Lo que se supone sobre un parámetro antes de los datos: el insumo del análisis bayesiano que con mayor frecuencia decide su resultado.Una distribución previa codifica lo que se supone sobre un parámetro antes de recopilar cualquier dato. En la estadística bayesiana, la previa se combina con la verosimilitud de los datos observados para producir la distribución posterior, que representa la creencia actualizada tras ver los datos. La elección de la previa es a menudo el aspecto más debatido del análisis bayesiano porque puede influir fuertemente en el resultado final, especialmente cuando los datos son escasos o poco informativos.
El concepto se remonta a Thomas Bayes en el siglo XVIII, pero el tratamiento formal y el debate sobre las previas fueron desarrollados por Pierre-Simon Laplace y más tarde por estadísticos modernos como Harold Jeffreys en el siglo XX.
La previa asigna una probabilidad a cada valor posible del parámetro. Una previa 'plana' o uniforme da el mismo peso a todos los valores, pero esto no siempre es la elección más neutral; por ejemplo, una previa uniforme sobre un parámetro de tasa no es uniforme sobre su logaritmo. Las previas informativas pueden incorporar restricciones físicas conocidas, como la positividad o límites de experimentos anteriores. La posterior es proporcional a la previa multiplicada por la verosimilitud, por lo que la previa actúa como un factor de ponderación que atrae la estimación hacia regiones de alta probabilidad previa.
Las previas se utilizan en física de partículas para establecer límites sobre nuevas partículas, en cosmología para estimar parámetros cosmológicos a partir de datos del fondo cósmico de microondas, y en aprendizaje automático para regularizar modelos.
En física de altas energías, la elección de la previa puede ser tan trascendental que el campo ha desarrollado métodos 'independientes de la previa', como el método CLs, para evitar depender de previas subjetivas al reclamar descubrimientos.











