Saltar para: Post [1], Pesquisa e Arquivos [2]

Gaia Ciência

Gaia Ciência

Quem foi Hirotugu Akaike e porque a google dedica um doodle

Hirotugu Akaike foi um marco importante para a humanidade e sobretudo para a matemática, com o seu trabalho como estatístico japonês.

 

Hirotugu Akaike (Akaike Hirotsugu) nasceu a 5 de Novembro de 1927 e faleceu a 4 de Agosto de 2009. Porém ficará para sempre na história pelos seus feitos no campo da ciência e da matemática.

 

Hirotugu Akaike

 

Todas as pessoas que realizam alguma vez na sua vida uma análise estatística, certamente passam horas a pensar que variáveis ​​incluir e o impacto que cada variável tem sobre o resultado. Porém para garantir que o modelo seja mais preciso, alguém não deve medir os medidores?

 

Na década de 1950, um jovem cientista japonês chamado Hirotugu Akaike fez essa pergunta muito bsica mas importante. Após duas décadas de pesquisa sobre o assunto, durante a década de 1970, ele apresentou a resposta como uma equação simplificada, que ficou conhecida como Critério de Informação Akaike (AIC).

Com este critério denominado com sigla AIC, os analistas podem selecionar um modelo de um conjunto de opções, medindo o quão perto os resultados estão para a verdade (hipotética). O doutor Akaike, considerou a experiência como fundamental com respeito à criatividade.

 

No ano de 2006, Hirotugu Akaike foi condecorado com o Prémio Kyoto em virtude das suas contribuições para a ciência e mais concretamente para modelagem estatística.

 

No dia 5 de novembro, a Google dedica a Hirotugu Akaike um Doodle para assinalar o 90º aniversário do seu nascimento. Em agradecimento ao tributo dado à ciência.

Hirotugu Akaike

 

 

Saiba mais sobre o Critério de Informação de Akaike (AIC):

O Critério de Informação de Akaike (AIC) é definido como:

$$AIC_p=-2log(L_p)+2[(p+1)+1],$$ 

 

 

em que $ L_p $ é a função de máxima verossimilhança do modelo e p é o número de variáveis explicativas consideradas no modelo.

O Critério de Informação Bayesiano (BIC) é definido como 

$$BIC_p=-2log(L_p)+[(p+1)+1]log(n).$$ 

 

 

Tanto o AIC quanto o BIC aumentam conforme SQE aumenta. Além disso, ambos critérios penalizam modelos com muitas variáveis sendo que valores menores de AIC e BIC são preferíveis.

Como modelos com mais variáveis tendem a produzir menor SQE mas usam mais parâmetros, a melhor escolha é balancear o ajuste com a quantidade de variáveis.

 

Queremos também agradecer a Hirotugu Akaike pelo seu contributo para a ciência!