Approche statistique qui quantifie l'incertitude en maintenant et mettant à jour des distributions de probabilité sur les paramètres plutôt que d'en donner une estimation ponctuelle. Contrairement à l'approche fréquentiste (les paramètres sont fixes mais inconnus), l'approche bayésienne traite les paramètres comme des variables aléatoires avec des distributions a priori (prior) reflétant les connaissances initiales, mises à jour par les données (likelihood) pour obtenir le posterior. Le posterior résume tout ce qu'on sait sur les paramètres après avoir vu les données. Avantages : quantification naturelle de l'incertitude, intégration de connaissances a priori, pas de p-values (problèmes d'interprétation évités), décisions de type 'probabilité que l'effet soit supérieur à X'. MCMC (PyMC, Stan) et l'inférence variationnelle (Pyro, TensorFlow Probability) permettent l'inférence bayésienne approchée pour des modèles complexes.