Procesamiento

Digital de
Im
agenes
Dr. Jorge Torres Rodrguez

n Lo
pez Escudero
Ramo

CICESE

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

TAREA #2: Momentos estadsticos.

Definici
on: Estadstico Es una cantidad numerica calculada sobre una muestra que resume
informaci
on sobre alg
un aspecto a observar. Si un estadstico se usa para aproximar un parametro,
tambien se le puede llamar estimador. [1].
Tipos de Estadsticos
De Posici
on
Divide un conjunto ordenado de datos en grupos con la misma cantidad. Los cuantiles son medidas de posici
on que se utilizan para resumir o describir las propiedades de conjuntos grandes de
datos numericos. Los cuantiles m
as conocidos son los cuartiles, deciles y percentiles [2].
Un percentil es una medida de posicion, la cual, se usa con frecuencia para conjuntos que contienen una alta cantidad de datos, pero son poco u
tiles para conjuntos de baja cantidad de datos [3].
Ahora bien, El p-esimo percentil es un valor x que es mayor a p % de los datos, pero es menor
al restante (100 p) % [3]. En la figura 1 se muestra un ejemplo de lo antes mencionado, donde se
ilustra el 60avo percentil en funci
on de ciertos datos de entrada.

Figura 1: Ejemplo: 60avo percentil de una distribucion de datos

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

Conociendo estos terminos, resulta importante resaltar los 25avo y 75avo percentiles, tambien
llamados como cuartiles inferior y superior, junto con la mediana, la cual se encuentra en el 50avo
percentil [3].
A partir de lo antes mencionado se pueden definir los cuartiles, donde el cuartil inferior (Q1 ) es
el valor que es mayor a un cuarto de las mediciones y es menor que los restantes tres cuartos. El
segundo cuartil (Q2 ) es la mediana, y por u
ltimo, el cuartil superior (Q3 ) es el valor que es mayor a
tres cuartos de las mediciones y es menor al restante de datos (un cuarto del total). Esto se ilustra
de mejor manera en la figura 4.

Figura 2: Representacion de los cuartiles

Si se cuenta con una tabla de frecuencias acumuladas, el calculo de estas medidas de posicion
de puede hacer de la siguiente manera:
Para cuartiles:
Qk = Li +

kn
4

Fi1
ai
fj

(1)

Donde:
k = k-esimo cuartil a buscar (1, 2, 3 o 4)
Li = Lmite inferior de la clase que contiene al k cuartil
n = Tama
no de la muestra
Fi1 = Frecuencia acumulada de las observaciones que preceden a la clase que contiene el k cuartil
fj = Frecuencia de la clase que contiene al k cuartil
ai = Tama
no o amplitud de la clase donde se localiza el k cuartil
3

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

El par
ametro Li se obtiene dividiendo kn
on
4 , y ese valor, buscar a que clase pertenece en funci
del lmite inferior de las frecuencias acumuladas. Si se quieren conocer los valores para deciles o
percentiles, s
olo basta con cambiar el valor de 4 de la ecuacion 1 a 10 y 100 respectivamente.
De Centralizaci
on
Media
Cuando un conjunto de datos tienen una tendencia central muy marcada (referente a la tendencia que tienen los datos a agruparse en un valor central), resulta muy u
til caracterizar dicho
conjunto con ciertos par
ametros, conocidos como momentos. El mas conocido es el de la media,
cuya representaci
on matem
atica es la siguiente [4]:
n

1X
x=
xj
n i=1

(2)

Donde:
n = N
umero de elementos en el conjunto X
xi = i-esimo elemento del conjunto X
Mediana
La mediana de una distribuci
on es estimada de los elementos del conjunto X = {x1 , x2 , ..., xn }
encontrando el valor xi que tenga la misma cantidad de elementos menores y mayores a el. Si los
datos del conjunto X ya se encuentran ordenados, el calculo de la mediana se puede lograr a traves
de la siguiente expresi
on [4]:
 n+1
cuando n es impar
2 ,
xmediana =
n
n
y
+
1,
cuando n es par
2
2
Moda
Para conocer el valor de la moda en una funcion de distribucion, basta con contar con la tabla
de frecuencias, y el valor xi que tenga el valor maximo en su frecuencia, es el dato que representa
a la moda [4].
De Dispersi
on
Desviaci
on tpica (desviaci
on est
andar)
Teniendo caracterizada el valor de la tendencia central (media), el siguiente paso (convencionalmente) es el describir el comportamiento horizontal que presentan los datos analizados. Esto
se encuentro descrito por la varianza y la desviaci
on tpica, o mejor conocido como desviaci
on
est
andar. Definida la varianza como [4]:
n

1 X
=
(xi x)2
n 1 i=1
2

(3)

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

La desviaci
on tpica se define como la raz cuadrada de la varianza, quedando representada como
[4]:
v
u
u
=t

1 X
(xi x)2
n 1 i=1

(4)

Donde:
n = N
umero de elementos en el conjunto X
xi = i-esimo elemento del conjunto X
x = Media del conjunto X
Coeficiente de Variaci
on
Este estadstico se define como la razon (tasa) entre la desviacion tpica y la media. Mide la
desviaci
on tpica en forma de que tama
no tiene con respecto a la media. Este coeficiente se encuentra
definido a traves de la siguiente expresion [1]:
CV =

(5)

Donde:
= Desviaci
on tpica
x = Media del conjunto X
Rango
El rango de un conjunto de elementos X = {x1 , x2 , ..., xn } es igual a la diferencia del valor
m
aximo menos el valor mnimo. Lo antes mencionado queda expresado en la siguiente ecuacion [2]:
R = max(X = {x1 , x2 , ..., xn }) min(X = {x1 , x2 , ..., xn })

(6)

De Forma
Asimetra
El estadstico de asimetra caracteriza el grado de simetra existente alrededor del valor de la
media en la distribuci
on de los datos del conjunto X = {x1 , x2 , ..., xn }. Cabe se
nalar la asimetra
es un elemento adimensional, donde meramente se busca caracterizar la forma de la distribucion.
La expresi
on m
as usual es [4]:
n

Skew{x1 , x2 , ..., xn } =

1 X xi x 3
[
]
n i=1

n = N
umero de elementos en el conjunto X
xi = i-esimo elemento del conjunto X
x = Media del conjunto X
= Desviaci
on tpica

(7)

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

Figura 3: Representacion de la asimetra (skewness)

Curtosis
La curtosis nos indica el grado de apuntamiento (aplastamiento) de una distribucion con respecto
a la distribuci
on normal o gaussiana. Este estadstico es adimensional [1]. La manera convencional
de obtener el c
alculo de este elemento es [4]:
n

Kurt{x1 , x2 , ..., xn } = [

1 X xj x 4
(
) ]3
n i=1

n = N
umero de elementos en el conjunto X
xi = i-esimo elemento del conjunto X
x = Media del conjunto X
= Desviaci
on tpica

Figura 4: Representacion de la curtosis

(8)

Ram
on L
opez Escudero
CICESE - Maestra en C. de la Computacion

Procesamiento Digital de Imagenes

Referencias
[1] Guardiola, P. (2014). Estadstica [Material de Clases]. Tecnicas de Investigacion Social
en Universidad de Murcia, Espa
na. Recuperado de http://www.um.es/docencia/pguardio/
documentos/Tec2.pdf.
[2] Candanosa, C. et. al. (UNAM) (2008). Gua: Examen de estadstica y probabilidad. Recuperado de http://www.cch-sur.unam.mx/guias/matematicas/estadist1_2012.pdf.
[3] Mendenhall, W., Beaver, R.J. & Beaver, B.M. (2010). Introducci
on a la Probabilidad
y Estadstica (13va ed.). Mexico: Cengage Learning.
[4] Press, H., Teukolsky, S.A., Vetterling, W.T. & Flannery B.P. (1992). Numerical
Recipes in C: The Art of Scientific Computing (2da ed.). Reino Unido: Cambridge University.