مدل‌های آماری برای شناخت مکانیزمی که داده‌ها از آن تولید شده، استفاده می‌شود. در بیشتر مدل‌ها فرض می‌شود متغیرهای

تصادفی ‎Y_{i}‎، ‎i=1,...,n‎، نمونه‌ای تصادفی از توزیع ‎F‎ هستند، که ‎F‎ متعلق به یک کلاس از خانواده توزیع‌های پارامتری است. اما در بسیاری از مسائل عملی نمی‌توان انتظار داشت که یک مدل پارامتری برای توصیف داده‌ها مناسب باشد. در این شرایط می‌توان فرض پارامتری را کنار گذاشت و از مدل‌های انعطاف‌پذیر و نیرومندتری برای تحلیل داده‌ها استفاده کرد. در چارچوب روش بیز ناپارامتری با تعریف یک توزیع پیشین روی فضای کل توزیع‌های احتمالی و فرض نمودن آن برای توزیع متغیر تصادفی این انعطاف‌پذیری حاصل می‌شود.

بعبارت دیگر فرآیندهای تصادفی روی خانواده‌ای از توابع توزیع تعریف می‌شوند و بعنوان پیشین برای توزیع تصادفی

بکار می‌روند. از جمله مهم‌ترین این ‎‏پیشین‌ها فرآیند دیریکله است که دارای ویژگی‌های مهم و جالبی است، لذا در

گستره وسیعی از مسائل بیز ناپارامتری مورد استفاده قرار می‌گیرد. در این مقاله این فرآیند و خواص آن معرفی

می‌شود.