我们比较熟悉均匀分布、二项分布等概率分布，那么 beta 分布是什么呢？
一句话，beta 分布表示 一种概率的 概率分布；
也就是说，当无法确定一件事的概率P时，我们可以把它所有概率P统计出来，然后每个P对应一个P'，P'就是 beta 分布；
下面我从多个角度具体阐述一下
生活案例
投篮命中率估计
熟悉篮球的朋友都知道，运动员投篮命中率大概在 21%-33% ，这叫先验知识；
现在有一个人说自己投篮很准，那如何证明呢？
假如让他投一次篮，命中了，我们能说他命中率 100% 吗，显然不行；
那让他投1000次篮，看看进几个，然后算命中率，也是不行的，早累死了，投到后面已经不是他自己了；
那怎么办呢？此时就可以使用beta 分布；
1. 我们先把 先验知识 转换成 beta 分布的参数
beta 分布的均值为 𝛼/(𝛼+𝛽)=81/(81+219)=0.27 【在高斯分布里，均值就是概率最大的值，beta 分布不一定，这里是个特例】
故 beta 分布参数可取 𝛼=81，𝛽=219，显然 𝛼 代表投进次数，𝛽 代表投丢次数； 【𝛼 也代表二项分布中 正向事件 发生的次数】
此时 beta 分布如下图
可以看到 这个分布主要落在了 21-33之间，符合先验知识
beta 分布 x 轴代表 各个投篮命中率，y 轴代表 各个命中率 的 概率；
2. 那上面这个人的投篮命中率怎么计算呢？
还是投一次，假如进了，(81+1)/(81+219+1)=0.2724，这个命中率显然要比 100% 更可信，
继续投吧，,投50次看看，假如进了30个，(81+30)/(81+30+219+20)=0.32，这个概率还算合理，比 60% 更可信
3. 此时我们就得到了这个人的投篮命中率为 0.32；
不是说概率的概率吗，怎么只有概率，那是因为我们只拿 均值算了对应的概率，没算 其他值对应的概率，如果把所有值得概率都算一遍，相当于把曲线平移一下
是不是所有概率都有 概率了，从图中蓝色曲线可以看出概率最大的投篮命中率为 0.32
数学角度
公式
B 为 beta 函数；
随着 a b 的变化，beta 分布形态各异
这种特性能够满足各种先验分布
贝叶斯推断
先验分布 + 实验数据 = 后验分布
(经验) (投篮试验) (投篮命中率)
beta 分布符合贝叶斯推断
共轭先验
beta(a, b) + 实验数据 = beta(m, n) = beta(a + 投中次数, b + 投丢次数)
对于二项分布，用 beta 分布做先验，经过贝叶斯推断后，后验分布依然是 beta 分布，这种特性称为 共轭先验
推理过程
假设抛硬币正面朝上概率为 θ，抛 A+B 次，A 次正面朝上的概率为
这个 P 就是所谓的 在参数 θ 下实验结果的可能性， 【在机器学习中，我们需要使这个概率最大，为1，这里我们不这么做】
我们要计算这个可能性，设
我们把 f(θ) 做一个归一化，让他的和变成 1，即变成一个概率，
做法很简单，除以他的积分即可；
这个公式是不是和 beta 分布的公式很像呢；
对比一下就知道，beta 分布公式中，a 就是 正面朝上的次数，b 就是反面朝上的次数，x 就是 伯努利分布的概率 θ；
参考资料：
https://www.zhihu.com/question/30269898 如何通俗理解 beta 分布？
