Estatística: Aplicação ao Sensoriamento Remoto ANO 2010 Camilo Daleles Rennó [email protected] http://www.dpi.inpe.br/~camilo/estatistica/ Funções Densidade de Probabilidade (Contínua) - Uniforme - Normal (ou Gaussiana) - Lognormal - Weibull - Rayleigh - Exponencial - Gama - t de student - 2 - F Inferência Estatística Variável Aleatória Contínua (Revisão) Para v.a. contínuas: P( X x ) 0 0 P(a X b) 1 Função Densidade de Probabilidade (fdp) f(x) f ( x) 0 b P(a X b) P ( a X b) f ( x )dx f ( x )dx 1 a a b x Distribuição Uniforme (Contínua) f(x) X = [a, b] P(a X b) = 1 ? h a b b f ( x=)? 1 f(x) (área do retângulo) a h(b a ) 1 h 1 ba f ( x) X 1 ba Distribuição Uniforme (Contínua) f(x) X = [a, b] a b X b f ( x) 1 ba E ( X ) xf ( x )dx a b E( X ) ? Var ( X ) ? b 1 1 E( X ) x dx xdx ba ba a a 1 x2 E( X ) ba 2 b a 1 b2 a 2 ba 2 b2 a 2 (b a )(b a ) a b E( X ) 2 2(b a ) 2(b a ) Distribuição Uniforme (Contínua) f(x) X = [a, b] a b 1 f ( x) ba X Var( X ) E( X 2 ) [ E( X )]2 b E ( X ) x 2 f ( x )dx 2 E( X ) ab 2 a b b 1 1 E( X ) x dx x 2 dx ba ba a a 2 2 b 1 x3 1 b3 a 3 2 E( X ) ba 3 a ba 3 b3 a 3 E( X ) 3(b a ) 2 Distribuição Uniforme (Contínua) f(x) X = [a, b] a b 1 f ( x) ba E( X ) ab 2 X Var( X ) E( X 2 ) [ E( X )]2 b3 a 3 (a b)2 Var( X ) 3(b a ) 4 4(b3 a 3 ) 3(b a )(a b)2 Var( X ) 12(b a ) 4b3 4a 3 3b3 3ab2 3a 2b 3a 3 Var( X ) 12(b a ) b3 3ab2 3a 2b a 3 (b a ) 3 (b a ) 2 Var( X ) 12(b a ) 12(b a ) 12 Distribuição Uniforme (Contínua) f(x) a b f ( x) 1 ba E( X ) ab 2 (b a ) 2 Var ( X ) 12 X X = [a, b] Distribuição Normal ou Gaussiana 0,14 0,12 1 x 1 f ( x) e 2 2 2 0,1 0,08 x 0,06 0,04 0,02 f ( x )dx 1 0 0 5 10 15 E( X ) Var( X ) - 2 X ~ N ( , 2 ) Exemplo: X ~ N (10,4) 10 2 4 11 P(8 X 11) ? f ( x ) dx 8 11 P(8 X 11) 8 1 e 2 2 1 x 10 2 2 2 dx + 20 Distribuição Normal Padrão (a b, a2 2 ) Propriedade: se X ~ N ( , 2 ) e Y aX b então Y ~ N (?,?) Z X 1 1 X 1 E(Z ) E E X E ( X ) 0 1 1 2 X Var( Z ) Var 2 Var X 2 Var X 2 1 Z ~ N (0,1) integrais podem ser tabeladas! Distribuição Normal Padrão 0,14 0,12 z 0,1 0,08 0,06 0,04 0,02 0 0 - 5 0 10 z 15 P(0 Z z ) P(0 Z 2,17) ? P(0 Z 2,17) 0,4850 + 20 Distribuição Normal Padrão (Exemplos) P( 2,17 Z 0) ? 0,14 0,14 0,12 0,12 0,4850 0,1 0,08 0,06 0,06 0,04 0,04 0,02 0,02 0 0 - 5 -2,17 P(2,17 Z 0) 0,4850 0,4850 0,1 0,08 0 10 = 0 15 0 + - 20 5 0 10 2,17 15 + 20 Distribuição Normal Padrão (Exemplos) P( 1 Z 2) ? ,14 0,14 0,14 ,12 0,12 0,12 0,1 0,1 ,08 0,08 ,06 0,06 ,04 0,04 0,04 ,02 0,02 0,02 0 0 0 - 5 -1 0 10 2 0,4772 0,3413 0,1 0,08 = 0 15 + - + 0,06 5 20 P(1 Z 2) 0,4772 0,3413 0,8185 0 10 0 2 0 15 + - 5 20 0 1 10 15 + 2 Distribuição Normal Padrão (Exemplos) P( Z 1,5) ? ,14 0,14 0,14 ,12 0,12 0,12 0,1 0,1 ,08 0,08 ,06 0,06 ,04 0,04 0,04 ,02 0,02 0,02 0 0 0 - 5 0 1,5 10 0,5 0,4332 0,1 = 0 15 + - _ 0,08 0,06 5 20 P( Z 1,5) 0,5 0,4332 0,0668 0 10 0 0 15 + - 5 20 0 1,5 10 15 + 2 Distribuição Normal (Exemplos) X ~ N (10,4) X 0,5328 0,14 0,12 0,1 0,08 0,06 P(8 X 11) ? 0,04 0,02 0 - 0 Z X 8 5 10 11 10 15 + 20 ~ N (0,1) P(8 10 X 10 11 10) ? P( 8 10 X 10 11 10 )? 2 2 2 Z 0,14 0,5328 0,12 Z 0,1 0,08 0,06 P( 1 Z 0,5) ? 0,04 0,02 0 0 - 5 -1 0 0,5 10 15 + 20 Distribuição da Soma de Variáveis Aleatórias X 1 ~ N ( 1 , 12 ) X 2 ~ N ( 2 , 22 ) 3 v.a. independentes com distribuições normal X 3 ~ N ( 3 , 32 ) Y X1 X 2 X 3 Qual a distribuição de Y ? Y ~ N (?,?) (1 2 3,12 22 32 ) E (Y ) E ? ( X1 X 2 X 3 ) E( X1 ) E( X 2 ) E( X 3 ) 1 2 3 Var(Y ) ?12 22 32 Distribuição da Soma de Variáveis Aleatórias X 1 ~ ?( 1 , 12 ) X 2 ~ ?( 2 , 22 ) n v.a. independentes com distribuições desconhecidas X n ~ ?( n , n2 ) Y X1 X 2 n Xn Xi i 1 Qual a distribuição de Y ? se n for grande: n n Y ~ N i , i2 i 1 i 1 Teorema do Limite Central (ver 05distribuicaocontinua_TLC.xlsx) Aproximação da Binomial à Normal Se Y tem uma distribuição binomial com parâmetros n e p: n Y X i onde cada Xi tem distribuição Bernoulli (0 ou 1) e P(Xi = 1) = p i 1 Então, se n for grande, pelo TLC: Y ~ N (?,?) 0,25 0,6 0,09 E (Y ) ?np 0,08 0,5 0,2 0,07 Var(Y ) ?npq Y ~ N (np, npq) n 100 15 3 p 0,4 0,2 0,4 0,06 0,15 0,05 0,3 0,04 0,1 0,2 0,03 0,02 0,05 0,1 0,01 0 00 00 0 1 0 2 203 4 5 140 6 7 8 60 9 210 11 12 80 100 60 80 13 314 15 100 Aproximação da Binomial à Normal Considere o experimento: retiram-se 100 bolas da urna (com reposição). Define-se uma v.a. X cujos valores representam o número total de bolas vermelhas dentre as 100 escolhidas. Calcule: P(30 X 51) 0,09 n 100 p 2 0, 4 5 0,08 0,07 0,06 n x nx 100 x 100 f ( x) p 0,4 q 0,6 x x 0,05 0,04 0,03 0,02 100 x 100 x P(30 X 51) 0,4 0,6 x x 30 51 0,01 0 0 20 40 60 80 100 Aproximando-se à Normal... Aproximação da Binomial à Normal Considere o experimento: retiram-se 100 bolas da urna (com reposição). Define-se uma v.a. X cujos valores representam o número total de bolas vermelhas dentre as 100 escolhidas. Calcule: P(30 X 51) 0,09 2 0, 4 5 E ( X ) np 100 * 0, 4 40 Var ( X ) npq 100 * 0, 4 * 0,6 24 n 100 p 0,08 0,07 0,06 0,05 0,04 0,03 0,02 X ~ N (40,24) 0,01 0 00 P(29,5 (30 X X 51) ? ? (correção de continuidade) 51,5) 20 40 30 60 60 51,5 40 29,5 40 P Z 0,9745 (valor exato para Binomial 0,9752) 24 24 80 80 100 100