Estatística: Aplicação ao Sensoriamento Remoto SER ANO Variáveis Aleatórias
|
|
- Agustina Bastos Salgado
- 5 Há anos
- Visualizações:
Transcrição
1 Estatística: Aplicação ao Sensoriamento Remoto SER 24 - ANO 218 Variáveis Aleatórias Camilo Daleles Rennó camilo@dpi.inpe.br
2 Variável atributo Em qualquer tipo de estudo, há sempre a necessidade de se focar em um ou mais atributos (características) dos elementos que compõem esta população () Estes atributos constituem as variáveis de estudo atributos quantitativos:. biomassa. altura atributos qualitativos:. espécie. fase fenológica 2
3 Tipos de Mensuração nominal cor (azul, verde, amarelo, branco, cinza) ordinal ranking (ótimo, bom, regular, ruim, péssimo) atributo intervalar temperatura (Celsius, Fahrenheit, Kelvin) (zero representa apenas uma posição na escala) proporcional (racional) (zero representa ausência do atributo) peso (grama, quilo, tonelada) Por uma conveniência matemática, este atributo deveria ser representado por números que podem ser combinados e/ou sumarizados através de inúmeras manipulações algébricas: soma, produto, mínimo, máximo, média, mediana, etc Por definição, todos os atributos quantitativos já possuem esta propriedade Como será visto a seguir, para atributos qualitativos, regras devem ser definidas para transformá-los em números 3
4 Variável Aleatória atributo transformação variável aleatória número v.a. discreta v.a. contínua Definição: variável aleatória (v.a.) é uma função que associa cada elemento de a um número. Propriedades de uma v.a.: Cada elemento de deve estar associado a um único número Todos os elementos de devem estar associados a algum número Vários elementos de podem estar associados ao mesmo número
5 Variável Aleatória Experimento: jogar 2 moedas (R$1, e R$,5) e observar o resultado Definindo uma v.a. X: número de caras em 2 lances de moeda X() (representa o escopo da v.a.) 2 K cara C coroa 1 X(C 1 C,5 ) = X(K 1 C,5 ) = X(C 1 K,5 ) = 1 X(K 1 K,5 ) = 2 P(X = ) = P(C 1 C,5 ) P(X = 1) = P(K 1 C 2 C 1 K,5 ) P(X = 2) = P(K 1 K,5 ) OBS: em P(X = x), a natureza funcional da v.a. foi suprimida. De fato, a expressão mais correta seria P( X() = x). por definição, os valores de uma v.a. são sempre mutuamente exclusivos 5
6 Variável Aleatória Discreta Definição: uma v.a. é discreta quando o conjunto de valores possíveis (imagem) for finito ou infinito numerável. < P(X = x i ) 1 para todo x i X() i P( X x ) 1 i Função de Probabilidade f ( x) P( X x) f(x) P(X = x 2 ) Função de Distribuição Acumulada F( x) P( X x) f( x j ) j para todo j onde x j x x 2 x F(x) 1 P(X x 3 ) x 3 x 6
7 Variável Aleatória Discreta Exemplos: a) jogar um dado X: ponto obtido no dado X = {1, 2, 3, 4, 5, 6} X: = 1 se ponto for igual a 6 X: = caso contrário X = {, 1} b) jogar 5 moedas (ou uma moeda 5 vezes) X: número de caras em 5 lances X = {, 1, 2, 3, 4, 5} c) jogar uma moeda até tirar uma cara X: número de jogadas até tirar uma cara (incluindo-se a cara) X = {1, 2, 3,...} X: número de coroas até tirar uma cara X = {, 1, 2,...} 7
8 Variável Aleatória Discreta Exemplos: d) sortear um ponto de uma imagem (8bits) X: valor de nível de cinza X = {, 1,..., 255} X: = 1 se valor de nível de cinza for menor que 1 X: = caso contrário X = {, 1} e) sortear 5 pontos em um mapa pedológico X: número de pontos correspondentes à classe Argissolo X = {, 1, 2, 3, 4, 5} f) sortear pontos em um mapa de vegetação até que se encontre a classe Cerrado X: número de pontos sorteados (incluindo-se o ponto da classe Cerrado) X = {1, 2, 3,...} X: número de pontos sorteados (excluindo-se o ponto da classe Cerrado) X = {, 1, 2,...} 8
9 Variável Aleatória Contínua Definição: uma v.a. é contínua quando o conjunto de valores possíveis (imagem) for inumerável. Se o conjunto imagem é inumerável, não há sentido em falar de valores específicos e portanto: P(X = x) = Qual a probabilidade de se escolher uma pessoa qualquer com exatos 1,7 metros de altura? P(X = 1,7) = Isso é possível mas é muito pouco provável! Nesse caso, a probabilidade nula é traduzida como evento improvável mas não impossível Exceção para os eventos que estejam fora do escopo da v.a. considerada. Nesses casos, a probabilidade nula é sinônimo de evento impossível Qual a probabilidade de se escolher uma pessoa qualquer com mais do que 1 metros de altura? P(X > 1) = Impossível! 1,7... (infinitos zeros) 9
10 Variável Aleatória Contínua Definição: uma v.a. é contínua quando o conjunto de valores possíveis (imagem) for inumerável. Se o conjunto imagem é inumerável, não há sentido em falar de valores específicos e portanto: P(X = x) = P(a < X < b) 1 só há sentido em falar de probabilidade para um intervalo de valores! Função Densidade de Probabilidade (fdp) f( x) f(x) b P( a X b) f ( x) dx f ( x) dx 1 Função de Distribuição Acumulada x F( x) f ( x) dx a a b P( a X b) x F(x) 1 P(X < c) c x 1
11 Variável Aleatória Contínua Exemplos: a) X: distância entre dois pontos X = [,+[ a X = dist a,b b b) X: distância vertical de um ponto, relativa a uma superfície plana pré-definida X = ]-,+[ a c) X: reflectância de um objeto X = [,1] = [,1%] b 11
12 Caracterização de uma Variável Aleatória Exemplo: retiram-se 2 bolas de uma urna (com reposição). Define-se uma v.a. X cujos valores representam o número total de bolas vermelhas dentre as 2 escolhidas Urna A Urna B Função de Distribuição de X A Função de Distribuição de X B Como caracterizar estas variáveis aleatórias de modo a evidenciar suas semelhanças e diferenças? Aspectos principais: posição (tendência central) dispersão forma 12
13 P (Y = y) P (X = x) Caracterização de uma Variável Aleatória Variável Y Variável X,5,5,4,4,3,3,2,2,1, Y X Y P(Y = y) 1,1 2,45 3,22 4,15 5,6 6,2 X P(X = x) 1,1 2,15 3,25 4,25 5,15 6,1 13
14 P (Y = y) Medidas de Tendência Central Y Y P(Y = y) 1,1 2,45 3,22 4,15 5,6 6,2 Identificar o(s) valor(es) que ocorre(m) com a maior frequência Moda moda = 2 14
15 P (X = x) Medidas de Tendência Central X X P(X = x) 1,1 2,15 3,25 4,25 5,15 6,1 Identificar o(s) valor(es) que ocorre(m) com a maior frequência Moda moda = {3, 4} 15
16 Medidas de Tendência Central Moda,2,25,15,1, modas (bimodal),15,1,2,15,1, modas locais,2,5,15,15,1, muitas modas (multimodal),1, modas (trimodal) não definida 16
17 Medidas de Tendência Central Moda moda { x k : P( X k) P( X x)} v.a. discretas moda arg max f ( x): x k : f ( k) f ( x) v.a. contínuas x Representa valores possíveis da v.a. Pode ser usada diretamente em variáveis de qualquer tipo de mensuração, inclusive a nominal (variável qualitativa) Pode não existir ou ter muitos valores 17
18 P (Y P (Y = y) y) Medidas de Tendência Central,51,4,75,3,2,5,1, Y 5 6 Y P(Y = y) 1,1 2,45,55 3,22,77 4,15,92 5,6,98 6,2 1, Identificar o ponto que divide a distribuição em duas partes iguais (equiprováveis) Mediana mediana = 2 18
19 P (X P (X = x) x) Medidas de Tendência Central.51.4,75.3.2,5.1, X 5 6 X P(X = x) 1,1 2,15,25 3,25,5 4,25,75 5,15,9 6,1 1, Identificar o ponto que divide a distribuição em duas partes iguais (equiprováveis) Mediana mediana = 3,5 19
20 Medidas de Tendência Central Mediana P( X mediana),5 e P( X mediana),5 v.a. discretas mediana f ( x) dx,5 v.a. contínuas Pode ser usada diretamente em variáveis cuja mensuração seja pelos menos ordinal Não sofre influência de valores extremos (muito baixos ou muito altos com baixa prob.) Pode não representar valores possíveis para v.a. discreta Possui limitações para manipulação algébrica 2
21 P (X = x) Medidas de Tendência Central,5,4,3,2, X X P(X = x) 1,1 2,15 3,25 4,25 5,15 6,1 Calcular o ponto de equilíbrio da distribuição Média N i1 x P( X x ) i i (trata-se de uma média ponderada pela probabilidade de cada valor) 1*,1 2*,15 3*, 25 4*, 25 5*,15 6*,1 3,5 21
22 P (Y = y) Medidas de Tendência Central,5,4,3,2, Y Y P(Y = y) 1,1 2,45 3,22 4,15 5,6 6,2 Calcular o ponto de equilíbrio da distribuição Média N i1 y P( Y y ) i i 1*,1 2*, 45 3*, 22 4*,15 5*, 6 6*, 2 2, 68 22
23 Medidas de Tendência Central Média N i1 x P( X x ) i i v.a. discretas xf ( x) dx v.a. contínuas Permite manipulações algébricas Só pode ser utilizada em variáveis cuja mensuração seja intervalar Pode não representar valores possíveis para v.a. discreta Em distribuições simétricas unimodais, média = mediana = moda 23
24 P (Y = y) P (X = x) Medidas de Dispersão,5,5,4,4,3,3,2,2,1, Y X Analisar a variação total da v.a. Y máx - Y mín = 5 X máx - X mín = 5 Amplitude Total 24
25 P (X = x) Medidas de Dispersão , X X - X P(X = x) -2,5 1,1-1,5 2,15 -,5 3,25,5 4,25 1,5 5,15 2,5 6,1 N i1 Analisar a média dos desvios da v.a. (em relação à média) xi P( X xi) 2,5*,1 1,5*,15,5*, 25,5*, 25 1,5*,15 2,5*,1 N i1 x P( X x ) i i N x P( X x ) P( X x ) i i i i1 i1 N N x P( X x ) P( X x ) i i i i1 i1 N = = 1 Sempre será zero! 25
26 P (X = x) Medidas de Dispersão , X X - X P(X = x) 2,5 1,1 1,5 2,15,5 3,25,5 4,25 1,5 5,15 2,5 6,1 N i1 Analisar média dos desvios absolutos da v.a. (em relação à média) xi P( X xi) 2,5*,1 1,5*,15,5*, 25,5*, 25 1,5*,15 2,5*,1 1,2 Desvio Absoluto Médio 26
27 P (Y = y) Medidas de Dispersão , Y Y - Y P(Y = y) 1,68 1,1,68 2,45,32 3,22 1,32 4,15 2,32 5,6 3,32 6,2 N i1 Analisar a média dos desvios absolutos da v.a. (em relação à média) yi P( Y yi),948 Desvio Absoluto Médio 27
28 Medidas de Dispersão Desvio Absoluto Médio N DAM x P( X x ) i1 i i v.a. discretas DAM x f ( x) dx v.a. contínuas Possui a mesma unidade da média e da v.a. Apresenta o inconveniente de ser de difícil manipulação algébrica 28
29 P (X = x) Medidas de Dispersão , X (X - ) 2 X P(X = x) 6,25 1,1 2,25 2,15,25 3,25,25 4,25 2,25 5,15 6,25 6,1 N i1 Analisar a média dos desvios quadráticos da v.a. (em relação à média) 2 x P( X x ) 6, 25*,1 2, 25*,15, 25*, 25 i i, 25*, 25 2, 25*,15 6, 25*,1 2,5 Variância ( 2 ) 29
30 P (Y = y) Medidas de Dispersão , Y (Y - ) 2 Y P(Y = y) 2,822 1,1,462 2,45,12 3,22 1,742 4,15 5,382 5,6 11,22 6,2 N Analisar a média dos desvios quadráticos da v.a. (em relação à média) y 2 i P( Y yi) 1,318 i1 Variância ( 2 ) 3
31 Medidas de Dispersão Variância 2 N i1 2 x P( X x ) i i v.a. discretas 2 x 2 f ( x) dx v.a. contínuas Pode ser manipulada algebricamente Valores não são facilmente interpretados Possui a unidade da v.a. ao quadrado (Ex. X em o C, 2 em o C 2 ) Desvio Padrão () é a raiz quadrada da Variância possui a mesma unidade de X 31
32 Medidas de Dispersão Quando duas ou mais variáveis são comparadas quanto a sua dispersão, a variância (ou o desvio padrão) não pode ser utilizada se estas variáveis possuírem diferentes unidades. Exemplo: X é altura (m) e Y é biomassa (kg) Neste caso, adota-se uma medida adimensional: Coeficiente de Variação CV Mede a variação relativa a média Adimensional Pode ser expresso em porcentagem (mas pode ter valores maiores que 1%) Não pode ser utilizado quando = 32
33 Momentos Uma v.a. pode também ser caracterizada através dos momentos, calculados a partir de sua distribuição Momento (ordinário) ou Esperança (matemática) de ordem k: v.a. discreta v.a. contínua N k k k i i E( X ) ( ) k E( X ) x P X x i1 Momento centrado (na média) de ordem k v.a. discreta N k k ( ) ( i ) i k E X x P X x i1 x f x dx lê-se: k-ésimo momento de X ou Esperança (matemática) da k-ésima potência de X v.a. contínua k E ( X ) ( x ) f ( x) dx OBS: EX ( ) E ( X ) 2 2 E X média = 1 o momento = esperança (matemática) = valor esperado de X E X 2 2 ( ) ( ) variância = 2 o momento centrado = esperança da diferença quadrática de X em relação a média 33
34 Outras medidas Quantil quartil (Q i ): divide a distribuição em 4 partes (mediana = 2 o quartil) distância interquartil: 3 o quartil - 1 o quartil (prob = 5%) decil (D i ): divide a distribuição em 1 partes (mediana = 5 o decil) percentil (P i ): divide a distribuição em 1 partes (mediana = 5 o percentil),14 Curtose (achatamento) C E E ( X ) ( X ) C ' Q3 Q1 2 D D 9 1 C = 3 ou C ' =,263 mesocúrtica (distr. Normal) C < 3 ou C ' <,263 platicúrtica C > 3 ou C ' >,263 leptocúrtica,12,1,8,6,4, OBS: Excesso de curtose = C 3 ou C ',263 (mede a diferença em relação à distr. Normal) Assimetria (obliquidade) 3 E ( X ) A 2 E ( X ) 3/2 A' Q1Q 32Mediana Q Q 3 1 A = ou A ' = simétrica A < ou A ' < assimétrica à esquerda (média < mediana < moda) A > ou A ' > assimétrica à direita (média > mediana > moda) 34
35 Assimetria e Curtose A = (simétrica) C = 1,99 (platicúrtica) média mediana moda A = (simétrica) C = 5,1 (leptocúrtica) média mediana moda A = (simétrica) moda mediana média C = 3 (mesocúrtica) A = -1,19 (assimétrica à esquerda) C = 4,77 (leptocúrtica) A = 1,19 (assimétrica à direita) C = 4,77 (leptocúrtica) 35
36 Transformação e Combinação de V.A. Suponha que uma v.a. seja obtida através de uma transformação de uma outra v.a. ou através da combinação de várias v.a., é possível conhecer a média (esperança) e a variância desta nova v.a. em função da(s) média(s) e variância(s) da(s) v.a. da(s) qual(is) ela se originou? Principais transformações/combinações: Y X o Y gx onde o e g são constantes Y X W 36
37 P (X = x) Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 Y X o EX ( ) 3,5 Var( X ) 2, X Ex: Y X 3 Y X P(X = x),1,15,25,25,15,1 + 3 = EY ( ) 4*,1 5*,15 9*,1 6,5 Var Y E Y E Y 2 2 ( ) ( ) [ ( )] 44,3 42,25 2,5 37
38 Propriedades da Esperança e Variância,25,2,15,1 Y X o,5 E( Y ) E( X o) E( X ) o Var( Y ) Var( X o) Var( X ) X,25,2,15,1,5 Y X 15 38
39 P (X = x) Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2, Y gx X Ex: Y 3X Y X P(X = x),1,15,25,25,15,1 * 3 * 9 = 3 2 EY ( ) 3*,1 6*,15 18*,1 1,5 Var Y E Y E Y 2 2 ( ) ( ) [ ( )] 128,7 11,25 18,45 39
40 Propriedades da Esperança e Variância,25,2,15,1 Y gx,5 E( Y ) E( gx ) ge( X ) Var Y Var gx g Var X 2 ( ) ( ) ( ) X,25,2,15,1,5 Y 3X 4
41 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X W Y = {?, {2,...,?} 12} Distribuição Conjunta de X e W X W W P(W = w i ) , , , , , ,2 P(X = x i ),1,15,25,25,15,1 1 PY ( 3)? P( X 1; W 2) P( X 2; W 1) P( X 1; W 2)? X 41
42 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X W Y = {2, {?,..., 12}?} Distribuição Conjunta de X e W X W W P(W = w i ) ,1,15,25,25,15,1, ,45,675,1125,1125,675,45, ,22,33,55,55,33,22, ,15,225,375,375,225,15, ,6,9,15,15,9,6, ,2,3,5,5,3,2,2 P(X = x i ),1,15,25,25,15,1 1 PY ( 3)? P( X 1; W 2) P( X 2; W 1) P( X 1; W 2)? P( X 1) P( W 2) considerando que X e W sejam independentes X 42
43 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X - W E( Y ) y P( Y y ) i i E( X - W )? ( x - w ) P( X x ; W w ) i j i j i j x P( X x ; W w ) - w P( X x ; W w ) i i j j i j i j i j x P( X x ; W w ) - w P( X x ; W w ) i i j j i j i j j i x P( X x ) - w P( W w ) i i i i j j j E( X ) - E( W) 3,5 2,68 6,18,82 X W P(W = w i ) 1,1,15,25,25,15,1,1 2,45,675,1125,1125,675,45,45 3,22,33,55,55,33,22,22 4,15,225,375,375,225,15,15 5,6,9,15,15,9,6,6 6,2,3,5,5,3,2,2 P(X = x i ),1,15,25,25,15,1 1 E( X W) E( X ) E( W ) 43
44 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X W 2 2 Var( Y) E Y E Y Var( X W )? E ( X W ) 2 E( X W ) E X 2 XW W E( X ) E( W ) 2 E( X ) 2 E( XW ) E( W ) E( X ) 2 E( X ) E( W ) E( W ) E X E X E W E W E XW E X E W ( ) ( ) ( ) ( ) 2 ( ) ( ) ( ) Var( X ) Var( W ) COV ( X, W) covariância entre X e W 44
45 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X W 2 2 Var( Y) E Y E Y Var( X W )? E ( X W ) 2 E( X W ) E X 2 XW W E( X ) E( W ) 2 E( X ) 2 E( XW ) E( W ) E( X ) 2 E( X ) E( W ) E( W ) E X E X E W E W E XW E X E W ( ) ( ) ( ) ( ) 2 ( ) ( ) ( ) Var( X W) Var( X ) Var( W) 2 COV ( X, W) 45
46 Propriedades da Esperança e Variância X P(X = x),1,15,25,25,15,1 EX ( ) 3,5 Var( X ) 2,5 W P(W= w),1,45,22,15,6,2 EW ( ) 2,68 Var( W ) 1,318 Y X - W 2 2 Var( Y) E Y E Y Var( X - W )? E ( X - W ) 2 E( X - W ) E X - 2 XW W E( X ) - E( W ) 2 E( X ) - 2 E( XW ) E( W ) E( X ) + 2 E( X ) E( W ) E( W ) E X E X E W E W E XW E X E W ( ) ( ) ( ) ( ) - 2 ( ) ( ) ( ) Var( X W) Var( X ) Var( W) 2 COV ( X, W) se X e W são independentes: E( XW ) E( X ) E( W) Var( X W) Var( X ) Var( W) Var( X W) 2,5 1,318 3,368 46
47 Propriedades da Esperança e Variância Resumo: Y X o E( Y ) E( X o) E( X ) o Var( Y ) Var( X o) Var( X ) Y gx E( Y ) E( gx ) ge( X ) 2 Var( Y ) Var( gx ) g Var( X ) Y X W E( Y ) E( X W ) E( X ) E( W ) Var( Y) Var( X W) Var( X ) Var( W) 2 COV ( X, W) Var( Y) Var( X W) Var( X ) Var( W) (independentes) sempre soma! 47
48 Banda TM3/Landsat Brilho e Contraste Imagem original (I) Em Processamento de Imagens, é comum se referir à média como brilho e variância como contraste. Uma imagem de baixo brilho é uma imagem escura, ou seja, sua média é baixa. Por outro lado, uma imagem de alto brilho é uma imagem clara, com média alta. Média: 29,7 Variância: 62,14 Uma imagem de baixo contraste é uma imagem cujos alvos são de difícil distinção, possuindo baixa variância. Por outro lado, uma imagem de alto contraste possui alvos bem distintos (objetos claros e escuros), possuindo assim alta variância
49 Banda TM3/Landsat Brilho e Contraste Imagem original (I) I nova = I + 5 I nova = I + 1 Média: 29,7 Variância: 62,14 Média: 79,7 Variância: 62,14 Média: 129,7 Variância: 62,
50 Banda TM3/Landsat Brilho e Contraste Imagem original (I) I nova = 2*I I nova = 4*I Média: 29,7 Variância: 62,14 Média: 58,14 Variância: 248,55 Média: 116,29 Variância: 994,
51 Banda TM3/Landsat Brilho e Contraste Imagem original (I) I nova = 5*I - 11 I nova = -5*I + 37 Média: 29,7 Variância: 62,14 Média: 35,36 Variância: 1553,45 Média: 224,64 Variância: 1553,
52 Aplicações em Imagens alterar brilho (média) alterar contraste (variância) I nova = gi + o Exemplo 1: Tem-se uma imagem qualquer com média 1 e variância 15. Desejase aumentar o contraste dessa imagem, aumentando-se sua variância para 6. Qual deve ser o ganho aplicado nessa imagem? Qual será a média da imagem após a aplicação desse ganho? Var I 2 ( nova ) g Var( I) 2 6 g g 15 E( I ) ge( I) nova g
53 Aplicações em Imagens alterar brilho (média) alterar contraste (variância) I nova = gi + o Exemplo 2: Tem-se uma imagem qualquer com média 1 e variância 15. Desejase aumentar o contraste dessa imagem, aumentando-se sua variância para 6, sem alterar seu brilho (ou seja, mantendo a média em 1). Quais devem ser o ganho e o offset aplicados nessa imagem? Var I 2 ( nova ) g Var( I) 2 6 g g 15 g 4 2 E( I ) ge( I) o nova 1 21 o o Inova 2I 1 53
54 Aplicações em Imagens Observações: A aplicação de um ganho e um offset sobre uma imagem representada por inteiros como, por exemplo, imagens de 8 bits (256 níveis de cinza), pode resultar em valores não inteiros. Exemplo: Inova 1,29 I 45,7 Se I = 78 então I nova = 54,92 Este resultado pode ser convertido para inteiro por truncamento ou por arredondamento, ou seja, para 54 ou 55 respectivamente O resultado pode estar fora do escopo permitido para aquele tipo de imagem Se I = 249 então I nova = 275,51 Se I = 1 então I nova = -32,8 Geralmente, estes resultados são saturados no zero (se negativo) ou 255 (se maior que 255). Nesses casos, os valores de média e variância da imagem resultante podem não corresponder aos valores teóricos. 54
55 Aplicações em Imagens Min Max Média Desv.Pad. TM ,1 34,3 TM ,47 16,95 TM ,28 16,9 ganho offset TM5 1,93-89,44 TM4 3,4-163,2 TM3 3,355-14,13 Teórico Min Max Média Desv.Pad. TM5-74,22 357,76 78,22 65,27 TM4-112,2 329,8 113,81 57,64 TM3 3,36 67,3 68,4 53,98 Real Min Max Média Desv.Pad. TM ,29 61,44 TM ,19 44,4 TM ,75 53,82 55
Estatística: Aplicação ao Sensoriamento Remoto SER ANO Distribuições de Probabilidade (Extra)
Estatística: Aplicação ao Sensoriamento Remoto SER 04 - ANO 018 Distribuições de Probabilidade (Etra) Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Distribuição Uniforme
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisMedidas resumo numéricas
Medidas descritivas Medidas resumo numéricas Tendência central dos dados Média Mediana Moda Dispersão ou variação em relação ao centro Amplitude Intervalo interquartil Variância Desvio Padrão Coeficiente
Leia maisMedidas de Posição ou Tendência Central
Medidas de Posição ou Tendência Central Medidas de Posição ou Tendência Central Fornece medidas que podem caracterizar o comportamento dos elementos de uma série; Possibilitando determinar se um valor
Leia maisVariáveis Aleatórias. Probabilidade e Estatística. Prof. Dr. Narciso Gonçalves da Silva
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Variáveis Aleatórias Variável Aleatória Variável aleatória (VA) é uma função que associa a cada
Leia maisMAIS SOBRE MEDIDAS RESUMO. * é muito influenciada por valor atípico
MAIS SOBRE MEDIDAS RESUMO Medidas de Tendência Central (1) média (aritmética) * só para variáveis quantitativas exceção: variável qualitativa nominal dicotômica, com categorias codificadas em 0 e 1; neste
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisMAIS SOBRE MEDIDAS RESUMO. * é muito influenciada por valor atípico
MAIS SOBRE MEDIDAS RESUMO Medidas de Tendência Central (1) média (aritmética) * só para variáveis quantitativas exceção: variável qualitativa nominal dicotômica, com categorias codificadas em 0 e 1; neste
Leia maisEstatística Aplicada
Estatística Aplicada Medidas Descritivas Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada ESTATÍSTICA DESCRITIVA Classificação de variáveis QuaLitativas (categóricas) Descrevem
Leia maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisMedidas resumo. Wagner H. Bonat Elias T. Krainski Fernando P. Mayer
Medidas resumo Wagner H. Bonat Elias T. Krainski Fernando P. Mayer Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 28/03/2018 WB, EK, FM ( LEG/DEST/UFPR
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia maisASSIMETRIA E CURTOSE
ASSIMETRIA E CURTOSE Lucas Santana da Cunha email: lscunha@uel.br Universidade Estadual de Londrina 11 de maio de 2016 Assimetria Numa distribuição estatística, a assimetria é o quanto sua curva de frequência
Leia maisEstatística Aplicada a Negócios
Prof. Dr. Gilberto de Andrade Martins aula 02 1 Estatística Descritiva Aula 2 Ao final desta aula você : - Conhecerá a Estatística Descritiva. - Saberá quais são as principais medidas de dispersão. 2 Medidas
Leia maisAula 03. Medidas Descritivas de Variáveis Quantitativas. Parte 1 Medidas de Tendência Central
Aula 03 Medidas Descritivas de Variáveis Quantitativas Parte 1 Medidas de Tendência Central Stela Adami Vayego - DEST/UFPR 1 Medidas de Tendência Central dos Dados Para uma variável quantitativa, uma medida
Leia maisAula 03. Medidas Descritivas de Variáveis Quantitativas. Parte 1 Medidas de Tendência Central
Aula 03 Medidas Descritivas de Variáveis Quantitativas Parte 1 Medidas de Tendência Central Stela Adami Vayego - DEST/UFPR 1 2. Medidas de Tendência Central dos Dados Para uma variável quantitativa, uma
Leia maisUnidade III Medidas Descritivas
Unidade III Medidas Descritivas Medidas separatrizes Quantis Medidas de dispersão Amplitude total Desvio Médio Variância Desvio Padrão Coeficiente de Variabilidade Desvio Interquartílico Na aula anterior...
Leia maisProf. Lorí Viali, Dr. Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Coleção de números n estatísticas sticas O número n de carros vendidos no país aumentou em 30%. A taxa de desemprego atinge, este mês,
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisEstatística Descritiva
Probabilidade e Estatística Prof. Dr.Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Estatística Descritiva Distribuição de frequência Para obter informações de interesse sobre a característica
Leia maisElementos de Estatística
Elementos de Estatística Lupércio F. Bessegato & Marcel T. Vieira UFJF Departamento de Estatística 2013 Medidas Resumo Medidas Resumo Medidas que sintetizam informações contidas nas variáveis em um único
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Aula Valor esperado como solução do problema do menor erro quadrático médio e Quantis 03/14 1 / 15 Valor esperado como solução
Leia maisMedidas Descritivas de Posição, Tendência Central e Variabilidade
Medidas Descritivas de Posição, Tendência Central e Variabilidade Prof. Gilberto Rodrigues Liska UNIPAMPA 29 de Agosto de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia mais1. Registou-se o número de assoalhadas de 100 apartamentos vendidos num bairro residencial
Escola Superior de Tecnologia de Viseu Fundamentos de Estatística 2006/2007 Ficha nº 1 1. Registou-se o número de assoalhadas de 100 apartamentos vendidos num bairro residencial 0; 0; 0; 1; 2; 0; 0; 1;
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 2019 Estatística Descritiva e Análise Exploratória Etapas iniciais. Utilizadas para descrever e resumir os dados. A disponibilidade de uma grande quantidade
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisANÁLISE EXPLORATÓRIA DE DADOS 2ª PARTE
ANÁLISE EXPLORATÓRIA DE DADOS 2ª PARTE 1 Medidas de síntese TERCEIRA maneira de resumir um conjunto de dados referente a uma variável quantitativa. Separatrizes Locação x % x % x % x % Dispersão Forma
Leia mais2. Estatística Descritiva
2. Estatística Descritiva ESTATÍSTICA Conjunto de técnicas e ferramentas que descreve, organiza, resume e interpreta as informações a partir dos dados coletados Estatística descritiva Conjunto de técnicas
Leia maisEstatística 4 - Variáveis Aleatórias Unidimensionais
Estatística 4 - Variáveis Aleatórias Unidimensionais UNESP FEG DPD Prof. Edgard - 11 4-1 VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Variável Aleatória X é uma Função que associa um número real a cada Evento
Leia maisRevisão Conceitos de Estatística aplicados à Epidemiologia
Revisão Conceitos de Estatística aplicados à Epidemiologia Carlos R. V. Kiffer Médico Infectologista Professor Doutor / Pesquisador Visitante LEMC / UNIFESP Sumário O que é Estatística? Conceitos População
Leia maisAULA 2 UNIDADE 1 DISTRIBUIÇÃO DE FREQUÊNCIAS 1.1 INTRODUÇÃO
AULA UNIDADE 1 DISTRIBUIÇÃO DE FREQUÊNCIAS 1.1 INTRODUÇÃO As tabelas estatísticas, geralmente, condensam informações de fenômenos que necessitam da coleta de grande quantidade de dados numéricos. No caso
Leia maisESTATÍSTICA DESCRITIVA. Aula 07 Estatística Descritiva
ESTATÍSTICA DESCRITIVA 2 Estatística Descritiva O que fazer com as observações que coletamos? Primeira etapa da análise: Resumo dos dados: organizar, descrever e resumir os dados coletados Estatística
Leia maisASSIMETRIA E CURTOSE
ASSIMETRIA E CURTOSE Lucas Santana da Cunha lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 15 de maio de 2017 Assimetria Numa distribuição estatística, a assimetria
Leia maisVariável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)
Variável aleatória O resultado de um experimento aleatório é designado variável aleatória (X) Função densidade de probabilidade A função densidade de probabilidade associa cada possível valor da variável
Leia maisEstatística Computacional Profª Karine Sato da Silva
Estatística Computacional Profª Karine Sato da Silva karine.sato.silva@gmail.com Introdução Quando analisamos uma variável qualitativa, basicamente, construímos sua distribuição de frequências. Ao explorarmos
Leia maisESTATÍSTICA. Estatística é o conjunto de métodos para a obtenção, organização, resumo, análise e interpretação dos dados.
ESTATÍSTICA Termo vem de status Aspectos de um país (tamanho da população, taxas de mortalidade, taxas de desemprego, renda per capita). Estatística é o conjunto de métodos para a obtenção, organização,
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisDistribuição de frequências:
Distribuição de frequências: Uma distribuição de frequências é uma tabela que reúne o conjunto de dados conforme as frequências ou as repetições de seus valores. Esta tabela pode representar os dados em
Leia maisMedidas Estatísticas NILO FERNANDES VARELA
Medidas Estatísticas NILO FERNANDES VARELA Tendência Central Medidas que orientam quanto aos valores centrais. Representam os fenômenos pelos seus valores médios, em torno dos quais tendem a se concentrar
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisMétodos Estatísticos Básicos
Aula 4 - Medidas de dispersão Departamento de Economia Universidade Federal de Pelotas (UFPel) Abril de 2014 Amplitude total Amplitude total: AT = X max X min. É a única medida de dispersão que não tem
Leia maisVimos que é possível sintetizar os dados sob a forma de distribuições de frequência e gráficos. Pode ser de interesse apresentar esses dados através d
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DE POSIÇÃO E DISPERSÃO Departamento de Estatística Luiz Medeiros Vimos que é possível sintetizar os dados sob a forma de distribuições de frequência e gráficos.
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisImportância da estatística 17. O que é a Estatística? 18
Índice MENSAGEM DO AUTOR 11 AGRADECIMENTOS 13 Capítulo 1 Introdução Importância da estatística 17 O que é a Estatística? 18 Escalas de medida 19 Escala de medida qualitativa ou não métrica 19 Escalas Nominais
Leia maisNOTAS DA AULA. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DA AULA VARIÁVEIS ALEATÓRIAS. ESPERANÇA E VARIÂNCIA Prof.: Idemauro Antonio Rodrigues de Lara 2 Objetivo geral da aula Caracterizar variáveis aleatórias discretas e contínuas. Compreender e aplicar
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
MEDIDAS DE TENDÊNCIA CENTRAL Professor Jair Wyzykowski Universidade Estadual de Santa Catarina Média aritmética INTRODUÇÃO A concentração de dados em torno de um valor pode ser usada para representar todos
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisAssimetria e Curtose
Assimetria e Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 16 de abril de 2018 Londrina 1 / 15 Assimetria Coeficiente de assimetria Numa distribuição de frequências
Leia maisMedidas Descritivas de Posição, Tendência Central e Variabilidade
Medidas Descritivas de Posição, Tendência Central e Variabilidade Prof. Gilberto Rodrigues Liska UNIPAMPA 27 de Março de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Sumário 1 Introdução
Leia maisConjunto de Dados. Existe uma estimativa de que a cada 20 meses dobra a quantidade de dados armazenada nos bancos de dados do mundo.
Conjunto de Dados Existe uma estimativa de que a cada 20 meses dobra a quantidade de dados armazenada nos bancos de dados do mundo. No entanto, tem aumentando também a distância entre a quantidade de dados
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisMétodos Experimentais em Ciências Mecânicas
Métodos Experimentais em Ciências Mecânicas Professor Jorge Luiz A. Ferreira Pertencem ao grupo de ferramentas estatísticas que permitem caracterizar um conjunto de dados sob ponto de vista da tendência
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
Leia maisCONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA
DISCIPLINA: MÉTODOS QUANTITATIVOS PROFESSORA: GARDÊNIA SILVANA DE OLIVEIRA RODRIGUES CONCEITOS BASICOS, ORGANIZAÇÃO E APRESENTAÇÃO DOS RESULTADOS, DISTRIBUIÇÃO DE FREQUÊNCIA MOSSORÓ/RN 2015 1 POR QUE ESTUDAR
Leia maisAula 03: Dados Profa. Ms. Rosângela da Silva Nunes
Aula 03: Dados Profa. Ms. Rosângela da Silva Nunes 1 de 29 Tipos de Conjuntos de dados Registro Tabela do BD Matriz de dados Document 1 Document 2 team coach pla y ball score game wi n lost timeout 3 0
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisa) o time ganhe 25 jogos ou mais; b) o time ganhe mais jogos contra times da classe A do que da classe B.
Universidade de Brasília Departamento de Estatística 5 a Lista de PE. Um time de basquete irá jogar uma temporada de 44 jogos. desses jogos serão disputados contra times da classe A e os 8 restantes contra
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisEST012 - Estatística Econômica I Turma A - 1 o Semestre de 2019 Lista de Exercícios 3 - Variável aleatória
Exercício 1. Considere uma urna em que temos 4 bolas brancas e 6 bolas pretas. Vamos retirar, ao acaso, 3 bolas, uma após a outra e sem reposição. Sejam X: o número de bolas brancas e Y : o número de bolas
Leia maisEstatística. 1 Medidas de Tendência Central 2 Medidas de Posição 3 Medidas de Dispersão. Renata Souza
Estatística 1 Medidas de Tendência Central 2 Medidas de Posição 3 Medidas de Dispersão Renata Souza Medidas Depois que você conheceu os conceitos de coleta de dados, variação, causas comuns e causas especiais,
Leia maisVariável Aleatória. O conjunto de valores. Tipos de variáveis. Uma função X que associa a cada
Variável Aleatória Uma função X que associa a cada Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ elemento de S (s S) um número real x X(s) é denominada variável aleatória. O
Leia maisIntrodução à Bioestatística Turma Nutrição Aula 3 Análise Descritiva: Medidas de Tendência Central Medidas de Variabilidade
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 3 Análise Descritiva: Medidas de Tendência Central Medidas
Leia maisCAD. 8 SETOR A AULAS 45-48
CAD. 8 SETOR A AULAS 45-48 48 ESTATÍSTICA STICA Prof. Suzart ESTATÍSTICA Elabora métodos para coleta, organização, descrição, análise e intepretação de dados. Experimentos não-determinísticos. Determinação
Leia maisMétodos Quantitativos
Métodos Quantitativos Unidade 2 Estatística descritiva 1 SUMÁRIO SEÇÃO SLIDES 2.1 Amostragem... 03 11 2.2 Tabelas e gráficos... 12 19 2.3 Medidas de posição... 20 24 2.4 Medidas de dispersão... 25 30 Observação:
Leia maisMedidas de localização (ou de tendência central) Média: definida como o centro de massa (ou ponto de equilíbrio) do conjunto.
Aula 02 01 de abril Medidas de localização (ou de tendência central) Média: definida como o centro de massa (ou ponto de equilíbrio) do conjunto. No geral, a melhor média é a que mais se aproxima do centro
Leia maisMEDIDAS DE POSIÇÃO. Lucas Santana da Cunha Universidade Estadual de Londrina. 26 de abril de 2017
MEDIDAS DE POSIÇÃO Lucas Santana da Cunha lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 26 de abril de 2017 Introdução Medidas de posição São utilizadas para sintetizar,
Leia maisn = 25) e o elemento (pois = 19) e terá o valor 8. Verifique que antes e depois do 19 o elemento, teremos 18 elementos.
V) Mediana: A Mediana de um conjunto de números, ordenados crescente ou decrescentemente em ordem de grandeza (isto é, em um rol), será o elemento que ocupe a posição central da distribuição de freqüência
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ As medidas de posição apresentadas fornecem a informação dos dados apenas a nível
Leia maisMedidas de Centralidade
Medidas de Centralidade Prof. Dr. Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 28 de março de 2018 Londrina 1 / 26 Medidas de centralidade São utilizadas para sintetizar,
Leia maisESTATÍSTICA COMPUTACIONAL AULA 5 ASSIMETRIA E CURTOSE
ASSIMETRIA E CURTOSE 1 RELAÇÃO ENTRE MÉDIA, MEDIANA E MODA O valor da mediana, como o próprio nome diz, ocupa a posição central numa distribuição de frequência. A mediana deve estar em algum lugar entre
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisUnidade II ESTATÍSTICA. Prof. Celso Guidugli
Unidade II ESTATÍSTICA Prof. Celso Guidugli Medidas ou parâmetros estatísticos Valores que permitem uma imagem sintetizada do comportamento de uma amostra. Dividem-se em dois grandes grupos: medidas de
Leia maisEstatística. O que é Estatística? Estatística pode ser: Estatística Descritiva. Ivonete Melo de Carvalho. Conteúdo
Estatística Estatística Descritiva Ivonete Melo de Carvalho Conteúdo Definições; Tabelas e Gráficos; Medidas de tendência central; Medidas de dispersão. Objetivos Diferenciar população e amostra. Elaborar
Leia maisExercícios propostos:
INF 16 Exercícios propostos: 1. Sabendo-se que Y=X-5 e que E(X)= e V(X)=1, calcule: a)e(y); b)v(y); c)e(x+y); d)e(x + Y ); e)v(x+y); Resp.: 1; 9; 5; 15; 81. Uma urna contém 5 bolas brancas e 7 bolas pretas.
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisINTRODUÇÃO À ESTATÍSTICA: Medidas de Tendência Central e Medidas de Dispersão. Prof. Dr. Guanis de Barros Vilela Junior
INTRODUÇÃO À ESTATÍSTICA: Medidas de Tendência Central e Medidas de Dispersão Prof. Dr. Guanis de Barros Vilela Junior Relembrando!!! Não é uma CIÊNCIA EXATA!!! É UMA CIÊNCIA PROBABILÍSTICA!!!!!!! Serve
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisESTATÍSTICA I Variáveis Aleatórias Variáveis Aleatórias Discretas. Helena Penalva 2006/2007
ESTATÍSTICA I Variáveis Aleatórias 1 Definição: A uma função X de domínio Ω com valores em Ñ X:Ω Ñ, ω X(ω)=x, chamamos variável aleatória (v.a.) em Ω. Ao contradomínio da função X, designaremos por V X
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X 0 1 2 3 R x X(s) X(S) Uma função X que associa a cada elemento de S (s S) um número real
Leia maisQUESTÕES DE CONCURSOS PÚBLICOS ESTATÍSTICA DESCRITIVA
QUESTÕES DE CONCURSOS PÚBLICOS ESTATÍSTICA DESCRITIVA 1) Um pesquisador que ordena uma lista de cidades segundo o ritmo de vida, do mais lento para o mais acelerado, está operando no nível de medida: (A)
Leia maisPadronização. Momentos. Coeficiente de Assimetria
Padronização Seja X 1,..., X n uma amostra de uma variável com com média e desvio-padrão S. Então a variável Z, definida como, tem as seguintes propriedades: a) b) ( ) c) é uma variável adimensional. Dizemos
Leia maisEstatística Básica. Variáveis Aleatórias Contínuas. Renato Dourado Maia. Instituto de Ciências Agrárias. Universidade Federal de Minas Gerais
Estatística Básica Variáveis Aleatórias Contínuas Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Lembrando... Uma quantidade X, associada a cada possível resultado
Leia maisPROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA
PROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo ESTATÍSTICA DESCRITIVA A Estatística Descritiva
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia mais6.3 Valor Médio de uma Variável Aleatória
6. 3 V A L O R M É D I O D E U M A V A R I Á V E L A L E A T Ó R I A 135 1. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas, sem reposição, e defina a v.a. X igual ao
Leia maisAula 3 MEDIDAS DE DISPERSÃO, ASSIMETRIA E CURTOSE.
MEDIDAS DE DISPERSÃO, ASSIMETRIA E CURTOSE. Aula META Mensurar a dimensão média do afastamento dos valores de um conjunto de dados em relação à determinada Medida de Tendência Central, bem como de que
Leia maisEstatísticas Descritivas. Estatística
Estatística Estatísticas descritivas: usadas para mostrar/descrever algumas informações da amostra, ou seja, servem para fazer um resumo ou descrição dos dados. Não consideram a origem dos dados. Exemplos:
Leia mais3.1 - Medidas de Posição Medidas de Dispersão Quantis Empiricos Box-plots Graficos de simetria 3.
3 - MEDIDAS RESUMO 3.1 - Medidas de Posição 3.2 - Medidas de Dispersão 3.3 - Quantis Empiricos 3.4 - Box-plots 3.5 - Graficos de simetria 3.6 - Transformações 1/17 3.1 - Medidas de Posição Muitas vezes
Leia maisMAE0219 Introdução à Probabilidade e Estatística I
Exercício 1 A tabela abaixo mostra o número de meses em que houve aumento do nível de atividade de quinze empresas de tamanho pequeno (P), médio (M) e grande (G), do setor comercial (C) e industrial (I).
Leia mais