Escolar Documentos
Profissional Documentos
Cultura Documentos
Variáveis Aleatórias
atributos quantitativos:
. biomassa
. altura
atributos qualitativos:
. espécie
. fase fenológica
2
Tipos de Mensuração
atributo
intervalar temperatura (Celsius, Fahrenheit, Kelvin)
(zero representa apenas uma posição na escala)
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
Variável Aleatória
v.a. discreta
atributo transformação número
v.a. contínua
variável aleatória
1
Propriedades de uma v.a.: 2
• Cada elemento de deve estar associado a um 3
único número 0
1
2
3 4
Variável Aleatória
Experimento: jogar 2 moedas (R$1,00 e R$0,50) e observar o resultado
2
K cara C coroa
X(C1C0,50) = 0
1 X(K1C0,50) = X(C1K0,50) = 1
X(K1K0,50) = 2
P(X = 0) = P(C1C0,50)
0 P(X = 1) = P(K1C2 C1K0,50)
P(X = 2) = P(K1K0,50)
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
Variável Aleatória Discreta
Definição: uma v.a. é discreta quando o conjunto de valores possíveis (imagem)
for finito ou infinito numerável.
P( X x ) 1
i
i
f(x)
Função de Probabilidade P(X = x2)
f ( x ) P( X x )
0
x3
x 6
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: = 0 caso contrário
X = {0, 1}
7
Variável Aleatória Discreta
Exemplos:
8
Variável Aleatória Contínua
Definição: uma v.a. é contínua quando o conjunto de valores possíveis (imagem)
for inumerável.
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
Impossível!
9
Variável Aleatória Contínua
Definição: uma v.a. é contínua quando o conjunto de valores possíveis (imagem)
for inumerável.
P( a X b) f ( x )dx P(a X b)
a
f ( x )dx 1
0
a b x F(x) 1
Função de Distribuição Acumulada
x
P(X < c)
F ( x) f ( x )dx
0
c
x 10
Variável Aleatória Contínua
Exemplos:
c) X: reflectância de um objeto
X = [0,1] = [0,100%]
11
Caracterização de uma Variável Aleatória
Exemplo: retiram-se 20 bolas de uma urna (com reposição). Define-se uma v.a. X cujos
valores representam o número total de bolas vermelhas dentre as 20 escolhidas
Aspectos principais:
• posição (tendência central)
• dispersão
• forma
12
Caracterização de uma Variável Aleatória
Variável Y Variável X
0,5 0,5
0,4 0,4
P (X = x)
P (Y = y)
0,3 0,3
0,2 0,2
0,1 0,1
0 0
1 2 3 4 5 6 1 2 3 4 5 6
Y X
Y P(Y = y) X P(X = x)
1 0,10 1 0,10
2 0,45 2 0,15
3 0,22 3 0,25
4 0,15 4 0,25
5 0,06 5 0,15
6 0,02 6 0,10
13
Medidas de Tendência Central
0.5
Y P(Y = y)
1 0,10
0.4
2 0,45
P (Y = y)
0.3
3 0,22
0.2
4 0,15
0.1 5 0,06
0 6 0,02
1 2 3 4 5 6
Y
moda = 2
14
Medidas de Tendência Central
0.5
X P(X = x)
1 0,10
0.4
2 0,15
P (X = x)
0.3
3 0,25
0.2
4 0,25
0.1 5 0,15
0 6 0,10
1 2 3 4 5 6
X
moda = {3, 4}
15
Medidas de Tendência Central
Moda
0,2 0,25
0,2
0,15
0,15
0,1
0,1
0,05
0,05
0,15
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
0,05
0,2 0,15
0,15
0
0,1
1 2 3 4 5 6 7 8 9 10
0,1
muitas modas (multimodal)
0,05
0,05
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Moda
0,3
3 0,22
0,77
P (Y
0,5
0,2
4 0,15
0,92
P (Y
0,1
0,25 5 0,06
0,98
0 6 0,02
1,00
0 1 2 3 4 5 6
1 2 3 4Y 5 6
mediana = 2
18
Medidas de Tendência Central
0.51
X x)
P(X =
1 0,10
0.4
0,75 2 0,15
0,25
=x)x)
0.3
3 0,25
0,50
P (X
0,5
0.2
4 0,25
0,75
P (X
0.1
0,25 5 0,15
0,90
0 6 0,10
1,00
0 1 2 3 4 5 6
1 2 3 4X 5 6
mediana = 3,5
19
Medidas de Tendência Central
Mediana
mediana
f ( x)dx 0,5 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
20
Medidas de Tendência Central
0,5
X P(X = x)
1 0,10
0,4
2 0,15
P (X = x)
0,3
3 0,25
0,2
4 0,25
0,1 5 0,15
0 6 0,10
1 2 3 4 5 6
X
N
xi P( X xi ) (trata-se de uma média ponderada pela probabilidade de cada valor)
i 1
21
Medidas de Tendência Central
0,5
Y P(Y = y)
0,4
1 0,10
2 0,45
P (Y = y)
0,3
3 0,22
0,2
4 0,15
0,1 5 0,06
0 6 0,02
1 2 3 4 5 6
Y
N
yi P(Y yi )
i 1
22
Medidas de Tendência Central
Média
N
xi P( X xi ) v.a. discretas
i 1
xf ( x)dx
v.a. contínuas
0,4 0,4
P (X = x)
P (Y = y)
0,3 0,3
0,2 0,2
0,1 0,1
0 0
1 2 3 4 5 6 1 2 3 4 5 6
Y X
Amplitude Total
24
Medidas de Dispersão
0.5
X- X P(X = x)
-2,5 1 0,10
3,5
0.4
-1,5 2 0,15
P (X = x)
0.3
-0,5 3 0,25
0.2
0,5 4 0,25
0.1 1,5 5 0,15
0 2,5 6 0,10
1 2 3 4 5 6
X
x P( X x ) x P( X x ) P( X x ) x P( X x ) P( X x )
i 1
i i
i 1
i i
i 1
i
i 1
i i
i 1
i
0 = =1
25
Medidas de Dispersão
0.5
|X - | X P(X = x)
2,5 1 0,10
3,5
0.4
1,5 2 0,15
P (X = x)
0.3
0,5 3 0,25
0.2
0,5 4 0,25
0.1 1,5 5 0,15
0 2,5 6 0,10
1 2 3 4 5 6
X
26
Medidas de Dispersão
|Y - | Y P(Y = y)
2, 68
0.5
1,68 1 0,10
0.4
0,68 2 0,45
P (Y = y)
0.3
0,32 3 0,22
0.2
1,32 4 0,15
0.1 2,32 5 0,06
0 3,32 6 0,02
1 2 3 4 5 6
Y
y P(Y y )
i 1
i i
0,948
27
Medidas de Dispersão
N
DAM xi P( X xi ) v.a. discretas
i 1
DAM
x f ( x)dx v.a. contínuas
28
Medidas de Dispersão
0.5
(X - )2 X P(X = x)
6,25 1 0,10
3,5
0.4
2,25 2 0,15
P (X = x)
0.3
0,25 3 0,25
0.2
0,25 4 0,25
0.1 2,25 5 0,15
0 6,25 6 0,10
1 2 3 4 5 6
X
Variância (2)
29
Medidas de Dispersão
(Y - )2 Y P(Y = y)
2, 68
0.5
2,822 1 0,10
0.4
0,462 2 0,45
P (Y = y)
0.3
0,102 3 0,22
0.2
1,742 4 0,15
0.1 5,382 5 0,06
0 11,022 6 0,02
1 2 3 4 5 6
Y
y P(Y y ) 1,318
2
i i
i 1
Variância (2)
30
Medidas de Dispersão
Variância
N
xi P( X xi )
2
v.a. discretas
2
i 1
x
2
v.a. contínuas
2
f ( x)dx
Coeficiente de Variação
CV
32
Momentos
Uma v.a. pode também ser caracterizada através dos momentos, calculados a
partir de sua distribuição
(x ) P X x (x )
N
E ( X ) k
i
k
i E ( X ) k k
f ( x)dx
i 1
33
Outras medidas
Quantil
quartil (Qi): divide a distribuição em 4 partes equiprováveis (mediana = 2o quartil)
distância interquartil: 3o quartil - 1o quartil (prob = 50%)
decil (Di): divide a distribuição em 10 partes equiprováveis (mediana = 5o decil)
percentil (Pi): divide a distribuição em 100 partes equiprováveis (mediana = 50o percentil)
0,14
0,12
Curtose (achatamento)
0,1
0,08
0,06
0,04
0,02
0
0 5 10 15 20
E ( X ) 4
Q3 Q1 C = 3 ou C ' = 0,263 mesocúrtica (distr. Normal)
C C' C < 3 ou C ' < 0,263 platicúrtica
E ( X ) 2 D9 D1
2
2
C > 3 ou C ' > 0,263 leptocúrtica
OBS: Excesso de curtose = C 3 ou C ' 0,263 (mede a diferença em relação à distr. Normal)
Assimetria (obliquidade)
A
E ( X )3 Q Q3 2Mediana
A' 1
A = 0 ou A ' = 0 simétrica
A < 0 ou A ' < 0 assimétrica à esquerda
Q3 Q1
3/2
E ( X )2 (média < mediana < moda)
A > 0 ou A ' > 0 assimétrica à direita
(média > mediana > moda)
34
Assimetria e Curtose
média
A = 0 (simétrica) mediana A = 0 (simétrica)
moda
C = 1,99 (platicúrtica) C = 5,01 (leptocúrtica)
moda mediana
A = 0 (simétrica) média
moda C = 3 (mesocúrtica)
média mediana
35
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 X W
36
Propriedades da Esperança e Variância
0.5
X 1 2 3 4 5 6
0.4
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10
P (X = x)
0.3
0.1
0
1 2 3 4 5 6
X
Y X o
Ex: Y X 3 =
+3
Y 4 5 6 7 8 9
X 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10
37
Propriedades da Esperança e Variância
0,25
0,2
0,15
0,1
Y X o 0,05
0
E (Y ) E ( X o) E ( X ) o
10
20
30
40
0
X
Var(Y ) Var( X o) Var ( X )
0,25
0,2
0,15
0,1
0,05
10
20
30
40
0
Y X 15
38
Propriedades da Esperança e Variância
0.5
X 1 2 3 4 5 6
0.4
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10
P (X = x)
0.3
0.1
0
1 2 3 4 5 6
X
Y gX
Ex: Y 3 X * 9 = 32
*3
Y 3 6 9 12 15 18
X 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10
39
Propriedades da Esperança e Variância
0,25
0,2
0,15
0,1
Y gX 0,05
0
E (Y ) E ( gX ) gE ( X )
10
20
30
40
0
X
Var (Y ) Var ( gX ) g 2Var ( X )
0,25
0,2
0,15
0,1
0,05
10
20
30
40
0
Y 3X
40
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
Y X W
Y = {?,
{2, ..., ?}
12} Distribuição Conjunta de X e W
X 1 2 3 4 5 6 X 1 2 3 4 5 6
P(W = wi)
W W
1 2 3 4 5 6 7 1 0,10
2 3 4 5 6 7 8 2 0,45
3 4 5 6 7 8 9 3 0,22
4 5 6 7 8 9 10 4 0,15
5 6 7 8 9 10 11 5 0,06
6 7 8 9 10 11 12 6 0,02
P(X = xi) 0,10 0,15 0,25 0,25 0,15 0,10 1
P(Y 3) ?P( X 1;W 2) P( X 2;W 1)
P( X 1;W 2) ?
41
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
Y X W
Y = {2,
{?, ..., 12}
?} Distribuição Conjunta de X e W
X 1 2 3 4 5 6 X 1 2 3 4 5 6 P(W = wi)
W W
1 2 3 4 5 6 7 1 0,010 0,015 0,025 0,025 0,015 0,010 0,10
2 3 4 5 6 7 8 2 0,045 0,0675 0,1125 0,1125 0,0675 0,045 0,45
3 4 5 6 7 8 9 3 0,022 0,033 0,055 0,055 0,033 0,022 0,22
4 5 6 7 8 9 10 4 0,015 0,0225 0,0375 0,0375 0,0225 0,015 0,15
5 6 7 8 9 10 11 5 0,006 0,009 0,015 0,015 0,009 0,006 0,06
6 7 8 9 10 11 12 6 0,002 0,003 0,005 0,005 0,003 0,002 0,02
P(X = xi) 0,10 0,15 0,25 0,25 0,15 0,10 1
P(Y 3) ?P( X 1;W 2) P( X 2;W 1)
42
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
xi P( X xi ;W w j ) - w j P( X xi ;W w j )
i j i j
xi P( X xi ;W w j ) - w j P( X xi ;W w j )
i j j i
xi P( X xi ) - w j P(W w j )
i j
E ( X ) - E (W ) 3,5
2,68 6,18
0,82
E ( X W ) E ( X ) E (W )
43
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
Y X W
Var (Y ) E Y 2 E Y
2
Var( X W ) ?E ( X W )2 E ( X W )
2
E X 2 2 XW W 2 E ( X ) E (W )
2
E ( X 2 ) 2 E ( XW ) E (W 2 ) E ( X ) 2 2 E ( X ) E (W ) E (W ) 2
E ( X 2 ) E ( X ) 2 E (W 2 ) E (W ) 2 2 E ( XW ) E ( X ) E (W )
44
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
Y X W
Var (Y ) E Y 2 E Y
2
Var( X W ) ?E ( X W )2 E ( X W )
2
E X 2 2 XW W 2 E ( X ) E (W )
2
E ( X 2 ) 2 E ( XW ) E (W 2 ) E ( X ) 2 2 E ( X ) E (W ) E (W ) 2
E ( X 2 ) E ( X ) 2 E (W 2 ) E (W ) 2 2 E ( XW ) E ( X ) E (W )
45
Propriedades da Esperança e Variância
X 1 2 3 4 5 6 W 1 2 3 4 5 6
P(X = x) 0,10 0,15 0,25 0,25 0,15 0,10 P(W= w) 0,10 0,45 0,22 0,15 0,06 0,02
-W
YX
Var (Y ) E Y 2 E Y
2
Var( X - W ) ?E ( X - W )2 E ( X - W )
2
EX2
- 2 XW W 2 E ( X )
- E (W )
2
- 2 E ( XW ) E (W 2 ) E ( X ) 2 + 2 E ( X ) E (W ) E (W ) 2
E( X 2 )
E ( X 2 ) E ( X ) 2 E (W 2 ) E (W ) 2 - 2 E ( XW ) E ( X ) E (W )
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 )
Var (Y ) Var ( gX ) g 2Var ( X )
Y X W
E (Y ) E ( X W ) E ( X ) E (W )
Var (Y ) Var ( X W ) Var ( X ) Var (W ) 2COV ( X ,W )
Var (Y ) Var ( X W ) Var ( X ) Var (W ) (independentes)
sempre soma!
47
Brilho e Contraste
Imagem original (I)
contraste.
48
Brilho e Contraste
Imagem original (I)
à imagem original.
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
50
Alterando Ganho...
Imagem original (I) Inova = 2*I Inova = 4*I
Banda TM3/Landsat
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
51
Alterando Ganho e Offset...
Imagem original (I) Inova = 5*I - 110 Inova = -5*I + 370
Banda TM3/Landsat
0 50 100 150 200 250 0 50 100 150 200 250 0 50 100 150 200 250
52
Aplicações em Imagens
•alterar brilho (média) Inova = gI + o
•alterar contraste (variância)
Exemplo 1: Tem-se uma imagem qualquer com média 100 e variância 150. Deseja-
se aumentar o contraste dessa imagem, aumentando-se sua variância para 600.
Qual deve ser o ganho aplicado nessa imagem? Qual será a média da imagem após
a aplicação desse ganho?
E ( I nova ) gE ( I )
2 100 200
53
Aplicações em Imagens
•alterar brilho (média) Inova = gI + o
•alterar contraste (variância)
Exemplo 2: Tem-se uma imagem qualquer com média 100 e variância 150. Deseja-
se aumentar o contraste dessa imagem, aumentando-se sua variância para 600,
sem alterar seu brilho (ou seja, mantendo a média em 100). Quais devem ser o
ganho e o offset aplicados nessa imagem?
54
Aplicações em Imagens
Observações:
ganho offset
TM5 1,903 -89,440
TM4 3,400 -163,200
TM3 3,355 -104,013