贝叶斯方法是对多项分布参数进行估计的重要方法，Bayes(1763)和Laplace(1774)是最早进行这项工作的科学家之一，他们用均匀先验来对二项分布的未知参数进行点估计，Stigler(1982)和Hald(1998)也对此进行了深入研究并发展了这一理论．在对列联表的研究中，人们最容易想到的是用极大似然估计来估计未知参数，但其稳定性并不很好； Good(1965)在用贝叶斯方法估计多项分布未知参数的过程中做了大量工作，并总结了对Diriclet先验中参数的选取；Perks(1947)取αi=1/c；Jeffrey(1969)使用αi=1/2；Good(1980)建议使用αi=1；近年来，一些统计学家对无信息先验作了一些研究工作(Bai and Shi，2008)． 本文回顾了多项分布传统的先验分布-Dirichlet分布已及近些年统计学家们研究的无信息先验(non-informative)分布，通过产生多项分布的随机数，运用公式计算出后验分布、后验均值，运用频率派方法，通过对比多项分布在不同先验分布下的后验均值与真值的差(dif)和后验均值的方差(VSX)，来分析多项分布参数估计值在不同先验下的精确度及其稳定性；对每一组随机数我们同时研究了Bayesian尾区间和HPD区间特性. ·随着n的增大，所有的dif和var都有减小的趋势。 ·极大似然估计的精确度是最好的，但是它的稳定性相比较而言却是非常差的。 ·αi=1/4的Diriclet先验的pi的估计值不论是精确度还是稳定性都是非常好的。 ·对于无信息先验，pi处于不同位置时，得到的pi的估计值会有很大不同。 ·当n=xi时，pi采用Diriclet先验得到的后验密度函数图像是单调递增的，而采用无信息先验得到的pi后验密度函数图像却是有峰的.