Método de Jeffreys

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:

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

onde:

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

Isto é, a priori ${\pi }_{\theta }({\vec {\theta }})$ de Jeffreys é proporcional ($\propto$) 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 $\theta$. Ou seja, se for feita uma transformação inversível da forma $\phi =g({\vec {\theta }})$, tanto calculando-se a priori para $\theta$ e depois fazendo-se a transformação quanto aplicando-se a regra de Jeffreys, obtém-se a mesma priori para $\phi$.