Apndice A Temas de Matemticas

A P N D I C E

Temas de Matemticas
Introduccin

Este apndice es un vistazo rpido de algunos conceptos matemticos bsicos que se aplican en
el procesamiento de imgenes. Su propsito es instrur al lector principiante y expresar estas
frmulas y conceptos dentro del contexto de procesamiento de imgenes y de aplicaciones de
los sensores remotos.

Notacin

Una notacin muy usada en esta y otras discusiones es Sigma ( ), usada para denotar una suma
de valores.
Por ejemplo, la notacin:

10

i
i=1
es la suma de los valores de i , entre 1 y 10 que es igual a:
1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10 = 55
De manera similar, el valor i puede ser un subndice que denota un conjunto ordenado de
valores. Por ejemplo,

Qi = 3 + 5 + 7 + 2 = 17
i=1
Donde:
Q1
Q2
Q3
Q4

Field Guide

=
=
=
=

3
5
7
2

457

Temas de Matemticas

Estadstica

Histograma

En los archivos de datos de las imgenes de ERDAS IMAGINE, cada valor (definido por su fila,
su columna y su banda) es una variable. ERDAS IMAGINE soporta los siguientes tipos de
datos:

1-, 2- y 4-bits

8-, 16- y 32-bits con signo

8-, 16- y 32-bits sin signo

32- y 64-bits punto flotante

64- y 128-bits punto flotante complejo

La distribucin, como se usa en estadstica, es el conjunto de frecuencias con las cuales ocurre
un evento, o la frecuencia con la cual una variable toma un valor en particular.
Un histograma es un grfico de la distribucin o frecuencia de los datos. Para los datos de una
sola banda, el eje horizontal de un histograma es el rango de todos los posibles valores de los
datos. El eje vertical es el nmero de pxeles que tiene cada valor.

number of pixels

1000

histogram

300

0
0

100

X
255

data file values

Figura A-1: Histograma

La Figura A-1 en la pgina 458 muestra el histograma para una banda de datos en la que Y
pxeles tienen el valor X. Por ejemplo en este grfico, 300 pxeles (Y) tienen el valor 100 (X).
Funciones Bin

458

Son usadas para agrupar rangos de valores iguales para mejorar su manejo. Los histogramas y
otras columnas de descripcin para datos de 1, 2, 4 y 8 bits son fcilmente manejables debido a
que ellos contienen un mximo de 256 filas. Sin embargo, tener una fila en una tabla para todo
dato posible, en datos de punto flotante, complejos y enteros de 32 bits, producira una gran
cantidad de informacin. Por consiguiente, la funcin bin sirve como herramienta para reducir
datos.

ERDAS

Estadstica

Ejemplo de una Funcin Bin

Suponga que usted tiene datos de una capa en formato de punto flotante con valores entre 0.0 y
1.0. Usted puede establecer una tabla descriptiva de 100 filas, con cada fila o bin
correspondiendo a un rango de datos de 0.01 en la capa.
Los bins seran similares a:

Bin Number

Data Range

X < 0.01

0.01 X < 0.02

0.02 X < 0.03

.
.
.
98

0.98 X < 0.99

99

0.99 X

Entonces, por ejemplo, la fila 23 de la tabla contendr el nmero de pxeles de la capa cuyo valor
est entre 0.023 y 0.024.
Tipos de Funciones Bin
Las funciones bin establecen la relacin entre los valores de los datos y las filas en una tabla.
Hay cuatro tipos de funciones bin que se usan con las imgenes en ERDAS IMAGINE:

DIRECTA. Un bin por cada valor entero. Se usa por defecto para datos enteros de 1,2,4 y
8 bits, pero puede emplearse para otro tipo de datos. Estas funciones pueden inclur un
desplazamiento para datos negativos o para datos en los cuales el mnimo valor es mayor
que cero.

Por ejemplo, una funcin bin directa con 900 bins y un desplazamiento de -601 ser la siguiente:

Field Guide

459

Temas de Matemticas

Bin Number

Data Range

X -600.5

-600.5 < X -599.5

.
.
.
599

-2.5 < X -1.5

600

-1.5 < X -0.5

601

-0.5 < X < 0.5

602

0.5 X < 1.5

603

1.5 X < 2.5

.
.
.

898

296.5 X < 297.5

899

297.5 X

LINEAL. Establece una relacin lineal entre los valores de los datos y los nmeros bin,
como en nuestro primer ejemplo, relacionando los datos entre 0.0 y 1.0 a nmeros bin entre
0 y 99.

Los nmeros bin se calculan as:

bin
= numbins * (x - min) / (max - min)
if (bin < 0) bin
= 0
if (bin >= numbins) bin = numbins - 1
Donde:
bin
numbins
x
min
max

460

=
=
=
=
=

nmero bin resultante

nmero de bins
valor del dato.
lmite inferior (usualmente el valor del dato mnimo)
lmite superior (usualmente el valor del dato mximo)

LOG. Establece una relacin logartmica entre los valores de los datos y los nmeros bin.

ERDAS

Estadstica

El nmero bin se calcula as:

bin
=
if (bin < 0) bin
=
if (bin >= numbins) bin =

Media

numbins * (ln (1.0 + ((x - min)/(max - min)))/ ln (2.0))

0
numbins - 1

EXPLICITA. define explcitamente una relacin entre cada nmero bin y el rango de
valores.

La media () de un conjunto de valores es su promedio estadstico, tal que, si Qi representa un

conjunto de k valores:

Q 1 + Q 2 + Q 3 + ... + Q k
= --------------------------------------------------------k
o

Qi
----k

i=1
La media de datos con una distribucin normal es el valor del pico de la curvael punto en
donde la distribucin est en equilibrio.
Distribucin Normal

Nuestras ideas acerca de un promedio, sean promedios de edad, promedios de notas de

exmenes, o promedios de cantidades de reflectancia de rboles de roble en la primavera, se
hacen visibles en el grfico de una distribucin normal, o curva en forma de campana.

number of pixels

1000

data file values

255

Figura A-2: Normal Distribution

El promedio usualmente se refiere al valor central en una curva en forma de campana aunque
todas las distribuciones tienen promedios. En una distribucin normal, la mayora de los valores
estn cerca de la mitad, como se muestra en la curva de forma de campana. Los valores de los
extremos son poco comunes, como en las colas de los extremos de la curva.

Field Guide

461

Temas de Matemticas
Las distribuciones normales son una familia de distribuciones en forma de campana que
aparecen frecuentemente bajo ciertas circunstancias especiales. Por ejemplo, una distribucin
normal ocurre si usted compara las bandas en una imagen de un desierto. Las bandas ser muy
similares, aunque pueden tener ligeras variaciones.
Cada distribucin normal usa dos parmetros, y , para controlar la forma y localizacin del
grfico de probabilidad resultante mediante la ecuacin:

x 2
------------
2

e
f ( x ) = --------------------- 2
Donde:
x

,e

=
=

la cantidad cuya distribucin se est aproximando

constantes matemticas muy conocidas

El parmetro controla la manera como la campana cambia de lugar horizontalmente, de

manera tal que su promedio coincide con el promedio de la distribucin de x, mientras que
ajusta el ancho de la campana para representar la extensin de una distribucin dada. Al
seleccionar una distribucin lo ms cercana posible a la distribucin normal, se pueden describir
muchos valores de la distribucin de la funcin bin con tan slo dos parmetros. Esta es una
simplificacin que puede facilitar la carga computacional de muchas operaciones, pero como
todas las simplificaciones, se reduce la exactitud de las conclusiones que se pueden obtener.
La distribucin normal es el modelo mas usado para probabilidades. Muchos fenmenos
naturales pueden predecirse o estimarse de acuerdo con la ley de promedios que est supuesta
en la curva de forma de campana (Larsen y Marx 1981).
Una distribucin normal en datos de sensores remotos tiene significado, es un signo que algunas
caractersticas de un objeto pueden medirse por la cantidad promedio de radiacin
electromagntica que el objeto refleje. Esta relacin entre los datos y una escena fsica u objeto
es la que hace que el procesamiento de imgenes sea aplicable a varios tipos de anlisis de la
tierra.
La media y la desviacin estndar se usan frecuentemente en los programas computacionales
que permiten procesar y analizar datos de imgenes.
Varianza

462

La media de un objeto de valores localiza nicamente el valor promediono describe

adecuadamente el conjunto de valores por s misma. Es til conocer como varan los datos
alrededor de la media. Sin embargo, el promedio simple de las diferencias entre cada valor y la
media es igual a cero en todos los casos, por definicin de la media. As que, los cuadrados de
estas diferencias son promediados para que el resultado numrico sea significativo (Larsen and
Marx 1981).

ERDAS

Estadstica

En teora, la varianza se calcula como sigue:

Var Q = E ( Q Q )
Donde:
E

=
=

valor esperado (promedio ponderado)

cuadrado para hacer la distancia una un nmero positivo

En la prctica, el uso de esta ecuacin para la varianza no refleja usualmente la naturaleza exacta
de los valores usados en la ecuacin. Estos valores son solo muestras de un gran conjunto de
datos, y as , la media y la varianza de la totalidad del conjunto de datos son estimados, no se
conocen.
La ecuacin que sigue es la ms usada en la prctica. Se conoce como el estimador de varianza
imparcial de la varianza mnima, o como la varianza de la muestra (Notacin 2).

( Qi Q )

=1
Q i------------------------------------k1
Donde:
i
k

=
=

un pixel particular
el nmero de pixeles (a mayor nmero, mejor la
aproximacin)

La teora detrs de esta ecuacin se discute en los captulos sobre estimacin de puntos y
estadsticas suficientes y est cubierto en la mayora de textos de estadstica.
NOTA: La varianza se expresa en unidades cuadradas (por ejemplo, pulgadas cuadradas,
valores de datos cuadrados, etc.), de manera que puede ser un nmero mucho mayor que
cualquiera de los valores originales.
Desviacin Estndar

Field Guide

Puesto que la varianza es expresada en unidades cuadradas, un valor mas til es la raz cuadrada
de la varianza, que es expresada en unidades y puede ser correlacionada con los valores
originales (Larsen and Marx 1981). La raz cuadrada de la varianza es la desviacin estndar.

463

Temas de Matemticas
Basados en la ecuacin de la varianza de la muestra (s2), la desviacin estndar de la muestra
(sQ ) para un conjunto de valores Q se calcula as:

( Qi Q )
sQ =

i------------------------------------=1

k1

En cualquier distribucin:

aproximadamente el 68% de los valores estn entre una desviacin estndar alrededor de
la media, es decir entre -s y +s

ms de la mitad de los valores estn entre -2s y +2s

ms de las partes de los valores estn entre -3s y +3s

Un ejemplo de la aplicacin de estas reglas se observa en el Viewer de ERDAS IMAGINE.

Cuando se despliegan datos de 8 bits en el Viewer, ERDAS IMAGINE automticamente aplica
dos desviaciones estndar para expandir todos los valores entre -2s y -2s (ms de la mitad de
los datos) al rango de posibles valores de brillo del dispositivo de despliegue.
Las desviaciones estndar son usadas porque los valores inferior y superior pueden estar ms
lejos de la media que 2s.

Para ms informacin sobre ampliacin del contraste, vea el captulo 5 "Realces".

Parmetros

Como se indic anteriormente, la desviacin estndar describe cmo un porcentaje fijo de los
datos varan con respecto a la media. La media y la desviacin estndar son conocidas como
parmetros, que son suficientes para la descripcin de una curva normal (Johnston 1980).
Cuando la media y la desviacin estndar se conocen, se pueden emplearse para estimar otros
clculos acerca de los datos. En los programas de computador, es ms conveniente estimar otros
clculos con la media y la desviacin estndar que repetir los clculos para cada muestra de
datos.
Los algoritmos que emplean parmetros se llaman paramtricos. Entre ms cercana parezca la
distribucin de los datos a una curva normal, ms exactos sern los estimativos paramtricos de
los datos. Los algoritmos de clasificacin de ERDAS IMAGINE que emplean archivos de
firmas (.sig) son parametricos, puesto que la media y la desviacin estndar de cada muestra o
grupo se guardan en el archivo para representar la distribucin de los valores.

Covarianza

464

En muchos procedimiento de procesamiento de imgenes, las relaciones entre dos bandas de

datos son importantes. La covarianza mide la tendencia de los valores de datos en el mismo
pxel, pero en diferentes bandas, a cambiar con respecto a la otra , en relacin con las medias de
sus respectivas bandas. Las bandas deben ser lineales.

ERDAS

Estadstica

Tericamente hablando, mientras la varianza es el promedio de las diferencias al cuadrado entre

los valores y su media en una banda, la covarianza es el promedio del producto de las diferencias
de los valores correspondientes de dos bandas diferentes y sus respectivas medias. Compare la
siguiente ecuacin para la covarianza con la anterior de la varianza:

Cov QR = E ( Q Q ) ( R R )
Donde:
QyR
E

=
=

valores de archivo en las dos bandas

valor esperado

En la prctica, la covarianza de la muestra se calcula con esta ecuacin:

( Qi Q ) ( Ri R )
i=1
C QR --------------------------------------------------------k
Donde:
i
k

=
=

un pxel particular
el nmero de pxeles

Al igual que la varianza, la covarianza se expresa en unidades cuadradas.

Matriz de Covarianza

La matriz de covarianza es una matriz n x n que contiene todas las varianzas y covarianzas en
n bandas de datos. Abajo aparece un ejemplo de una matriz de covarianza para cuatro bandas
de datos:

band A

band B

band C

band D

band A

VarA

CovBA

CovCA

CovDA

band B

CovAB

VarB

CovCB

CovDB

band C

CovAC

CovBC

VarC

CovDC

band D

CovAD

CovBD

CovCD

VarD

La matriz de covarianza es simtrica, por ejemplo, CovAB = CovBA.

Field Guide

465

Temas de Matemticas
La covarianza de una banda de datos consigo mismo es la varianza de la banda:

( Qi Q ) ( Qi Q )

( Qi Q )

i=1
=1
C QQ = ----------------------------------------------------------= i------------------------------------k1
k1
Por consiguiente, la diagonal de la matriz de covarianza consiste de las varianzas de cada banda.
La matriz de covarianza est organizada en un formato que almacena la informacin de
varianzas y covarianzas en el computador, as que es necesario calcularla slo una vez. Adems
esta matriz en s misma puede usarse en ecuaciones matriciales, como en el anlisis de
componentes principales.

Ver "Algebra Matricial" en la pgina 471 para mas informacin sobre matrices.

Dimensionalidad
de los Datos

La dimensionalidad espectral est determinada por el nmero de conjuntos de valores que son
empleados en un proceso. En el procesamiento de imgenes, cada banda de datos es un conjunto
de valores. Una imagen con cuatro bandas de datos se dice que tiene cuatro dimensiones.
NOTA: La letra n se usar en esta documentacin para indicar el nmero de dimensiones
(bandas) de los datos de una imagen.

Vector de Medida

El vector de medida de un pxel es el conjunto de valores de archivo (niveles digitales) de un

pxel en todas las n bandas. Aunque los datos de una imagen se almacenen banda por banda,
frecuentemente es necesario extraer los vectores de medida para pxeles individuales.

n=3

V1

Band 1

V2
Band 2

V3

Band 3

1 pixel

Figura A-3: Measurement Vector

De acuerdo con la Figura A-3 en la pgina 466,
i
Vi

466

=
=

banda particular
Valor del dato del pxel en la banda i , entonces el vector
de medidas para este pxel es:

ERDAS

Dimensionalidad de los Datos

V1
V2
V3

Ver "Algebra Matricial" en la pgina 471 para una explicacin de vectores.

Vector de Media

Cuando los vectores de medidas de varios pxeles son analizados, a menudo se calcula el vector
de media. Este es el vector de las medias de los valores en cada banda. Este vector tiene n
elementos.

Training sample
mean of values in sample
in band 1 = 1
Band 1

mean of these values

= 2

Band 2

mean of these values

= 3

Band 3

Figura A-4: Mean Vector

De acuerdo con la Figura A-4 en la pgina 467,
i
i

=
=

una banda particular

la media de los valores de los pxeles en estudio, en la
banda i, entonces el vector de medias para esta muestra
de entrenamiento es:

1
2
3
Espacio
caracterstico
(Feature Space)

Field Guide

Muchos algoritmos de procesamiento de imgenes comparan los valores de dos o ms bandas

de datos. Los programas que realizan estas funciones, grafican los valores de los datos de las
bandas que estn siendo estudiadas, unas con respecto a las otras. Un ejemplo de ese grfico en
dos dimensiones (dos bandas ) se ilustra en la Figura A-5 en la pgina 468.

467

Temas de Matemticas

Band B
data file values

255

(180, 85)

85

Band A
data file values

180

255

Figura A-5: Two-Band Plot

NOTA: Si la imagen es 2-dimensional, el grfico no siempre tiene que ser 2-dimensional.
En la Figura A-5 en la pgina 468, el pxel que est graficado tiene como vector de medias:

180
85
El grfico anterior implica dimensiones fsicas por ilustracin. Realmente, estas dimensiones se
basan en las caractersticas espectrales representadas por los datos de la imagen. A diferencia
del espacio fsico, el pxel anterior est graficado en un espacio de caractersticas. El espacio de
caractersticas es un espacio abstracto que est definido por unidades espectrales, tales como
cantidad de radiacin electromagntica.
Imgenes del
Espacio de
Caracteristicas

468

Varias tcnicas de procesamiento de datos multibanda hacen uso de un histograma

bidimensional, o de una imagen del espacio de caractersticas. Esta es simplemente un grfico
de los valores de los datos de una banda con respecto a los valores de otra banda.

ERDAS

Dimensionalidad de los Datos

Band B
data file values

255

255

Band A
data file values

Figura A-6: Two-Band Scatterplot

El diagrama de dispersin ilustrado en la Figura A-6 en la pgina 469 puede describirse como
una simplificacin de un histograma bidimensional, en el cual los valores de los datos de una
banda han sido graficados junto con los valores de otra banda. Esta figura muestra que cuando
los valores en las bandas que se grafican tienen distribuciones normales, el espacio de
caractersticas forma una elipse.
Esta elipse es empleada en varios algoritmosespecficamente, para evaluacin de muestras de
entrenamiento para la clasificacin de imgenes. Adems, las imgenes del espacio de
caractersticas bidimensional, con elipses, son tiles para ilustrar el anlisis de componentes
principales.

Vea captulo 5 "Realces" para ms informacin sobre anlisis de componentes

principales, captulo 6 "Clasificacin" para ms informacin sobre evaluacin de
muestras de entrenamiento y captulo 9 "Rectificacin" para ms informacin sobre
rdenes de transformacin.
Histograma NDimensional

Los datos bidimensionales pueden ser graficados en un histograma bidimensional, como se

indic arriba, luego los datos n-dimensionales, pueden en abstracto, graficarse en un histograma
n-dimensional, definiendo el espacio espectral n-dimensional.
Cada punto de un diagrama de dispersin n-dimensional tiene n coordenadas en su espacio
espectraluna coordenada por cada eje. Las n coordenadas son los elementos del vector de
media para el correspondiente pxel.
En algunos algoritmos de realce de imgenes (especialmente en componentes principales), los
puntos en el diagrama de dispersin son graficados nuevamente, o el espacio espectral es
redefinido, de tal manera que las coordenadas son cambiadas, transformando as el vector de
medias del pxel.

Field Guide

469

Temas de Matemticas
Cuando todos los conjuntos de datos (bandas) tienen distribucin normal, el diagrama de
dispersin forma un hiperelipsoide. El prefijo hiper se refiere a una forma geomtrica abstracta,
que es definida en ms de tres dimensiones.
NOTA: En esta documentacin, los ejemplos bidimensionales se usan para ilustrar conceptos
que se aplican a cualquier nmero de dimensiones de los datos. Los ejemplos bidimensionales
son ms convenientes para crear ilustraciones que se van a imprimir.
Distancia Espectral

La distancia espectral Euclidiana es la distancia en el espacio espectral n-dimensional. Este es

un nmero que permite que dos vectores de medida sean comparados por similaridad. La
distancia espectral entre dos pxeles puede calcularse como sigue:

D =

( di ei )

i=1
Donde:
D
n
i
di
ei

=
=
=
=
=

distancia espectral
nmero de bandas (dimensiones)
una banda particular
valor de archivo (nivel digital) del pixel d en la banda i
valor de archivo del pixel e en la banda i

Esta es la ecuacin para la distancia euclidiana - en dos dimensiones (cuando n = 2), ella puede
ser simplificada por el teorema de Pitgoras (c2 = a2 + b2 ), o en este caso:
D2 = (di - ei)2 + (dj - ej)2

Polinomios

Un polinomio es una expresin matemtica que consiste de variables y coeficientes. Un

coeficiente es una constante, que es multiplicada por una variable en una expresin.

Orden

Las variables en las expresiones polinomiales pueden ser elevadas a exponentes. El mayor
exponente en un polinomio determina el orden del polinomio.
Un polinomio con una variable, x , toma esta forma:
A + Bx + Cx2 + Dx3 + .... + xt
Donde:
A,B,C,D
t

=
=

coeficientes
el orden del polinomio.

NOTA: Si alguno o todos los coeficientes son cero, entonces la naturaleza pero no la
complejidad, de la transformacin cambia. Matemticamente, no puede ser cero.

470

ERDAS

Algebra Matricial

Un polinomio con dos variables, X y Y, toma la forma:

t i
xo =

i = o j = o

ak x

t i
y o =
i = o j = o

bk x

ij

ij

Donde:
t
ak y bk

=
=

el orden del polinomio

coeficientes

El subndice k en ak y bk est determinado por:

i+j+j
k = i--------------2
Un ejemplo numrico de una transformacin de 3er orden es:
xo = 5 + 4x - 6y + 10x2 - 5xy + 1y2 + 3x3 + 7x2y - 11xy2 + 4y3
yo = 13 + 12x + 4y + 1x2 - 21xy + 1y2 - 1x3 + 2x2y + 5xy2 + 12y3
Las ecuaciones polinomiales se emplean en la rectificacin de imgenes para transformar
coordenadas de un archivo de entrada a coordenadas en otro sistema. El orden del polinomio
usado en este proceso es el orden de la transformacin.
Matriz de
Transformacin

En el caso de rectificacin de primer orden, de una imagen, las variables en los polinomios (X
e Y) son las coordenadas fuente de un punto de control terrestre (GCP). Los coeficientes son
calculados a partir de los GCPs y almacenados como una matriz de transformacin.

Una discusin detallada de GCPs, rdenes de transformacin y matrices de

transformacin est incluida en captulo 9 "Rectificacin".

Algebra Matricial

Field Guide

Una matriz es un conjunto de nmeros o valores organizados en un arreglo rectangular. Si una

matriz tiene i filas y j columnas se dice que es una matriz de tamao i por j.

471

Temas de Matemticas
Una matriz unidimensional que tenga una sola columna (i por 1) es una de las clases de vectores.
Por ejemplo, el vector de medida de un pxel es un vector de n elementos de valores de pxel,
donde n es el numero de bandas.

Ver captulo 5 "Realces" para informacin sobre vectores propios.

Notacin Matricial

Las matices y vectores se designan con una letra mayscula, como M. Por ejemplo:

M =

2.2 4.6
6.1 8.3
10.0 12.4

Un valor en la matriz M ser especificado por su posicin, que es su fila y columna (en ese
orden) en la matriz. Un elemento del arreglo (un valor) ser designado por una letra minscula
y su posicin.
m3,2 = 12.4
Con vectores columna, es mas fcil usar un solo numero para designar la posicin:

2.8
G = 6.5
10.1
G2 = 6.5
Multiplicacin de
Matrices

Un ejemplo simple de multiplicacin de matrices es una matriz de transformacin de 1er orden.

Los coeficientes se almacenan en una matriz de 2 3:

C =

a1 a2 a3
b1 b2 b3

Donde:
xo
yo
x i, y i
xo , yo

=
=
=
=

a1 + a2xi + a3yi
b1 + b2xi + b3yi
coordenadas fuente
coordenadas rectificadas

Los coeficientes de la matriz de transformacin son como se indic arriba

472

ERDAS

Algebra Matricial

Lo anterior puede ser expresado con una ecuacin matricial:

x0

y0

a1 a2 a3
b1 b2 b3

1
xi
yi

R =CS, or
Donde:
S
C
R

=
=
=

una matriz de las coordenadas fuente (3 por 1)

la matriz de transformacin (2 por 3)
la matriz de coeficientes rectificados (2 por 1)

Los tamaos de las matrices que se indicaron anteriormente muestran la regla para multiplicar
matrices. Para ello, el nmero de columnas en la primera matriz debe ser el mismo que el
nmero de filas de la segunda matriz. Por ejemplo, si la primera matriz es a por b y la segunda
matriz es m por n, entonces b debe ser igual a m y la matriz resultante debe ser de tamao a por n.
La frmula para multiplicar dos matrices es:

( fg ) ij =

fik gkj
k=1

para cada i entre 1 y a

para cada j entre 1 y n
Donde :
i
j
f
g
fg
Transpuesta

Field Guide

=
=
=
=

una fila en la matriz producto

una columna en la matriz producto
una matriz (a por b)
una matriz (m por n) (b debe ser igual a m)
es una matriz a por n

La transpuesta de una matriz se obtiene intercambiando sus filas y columnas. Para denotar la
transpuesta se usa una T, como en el siguiente ejemplo (Cullen 1972).

473

Temas de Matemticas

2 3
G = 6 4
10 12

= 2 6 10
3 4 12

Para ms informacin sobre transpuestas, vea "Clculo de Componentes Principales" en

la pgina 162 en captulo 5 "Realces" y "Reglas de Decisin de Clasificacin" en la
pgina 237 en captulo 6 "Clasificacin".

474

ERDAS