aplicação de scan espacial

ˆ
Inferencia Avancada
¸
´
Fabio Rocha da Silva
´
Jose Lu´s Padilha ı Departamento Estat´stica ı Universidade Federal de Minas Gerais, Brasil

Maio/2012

1/37

Introducao
¸˜
´
Ao selecionarmos modelos e preciso ter em mente que
˜
nao existem modelos verdadeiros.
´
Ha apenas modelos aproximados da realidade que, causam perda de informacoes.
¸˜
´
´
Deste modo, e necessario fazer a selecao do
¸˜
“melhor”modelo, dentre aqueles que foram ajustados, para
ˆ
explicar o fenomeno sob estudo.
´
Busca-se o modelo mais parcimonioso, isto e, o modelo
ˆ
que envolva o m´nimo de parametros poss´veis a serem ı ı estimados e que explique bem o comportamento da
´
variavel resposta.

2/37

´
Nesta linha, diversos criterios para selecao de modelos
¸˜
˜ sao apresentados na literatura .
´
´
Dentre os criterios para selecao de modelos, os criterios
¸˜
´
˜
baseados no maximo da funcao de verossimilhanca sao
¸˜
¸ os mais utilizados,
ˆ
´
Com maior enfase o Criterio de Informacao de Akaike
¸˜
´
(AIC) e o Criterio Bayesiano de Schwarz (BIC)e ...(DIC)
˜
que serao descritos neste trabalho

3/37

Akaike Information Criterion
(AIC)

4/37

ˆ
Divergencia
ˆ
ˆ
O Conceito de Divergencia ou Distancia Estat´stica ı ˆ
´
ˆ
Divergencia Estat´stica e a distancia entre: uma ı observacao e sua populacao, ou entre duas populacoes.
¸˜
¸˜
¸˜

ˆ
Interessa-nos a divergencia como uma medida da
ˆ
distancia entre: duas distribuicoes de probabilidade;
¸˜

ˆ
Algumas Divergencias Estat´sticas: ı ˆ divergencia Kullback-Leibler
ˆ
distancia de Hellinger
ˆ
distancia da Variacao Total
¸˜
ˆ divergencia de Renyi
ˆ
divergencia de Jensen-Shannon

5/37

ˆ
Princ´pio da Parcimonia ı Akaike Information Criterion

6/37

Informacao Kullback-Leibler
¸˜
´
A informacao perdida, quando um modelo e usado para aproximar o modelo
¸˜
real
Processo Cont´nuo ı I(f , g)

f (x) g(x|θ) f (x)dx

=

log