Transformada de Fourier

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Transformada de Fourier"

Transcripción

1

2 Transformada de Fourier Transformada Inversa de Fourier Estas ecuaciones existen si f(x) es continua e integrable y si F(u) es integrable (casi siempre se cumplen en la práctica).

3 Espectro de Fourier La Trasformada de Fourier de una función real f(x) es generalmente compleja

4 Potencia Espectral Fórmula de Euler

5 Ejemplo: Se multiplica el lado derecho por e πu2 e πu2 = 1

6 Ejemplo:

7 Transformada de Fourier en 2D Transformada Inversa de Fourier en 2D

8 Transformada Discreta de Fourier Funciones de una Variable

9 Transformada Discreta Inversa

10 DFT en 2D DFT Inversa en 2D u y v son las Variables de Frecuencia x y y son las Variables Espaciales o de la Imagen

11 Espectro de Fourier Potencia Espectral

12 Inversión del Espectro de Fourier Es común multiplicar la imagen de entrada por (-1) x+y antes del cálculo de la transformada de Fourier. Debido a las a las propiedades de los exponenciales se puede demostrar que: Haciendo esta multiplicación se logra que el origen de la Transformada de Fourier de f(x,y) (-1) (x+y), que es F(0,0), este localizada en u=m 2 y v=n 2. DFT 2D crea un rectángulo de área MxN al cual se le llama Rectángulo de Frecuencia.

13 Propiedades de la Transformada de Fourier Simetría Una función que no tiene simetría par o impar se puede descomponer en componentes par e impar por medio de: donde

14 Si se expresa f(x) como una suma de componentes pares e impares El segundo y tercer término son integrales infinitas del producto de una función par por un impar, lo que da cero como resultado, entonces:

15 1. Un componente par de una función produce un componente par en la transformada. 2. Un componente impar de una función produce un componente impar en la transformada. 3. Un componente impar de una función introduce el coeficiente j. 4. Un componente par de una función no introduce el coeficiente j. Una función real (ej. una imagen) produce una transformada que contiene una parte real par y una parte imaginaria impar, a esto se le llama función Hermitiana, la cual posee la propiedad del conjugado simétrico

16 Linealidad

17 Desplazamiento en el Tiempo

18 Convolución Por la propiedad de desplazamiento en el tiempo

19 Similaridad Escalamiento

20 Teorema de Rayleigh La integral existe para señales transitorias y la energía es un parámetro que refleja el tamaño total de la función. El teorema de Rayleigh dice que Lo que significa que la transformada tiene la misma energía que la función.

21 Propiedades de la Transformada de Linealidad Fourier en 2D Similaridad - Escalamiento Desplazamiento en el Tiempo

22 Convolución Diferenciación Laplaciano

23 Rotación Teorema de Rayleigh Separabilidad

24 Filtrado en el Dominio de la Frecuencia

25 La multiplicación se hace elemento por elemento. Los filtros más comunes son reales, en este caso la parte real de H multiplica a la parte real e imaginaria de F. A esto se le llama Filtro de Cero Desplazamiento de Fase (Zero-Phase-Shift), es decir, no alteran la fase de la transformada. La transformada Inversa es generalmente compleja, por lo que se toma solo la parte real.

26 Los valores de magnitud obtenidos en el Espectro de Fourier se encuentran dispersos sobre un rango muy amplio, para visualizar este espectro se requiere realizar una cuantificación para representarlos en una escala de 0 a 255. Otra forma de visualizar el espectro de magnitud es tomando el logaritmo base 10 y luego realizar la cuantificación.

27 Ideal (ILPF) Filtro Pasa Bajas

28 Butterworth (BLPF) orden n

29 Gaussiano (GLPF)

30 Ideal (IHPF) Filtro Pasa Altas

31 Butterworth (BHPF) orden n

32 Gaussiano (GHPF)

33 Laplaciano

34 Transformada Rápida de Fourier FFT Fast Fourier Transform DFT- NxM multiplicaciones y NxM sumas FFT se aplica a imágenes cuadradas de tamaño N donde N=2 P La función exponencial es periódica en el producto nxi. La matriz ω puede ser factorizada en un producto de NxN matrices que contienen valores repetidos incluyendo muchos ceros y unos. Si N=2 P entonces ω se puede factorizar en p matrices de manera que el total de operaciones es

35

36 TRANSFORMADA DISCRETA LINEALES DE 1D X es un vector de Nx1. T es una matriz de transformación de NxN (Matriz Kernel) para i=0,, N-1. Ejemplo: Rotación de un vector X de dos dimensiones por un ángulo ѳ Transformada Inversa

37 Transformada Unitaria T debe ser una matriz unitaria. * - Complejo conjugado de T t - Transpuesta de T Si T solo tiene componentes reales entonces se le denomina Matriz ortogonal. Las filas de T son un conjunto de vectores ortogonales.

38 Ejemplo: DFT 1D es una transformada unitaria Donde ω es una matriz unitaria (pero no ortogonal) con elementos complejos

39 Normalmente la matriz de transformación es nosingular (rango (T)=N) para hacer la transformada invertible. Las filas de T forman un conjunto de vectores base ortonormales o vectores unitarios del espacio de vectores N-dimensionales de todos los vectores de Nx1. Cualquier secuencia de Nx1 puede ser interpretada como un vector del origen a un punto en el espacio N-dimensional.

40 TRANSFORMADAS DISCRETAS LINEALES EN 2D F matriz original de NxN G - matriz transformada de NxN J i, k, m, n - matriz Kernel Si se puede separar en el producto de funciones componentes por renglones y columnas, entonces se le llama Transformada Separable.

41 Por lo tanto, la operación de transformación se puede realizar en dos partes Además si las funciones componente son iguales, la transformada es simétrica y la operación de transformación se expresa como o simplemente

42 Si T es una matriz unitaria la transformada inversa se escribe como: Ejemplo: DFT 2D es una transformada unitaria, simétrica y separable: Si T es ortogonal entonces F = T t GT t y si T es simétrica entonces G = TFT y F= TGT. Esto sucede generalmente cuando T es real.

43 FUNCIONES BASE Los renglones de la matriz kernel forman un conjunto de vectores base para un espacio de vectores N-dimensional. Los renglones son ortonormales. donde (j, k) es la función Delta de Kronecker (función impulso discreto). Cualquier vector en el espacio transformado se puede expresar como la sumatoria de vectores base de longitud unitaria con diferentes pesos. Cualquier transformada unitaria unidimensional corresponde entonces a la rotación de un vector en un espacio de vectores N-dimensional. Cualquier transformada unitaria, separable y simétrica en 2 dimensiones corresponde a la rotación de un vector en el espacio de N 2 dimensiones.

44 IMÁGENES BASE La transformada inversa 2D puede interpretarse como la reconstrucción de la imagen por la sumatoria de un conjunto de imágenes base con pesos apropiados. Cada elemento en la matriz transformada G es el coeficiente por el cual la imagen base correspondiente es multiplicada en la sumatoria. Una imagen base puede generarse transformando inversamente una matriz de coeficientes que contenga solo un elemento diferente de cero, el cual se hace igual a 1. Existen N 2 de esas matrices y estas producen N 2 imágenes base, una de estas matrices de coeficientes sería: donde (i, j) son los índices de las columnas y (p, q) indican la posición específica del elemento diferente de cero. La transformada inversa es:

45 TRANSFORMADAS SENUSOIDALES Transformada Discreta de Fourier (DFT) donde F es una matriz de una imagen y G es la matriz espectro.

46 TRANSFORMADA DISCRETA DE COSENO (DCT) Los coeficientes son: α 0 = 1 N ; α m = 2 N para 1 < m N y α n = 2 N. La Transformada Discreta del Coseno (DCT) puede expresarse como: donde: DCT consiste de solo valores reales se usa en compresión de imágenes.

47 TRANSFORMADA DISCRETA DEL SENO (DST) La Transformada Discreta del Seno (DST) puede expresarse como: donde: DST es más eficientemente si es calculada para N=2 p -1.

48 TRANSFORMADA DE HARTLEY (DHT) Función base casθ = cosθ + senθ = 2 cos θ + π 4 coseno trasladado 45 a la derecha Elementos de la matriz kernel de DHT DHT solo tiene elementos reales.

49 TRANSFORMADAS DE ONDA RECTANGULAR TRANSFORMADA DE HADAMARD Es una transformada unitaria, separable y simétrica que solo tiene +1 y -1 en su matriz kernel. Existe para N=2 n. En el caso de una matriz de 2x2 y para matrices mayores de tamaño N

50 La columna de la derecha indica el número de cambios de signo de la fila y es llamada la secuencia de la fila. La matriz se puede reordenar de forma que la secuencia sea ascendente.

51 TRANSFORMADA DE WALSH Las funciones base de la transformada de Hadamard son realmente funciones de Walsh, por lo que la transformada de Hadamard se le conoce también como transformada de Walsh.

52 TRANSFORMADA DE SLANT Diseñada para tener una primera función base constante y una segunda función base lineal. Esta segunda función base corresponde a los cambios graduales del fondo de muchas imágenes. La matriz kernel unitaria para la transformada Slant se obtiene a partir de la matriz kernel de Hadamard y Haar de 2x2:

53 Y se itera de acuerdo al siguiente esquema: I es la matriz identidad de tamaño N 2 2

54 TRANSFORMADA DE HAAR La transformada de Haar es unitaria, separable y simétrica y usa funciones Haar como funciones base. Existe para N = 2 n. Las funciones base de DFT varían solo en frecuencia, las funciones de Haar varían en escala (ancho) y posición. Esto le da a la transformada de Haar una naturaleza dual de posición y escala. Esta característica la distingue de las otras transformadas y es el punto de inicio para la Transformada Wavelet. Transformada Wavelet Análisis de Multiresolución

55 TRANSFORMADAS BASADAS EN EIGENVALORES Y EIGENVECTORES Eigenvalores y Eigenvectores Valores y vectores propios Valores y vectores característicos Eigenanálisis.- Cálculo de Eigenvalores y Eigenvectores Eigenvalores: Para una matriz A de N por N existen N escalares λ k donde k=1,, N, tal que A λ k I = 0. Estos escalares λ k son un conjunto único de eigenvalores o valores característicos de la matriz A. Cada eigenvalor puede ser visto como una cantidad la cual al ser sustituida en cada elemento de la diagonal principal hace que la matriz A sea singular. Por definición, no existe un orden para los eigenvalores, pero es común ordenarlos de mayor a menor, esto es, λ k λ k+1. Si la matriz es singular, entonces cuando menos uno de sus N eigenvalores será cero.

56 El rango de la matriz A (rank(a)) es el número de eigenvalores diferentes de cero. El número de condición de la matriz A es la diferencia que existe entre su mayor y menor eigenvalor, si este número es grande, pero finito, entonces la matriz A tiene mala condición (ill conditioned) y tratar de encontrar su inversa puede ser un proceso numéricamente muy difícil. Ax = B x = A 1 B Eigenvectores: Existen N vectores V k de Nx1 tal que AV k = λ k V k los vectores V k son llamados eigenvectores o vectores característicos de la matriz A. Cada eigenvector corresponde a un eigenvalor. Si A es real y simétrica, entonces los λ k eigenvalores son reales.

57 ANALISIS DE COMPONENTES PRINCIPALES (PCA) Harold Hotelling desarrolló una transformación lineal que remueve la correlación entre los elementos de un vector aleatorio y la llamó Método de Componentes Principales. Karhunen y Loéve desarrollaron una transformada similar para señales continuas, la cual se denomina K-L Transform. Sea X un vector aleatorio de Nx1, esto es, cada elemento X i de X es una variable aleatoria. El vector medio de X se puede estimar de una muestra de L de esos vectores por medio de: y su matriz de covarianza por m x 1 L C X = E (X m X ) (X m X ) t = 1 X L l X t t l m X m X l=1 La matriz de covarianza C X es real y simétrica de tamaño NxN. Sus elementos diagonales son las varianzas de las variables aleatorias individuales, mientras que los demás elementos son covarianzas. L l=1 X l L

58 Vector promedio: Matriz de Covarianza:

59 Considere que la matriz A define una Transformación Lineal que genera un vector Y a partir de cualquier vector X por medio de la ecuación: Y = A(X m x ) donde A es construida a partir de los eigenvectores de C x. Por conveniencia se ordenan los renglones de A en forma descendiente de acuerdo a la magnitud de sus eigenvalores correspondientes. El vector transformado Y es un vector aleatorio con media cero y su matriz de covarianza se relaciona con la de X por: C Y = AC X A t

60 Ya que los renglones de A son eigenvectores de C X,C Y será una matriz diagonal que tiene los eigenvalores de C X a lo largo de su diagonal C Y = λ λ N Y los λ k son también los eigenvalores de C Y. Note que la transformada Y = A X m X es invertible, esto es, se puede reconstruir un vector X a partir de su vector transformado Y por: X = A 1 (Y + m X ) = A t (Y + m X ) Ya que la matriz A es unitaria y real (ortogonal).

61 REDUCCIÓN DE DIMENSIONES Se puede reducir la dimensionalidad de un vector ignorando uno o más de sus eigenvectores que tengan valores pequeños. Sea B una matriz de MxN, donde M<N, formada al descartar los (N-M) renglones más bajos de A, asumiendo que m X =0 (media cero) para simplificar, entonces los vectores transformados son más pequeños (Mx1) y están dados por: Aun así, los vectores x se pueden reconstruir (aproximadamente) por medio de: El error cuadrático medio de esta aproximación esta dado por que equivale a la suma de los eigenvalores descartados.

62 TRANSFORMADA WAVELET La transformada de Fourier utiliza ondas senusoidales como funciones base. Estas funciones base se extienden hacia el infinito en ambas direcciones y solo varían en frecuencia. La transformada Wavelet usa funciones base con duración limitada. Estas funciones base varían tanto en posición como en frecuencia y son llamadas Wavelets u Onduletas.

63 La transformada Haar tiene vectores base generados por translaciones y escalamientos de una sola función. La función de Haar que es un par de pulsos rectangulares impares, es la onduleta más antigua y simple. Funciones base de la Trasformada Haar.

64 TRANSFORMADA WAVELET CONTINUA (GROSSMAN Y MORLET) Definición Si ψ x es una función de valores reales con espectro de Fourier ψ s, satisface el criterio de admisibilidad Entonces ψ x es llamada onduleta básica o basic wavelet. Note que debido al denominador s de la integral será necesario que Además, ya que ψ = 0, podemos observar que el espectro de amplitud de una onduleta admisible es similar a la función de transferencia de un filtro pasa bandas.

65 Un conjunto de funciones onduleta base (wavelet basic functions) ψ a,b (x), se puede generar trasladando y escalando la función onduleta base, ψ x, de la siguiente forma: donde a>0 y b son números reales. La variable a refleja la escala (ancho) de una función base particular, mientras b especifica su posición de traslación a lo largo del eje x. Normalmente ψ x está centrada en el origen, de manera que ψ a,b x estará centrada en x=b.

66 La transformada wavelet continúa de f(x) con respecto a ψ x es: Transformada directa (CWT) Los coeficientes de la transformada wavelet están dados por los productos internos de la función a transformar con cada una de las funciones básicas. La transformada wavelet inversa para funciones continuas es: Transformada inversa (icwt)

67 TRANSFORMADA WAVELET CONTINUA EN 2D (CWT) Si f(x,y) es una función continua en 2D, su transformada wavelet es: donde bx y by especifican las traslaciones en 2D. La CWT inversa en 2D es: donde: y ψ x, y es una onduleta base en 2D.

68 TRANSFORMADA WAVELET DISCRETA (DWT) Existen 3 técnicas básicas para el desarrollo de la Transformada Wavelet Discreta (DWT): 1. Teoría de banco de filtros 2. Análisis Multi-resolución o análisis tiempo-escala (pirámides de imágenes) 3. Codificación por sub bandas

69

70 DISEÑO DE LA TRASFORMADA WAVELET F s esto significa que: = G 0 s H 0 s G 1 s H 1 s = F s H 0 S H 0 s F s H 1 s H 1 s F(s) = F s H 0 2 s + H 1 2 s y las funciones de transferencia de los dos filtros deben cumplir la condición: para 0 s S N. H 0 2 s + H 1 2 s = 1 Suponga que H 0 (s) es una función de transferencia pasa bajas con bordes suavizados que se desea usar en una transformada wavelet. Claramente, la función H 1 (s) correspondiente está dada por H 1 2 = 1 H 0 2 s Por lo tanto, para el diseño de una transformada wavelet discreta se requiere hacer una buena selección de un filtro pasa bajas.

71 VECTOR DE ESCALAMIENTO - h o (k) k h o k = 2 k h o k h o k + 2l = (l) Con el Vector de Escalamiento se obtiene la Función de Escalamiento: φ t = h o k φ 2t + k k Si se tiene la Función de Escalamiento, entonces se obtiene el Vector de Escalamiento: h o k = φ 1,0 t, φ 0,k t φ j.n t = 2 j 2φ(2 i t k) para j=0,1, y k= 0, 1, 2 j -1.

72 VECTOR WAVELET h 1 k = 1 k h 0 k + 1 Onduleta básica: ψ t = h 1 k φ 2t k k Conjunto de onduletas ortonormales: ψ j,k t = 2 j 2φ 2 j t + k

73 CÁLCULO DE LA TRASFORMADA WAVELET La Trasformada Wavelet de una función continua f(t) es: C j,k = f t ψ j,k t dt f t = C j,k ψ j,k t La Trasformada Wavelet Discreta de una función muestreada es: C j,k = f i t ψ j,k i t i j,k f i t = C j,k φ j,k i t j,k

74 Ejemplo 1: Construcción de DWT usando filtros ideales pasabajas y pasabandas Esto nos da una trasformada wavelet discreta basada onduletas tipo sinc (sinc wavelets). Ejemplo 2: Si hacemos Entonces ψ t es la función Haar, esto nos llevaría a la trasformada Haar.

75 Transformada Wavelet Discreta (DWT) en 2D Tiene una función de escalamiento en 2 dimensiones que es separable, como en cualquier transformada unitaria φ x, y = φ x φ y ψ 1 indice no exp. x, y = φ x ψ y ψ 2 x, y = ψ x φ y ψ 3 x, y = ψ x ψ y ψ l j,m,n x, y = 2j ψ l (x 2 j m, y 2 j n j 0, l = 1,2,3 donde j, l, m, n son enteros. ψ l j,m,n x, y es un conjunto base ortonormal para L2 (R 2 ).

76 TRANSFORMADA DIRECTA Se inicia con una imagen de NxN, f 1 (x, y), con N = 2 n, j = 0, la escala es 2 j = 2 0 = 1 que es la escala de la imagen original. Cada valor mayor de j dobla la escala y reduce la resolución a la mitad. La imagen puede ser expandida en términos de onduletas en 2D de la siguiente manera: 1) En cada etapa de la transformada la imagen se descompone en 4 imágenes de un cuarto de tamaño. 2) Cada una de las 4 imágenes es formada por productos internos con una de las imágenes de onduletas base. 3) Se realiza un submuestreo de columnas y reglones por un factor de 2.

77 TRANSFORMADA DIRECTA

78 Para la primera etapa j = 1 f 0 2 m, n = f 1 x, y, φ x 2m, y 2n f 1 2 m, n = f 1 x, y, ψ 1 x 2m, y 2n f 2 2 m, n = f 1 x, y, ψ 2 x 2m, y 2n f 3 2 m, n = f 1 x, y, ψ 3 (x 2m, y 2n) Para las etapas subsecuentes j > 1, f 2 j 0 (x, y) es descompuesta de la misma forma para generar 4 imágenes más pequeñas a una escala 2 j+1. Los productos internos se pueden escribir como convoluciones: 0 f 2 j+1 1 f 2 j+1 2 f 2 j+1 3 f 2 j+1 m, n = f 2 j x, y φ x, y 2m, 2n m, n = f 2 j x, y ψ 1 ( x, y) 2m, 2n m, n = f 2 j x, y ψ 2 ( x, y) 2m, 2n m, n = f 2 j x, y ψ 3 ( x, y) 2m, 2n Además se requieren las cuatro operaciones de submuestreo en cada etapa.

79 Tanto las funciones de escalamiento como las onduletas base son separables, entonces cada convolución se puede dividir en convoluciones por columnas y renglones de f 2 j 0 (x, y).

80 Si se utilizan Sinc Wavelets, en cada escala f 2 j 0 (x, y) contendrá la información de baja frecuencia de la etapa previa, mientras que f 1 2 j(x, y),f 2 2 j(x, y), f 2 j 3 (x, y) contendrán la información de los bordes horizontales, verticales y diagonales respectivamente. La descomposición de DWT en el dominio de la frecuencia sería:

81 TRANSFORMADA INVERSA

82 APLICACIONES DE LA TRANSFORMADA WAVELET Compresión de Imágenes.- DWT descompone una imagen en un conjunto sucesivo de imágenes ortonormales más pequeñas. Es posible cuantificar o eliminar los coeficientes que tienen valores pequeños y reconstruir la imagen con el resto de los coeficientes. Mejoramiento de Imágenes.- DWT descompone la imagen en componentes de diferentes tamaños, posiciones y orientaciones. Así como el filtrado lineal en el dominio de la frecuencia, se puede manipular la amplitud de los coeficientes en el dominio de la trasformada wavelet antes de obtener la transformada inversa. De esta forma se pueden acentuar componentes interesantes de forma selectiva.

TRANSFORMADA DE FOURIER. Transformada de Fourier (Parte 1) Página 1 INTRODUCCION

TRANSFORMADA DE FOURIER. Transformada de Fourier (Parte 1) Página 1 INTRODUCCION Transformada de Fourier (Parte 1) Página 1 INTRODUCCION En una primera aproximación, podemos decir que todos los dominios transformados, que se utilizan dentro del tratamiento digital de imagen, tienen

Más detalles

Introducción a la Teoría del Procesamiento Digital de Señales de Audio

Introducción a la Teoría del Procesamiento Digital de Señales de Audio Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Discreta Resumen Propiedades de la Transformada de Fourier Linealidad Comportamiento de la fase Naturaleza

Más detalles

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.

UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado

Más detalles

Curso de Procesamiento Digital de Imágenes

Curso de Procesamiento Digital de Imágenes Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx

Más detalles

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER

MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER MEJORA DE LA IMAGEN EN EL DOMINIO DE LA FRECUENCIA: TRANSFORMADA DE FOURIER M.C. CAROLINA ROCÍO SÁNCHEZ PÉREZ 01 DE ABRIL DE 2011 Operaciones en el dominio de la frecuencia Una imagen digital es una representación

Más detalles

TEMA 5 PROCESADO DE IMÁGENES EN EL DOMINIO DE LA FRECUENCIA.

TEMA 5 PROCESADO DE IMÁGENES EN EL DOMINIO DE LA FRECUENCIA. TEMA 5 PROCESADO DE IMÁGENES EN EL DOMINIO DE LA FRECUENCIA. 1. - INTRODUCCIÓN Las operaciones que hemos realizado hasta ahora sobre una imagen, se realizaron en el dominio espacial, es decir, trabajando

Más detalles

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e

3. LA DFT Y FFT PARA EL ANÁLISIS FRECUENCIAL. Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e 3. LA DFT Y FFT PARA EL AÁLISIS FRECUECIAL Una de las herramientas más útiles para el análisis y diseño de sistemas LIT (lineales e invariantes en el tiempo), es la transformada de Fourier. Esta representación

Más detalles

Segundo de Bachillerato Geometría en el espacio

Segundo de Bachillerato Geometría en el espacio Segundo de Bachillerato Geometría en el espacio Jesús García de Jalón de la Fuente IES Ramiro de Maeztu Madrid 204-205. Coordenadas de un vector En el conjunto de los vectores libres del espacio el concepto

Más detalles

Filtros en el dominio de la frecuencia

Filtros en el dominio de la frecuencia Filtros en el dominio de la frecuencia Fundamentos de procesamiento de imágenes IIC / IEE 3713 1er semestre 2011 Cristián Tejos Basado en material desarrollado por Marcelo Guarini, Domingo Mery, libro

Más detalles

TEMA 6. EIGENVALORES Y EIGENVECTORES

TEMA 6. EIGENVALORES Y EIGENVECTORES TEMA 6. EIGENVALORES Y EIGENVECTORES M. C. Roberto Rosales Flores INSTITUTO TECNOLÓGICO SUPERIOR DE TLAXCO Ingeniería en Logística M. C. Roberto Rosales Flores (ITST TEMA 6. EIGENVALORES Y EIGENVECTORES

Más detalles

Introducción a la Teoría del Procesamiento Digital de Señales de Audio

Introducción a la Teoría del Procesamiento Digital de Señales de Audio Introducción a la Teoría del Procesamiento Digital de Señales de Audio Transformada de Fourier Resumen el análisis de Fourier es un conjunto de técnicas matemáticas basadas en descomponer una señal en

Más detalles

Análisis espectral de señales periódicas con FFT

Análisis espectral de señales periódicas con FFT Análisis espectral de señales periódicas con FFT 1 Contenido 7.1 Introducción a la Transformada Discreta de Fourier 3-3 7.2 Uso de la Transformada Discreta de Fourier 3-5 7.3 Método de uso de la FFT 3-8

Más detalles

TRANSFORMADA DISCRETA DEL COSENO (DCT)

TRANSFORMADA DISCRETA DEL COSENO (DCT) Transformada discreta del coseno (DCT) Página 1 TRANSFORMADA DISCRETA DEL COSENO (DCT) La transformada discreta del coseno (DCT), - también denominada transformada del coseno -, es la más ampliamente utilizada

Más detalles

Capítulo 6 Filtrado en el Dominio de la Frecuencia

Capítulo 6 Filtrado en el Dominio de la Frecuencia Capítulo 6 Filtrado en el Dominio de la Frecuencia...39 6. Método en el Dominio de la Frecuencia...39 6. Filtros Espaciales en la frecuencia...40 6.. Convolución Lineal y la Transformada Discreta de Fourier...45

Más detalles

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.

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. Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una

Más detalles

Representación de señales de audio

Representación de señales de audio Representación de señales de audio Emilia Gómez Gutiérrez Síntesi i Processament del So I Departament de Sonologia Escola Superior de Musica de Catalunya Curso 2009-2010 emilia.gomez@esmuc.cat 28 de septiembre

Más detalles

Introducción general a la compresión de datos multimedia

Introducción general a la compresión de datos multimedia Introducción general a la compresión de datos multimedia Necesidad de la compresión La mayoría de las aplicaciones multimedia requieren volúmenes importantes de almacenamiento y transmisión. CD-ROM 640

Más detalles

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n. Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular

Más detalles

Matrices Invertibles y Elementos de Álgebra Matricial

Matrices Invertibles y Elementos de Álgebra Matricial Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices

Más detalles

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace

Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ecuaciones Diferenciales Tema 2. Trasformada de Laplace Ester Simó Mezquita Matemática Aplicada IV 1 1. Transformada de Laplace de una función admisible 2. Propiedades básicas de la transformada de Laplace

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

Sistemas de Ecuaciones Lineales y Matrices

Sistemas de Ecuaciones Lineales y Matrices Sistemas de Ecuaciones Lineales y Matrices Oscar G Ibarra-Manzano, DSc Departamento de Area Básica - Tronco Común DES de Ingenierías Facultad de Ingeniería, Mecánica, Eléctrica y Electrónica Trimestre

Más detalles

Página 1 de 16 TRANSFORMADA DE FOURIER Y EL ALGORITMO FFT INTRODUCCION

Página 1 de 16 TRANSFORMADA DE FOURIER Y EL ALGORITMO FFT INTRODUCCION Página 1 de 16 FCEFy Universidad acional de Cordoba ITRODUCCIO El estudio de las señales cotidianas en el dominio de la frecuencia nos proporciona un conocimiento de las características frecuenciales de

Más detalles

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad

Más detalles

una partícula como se verá más adelante. A partir de un objeto matemático como lo como el electromagnético o el de nuestro caso de estudio.

una partícula como se verá más adelante. A partir de un objeto matemático como lo como el electromagnético o el de nuestro caso de estudio. Capítulo 2 Marco Teórico En el presente capítulo se presentan algunos de los elementos básicos y principales de las herramientas utilizadas para el estudio de un campo de spin 2. La importancia de estas

Más detalles

CAPÍTULO 6 SIMULACIONES Y RESULTADOS

CAPÍTULO 6 SIMULACIONES Y RESULTADOS CAPÍTULO 6 SIMULACIONES Y RESULTADOS 6.1 Proceso de Simulación Las simulaciones fueros llevadas a cabo empleando como herramienta la Versión 6.5 Release 13 de Matlab. Para lo cual fue empleado un banco

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales

Más detalles

Ejemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =

Ejemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) = T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente

Más detalles

Métodos avanzados para análisis y representación de imágenes

Métodos avanzados para análisis y representación de imágenes Métodos avanzados para análisis y representación de imágenes Unidad II (b): Descomposición en valores singulares Departamento de Informática - FICH Universidad Nacional del Litoral 19 de setiembre de 2012

Más detalles

Subespacios vectoriales en R n

Subespacios vectoriales en R n Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo

Más detalles

Anexo 1: Demostraciones

Anexo 1: Demostraciones 75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

INSTITUTO VALLADOLID PREPARATORIA página 9

INSTITUTO VALLADOLID PREPARATORIA página 9 INSTITUTO VALLADOLID PREPARATORIA página 9 página 10 FACTORIZACIÓN CONCEPTO Para entender el concepto teórico de este tema, es necesario recordar lo que se mencionó en la página referente al nombre que

Más detalles

5.1Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal y sus propiedades

5.1Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal y sus propiedades 5- ransformaciones Lineales 5Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal sus propiedades Se denomina transformación lineal a toda función,, cuo dominio codominio

Más detalles

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS 2 Í N D I C E CAPÍTULO MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES MATRICES. MATRIZ. DEFINICIÓN 2. ALGUNOS

Más detalles

Seminario Universitario Material para estudiantes. Física. Unidad 2. Vectores en el plano. Lic. Fabiana Prodanoff

Seminario Universitario Material para estudiantes. Física. Unidad 2. Vectores en el plano. Lic. Fabiana Prodanoff Seminario Universitario Material para estudiantes Física Unidad 2. Vectores en el plano Lic. Fabiana Prodanoff CONTENIDOS Vectores en el plano. Operaciones con vectores. Suma y producto por un número escalar.

Más detalles

4 APLICACIONES LINEALES. DIAGONALIZACIÓN

4 APLICACIONES LINEALES. DIAGONALIZACIÓN 4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos

Más detalles

Apéndice A. Repaso de Matrices

Apéndice A. Repaso de Matrices Apéndice A. Repaso de Matrices.-Definición: Una matriz es una arreglo rectangular de números reales dispuestos en filas y columnas. Una matriz com m filas y n columnas se dice que es de orden m x n de

Más detalles

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades:

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades: Capítulo 1 DETERMINANTES Definición 1 (Matriz traspuesta) Llamaremos matriz traspuesta de A = (a ij ) a la matriz A t = (a ji ); es decir la matriz que consiste en poner las filas de A como columnas Definición

Más detalles

Análisis de componentes principales

Análisis de componentes principales Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los

Más detalles

CAPÍTULO III. FUNCIONES

CAPÍTULO III. FUNCIONES CAPÍTULO III LÍMITES DE FUNCIONES SECCIONES A Definición de límite y propiedades básicas B Infinitésimos Infinitésimos equivalentes C Límites infinitos Asíntotas D Ejercicios propuestos 85 A DEFINICIÓN

Más detalles

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier

Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Fundamentos para la Representación y Análisis de Señales Mediante Series de Fourier Andrés Felipe López Lopera* Resumen. Existe una gran similitud entre vectores y las señales. Propiedades tales como la

Más detalles

Álgebra II, licenciatura. Examen parcial I. Variante α.

Álgebra II, licenciatura. Examen parcial I. Variante α. Engrape aqu ı No doble Álgebra II, licenciatura. Examen parcial I. Variante α. Operaciones con matrices. Sistemas de ecuaciones lineales. Nombre: Calificación ( %): examen escrito tarea 1 tarea 2 asist.+

Más detalles

Como ya se sabe, existen algunas ecuaciones de segundo grado que no tienen ninguna solución real. Tal es el caso de la ecuación x2 + 1 = 0.

Como ya se sabe, existen algunas ecuaciones de segundo grado que no tienen ninguna solución real. Tal es el caso de la ecuación x2 + 1 = 0. NÚMEROS COMPLEJOS. INTRO. ( I ) Como ya se sabe, existen algunas ecuaciones de segundo grado que no tienen ninguna solución real. Tal es el caso de la ecuación x2 + 1 = 0. Si bien esto no era un problema

Más detalles

Series y Transformada de Fourier

Series y Transformada de Fourier Series y Transformada de Fourier Series de Fourier Transformada de Fourier Series de Fourier Las series de Fourier describen señales periódicas como una combinación de señales armónicas (sinusoides). Con

Más detalles

Formas bilineales y cuadráticas.

Formas bilineales y cuadráticas. Tema 4 Formas bilineales y cuadráticas. 4.1. Introducción. Conocidas las nociones de espacio vectorial, aplicación lineal, matriz de una aplicación lineal y diagonalización, estudiaremos en este tema dos

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas

Más detalles

Matrices: Conceptos y Operaciones Básicas

Matrices: Conceptos y Operaciones Básicas Matrices: Conceptos y Operaciones Básicas Departamento de Matemáticas, CCIR/ITESM 8 de septiembre de 010 Índice 111 Introducción 1 11 Matriz 1 113 Igualdad entre matrices 11 Matrices especiales 3 115 Suma

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES Capítulo 7 SISTEMAS DE ECUACIONES LINEALES 7.1. Introducción Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer grado, es decir, las incógnitas no están elevadas a potencias,

Más detalles

PARÁBOLA. 1) para la parte positiva: 2) para la parte negativa: 3) para la parte positiva: 4) para la parte negativa:

PARÁBOLA. 1) para la parte positiva: 2) para la parte negativa: 3) para la parte positiva: 4) para la parte negativa: Página 90 5 LA PARÁBOLA 5.1 DEFINICIONES La parábola es el lugar geométrico 4 de todos los puntos cuyas distancias a una recta fija, llamada, y a un punto fijo, llamado foco, son iguales entre sí. Hay

Más detalles

Vectores en el espacio

Vectores en el espacio Vectores en el espacio Un sistema de coordenadas tridimensional se construye trazando un eje Z, perpendicular en el origen de coordenadas a los ejes X e Y. Cada punto viene determinado por tres coordenadas

Más detalles

Álgebra Vectorial. Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1

Álgebra Vectorial. Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1 Álgebra Vectorial Principios de Mecánica. Licenciatura de Física. Curso 2007-2008. 1 Indice. 1. Magnitudes Escalares y Vectoriales. 2. Vectores. 3. Suma de Vectores. Producto de un vector por un escalar.

Más detalles

Última modificación: 1 de agosto de 2010. www.coimbraweb.com

Última modificación: 1 de agosto de 2010. www.coimbraweb.com Contenido DOMINIOS DEL TIEMPO Y DE LA FRECUENCIA 1.- Señales analógicas y digitales. 2.- Señales analógicas periódicas. 3.- Representación en los dominios del tiempo y de la frecuencia. 4.- Análisis de

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Álgebra y Trigonometría CNM-108

Álgebra y Trigonometría CNM-108 Álgebra y Trigonometría CNM-108 Clase 2 Ecuaciones, desigualdades y funciones Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción

Más detalles

Valores propios y vectores propios

Valores propios y vectores propios Capítulo 6 Valores propios y vectores propios En este capítulo investigaremos qué propiedades son intrínsecas a una matriz, o su aplicación lineal asociada. Como veremos, el hecho de que existen muchas

Más detalles

Matrices invertibles. La inversa de una matriz

Matrices invertibles. La inversa de una matriz Matrices invertibles. La inversa de una matriz Objetivos. Estudiar la definición y las propiedades básicas de la matriz inversa. Más adelante en este curso vamos a estudiar criterios de invertibilidad

Más detalles

Apoyo para la preparación de los estudios de Ingeniería y Arquitectura Física (Preparación a la Universidad) Unidad 4: Vectores

Apoyo para la preparación de los estudios de Ingeniería y Arquitectura Física (Preparación a la Universidad) Unidad 4: Vectores Apoyo para la preparación de los estudios de Ingeniería y Arquitectura Física (Preparación a la Universidad) Unidad 4: Vectores Universidad Politécnica de Madrid 5 de marzo de 2010 2 4.1. Planificación

Más detalles

http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17

http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17 http://www.cepamarm.es ACFGS - Matemáticas ESG - 05/2013 Pág. 1 de 17 1 CONCEPTOS BÁSICOS 1.1 DEFINICIONES Una función liga dos variables numéricas a las que, habitualmente, se les llama x e y. x es la

Más detalles

Tema 2. Preproceso (realzado y filtrado) de imágenes digitales

Tema 2. Preproceso (realzado y filtrado) de imágenes digitales Tema 2. Preproceso (realzado y filtrado) de imágenes digitales - Introducción - Procesamiento básico de imágenes - Histograma y realzado de imágenes - Filtrado en el dominio de la frecuencia - Filtrado

Más detalles

Definición de vectores

Definición de vectores Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre

Más detalles

Señales y Análisis de Fourier

Señales y Análisis de Fourier 2 Señales y Análisis de Fourier En esta práctica se pretende revisar parte de la materia del tema 2 de la asignatura desde la perspectiva de un entorno de cálculo numérico y simulación por ordenador. El

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Funciones y gráficas (1)

Funciones y gráficas (1) Funciones y gráficas (1) Introducción Uno de los conceptos más importantes en matemática es el de función. El término función fue usado por primera vez en 1637 por el matemático francés René Descartes

Más detalles

Ortogonalidad y Series de Fourier

Ortogonalidad y Series de Fourier Capítulo 4 Ortogonalidad y Series de Fourier El adjetivo ortogonal proviene del griego orthos (recto) y gonia (ángulo). Este denota entonces la perpendicularidad entre dos elementos: dos calles que se

Más detalles

Factorización de polinomios

Factorización de polinomios Factorización de polinomios Polinomios Un polinomio p en la variable x es una expresión de la forma: px a 0 a 1 x a x a n1 x n1 a n x n donde a 0, a 1, a,, a n1, a n son unos números, llamados coeficientes

Más detalles

1º) Siempre que se pueda, hay que sacar factor común: :a b ± a c ± a d ± = a (b ± c ± d ± ):

1º) Siempre que se pueda, hay que sacar factor común: :a b ± a c ± a d ± = a (b ± c ± d ± ): Pág. 1 de 7 FAC T O R I Z AC I Ó N D E P O L I N O M I O S Factorizar (o descomponer en factores) un polinomio consiste en sustituirlo por un producto indicado de otros de menor grado tales que si se multiplicasen

Más detalles

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA UNIDAD CULHUACÁN INTEGRANTES CÁRDENAS ESPINOSA CÉSAR OCTAVIO racsec_05@hotmail.com Boleta: 2009350122 CASTILLO GUTIÉRREZ

Más detalles

3.1 DEFINICIÓN. Figura Nº 1. Vector

3.1 DEFINICIÓN. Figura Nº 1. Vector 3.1 DEFINICIÓN Un vector (A) una magnitud física caracterizable mediante un módulo y una dirección (u orientación) en el espacio. Todo vector debe tener un origen marcado (M) con un punto y un final marcado

Más detalles

Complementos de matemáticas. Curso 2004-2005

Complementos de matemáticas. Curso 2004-2005 Univ. de Alcalá de Henares Ingeniería Técnica Industrial Complementos de matemáticas. Curso 004-005 Colección de ejercicios del tema 1 Las soluciones aparecen en color azul, y si disponéis de la posibilidad

Más detalles

SEÑALES Y ESPECTROS SEÑALES Y ESPECTROS 1

SEÑALES Y ESPECTROS SEÑALES Y ESPECTROS 1 SEÑALES Y ESPECTROS INTRODUCCIÓN. TERMINOLOGÍA USADA EN TRANSMISIÓN DE DATOS. FRECUENCIA, ESPECTRO Y ANCHO DE BANDA. DESARROLLO EN SERIE DE FOURIER PARA SEÑALES PERIÓDICAS. TRANSFORMADA DE FOURIER PARA

Más detalles

Unidad 4: Vectores. 4.1 Introducción. 4.2 Vectores: enfoque geométrico

Unidad 4: Vectores. 4.1 Introducción. 4.2 Vectores: enfoque geométrico Unidad 4: Vectores 4.1 Introducción En este capítulo daremos el concepto de vector, el cual es una herramienta fundamental tanto para la física como para la matemática. La historia de los vectores se remonta

Más detalles

Unidad V: Integración

Unidad V: Integración Unidad V: Integración 5.1 Introducción La integración es un concepto fundamental de las matemáticas avanzadas, especialmente en los campos del cálculo y del análisis matemático. Básicamente, una integral

Más detalles

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos

Equipos analizadores de señal. - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos - Introducción - Analizadores de Fourier - Analizadores de espectros heterodinos Introducción El análisis del espectro de colores es una forma de análisis de componentes frecuenciales que para el caso

Más detalles

Para cada cada valor de la función original lo multiplicas por 3 lo recorres 45 a la derecha y lo subes 5 unidades.

Para cada cada valor de la función original lo multiplicas por 3 lo recorres 45 a la derecha y lo subes 5 unidades. 3.5 Gráficas de las funciones: f(x) = a sen (bx + c) + d f(x) = a cos (bx + c) + d f(x) = a tan (bx + c) + d en donde a, b, c, y d son números reales En la sección 3.4 ya realizamos algunos ejemplos en

Más detalles

FORMACIÓN Y PROCESADO ÓPTICO DE IMÁGENES

FORMACIÓN Y PROCESADO ÓPTICO DE IMÁGENES FORMACIÓN Y PROCESADO ÓPTICO DE IMÁGENES Autor. Moisés Valenzuela Gutiérrez. 2009. Moisés Valenzuela Gutiérrez Portada diseño: Celeste Ortega (HUwww.cedeceleste.comUH) Edición cortesía de HUwww.publicatuslibros.comUH.

Más detalles

Tema 6: Morfología. Primera parte

Tema 6: Morfología. Primera parte Tema 6: Morfología Primera parte Morfología La morfología matemática se basa en operaciones de teoría de conjuntos. En el caso de imágenes binarias, los conjuntos tratados son subconjuntos de Z 2 y en

Más detalles

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V.

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V. Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL x x x1 n θ y y ȳ1 n 1 n x1 n ȳ1 n Carlos Arce S. William Castillo E. Jorge González V. 2003 Algebra Lineal Carlos Arce S., William Castillo

Más detalles

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el capítulo anterior.

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el capítulo anterior. Capítulo 2 Matrices En el capítulo anterior hemos utilizado matrices para la resolución de sistemas de ecuaciones lineales y hemos visto que, para n, m N, el conjunto de las matrices de n filas y m columnas

Más detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

Departamento de Matemática Aplicada FUNDAMENTOS DE MATEMATICAS. Ingeniería Química (Curso 2005-06) Álgebra Lineal Práctica 3

Departamento de Matemática Aplicada FUNDAMENTOS DE MATEMATICAS. Ingeniería Química (Curso 2005-06) Álgebra Lineal Práctica 3 1. Matrices en Matlab Departamento de Matemática Aplicada FUNDAMENTOS DE MATEMATICAS. Ingeniería Química (Curso 2005-06) Álgebra Lineal Práctica 3 Para introducir una matriz en Matlab se procede de la

Más detalles

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO) Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto

Más detalles

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

Conceptos Fundamentales. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Conceptos Fundamentales Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas Análisis de datos en física de partículas Experimento en física de partículas: Observación de n sucesos de un cierto tipo (colisiones

Más detalles

Sistemas de vectores deslizantes

Sistemas de vectores deslizantes Capítulo 1 Sistemas de vectores deslizantes 1.1. Vectores. Álgebra vectorial. En Física, se denomina magnitud fsica (o simplemente, magnitud) a todo aquello que es susceptible de ser cuantificado o medido

Más detalles

1. Encontrar el dominio de la función racional. 2. Encontrar los interceptos con x y y de la función racional.

1. Encontrar el dominio de la función racional. 2. Encontrar los interceptos con x y y de la función racional. 1. Encontrar el dominio de la función racional. h(x) x 2 3x 1 (x 2 4)(x 2 + 11x + 24) Para encontrar el dominio de una función racional debemos encontrar los valores de la variable que hacen cero el denominador.

Más detalles

Repaso de matrices, determinantes y sistemas de ecuaciones lineales

Repaso de matrices, determinantes y sistemas de ecuaciones lineales Tema 1 Repaso de matrices, determinantes y sistemas de ecuaciones lineales Comenzamos este primer tema con un problema de motivación. Problema: El aire puro está compuesto esencialmente por un 78 por ciento

Más detalles

Representación de señales y sistemas en el dominio de la frecuencia

Representación de señales y sistemas en el dominio de la frecuencia Representación de señales y sistemas en el dominio de la frecuencia Modulación y Procesamiento de Señales Ernesto López Pablo Zinemanas, Mauricio Ramos {pzinemanas, mramos}@fing.edu.uy Centro Universitario

Más detalles

CÁLCULO PARA LA INGENIERÍA 1

CÁLCULO PARA LA INGENIERÍA 1 CÁLCULO PARA LA INGENIERÍA 1 PROBLEMAS RESUELTOS Tema 3 Derivación de funciones de varias variables 3.1 Derivadas y diferenciales de funciones de varias variables! 1. Derivadas parciales de primer orden.!

Más detalles

ESTÁTICA 2. VECTORES. Figura tomada de http://www.juntadeandalucia.es/averroes/~04001205/fisiqui/imagenes/vectores/473396841_e1de1dd225_o.

ESTÁTICA 2. VECTORES. Figura tomada de http://www.juntadeandalucia.es/averroes/~04001205/fisiqui/imagenes/vectores/473396841_e1de1dd225_o. ESTÁTICA Sesión 2 2 VECTORES 2.1. Escalares y vectores 2.2. Cómo operar con vectores 2.2.1. Suma vectorial 2.2.2. Producto de un escalar y un vector 2.2.3. Resta vectorial 2.2.4. Vectores unitarios 2.2.5.

Más detalles

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica

Funciones lineales. Objetivos. Antes de empezar. 1.Función de proporcionalidad directa pág. 170 Definición Representación gráfica 10 Funciones lineales Objetivos En esta quincena aprenderás a: Identificar problemas en los que intervienen magnitudes directamente proporcionales. Calcular la función que relaciona a esas magnitudes a

Más detalles

Polinomios y Ecuaciones

Polinomios y Ecuaciones Ejercicios de Cálculo 0 Prof. María D. Ferrer G. Polinomios y Ecuaciones.. Polinomios: Un polinomio o función polinómica es una epresión de la forma: n n n P a a a a a a = n + n + n + + + + 0 () Los números

Más detalles

Funciones polinomiales de grados cero, uno y dos

Funciones polinomiales de grados cero, uno y dos Funciones polinomiales de grados cero, uno y dos A una función p se le llama polinomio si: p x = a n x n + a n 1 x n 1 + + a 2 x 2 + a 1x + a 0 Donde un entero no negativo y los números a 0, a 1, a 2,

Más detalles

6. VECTORES Y COORDENADAS

6. VECTORES Y COORDENADAS 6. VECTORES Y COORDENADAS Página 1 Traslaciones. Vectores Sistema de referencia. Coordenadas. Punto medio de un segmento Ecuaciones de rectas. Paralelismo. Distancias Página 2 1. TRASLACIONES. VECTORES

Más detalles

Álgebra Lineal Ma1010

Álgebra Lineal Ma1010 Álgebra Lineal Ma1010 Mínimos Cuadrados Departamento de Matemáticas ITESM Mínimos Cuadrados Álgebra Lineal - p. 1/34 En esta sección veremos cómo se trabaja un sistema inconsistente. Esta situación es

Más detalles

Límites y Continuidad de funciones

Límites y Continuidad de funciones CAPITULO Límites y Continuidad de funciones Licda. Elsie Hernández Saborío Instituto Tecnológico de Costa Rica Escuela de Matemática Revista digital Matemática, educación e internet (www.cidse.itcr.ac.cr)

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Septiembre de 2005

Universidad Nacional de Quilmes Ing. en Automatización y Control Industrial Cátedra: Visión Artificial Septiembre de 2005 Filtrado Espacial Introducción El filtrado espacial es la operación que se aplica a una imagen para resaltar o atenuar detalles espaciales con el fin de mejorar la interpretación visual o facilitar un

Más detalles

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario) Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES

Más detalles

Espacio afín. Transformaciones afines y movimientos

Espacio afín. Transformaciones afines y movimientos Capítulo Espacio afín. Transformaciones afines y movimientos. Espacio afín y espacio afín métrico Definición. El espacio afín (tridimensional) está constituido por los siguientes elementos. El espacio

Más detalles

Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones

Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................

Más detalles