Aproximação de Laplace
A aproximação de Laplace é uma técnica analítica clássica que substitui uma distribuição posterior intratável por uma Gaussiana multivariada centrada no modo posterior, utilizando a curvatura da log-posterior nesse modo para definir a covariância. Formalizada para a estatística Bayesiana por Tierney e Kadane (1986) em seu artigo seminal no Journal of the American Statistical Association, ela oferece uma alternativa rápida e determinística ao método de Monte Carlo via Cadeias de Markov e forma o núcleo matemático das Aproximações de Laplace Aninhadas Integradas (INLA).
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Tierney, L. & Kadane, J. B. (1986). Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, 81(393), 82–86. DOI: 10.1080/01621459.1986.10478240 ↗
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press. ISBN: 978-0521642989
- Rue, H., Martino, S. & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319–392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
Como citar esta página
ScholarGate. (2026, June 3). Laplace Approximation to the Posterior. ScholarGate. https://scholargate.app/pt/bayesian/laplace-approximation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Regressão BayesianaBayesiano↔ compare
- Propagação de Expectância (EP)Bayesiano↔ compare
- Cadeia de Markov Monte Carlo (MCMC)Bayesiano↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →