以下是一个使用Python的代码示例，展示了先验分布和后验分布的图表：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import beta

# 先验分布的参数
prior_alpha = 2
prior_beta = 2

# 数据
data = np.array([1, 0, 0, 1, 1, 1, 0, 1, 0, 1])

# 计算后验分布的参数
posterior_alpha = prior_alpha + np.sum(data)
posterior_beta = prior_beta + len(data) - np.sum(data)

# 生成x轴上的值
x = np.linspace(0, 1, 100)

# 计算先验分布和后验分布的概率密度函数
prior_pdf = beta.pdf(x, prior_alpha, prior_beta)
posterior_pdf = beta.pdf(x, posterior_alpha, posterior_beta)

# 绘制图表
plt.figure(figsize=(10, 5))
plt.plot(x, prior_pdf, label='Prior Distribution', color='red')
plt.plot(x, posterior_pdf, label='Posterior Distribution', color='blue')
plt.legend()
plt.xlabel('Probability')
plt.ylabel('Density')
plt.title('Prior and Posterior Distributions')
plt.show()

上述代码使用了scipy库中的beta分布函数来计算先验分布和后验分布的概率密度函数。先验分布的参数设定为2和2，数据设定为一个包含10个观测值的二分类问题。先验分布和后验分布的概率密度函数通过beta.pdf函数计算，并通过matplotlib库绘制成图表。

你可以根据自己的先验分布和数据进行相应的修改，以适应你的实际问题。