Estimación de homografías
|
|
- Amparo de la Cruz Ruiz
- hace 7 años
- Vistas:
Transcripción
1 Estimación de homografías Visión en Robótica 1er cuatrimestre de Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema que se plantea resolver es el siguiente: dado un conjunto de puntos x i P n y su conjunto de puntos correspondientes x i Pn, calcular la transformación proyectiva que lleva x i a x i Es decir, calcular h : P n P n tal que h (x) = x = Hx El objetivo es estimar la matriz H 2 Algoritmo de transformación lineal directa (DLT) Este método sirve para estimar la matriz H antes mencionada Algoritmo 1 Dados un conjunto de n puntos de correspondencia (n 4), {x i x í }, determinar H (homografía) tal que x i = Hx i 1 Para cada correspondencia x i x i, calcular la matriz A i de dimensión 2 9 donde A i = ( 0 T w i xt i y i xt i w i xt i 0 T x i xt i ) x i = (x i, y i, w i ) y 0 T = (0, 0, 0) 2 Generar una matriz A, de dimensión 2n 9, con las matrices A i 3 Descomponer A según el SVD: A = UDV t, 1
2 4 Luego, la matriz H que estamos buscando es la siguiente: h 1 h 2 h 3 H = h 4 h 5 h 6 h 7 h 8 h 9 donde h es la última columna de V Notar que h es un vector de 9 elementos Ver la demostración correspondiente en el apéndice A 3 DLT con normalización de datos Se hace una traslación y un escalamiento de tal manera que el algoritmo queda invariante con respecto a la elección arbitraria de la escala y del origen de coordenadas Se elige una sistema de coordenadas canónico donde el algoritmo DLT es invariante a las transformaciones por similaridad Algoritmo 2 DLT con normalización de los datos Dado un conjunto {x i x i } de n puntos de correspondencia, calcular las transformaciones de similaridad H y H que consisten en una traslación y un escalamiento 1 Traslación de las coordenadas en cada imagen: para los datos x i y x i, se calculan el centroide x y x de cada conjunto de puntos correspondiente, según: x = 1 n x = 1 n 2 El centroide será el nuevo origen de coordenadas en cada caso Es decir, se genera un nuevo conjunto de puntos de correspondencia { x i x i } donde n i=1 n i=1 x i x i x i = s (x i x) y x i = s (x i x ) con s y s escalares que se obtienen como se describe a continuación 3 Calculamos la norma media de los x i y de los x i Hallamos un escalar s y s tal que al multiplicar cada uno por la norma media de los puntos trasladados, el resultado sea 2, es decir: Si d = 1 n n (x i x) i=1 2
3 queremos que s d = 2 entonces s = 2 d En forma análoga se define: s = 2 4 Finalmente, los dos conjuntos de puntos homólogos son: x i = d 2 2 d (x i x), x i = (x d i x ) con i = 1,, n Para aplicar dichas transformaciones se pueden plantear las H y H de similaridad correspondientes De esta forma, los nuevos puntos quedarían definidos según x i = Hx i (1) x i = H x i (2) Luego de aplicar estas transformaciones, se utiliza el algoritmo DLT sin alteraciones para los nuevos conjuntos de n puntos homólogos: { x i x i } Sin embaro, el resultado del algoritmo DLT será en realidad una transformacion Ḣ tal que: x i = Ḣ x i (3) mientras que lo que se buscaba en realidad es una transformación H tal que x i = Hx i (4) Asi que, para obtener H aplicaremos las definiciones (1) y (2) de x i y x i en la ecuación (3) obtieniendo: H x i = Ḣ Hx i y multiplicando a ambos lados por H 1 obtenemos que H 1 H }{{} x i = H 1 Ḣ Hx i I n n 3
4 por lo que, utilizando (4), queda que: que era lo que buscabamos H = H 1 Ḣ H 4 RANSAC Si nos restringimos a P 1, el problema de correspondencia sería el siguiente Supongamos que queremos hallar una transformación afín unidimensional, H a, entre un conjunto de puntos correspondientes {x i x i } que están sobre dos líneas ( ) ( ) ( ) x a b xi axi + b i = H a x i = =, entonces x i = ax i + b con x i R (5) El objetivo entonces es hallar una recta que minimice la suma de las distancias ortogonales al cuadrado, d 2 i, sujeto a la condición de que no haya ningún punto que se desvíe de la recta buscada más allá de una cierta distancia umbral t, que dependerá del ruido de medición Entonces, dado un conjunto de puntos homólogos debemos 1 estimar una recta de ajuste, y 2 clasificar los puntos como inliers y outliers (según t) Se propone un estimador robusto para elegir los puntos homólogos, denominado RANSAC (por RANdom SAmple Consensus), que puede usarse cuando la proporción de outliers es muy grande 41 Idea general del algoritmo (en P 1 ) 1 Se seleccionan aleatoriamente 2 puntos, con los que se calcula una recta r que pasa por ellos Esta recta es el modelo de ajuste de los puntos (ecuación (5)) 2 Se calcula el soporte de r, definido este como el conjunto de puntos que se encuentran a una cierta distancia del modelo En esta caso, esa distancia será la distancia ortogonal de los puntos a la recta 3 Se repite esta selección aleatoria (pasos 1 y 2) un número N de veces 4 La recta de ajuste con mayor soporte es la recta (o modelo) de ajuste elegida Los puntos que caen dentro del soporte serán los inliers del modelo y definen el conjunto de consenso S (fig 1) 4
5 c b a d Figura 1: Dos conjuntos de consenso (demarcadas mediante líneas punteadas) con diferentes soportes El conjunto de consenso asociado a la recta que pasa por los puntos a,b tiene soporte igual a Algoritmo general (en P 2 ) Retornando ahora a P 2, volvemos ahora a la formulación original del problema de correspondencia, planteado al principio de este apunte En este caso, el modelo ya no será una recta sino una homografía planar Como se mencionó previamente, el algoritmo tiene una forma iterativa, con un umbral N en la cantidad de iteraciones Sin embargo, como se verá a continuación, N será estimado en forma adaptativa, en base a la proporción de outliers obtenidos hasta el momento (inicialmente, en base a un ɛ dado) Algoritmo 3 RANSAC 1 Definir un ɛ [0, 1] que representa la proporción estimada de outliers asociados al modelo 2 Elegir s pares de correspondencias de puntos no-colineales y estimar la homografía entre dichos pares (por ejemplo, utilizando DLT) En P 2, alcanza con s = 4 para fijar los grados de libertad necesarios de H 3 Para cada par de puntos, calcular la distancia entre estos y los puntos transformados con H Si bien en P 1 esto se hacía directamente con la distancia ortogonal, en P 2 la medida de distancia debe ser redefinida Por ello, se define d 2 i de la siguiente forma: d 2 i = d(x i, H 1 x i ) 2 + d(x i, Hx i ) 2 donde d(, ) corresponde a la distancia euclídea 5
6 4 Clasificar todos los pares de puntos x i x i como outliers o inliers en base a un umbral t, definiendo así el conjunto de consenso S para la iteración actual, que contendrá a los inliers Es decir: S = { x i x i / d 2 i < t 2} El umbral t está definido de antemano y se encuentra tabulado Para el caso de P 2, t 2 = 5,99σ 2 (donde se puede tomar σ = 1) 5 Repetir el proceso N veces, quedándonos siempre con la H que maximiza la cantidad de inliers (es decir, que maximiza el cardinal del conjunto de consenso S asociado a la H actual) Cada vez que se obtenga un H mejor a la anterior, se debe reestimar ɛ y N, según: ɛ 1 #S n log(1 p) N log(1 (1 ɛ) s ) donde p se define de antemano y corresponde a la probabilidad de que al menos una selección de puntos esté libre de outliers En general se toma p = 0,99 6 Una vez terminado el ciclo, solo se debe re-estimar la H encontrada (nuevamente, puede utilizarse DLT), esta vez usando los puntos pertenecientes al mejor conjunto de consenso S encontrado 6
7 A Descomposición en valores singulares (SVD) Sean A una matriz de dimensión m n, con m n Entonces se puede descomponer de la forma: A = UDV t donde U es matriz ortogonal de dimensión m n, D es una matriz diagonal de n n y V es una matriz ortogonal de n n Como U tiene columnas ortogonales, entonces U t U = I n n Además U preserva la norma, es decir, se cumple que pues, Ux = Ux = x x (Ux) t (Ux) = x t U t Ux = x t Ix = x Los valores singulares de la matriz A son los valores de la diagonal D (son no negativos), que son las raíces cuadradas de los valores propios (también llamados autovalores) de la matriz A t A Para ver esto observemos que si: entonces: A = UDV t pues, como entonces A t A = ( UDV t) t ( UDV t ) = V DU t U }{{} I n n DV t = V D 2 V t = V D 2 V 1 Luego se tiene que: V t V = I n n V 1 = V t A t A = V D 2 V 1 Ahora, si llamamos H = A t A, y multiplicamos a izquierda de ambos miembros por V, tenemos que: HV = V D 2 Llamando v i = v 1i v 2i v ni a cada columna de la matriz V, podemos escribir: Hv i = d 2 i v i, 7
8 es decir, (Hv 1 Hv 2 Hv n ) = v 11 v 12 v 1n v 22 v n1 v n2 v nn d d d 2 n = con d 2 1 d 2 2 d 2 n = ( d 2 1v 1,, d 2 nv n ) Estas ecuaciones definen los valores propios de A t A, que son los elementos de la diagonal D 2, y vienen dados por d 2 i con i = 1,, n Las columnas de V son los vectores propios (o autovectores) de A t A, luego los valores singulares de A son las raíces cuadradas de los valores propios de A t A Como A t A es una matriz simétrica y definida positiva entonces los valores propios son reales y positivos, y entonces los valores singulares también son reales y positivos Así escrito tenemos que la última columna de la matriz V corresponde al valor singular menor de la matriz A Proposición 1 Dada la matriz A de m n, tal que m n, hallar x, de dimensión n, tal que minimice Ax sujeto a la condición x = 1 La solución es la última columna de la matriz V, donde A = UDV t es la descomposición SVD de la matriz A Desmostración: Sea A de m n, podemos realizamos la descomposición SVD, entonces A = UDV t Luego queremos minimizar: Ax = UDV t x Se tiene que: UDV t x = DV t x pues U es ortogonal y preserva la norma, luego queremos minimizar DV t x bajo la condición V t x = 1, esto es cierto pues se cumple que: V t x = (V t x) t (V t x) = x = 1 Sea y = V t x, hay que minimizar Dy bajo la condición y = 1, donde la matriz diagonal D = d d d n es tal que d 1 d 2 d n, o sea, d d d n y 1 y 2 y n = d 1 y 1 d 2 y 2 d n y n 8
9 tal que Como Dy 2 = Dy, entonces y y2 n = 1 0 n d 2 i y2 i y = 0 es el vector que minimiza la norma 1 i=1 x = V y = v 11 v 12 v 1n v 22 v n1 v n2 v nn que es la última columna de la matriz V B RANSAC B = El algoritmo de RANSAC incluye los siguientes términos: v 1n v nn ɛ: proporción de outliers que se estima existien en el modelo (este parámetro luego se irá re-estimando en forma adaptativa) t: umbral de clasificación de puntos como inliers o outliers T : tamaño del conjunto de consenso, es decir T = #S N: número de iteraciones o muestras aleatorias para ensayar el modelo Parámetro t Si definimos α como la probabilidad de que un punto dado sea inlier, es decir: P (x es inlier) = α lo que se busca es encontrar un t tal que satisfaga esta ecuación Supongamos que los errores de medición, e, siguen una distribución normal con media 0 y varianza σ 2, es decir e N ( 0, σ 2), entonces se puede calcular t, a partir de e Con estas consideracioes, el cuadrado de la distancia ortogonal, d 2, es la suma de variables aleatorias gaussianas, y por lo tanto, d 2 χ 2 n donde χ 2 n es la distribución Chi-cuadrado con n grados de libertad, y n es la codimensión del modelo (en una homografía planar es n = 2) Para una línea la codimensión es 1 (sólo es considerada la distancia ortogonal a la línea) 9
10 Entonces, como: tomamos P ( χ 2 n k 2) = F n ( k 2 ) = k2 0 t 2 = F 1 n (α) σ 2 χ 2 n (ζ) dζ = α En resumen, consideramos que un par de puntos correspondientes se clasifica como: { inlier si d 2 < t 2 outlier si d 2 t2 En general se pide α = 0,95, o lo que es lo mismo P (x es inlier) = 0,95; es decir que la probabilidad de rechazar un punto que es inlier sea 0,05 En el caso de la estimación de una recta de ajuste la codimensión será n = 1, mientras que en el caso de la homografía la codimensión será n = 2 En el siguiente cuadro se muestran los valores del umbral t 2 para α = 0,95, para cada valor de n, dependiendo del error de medición σ B2 Parámetro T n modelo umbral t 2 1 recta, F 3,84σ 2 2 homografía, cámara 5,99σ 2 3 tensor 7,81σ 2 Para determinar un tamaño válido para el conjunto de consenso S, se puede pensar que debería ser similar al número de inliers que se cree hay inicialmente en los datos Entonces, si ɛ es la proporción de outliers y n es la cantidad total de datos, definimos T de la siguiente manera: B3 Parámetro N T = (1 ɛ)n Para asegurar, con probabilidad p, que al menos una muestra aleatoria de s puntos está libre de outliers, se debe obtener un N que sea la cantidad de muestras aleatorias a tomar, por lo ranto, la cantidad de iteraciones del algoritmo Vamos a obtener N de la siguiente forma: Definimos entonces α = P (el punto seleccionado es inlier), ɛ = 1 α = P (el punto seleccionado es outlier) α s = P (los s puntos sean inliers) 10
11 Recordemos que s es 2 en el caso de que el modelo sea una recta y 4 en el caso de una homografía planar Luego 1 α s = P (haya uno o más outliers entre los s puntos) Con en N selecciones se tiene: Si (1 α s ) N = P (en N selecciones de s puntos haya outliers en todas ellas) entonces p = P (en N selecciones de s puntos, al menos una no tenga outliers) 1 p = P (en N selecciones de s puntos, todas tengan outliers) entonces se tiene que: Tomando logaritmos: 1 p = (1 α s ) N log (1 p) = N log (1 α s ), luego N = log (1 p) log (1 α s ) = log (1 p) log (1 (1 ɛ) s ) En resumen, N es el número de selecciones que se require para asegurar, con probabilidad p, que al menos una muestra no tiene outliers para un dado tamaño de muestra s y una dada proporción de outliers ɛ B31 Determinación adaptativa del parámetro N Si asumimos ahora ɛ desconocido, para determinar N se puede proceder de la siguiente forma Algoritmo 4 Algoritmo adaptativo para determinar N 1 Iniciar ɛ = 0,5 y N = 2 Iniciar un contador de iteraciones (o muestras) i = 0 3 Repetir, mientras i < N: a) Tomar una muestra aleatoria y contar la cantidad outliers k b) Asignar ɛ = k N c) Calcular N usando p y ɛ, en base a la ecuación (6) d) Incrementar i (6) 11
12 B32 Función de costo robusta En vez de minimizar la función de costo C = i d2 i sobre los inliers otra posibilidad sería minimizar una función de costo robusta que incluya a todos los datos Esta función de costo viene dada por: D = i γ (d i ) donde { d 2 si d γ (d) = 2 < t 2 t 2 si d 2 t 2 12
Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Más detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesConceptos básicos de Geometría
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 15 de enero del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) 15 de enero del 2013 1 / 25 1 Geometría Afín Geometría Euclidiana Áreas y ángulos Dr. Eduardo
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesTEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesMATEMÁTICAS 1º BACH. C. N. Y S. 25 de enero de 2010 Geometría y Logaritmos
MATEMÁTICAS 1º BACH. C. N. Y S. 5 de enero de 010 Geometría y Logaritmos x yz 1) Tomar logaritmos, y desarrollar, en la siguiente expresión: A 4 ab log x log b 4log a log y ) Quitar logaritmos: log A )
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3
ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión
Más detallesUn subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:
4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesUNIDAD 10: ECUACIONES DE SEGUNDO GRADO.
UNIDAD 10: ECUACIONES DE SEGUNDO GRADO. 10.1 Estudio elemental de la ecuación de segundo grado. Expresión general. 10.2 Resolución de ecuaciones de segundo grado completas e incompletas. 10.3 Planteamiento
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesUniversidad Nacional de Ingeniería Facultad de Ciencias. Física Computacional CC063. Algebra Lineal. Prof: J. Solano 2012-I
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Algebra Lineal Prof: J. Solano 2012-I Introduccion Aqui trabjaremos con operaciones basicas con matrices, tales como solucion
Más detallesMatrices y determinantes
Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesÁLGEBRA LINEAL II Práctica
ÁLGEBRA LINEAL II Práctica 3.1-3.2 Geometría afín. (Curso 2012 2013) 1. En un espacio afín real de dimensión 3, se consideran dos sistemas de referencia R = O, ē 1, ē 2, ē 3 } y R = P, ū 1, ū 2, ū 3 },
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detallesParciales Matemática CBC Parciales Resueltos - Exapuni.
Parciales Matemática CBC 2012 Parciales Resueltos - Exapuni www.exapuni.com.ar Compilado de primeros parciales del 2012 Parcial 1 1) Sea. Hallar todos los puntos de la forma, tales que la distancia entre
Más detalles4.1. Determinante de una matriz cuadrada de orden 2. , entonces el determinante de A es a 21 a 22 a 11 a 12 = a 11a 22 a 12 a 21
Capítulo 4 Determinante Los determinantes se calculan para matrices cuadradas. Se usan para saber cuando una matriz tiene inversa, en el cálculo de autovalores y también para resolver sistemas de ecuaciones
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesSistemas de Ecuaciones Lineales
Sistemas de Ecuaciones Lineales 1 Sistemas de ecuaciones y matrices Definición 1 Una ecuación lineal en las variables x 1, x 2,..., x n es una ecuación de la forma con a 1, a 2... y b números reales. a
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesTeoría Tema 9 Ecuaciones de la recta en el espacio tridimensional
página 1/11 Teoría Tema 9 Ecuaciones de la recta en el espacio tridimensional Índice de contenido Ecuación vectorial, paramétrica y continua de la recta...2 Ecuación general o implícita de la recta...5
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detallesGEOMETRÍA. que pasa por el punto P y es paralelo a π. (0,9 puntos) b) Determinar la ecuación del plano π
GEOMETRÍA 1.- Se considera la recta r : ( x, y, z) = ( t + 1, t,3 t), el plano π: x y z = 0y el punto P (1,1,1). Se pide: a) Determinar la ecuación del plano π 1 que pasa por el punto P y es paralelo a
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detalles3.3. Número de condición de una matriz.
96 33 Número de condición de una matriz Consideremos el sistema Ax = b, de solución u Queremos controlar qué cambios se producen en la solución cuando hacemos pequeños cambios en las componentes de b o
Más detalles1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido
E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña
Más detallesAPUNTES DE FUNDAMENTOS DE MATEMATICA. CASO I: Cuando todos los términos de un polinomio tienen un factor común.
FACTORIZACION DE POLINOMIOS. CASO I: Cuando todos los términos de un polinomio tienen un factor común. Cuando se tiene una expresión de dos o más términos algebraicos y si se presenta algún término común,
Más detallesÁLGEBRA LINEAL II Práctica
ÁLGEBRA LINEAL II Práctica 3.1-3.2 Geometría afín. (Curso 2013 2014) 1. En un espacio afín real de dimensión 3, se consideran dos sistemas de referencia R = O, ē 1, ē 2, ē 3 } y R = P, ū 1, ū 2, ū 3 },
Más detallesMatrices 1. Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
Matrices 1 Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se
Más detallesDos inecuaciones se dice que son equivalentes cuando ambas tienen las mismas soluciones.
10. INECUACIONES Definición de inecuación Una inecuación es una desigualdad entre dos expresiones algebraicas. 2x + 3 < 5 ; x 2 5x > 6 ; x x 1 0 Inecuaciones equivalentes Dos inecuaciones se dice que son
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detalles2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Más detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesMétodos de factorización para resolver sistemas de ecuaciones lineales. 22 de agosto, 2012
Cálculo numérico Métodos de factorización para resolver sistemas de ecuaciones lineales 22 de agosto, 2012 1 Factorización LU Considera el siguiente ejemplo de factorización LU de una matriz en un sistema
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesPor el teorema de Green, si llamamos D al interior del cuadrado, entonces. dxdy. y. x P. 1 dx. 1 (4x 3 2y) dy =
TEOREMA E GREEN. 1. Calcular y dx x dy, donde es la frontera del cuadrado [ 1, 1] [ 1, 1] orientada en sentido contrario al de las agujas del reloj. Por el teorema de Green, si llamamos al interior del
Más detallesProblemas métricos. 1. Problemas afines y problemas métricos
. Problemas afines y problemas métricos Al trabajar en el espacio (o análogamente en el plano) se nos pueden presentar dos tipos de problemas con los elementos habituales (puntos, rectas y planos): Problemas
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesColegio Universitario Boston
Función Lineal. Si f función polinomial de la forma o, donde y son constantes reales se considera una función lineal, en esta nos la pendiente o sea la inclinación que tendrá la gráfica de la función,
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesDETERMINANTES Profesor: Fernando Ureña Portero
: CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=a ij, de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CSI/ITESM 20 de agosto de 2008 Índice 121 Introducción 1 122 Transpuesta 1 123 Propiedades de la transpuesta 2 124 Matrices
Más detallesÁreas entre curvas. Ejercicios resueltos
Áreas entre curvas Ejercicios resueltos Recordemos que el área encerrada por las gráficas de dos funciones f y g entre las rectas x = a y x = b es dada por Ejercicios resueltos b a f x g x dx Ejercicio
Más detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesSolución de Sistemas de Ecuaciones Diferenciales Lineales
Solución de Sistemas de Ecuaciones Diferenciales Lineales Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ejemplo.................................................3.Ejemplo................................................
Más detalleses el lugar geométrico de los puntos p tales que p 0 p n o p 0 p o. p x ; y ; z perteneciente a y un vector no
El Plano y la Recta en el Espacio Matemática 4º Año Cód. 145-15 P r o f. M a r í a d e l L u j á n M a r t í n e z P r o f. J u a n C a r l o s B u e P r o f. M i r t a R o s i t o P r o f. V e r ó n i
Más detallesDerivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesProblemas de exámenes de Geometría
1 Problemas de exámenes de Geometría 1. Consideramos los planos π 1 : X = P+λ 1 u 1 +λ 2 u 2 y π 2 : X = Q+µ 1 v 1 +µ 2 v 2. Cuál de las siguientes afirmaciones es incorrecta? a) Si π 1 π 2 Ø, entonces
Más detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detallesUnidad 5: Geometría Analítica
Unidad 5 Geometría Analítica 5. Ecuaciones de una recta Los planos y las rectas son objetos geométricos que se pueden representar mediante ecuaciones. Encontraremos la ecuación vectorial de una recta r
Más detallesINSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA
INSTITUCIÓN EDUCATIVA GABRIEL TRUJILLO CORREGIMIENTO DE CAIMALITO, PEREIRA Pobre del estudiante que no aventaje a su maestro. LA LÍNEA RECTA Leonardo da Vinci DESEMPEÑOS Identificar, interpretar, graficar
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesFundamentos matemáticos. Tema 8 Ecuaciones diferenciales
Grado en Ingeniería agrícola y del medio rural Tema 8 José Barrios García Departamento de Análisis Matemático Universidad de La Laguna jbarrios@ull.es 2016 Licencia Creative Commons 4.0 Internacional J.
Más detallesT0. TRANSFORMADAS DE LAPLACE
ESCUELA TÉCNICA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA MATEMATICAS T0. TRANSFORMADAS DE LAPLACE Mediante transformadas de Laplace (por Pierre-Simon
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesProfesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA
Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una
Más detallesMatriz inversa generalizada y descomposición del valor singular
Matriz inversa generalizada y descomposición del valor singular Divulgación Fernando Velasco Luna y Jesús Hernández Suárez Laboratorio de Investigación y Asesoría Estadística, Facultad de Estadística e
Más detallesClase 10: Extremos condicionados y multiplicadores de Lagrange
Clase 10: Extremos condicionados y multiplicadores de Lagrange C.J. Vanegas 7 de abril de 008 1. Extremos condicionados y multiplicadores de Lagrange Estamos interesados en maximizar o minimizar una función
Más detallesSISTEMAS DE ECUACIONES LINEALES. Método de reducción o de Gauss. 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González.
SISTEMAS DE ECUACIONES LINEALES Método de reducción o de Gauss 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González. SISTEMAS DE DOS ECUACIONES LINEALES CON DOS INCÓGNITAS.
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detalles4 Ecuaciones diferenciales de orden superior
CAPÍTULO 4 Ecuaciones diferenciales de orden superior 4. educción de orden allar un método para encontrar soluciones que formen un conjunto fundamental de la ED será nuestro trabajo en las siguientes secciones.
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesEjercicios del Tema 2: Estructuras algebraicas básicas
Ejercicios del Tema 2: Estructuras algebraicas básicas En los ejercicios 1, 2, 8 y 9 se utilizará que si G = {g 1,...,g n } es un conjunto finito y * una operación interna definida en G, podemos utilizar
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesDerivada de la función compuesta. Regla de la cadena
Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de
Más detallesINTEGRACIÓN INDEFINIDA
1. PRIMITIVA DE UNA FUNCIÓN Definición: Sean F(x) y f(x) dos funciones reales definidas en un mismo dominio D. Se dice, entonces, que F(x) es una primitiva de f(x) si se cumple quef'(x) = f(x), x. Dicho
Más detalles1. Lección 9 - Continuidad y Derivabilidad
1. Lección 9 - Continuidad y Derivabilidad 1.1. Continuidad El concepto de continuación es el mismo que el visto en el primer cuatrimestre pero generalizado al caso de los campos escalares. Así, sea la
Más detalles6. VARIABLES ALEATORIAS
6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesAlgebra lineal de dimensión finita
Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Departamento de Matemáticas ITESM Álgebra Lineal - p. 1/16 En esta lectura veremos el proceso para obtener la factorización QR de una matriz. Esta factorización es utilizada para
Más detalles