正態逆伽馬分布 正態逆維希特分布 可以用於描述上一組分布的引數的概率分布，因此它們可以描述擬合模型的不確定性。這4對分布有特殊關係 ...