Em estatística, o método de Jeffreys, regra de Jeffreys ou a priori de Jeffreys, nomeado em homenagem a Sir Harold Jeffreys é uma probabilidade a priori não informativa para um espaço de parâmetros definida como:^[1]

${\displaystyle {\pi }_{\theta }({\vec {\theta }})\propto {\sqrt {\det {\mathcal {I}}\left({\vec {\theta }}\right)}}}$,

onde:

• ${\displaystyle {\mathcal {I}}\left({\vec {\theta }}\right)}$ é a matriz de informação de Fisher;
• ${\displaystyle \det }$ é a função determinante.

Isto é, a priori ${\displaystyle {\pi }_{\theta }({\vec {\theta }})}$ de Jeffreys é proporcional (${\displaystyle \propto }$) a raiz quadrada do determinante da matriz de informação de Fisher.

Esta regra possui a propriedade da invariância a transformações 1 a 1 do vetor paramétrico ${\displaystyle \theta }$.^[2] Ou seja, se for feita uma transformação inversível da forma ${\displaystyle \phi =g({\vec {\theta }})}$, tanto calculando-se a priori para ${\displaystyle \theta }$ e depois fazendo-se a transformação quanto aplicando-se a regra de Jeffreys, obtém-se a mesma priori para ${\displaystyle \phi }$.^[1][2]

Referências

• Portal de probabilidade e estatística