Estudando com o

MATLAB
Curso de Extenso

Docentes:
> Fabiano Araujo Soares
> Marcelino M. de Andrade
Monitor:
>Luan Felipe
Aula 4: Aplicaes - Parte II
1 Parte - Estatstica

Aula 4 - 1 Parte:
Estatstica
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

1 - Gerando nmeros aleatrios:

a) rand(n,m): Esse comando gera uma matriz n

por m de nmeros aleatrios seguindo uma
distribuio uniforme com valores entre o intervalo
[0,1].
1 Parte - Estatstica
O comando rand(n,m) pode ser usado para gerar
valores de uma distribuio uniforme com um
intervalo [a, b] da seguinte forma:

r = a + (b-a).*rand(n,m);
1 Parte - Estatstica
Exemplo 1:
1 Parte - Estatstica
Exemplo 1: 140
Histograma da Amostra

120

100

Frequncia
80

60

40

20

0
1 2 3 4 5 6 7 8 9 10

Valores
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

1 - Gerando nmeros aleatrios:

b) randn(n,m): Esse comando gera uma matriz n

por m de nmeros aleatrios seguindo uma
distribuio normal com mdia 0 e desvio padro
1.
1 Parte - Estatstica
O comando randn(n,m) pode ser usado para
gerar valores de uma distribuio normal com uma
mdia a e um desvio padro b da seguinte forma:

r = a + b.*randn(n,m);
1 Parte - Estatstica
Exemplo 2:
1 Parte - Estatstica
Exemplo 2: Histograma da Amostra
300

250

200
Frequncia
150

100

50

0
-10 -5 0 5 10 15 20 25 30

Valores
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

2 Mdia e mediana

a) mean(a): Esse comando utilizado para

calcular a mdia de um vetor a ou das colunas
de uma matriz numrica a.
1 Parte - Estatstica
Exemplo 3:
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

2 Mdia e mediana

a) median(a): Esse comando utilizado para

calcular a mediana de um vetor a ou das
colunas de uma matriz numrica a.
1 Parte - Estatstica
Exemplo 4:
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

3 Desvio padro, Varincia, Valor Mximo e

Valor Mnimo;

a) std(a): Esse comando utilizado para calcular

o desvio padro (Standard Deviation) de um
vetor a ou das colunas de uma matriz numrica
a.
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

3 Desvio padro, Varincia, Valor Mximo e

Valor Mnimo;

b) var(a): Esse comando utilizado para calcular

a varincia de um vetor a ou das colunas de
uma matriz numrica a.
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

3 Desvio padro, Varincia, Valor Mximo e

Valor Mnimo;

c) max(a): Esse comando utilizado para

encontrar o maior valor de um vetor a ou das
colunas de uma matriz numrica a.
1 Parte - Estatstica
Comandos Bsicos para Estatstica:

3 Desvio padro, Varincia, Valor Mximo e

Valor Mnimo;

c) min(a): Esse comando utilizado para

encontrar o menor valor de um vetor a ou das
colunas de uma matriz numrica a.
1 Parte - Estatstica
Exemplo 5:
1 Parte - Estatstica
Exemplo 5:
1 Parte - Estatstica
Histograma da Amostra
=10.0529, S.D.=4.8641, =23.659, Max=23.9662, Min=-4.0183
Exemplo 5: 250

200

Frequncia
150

100

50

0
-5 0 5 10 15 20 25

Valores
1 Parte - Estatstica
4 Correlao:

No uso estatstico geral, correlao se refere a

medida da relao entre duas variveis, embora
correlao no implique causalidade.
1 Parte - Estatstica
4 Correlao:

a) corrcoef(x):O comando R = corrcoef(X) retorna

a matriz de correlao R dos coeficientes de
correlao calculados da matriz de entrada X cujas
linhas so observaes e as colunas variveis
aleatrias;
1 Parte - Estatstica
Problema exemplo: Deseja-se estudas as
variveis peso (y) e altura (x) em uma amostra de
12 homens adultos. Os valores so apresentados
na tabela 1.
1 Parte - Estatstica
Sujeito Altura (cm) Peso (Kg)
1 182 95
2 174 72
3 170 64
4 180 95
5 183 79
6 160 72
7 156 64
8 157 62
9 168 67
10 175 75
11 176 75
12 190 96
1 Parte - Estatstica
Primeiramente vamos inserir esses dados em um
arquivo .m no Matlab e traa-los em um grfico
para visualizar uma possvel relao.
1 Parte - Estatstica
1 Parte - Estatstica
Grfico da altura vs peso
120

100

80
Peso (Kg)

60

40

20

0
150 155 160 165 170 175 180 185 190 195 200

Altura (cm)
1 Parte - Estatstica
Em seguida vamos calcular a correlao entre as
variveis altura e peso.

A resposta encontrada :
1 Parte - Estatstica
Coeficientes de correlao variam entre -1 e 1.
Quanto mais prximo de 1 ou de -1 o coeficiente
de correlao estiver maior a relao entre as
duas variveis. O sinal apenas representa uma
correlao positiva (y cresce a medida que x
cresce) ou negativa (y decresce a medida que x
cresce ou vice versa). Quanto mais prximo de 0 o
coeficiente de correlao estiver menos
correlacionadas as variveis so.
2 Parte Sinais

2 Parte: Processamento
de Sinais
2 Parte Sinais
A disciplina Processamento de Sinais uma
disciplina avanada no curso de engenharia e
exige conhecimentos de transformadas e sries,
convoluo, correlao, filtragem, etc...

Por esse motivo vamos nos ater apenas a uma

introduo do assunto sem nos aprofundarmos
nas explicaes.
2 Parte Sinais
O que um sinal?

Em geral, entende-se por sinal uma sequncia

de estados que codifica uma mensagem.
2 Parte Sinais
Exemplo de um sinal de voz:
2 Parte Sinais
Exemplo de um sinal de voz:
2 Parte Sinais
Exemplo de um sinal de voz:

Podemos verificas nos exemplos anteriores que

a voz humana tem uma frequncia mxima de
aproximadamente 4 kHz.
2 Parte Sinais
Teorema da amostragem (teorema de Nyquist):

Dado um sinal contnuo com largura de banda

Fmax, se amostrarmos esse sinal a uma
frequncia maior ou igual a duas vezes Fmax,
ento o sinal amostrado contm toda a
informao do sinal contnuo e possvel
recuperar exatamente o sinal original a partir
das amostras.
2 Parte Sinais
Teorema da amostragem (teorema de Nyquist):

Ou seja, se amostrarmos a voz humana a uma

frequncia maior que 8 kHz possvel
recuperar o sinal de voz gravado exatamente.
2 Parte Sinais
Exemplo 7:
2 Parte Sinais
Exemplo 7:
2 Parte Sinais
Exemplo 7:
2 Parte Sinais
Senoide de 2kHz
1

0.5
Amplitude

-0.5

-1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-3
Tempo (s) x 10

Senoide de 2kHz amostrada a 20 kHz

1

0.5
Amplitude

-0.5

-1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-3
Tempo (s) x 10

Senoide de 2kHz amostrada a 3 kHz

1

0.5
Amplitude

-0.5

-1
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
-3
Tempo (s) x 10
2 Parte Sinais
O problema da filtragem:

Um dos maiores problemas na transmisso de

um sinal o rudo que contamina este;

O rudo tem origem nos instrumentos utilizados

para transmisso e recepo do sinal, fatores
naturais, contaminao eletromagntica, etc.
2 Parte Sinais
Vamos ver agora um exemplo de filtragem:

Um sinal contaminado por rudo de 60 Hz

(proveniente da rede eltrica);

Como esse sinal ruidoso pode ser filtrado e

recuperado?
2 Parte Sinais
Exemplo 8:
2 Parte Sinais
Exemplo 8:
2 Parte Sinais
Exemplo 8:
2 Parte Sinais
Exemplo 8:
 2 Parte Sinais
Sinal Senoidal de 20 Hz (Domnio do Tempo) Espectro do Sinal Senoidal de 2 Hz (Domnio da Frequncia)
5 800

600
Amplitude (V)

DEP (V)
0 400

200

-5 0
0 0.5 1 1.5 2 2.5 3 0 20 40 60 80 100 120
Tempo (s) Frequncia (Hz)

Rudo de 60 Hz (Domnio do Tempo) Espectro do Rudo de 60 Hz (Domnio da Frequncia)

5 1400

1200

1000
Amplitude (V)

DEP (V)
800
0
600

400

200

-5 0
0 0.5 1 1.5 2 2.5 3 0 20 40 60 80 100 120
Tempo (s) Frequncia (Hz)

Sinal Ruidoso (Domnio do Tempo) Espectro do Sinal Ruidoso (Domnio da Frequncia)

5 1400

1200

1000
Amplitude (V)

DEP (V)
800
0
600

400

200

-5 0
0 0.5 1 1.5 2 2.5 3 0 20 40 60 80 100 120
Tempo (s) Frequncia (Hz)
2 Parte Sinais
Exemplo 8:
2 Parte Sinais
50

Magnitude (dB)
0

-50

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)

0
Phase (degrees)

-500

-1000

-1500

-2000
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)
2 Parte Sinais
Sinal Filtrado (Domnio do Tempo)
5

Amplitude (V)
0

-5
0 0.5 1 1.5 2 2.5 3
Tempo (s)
Espectro do Sinal Filtrado (Domnio da Frequncia)
600

400
DEP (V)

200

0
0 20 40 60 80 100 120
Frequncia (Hz)
3 Parte Imagens

3 Parte: Processamento
de Imagens
3 Parte Imagens
A disciplina Processamento de Imagens uma
disciplina que deriva do processamento de sinais
(Se pensarmos a respeito, uma imagem nada mais
que um sinal de duas dimenses) e tambm
exige conhecimentos avanados do curso de
engenharia;

Por esse motivo vamos nos ater apenas a alguns

exemplos de uso sem nos aprofundarmos nas
explicaes.
3 Parte Imagens
1 Aprendendo como importar uma imagem e
entendendo como ela representada.

Para importar uma imagem utilizamos o comando:

I=imread(filename,format);

Onde filename o nome do arquivo de imagem e

format o nome do formato do arquivo (exemplo:
tif);
3 Parte Imagens
Para mostrar uma imagem importada utilizamos o
comando:

Imshow(nome_variavel);

Onde nome_variavel o nome da varivel onde a

figura foi armazenada;
3 Parte Imagens
Lena: uma imagem muito utilizada em
processamento de imagens. uma imagem
padronizada importante para a comparao de
algoritmos.
3 Parte Imagens
3 Parte Imagens
Exemplo 9:
3 Parte Imagens
Exemplo 9:

Observe que a figura

tem 512 x 512 pixels e
que ela armazenada
em trs matrizes de 8
bits;
3 Parte Imagens
Cada matriz de 8 bits apresenta a intensidade de
uma das trs cores bsicas: Vermelho (R), Verde
(G) e Azul (B);

Vamos plotar cada matriz de cor

independentemente com o seguinte comando
(onde n varia entre 1 e 3):

imshow(Image(:,:,n));
3 Parte Imagens
imshow(Image(:,:,1));
3 Parte Imagens
imshow(Image(:,:,2));
3 Parte Imagens
imshow(Image(:,:,3));
3 Parte Imagens
possvel ver ento que, em processamento de
imagens, trabalhamos ou com cada matriz de cor
independentemente como se fosse uma imagem
preto e branca (tcnicas clssicas), ou
trabalhamos com as trs componentes de cor
juntas (tcnicas avanadas).
3 Parte Imagens
Exemplo 10: Reamostrando uma imagem:

A imagem que temos utiliza 8 bits para cada

cor, ou seja, cada cor possui 256 tonalidades
possveis (0 a 255) o que nos d um total de
mais de 16 milhes de tons possveis;

E se, por motivo de espao, quisermos
reamostrar essa imagem para apenas 64
tonalidades possveis?
3 Parte Imagens
Exemplo 10: Reamostrando uma imagem:

Nesse caso usaremos apenas 4 bits para cada

cor. ( 43 = 64 )
3 Parte Imagens
Exemplo 10:
3 Parte Imagens
Imagem original:
3 Parte Imagens
Imagem Reamostrada:
3 Parte Imagens
Em processamento de imagem o histograma de
tons de uma imagem muito til;

Para visualizarmos o histograma de tons de uma

imagem em tons de cinza utilizamos o comando:

imhist(nome_imagem)

Onde nome_imagem o nome da varivel onde

a imagem est armazenada.
3 Parte Imagens
Uma das utilidades do histograma a equalizao do
mesmo de forma a tornar a imagem mais ntida.

O comando de equalizao de um histograma de imagem

:

ImageEq = histeq(Image);

Onde ImageEq o nome da varivel onde a nova imagem

ser armazenada e Image o nome da varivel onde a
imagem original est armazenada.
3 Parte Imagens
Exemplo 11:
3 Parte Imagens
Figura original e seu histograma de tons de cinza:

3000

2500

2000

1500

1000

500

0 50 100 150 200 250

3 Parte Imagens
Figura equalizada e seu histograma de tons de cinza:

5000

4500

4000

3500

3000

2500

2000

1500

1000

500

0 50 100 150 200 250

3 Parte Imagens
Por fim, um ltimo mtodo a ser explorado por esse curso
a filtragem de imagens.

Assim como os sinais, as imagens tambm possuem

espectro de frequncia (esse assunto no ser
abordado devido a complexidade do assunto para
alunos iniciantes no curso de engenharia);

Sendo assim existem inmeros mtodos de filtragem

para imagens. Tanto no domnio do espao quanto no
domnio da frequncia.
3 Parte Imagens
Um tipo de rudo comum encontrado em imagens o salt
and pepper.
3 Parte Imagens
possvel verificar que a imagem mantem sua forma
apesar de alguns pixels contaminados. Se utilizarmos um
quadro, digamos de 3 x 3 pixels vemos que as cores
nesse pequeno quadro quase a mesma.

Se fizermos a mediana desse quadro e substituirmos um

dado pixel pelo valor da mediana, possivelmente
eliminaremos os pixels preto e branco ruidosos (j que
esses so tons extremas, 0 ou 255);
3 Parte Imagens
Exemplo 12:
3 Parte Imagens
Exemplo 12:
3 Parte Imagens
Imagem Filtrada:
Final
Esperamos que o curso tenha sido til e tenha alcanado
o objetivo de familiarizar os alunos com a ferramenta
Matlab.

Obrigado!