Ce que l'on suppose d'un paramètre avant les données — l'entrée de l'analyse bayésienne qui décide le plus souvent de sa sortie.Une distribution a priori encode ce que l'on suppose d'un paramètre avant de collecter des données. En statistique bayésienne, l'a priori est combiné avec la vraisemblance des données observées pour produire la distribution a posteriori, qui représente la croyance mise à jour après avoir vu les données. Le choix de l'a priori est souvent l'aspect le plus débattu de l'analyse bayésienne, car il peut fortement influencer le résultat final, surtout lorsque les données sont rares ou peu informatives.
Le concept remonte à Thomas Bayes au XVIIIe siècle, mais le traitement formel et le débat sur les a priori ont été développés par Pierre-Simon Laplace, puis par des statisticiens modernes comme Harold Jeffreys au XXe siècle.
L'a priori attribue une probabilité à chaque valeur possible du paramètre. Un a priori « plat » ou uniforme donne un poids égal à toutes les valeurs, mais ce n'est pas toujours le choix le plus neutre — par exemple, un a priori uniforme sur un paramètre de taux n'est pas uniforme sur son logarithme. Les a priori informatifs peuvent intégrer des contraintes physiques connues, telles que la positivité ou des bornes issues d'expériences antérieures. La distribution a posteriori est proportionnelle à l'a priori multiplié par la vraisemblance, de sorte que l'a priori agit comme un facteur de pondération qui attire l'estimation vers les régions de forte probabilité a priori.
Les a priori sont utilisés en physique des particules pour établir des limites sur de nouvelles particules, en cosmologie pour estimer les paramètres cosmologiques à partir des données du CMB, et en apprentissage automatique pour régulariser les modèles.
En physique des hautes énergies, le choix de l'a priori peut être si déterminant que le domaine a développé des méthodes « indépendantes de l'a priori », comme la méthode CLs, pour éviter de s'appuyer sur des a priori subjectifs lors de la revendication de découvertes.











