Modelos Gráficos Probabilísticos Aplicados al Análisis Espacial en R: Hurtos de Celulares en Bogotá

Danna Lesley Cruz Reyes

Abstract


Los avances tecnológicos recientes permiten la recopilación, el procesamiento y el almacenamiento de información a gran escala. Esto ha determinado  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. Se realiza un análisis de dependencia espacial por medio de la un grafo que caracteriza la estructura espacial y un modelo ampliamente utilizado conocidos como autorregresivo condicionales (CAR por sus siglas en ingles).  Estos modelos son útiles para obtener distribuciones conjuntas multivariadas de un vector aleatorio basado en especificaciones condicionales univariadas. Estas especificaciones condicionales se basan en las propiedades de Markov, de modo que la distribución condicional de un componente del vector aleatorio depende solo de un conjunto de vecinos, definido por el grafo. Los modelos autorregresivos condicionales son casos particulares de campos aleatorios de Markov.  Finalmente, se explica como realizar estos análisis en R, incluyendo el manejo de grafos y los paquetes utilizados. Se realiza la estimación de los parámetros en R siguiendo la metodología bayesiana a un conjunto de datos que corresponde al robo de celulares en Bogotá.

References


P. Elliott and D. E. Wartenberg, “Spatial epidemiology: Current approaches and future challenges,” inEnvironmentalhealthperspectives,2004.DOI:10.1289/ehp.6735[2]J.BesagandD.Higdon,“Bayesiananalysisofagriculturalfieldexperiments,”JournaloftheRoyalStatisticalSociety:SeriesB(StatisticalMethodology),vol.61,no.4,pp.691–746,1999.DOI:10.1111/1467-9868.00201

J. Lesage and R. Pace, “Introduction to spatial econometrics. crc press, boca raton, fl,”IntroductiontoSpatialEconometrics,vol.1,012009.DOI:10.1201/9781420064254

O.ArslanandO.Akyürek,“Spatialmodellingofairpollutionfrompm10andso2concentrationsduringwinterseasoninmarmararegion(2013 2014),”InternationalJournalofEnvironmentandGeoinformatics,pp.1–16,2018.DOI:10.30897/ijegeo.412391

J. Besag, “On the statistical analysis of dirty pictures,”Journal of the Royal Statistical Society. Series B(Methodological),vol.48,no.3,pp.259–302,1986.DOI:10.1111/j.2517-6161.1986.tb01412.x

H.RueandL.Held,GaussianMarkovRandomFields:TheoryandApplications,vol.104ofMonographsonStatisticsandAppliedProbability. London:Chapman&Hall,2005.DOI:10.1201/9780203492024

R.AssunçãoandE.Krainski,“Neighborhooddependenceinbayesianspatialmodels,”BiometricalJournal,vol.51,no.5,pp.851–869,2009.DOI:10.1002/bimj.200900056

M.M.Wall,“AcloselookatthespatialstructureimpliedbytheCARandSARmodels,”JournalofStatisticalPlanningandInference,vol.121,no.2,pp.311–324,2004.DOI:10.1016/S0378-3758(03)00111-3

J.Besag,“Spatialinteractionandthestatisticalanalysisoflatticesystems,”JournaloftheRoyalStatisticalSociety.SeriesB(Methodological),vol.36,no.2,pp.192–236,1974.DOI:10.1111/j.2517-6161.1974.tb00999.x

S.Banerjee,B.P.Carlin,andA.E.Gelfand,HierarchicalModelingandAnalysisofSpatialData,vol.101.012004.DOI:10.1201/9780203487808TECCIENCIA●VOL.15●NO.29 ISSN:1909-3667(print)|2422-3670(electronic)UniversidadECCI


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 TECCIENCIA