名称中的内容：精度（方差的倒数）

直观地，平均值只是观察值的平均值。方差是这些观察值与均值相差多少。

我想知道为什么方差的倒数被称为精度。我们可以从中得出什么直觉？为什么精度矩阵在多元（正态）分布中与协方差矩阵一样有用？

有见识吗？

按照惯例，贝叶斯软件中经常使用精度。它之所以受欢迎，是因为可以将伽马分布用作精确度的共轭先验。

有人说精度比方差更“直观”，因为它表示均值周围的值有多集中而不是均值有多大。据说我们对某种测量的精确度而不是精确度感兴趣（但老实说，我不认为它会更直观）。

均值附近的值（较高方差）的分布范围越大，精度越低（精度较低）。方差越小，精度越高。精度只是倒数方差。真的没有什么比这更多的了。$\tau = 1/\sigma^2$

精度是正态分布的两个自然参数之一。这意味着，如果要合并两个独立的预测分布（如在通用线性模型中一样），则要添加精度。方差不具有此属性。

另一方面，当您累积观察值时，您将平均期望参数。在第二个时刻是一个预期的参数。

当对两个独立正态分布进行卷积时，方差相加。

相关地，如果您有一个维纳过程（一个增量为高斯的随机过程），则可以使用无限除数论证，等待一半的时间，意味着以一半的方差跳跃。

最后，在缩放高斯分布时，将对标准偏差进行缩放。

因此，根据您正在执行的操作，许多参数化很有用。如果在GLM中组合预测，则精度是最“直观”的一种。