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
6
Análisis de componentes principales
7
Análisis de componentes principales
8
Análisis de componentes principales
9
Análisis de componentes principales
10
Análisis de componentes principales
en Matlab
[coeff,score,variance,~,percentage]=pca(variable)
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
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
20
Bibliografía
21
Gracias por su atención
22