当构建 prior distribution 时，若没有足够的群体信息支持，我们通常希望构建的 prior 在我们的 posterior 中影响越小越好，即，posterior 将更多受到样本 likelihood的影响。此种 prior 我们可以称作为 noninformative prior。
Jeffrey's prior 是一种由 Jeffrey 提出的，构建 noninformative prior 的方法。它的定义是：
其中， 是 Fisher information。
的计算公式为：
Jeffrey's prior is invariant to parameterization
Jeffery's prior 有一个很好的性质是：构建的 prior 对于参数转换 (parameter transformation) 是 invariant 的。
举例，假设 ，根据定义，关于
的 Jeffrey's prior 是
。若将参数
转换为
，则：
满足 Jeffrey's invariance principle，即：。
