Produção Nacional
Probabilistic Graphical Models Applied to Spatial Analysis in R: Cell Phone Thefts in Bogotá
2020; Volume: 15; Issue: 29 Linguagem: Espanhol
10.18180/tecciencia.2020.29.2
ISSN2422-3670
Autores Tópico(s)Statistical Methods and Applications
ResumoLos avances tecnológicos modernos permiten la recopilación, el procesamiento y el almacenamiento de información a gran escala, lo que desencadena el comienzo del big data, donde el aumento de la información ha dado lugar a conjuntos de datos grandes y complejos que pueden ser potencialmente explotados para encontrar soluciones a problemas relevantes. Este trabajo tiene como objetivo explicar cómo los métodos estadísticos pueden analizar estos conjuntos de datos grandes y complejos, específicamente datos espaciales. Los modelos estadísticos para los datos espaciales se dividen en dos clases generales: modelos geo estadísticos con soporte espacial continuo y modelos en una lattice, también llamados datos de área, donde los datos se producen en una cuadricula (posiblemente irregular), con un conjunto enumerarle de vértices o ubicaciones. Estos modelos auto regresivos se utilizan en muchos campos, incluyendo la cartografía de las tasas de enfermedades, (Elliott and Wartenberg [2004]), agricultura (Besag and Higdon [1999]), econometría (Lesage and Pace [2009]), ecolog´ıa (Arslan and Aky¨urek [2018]) y análisis de imágenes (Besag [1986]). En este trabajo, se presenta los modelos CAR como un ejemplo de los campos aleatorios gaussianos de Markov. El modelo CAR visualiza el dominio geográfico como un grafo no dirigido con un vértice en cada región y una arista entre dos vértices si las regiones correspondientes comparten un borde geográfico. Esto crea vecinos bien definidos para cada región, que se utilizan para definir la distribución conjunta o condicional. La distribución será la distribución multivalente normal. Al final, se presenta un ejemplo con el fin de comprender como funciona este tipo de análisis.
Referência(s)