Se estudiaron métodos bayesianos en este artículo utilizando redes neuronales profundas. Nos interesan los autoencoders variacionales, donde un codificador se aproxima a la verdadera posterior y el decodificador se aproxima a la probabilidad directa. Específicamente, aplicamos estos autoencoders para flujos de fluidos inestables y compresibles en motores de aeronaves. Utilizamos métodos inferenciales para calcular una aproximación precisa de la probabilidad posterior de estos parámetros con la dinámica transitoria de los campos de velocidad de entrenamiento y para generar campos de velocidad plausibles. Una aplicación importante es la inicialización de simulaciones numéricas transitorias de flujos de fluidos inestables y simulaciones de grandes remolinos en dinámica de fluidos. Se sabe por el teorema de Bayes que la elección de la distribución a priori es muy importante para el cálculo de la probabilidad posterior, proporcional al producto de la verosimilitud con la probabilidad a priori. Por lo tanto, proponemos un nuevo modelo de inferencia basado en una nueva a priori definida por la estimación de densidad con las realizaciones de los coeficientes de descomposición ortogonal propia del núcleo de los datos de entrenamiento disponibles. Mostramos numéricamente que este modelo de inferencia mejora los resultados obtenidos con la distribución normal estándar habitual. Este modelo de inferencia fue construido utilizando un nuevo algoritmo que mejora la convergencia de la optimización paramétrica de la distribución de probabilidad del codificador que se aproxima a la posterior. Esta última distribución de probabilidad está dirigida a los datos, de manera similar a la distribución a priori. Este nuevo enfoque generativo también puede verse como una mejora del método de descomposición ortogonal propia del núcleo, para el cual no solemos tener una técnica robusta para expresar la preimagen en el espacio físico de entrada del campo reducido estocástico en el espacio de características de alta dimensión con un producto interno de núcleo.