La distribution de probabilité des paramètres du modèle après mise à jour des croyances a priori avec les données observées, centrale à l'inférence bayésienne.La distribution a posteriori est un concept fondamental des statistiques bayésiennes qui représente la distribution de probabilité mise à jour des paramètres du modèle après l'intégration des données observées. Elle combine les croyances a priori sur les paramètres avec la vraisemblance des données observées, produisant une description probabiliste complète de ce que l'on sait sur les paramètres après avoir vu les preuves. Cette distribution est au cœur de l'inférence bayésienne, car elle permet aux chercheurs de faire des déclarations probabilistes sur les paramètres et de quantifier l'incertitude de manière rigoureuse.
Le concept de distribution a posteriori remonte aux travaux de Thomas Bayes au XVIIIe siècle, publiés à titre posthume en 1763, et a été formalisé plus avant par Pierre-Simon Laplace au début du XIXe siècle.
La distribution a posteriori est calculée à l'aide du théorème de Bayes : la distribution a posteriori est proportionnelle à la distribution a priori multipliée par la fonction de vraisemblance. En pratique, pour des modèles complexes, la distribution a posteriori n'est souvent pas analytiquement traitable, c'est pourquoi des méthodes computationnelles telles que les chaînes de Markov Monte Carlo (MCMC) ou l'inférence variationnelle sont utilisées pour l'échantillonner ou l'approximer. La distribution résultante peut ensuite être résumée à l'aide de statistiques telles que la moyenne, la médiane ou les intervalles de crédibilité, qui fournissent une plage de valeurs plausibles pour les paramètres compte tenu des données.
Les distributions a posteriori sont utilisées dans pratiquement tous les domaines impliquant l'inférence statistique, y compris l'astrophysique (estimation des propriétés des étoiles à neutrons à partir des signaux d'ondes gravitationnelles), l'imagerie médicale (reconstruction d'images à partir de données bruitées) et l'apprentissage automatique (réseaux de neurones bayésiens).
Dans le contexte de l'astronomie des ondes gravitationnelles, la distribution a posteriori pour les masses des trous noirs en fusion peut être si étroitement contrainte qu'elle permet aux chercheurs de déterminer le décalage vers le rouge de la source avec une incertitude de seulement quelques pour cent.









