La distribución de Gibbs asigna probabilidades proporcionales a exp(−E(x)/T), vinculando la aleatoriedad a un paisaje energético. En probabilidad, define campos aleatorios de Markov y sistemas de equilibrio. En ML, impulsa modelos basados en energía, máquinas de Boltzmann y métodos de muestreo como el muestreo de Gibbs. En la vida real, aparece en la física estadística, modelos de tráfico y multitudes, y procesos de decisión donde las elecciones siguen preferencias ruidosas.