其由二项分布推广而来，从而更加普遍。所以我们先回顾一下二项分布。
二项分布的典型例子是扔硬币，设硬币正面朝上概率为 p p p, 重复扔 n n n次硬币，记硬币正面朝上的次数为 X X X，显然 X X X是一个随机变量，且服从二项分布，即 X ∼ B ( n , p ) Xsim B(n,p) X∼B(n,p)。
把二项分布推广至两种以上的状态，就得到了多项分布。
比如做一次实验，结果有k种可能，各自的概率为 ( p 1 , … , p k ) (p_1,ldots ,p_k) (p1,…,pk)，同样，重复做n次实验，记各种状态出现的次数为 ( X 1 , … , X k ) (X_1,ldots ,X_k) (X1,…,Xk)，显然，这些都是随机变量，且服从多项分布，即 ( X 1 , … , X k ) ∼ P N ( n ： p 1 , … , p k ) (X_1,ldots ,X_k)sim PN(n：p_1,ldots ,p_k) (X1,…,Xk)∼PN(n：p1,…,pk)，显然有关系： X 1 + … + X k = n X_1+ldots +X_k=n X1+…+Xk=n，另外，其中PN即poly nomial的意思，也是多项式的意思。
python实战：
import torch p=torch.tensor([0.2,0.1,0.7]) torch.multinomial(p,2,replacement=True)#表示进行两次重复实验，各个状态的概率分布是p
我们重复运行两次，得到如下结果：
上面表示第一次得到了0.2概率的那个状态，第二次得到了0.7概率的那个状态。下面这个同样分析。
