Análisis multivariable

1
Objetivo
 Describir el concepto y aplicaciones del
Análisis multivariable.
 Analizar algunas técnicas utilizadas para
análisis multivariable.
 Realizar algunos ejemplos en Matlab.

2
Análisis multivariable
 En la vida real muchas situaciones o decisiones
requieren el análisis de más de una variable.
 El análisis multivariable (Multivariable Analysis MVA)
es un conjunto de técnicas que permite el análisis de
conjuntos de datos con más de una variable.
 Este análisis puede ser utilizado en una gran variedad
de campos:
 Investigación de Mercado y consumo.
 Control de calidad en muchas industrias como
comida, bebida, pintura, farmacéuticas, energía,
telecomunicaciones, etc.
 Optimización y control de procesos.
 Investigación y desarrollo.
3
Análisis multivariable
Una señal multivariable de dimensión M compuesta
de M señales escalares
{x1(n),x2(n), ... , xM(n); n = 0, 1, ... ,N}
Ejemplos:
- Señales biomédicas (magnetoencefalografía
utilizando varios sensores)
- Señales geofísicas (varios sensores
monitoreando terremotos)
- Las imágenes pueden ser consideradas señales
multivariable a lo largo de sus columnas. 4
Técnicas
Análisis de componentes principales (Principal
Component Analysis PCA)
• Utilizada para reducir la dimensionalidad de
un conjunto de datos.
Análisis de componentes independientes
(Independent Component Analysis ICA)
• Sirve para separar una señal multivariable en
subcomponentes aditivos, suponiendo que la
señal de origen tiene una independencia
estadística y es no-Gausiana. 5
Análisis de componentes principales

• Es un procedimiento estadístico que permite

convertir un conjunto de datos que
posiblemente contiene variables
correlacionadas en un conjunto con variables
no-correlacionadas conocidas como
componentes principales.
• El número de componentes principales es
menor o igual al número original de variables .

6
Análisis de componentes principales

• La primera componente principal es un vector

en el que la mayoría de la variabilidad puede
ser proyectada.
• La segunda componente principal es
perpendicular a la primera, y contiene en el
grado que sea posible la más alta variabilidad
restante. Y así sucesivamente.

7
Análisis de componentes principales

• Se define la señal centrada como:

wi(n) = xi(n) – mi ; i = 1, 2, … ,M
donde mi es la media definida como:

8
Análisis de componentes principales

• El análisis de componentes principales

consiste en expresar la señal wi en la forma

Donde sj están no-correlacionadas (ortogonales)

• Si definimos los siguientes vectores y matrices

9
Análisis de componentes principales

• El análisis de componentes principales se puede

entender también como encontrar las matrices A y S

10
Análisis de componentes principales
en Matlab
[coeff,score,variance,~,percentage]=pca(variable)

coeff: coeficientes de las componentes

principales
score: contiene las coordenadas de los datos
originales en las nuevas coordenadas definidas
por las componentes principales.
variance: varianza de cada variable.
percentage: porcentaje de variabilidad.
11
Ejemplo en Matlab
load hald
[coeff,score,variance,~,percentage]=pca(ingredients)
Xcen = score*coeff’;
m=mean(ingredients);
test(:,1) = m(1)+Xcen(:,1);
test(:,2) = m(2)+Xcen(:,2);
test(:,3) = m(3)+Xcen(:,3);
test(:,4) = m(4)+Xcen(:,4);

figure()
pareto(percentage)
xlabel(‘Componente principal')
ylabel(‘Porcentaje varianza (%)')
12
Ejemplo en Matlab
clear all
load hald
[coeff,score,variance,~,percentage]=pca(ingredi
ents,’NumComponents’,2);
aprox=score*coeff’;
m=mean(ingredients);
for i=1:4
aprox2(:,i)=m(i)+aprox(:,i);
end
MSE=mean((aprox2-ingredients).^2) 13
Ejemplo 2
load imports-85
[~, ~,variance,~,percentage]=pca(X(:,3:15))

figure()
pareto(percentage)
xlabel(‘Componente principal')
ylabel(‘Porcentaje varianza (%)')

14
Análisis de componentes independientes

• Es un método que permite separar una señal

multivariable en sus componentes
independientes.
• Esto se consigue asumiendo que sus
componentes son estadísticamente
independientes y que no tienen una
distribución Gaussiana.
• Un ejemplo común de aplicación es el efecto
de fiesta de coctel (Cocktail party problem)
15
Análisis de componentes independientes
• Dado un vector de datos , el
objetivo es encontrar una descomposición

donde los componentes de la señal si, sj sean

independientes para todo i ≠ j
• Dos variables aleatorias y1 , y2 son
independientes si conocer el valor de y1 no da
ninguna información sobre el valor de y2 y
viceversa,
16
Análisis de componentes independientes

17
Análisis de componentes independientes
Aplicaciones
• Señales Estáticas
Remoción de ruido en imágenes
Reconocimiento facial
Reconocimiento de expresiones faciales
Clasificación
• Señales temporales
Procesamiento de señales Biomédicas.
Modelamiento del hipocampo
Aplicaciones financieras
18
Efecto de fiesta de coctel

19
Ejemplo en Matlab

[x1, Fs1] = audioread('mix1.wav');

[x2, Fs2] = audioread('mix2.wav');
xx = [x1, x2]';
yy = sqrtm(inv(cov(xx')))*(xx-repmat(mean(xx,2),1,size(xx,2)));
[W,s,v] = svd((repmat(sum(yy.*yy,1),size(yy,1),1).*yy)*yy');

a = W*xx; %W is unmixing matrix

audiowrite('unmixed1.wav', a(1,:), Fs1);

audiowrite('unmixed2.wav', a(2,:), Fs2);

20
 Bibliografía

 Barnabás Póczos, Introduction to Independent

Component Analysis,Universidad de Alberta,
2009. (Presentación)
 Multivariate Signal Processing, Abo Akademi.
(Presentación)
 http://www.cs.nyu.edu/~roweis/kica.html
 http://research.ics.aalto.fi/ica/cocktail/cocktail
_en.cgi

21
Gracias por su atención

22