Professional Documents
Culture Documents
Nicols Bulla1
1 Departamento de Engenharia Eltrica
Universidade Federal do Rio de Janeiro
ICA, 2015
ICA, 2015
1 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
2 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
3 / 79
Conceito bsico
ICA, 2015
4 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
5 / 79
ICA, 2015
6 / 79
y1 (t)
y2 (t)
..
.
yn (t)
= W
x1 (t)
x2 (t)
..
.
xm (t)
ICA, 2015
7 / 79
ICA, 2015
8 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
9 / 79
ICA, 2015
10 / 79
ICA, 2015
11 / 79
ICA, 2015
12 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
13 / 79
s1 (t)
x1 (t)
s2 (t)
x2 (t)
.. = A ..
.
.
xn (t)
sn (t)
ICA, 2015
14 / 79
ICA, 2015
15 / 79
ICA, 2015
16 / 79
ICA, 2015
17 / 79
ICA, 2015
18 / 79
ICA, 2015
19 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
20 / 79
dFx (x)
|x=x0
dx
ICA, 2015
21 / 79
d
Fx (x0 ) =
exp
2
(x m)2
exp
px (x) =
2 2
2 2
1
ICA, 2015
22 / 79
1
erf (x) =
2
Z
0
2
exp
d
2
ICA, 2015
23 / 79
pX (X0 ) =
...
FX (X) |X=X0
x1 x2 xn
ICA, 2015
24 / 79
x0,1
x0,2
FX (x) =
x0,n
...
pX (X)dxn ...dx2 d1
pX (X)dx = 1
ICA, 2015
25 / 79
Fz (z) =
3
(2 )( + )dd
7
0,
3
1 2
1
7 xy (x + y 3 x 4 xy ),
3
1 2
3
7 x(1 + 4 x 3 x ),
6
2
1
7 y ( 3 + 2 y ),
1,
x 0 ou y 0
0 < x 2, 0 < y 1
0 < x 2, y > 1
x > 2, 0 < y 1
x >2ey >1
ICA, 2015
26 / 79
ICA, 2015
27 / 79
py (y) =
ICA, 2015
28 / 79
ICA, 2015
29 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
30 / 79
Expectativa e momentos
Na prtica a densidade de probabilidade exata de um vetor ou varivel
escalar aleatria usualmente desconhecida.
Pode ser usado a expectativa de algumas funes de uma varivel
aleatria para o anlise e o processamento.
A expectativa pode ser estimada diretamente com os dados, embora
eles sejam formalmente definidos em termos da funo de densidade.
Seja g(x) uma quantidade caculada a partir de x.
Z
E {g(x)} =
g(x)px (x)dx
ICA, 2015
31 / 79
Propriedades
Linealidade: xi conjunto de vetores aleatrios diferentes, e ai
coeficientes escalares no aleatrios.
( m
)
m
X
X
E
ai x i =
ai E {xi }
i=1
i=1
E {xB} = E {x}B
ICA, 2015
32 / 79
ICA, 2015
33 / 79
ICA, 2015
34 / 79
ICA, 2015
35 / 79
ICA, 2015
36 / 79
ICA, 2015
37 / 79
ICA, 2015
38 / 79
ICA, 2015
39 / 79
Cxy = CT
xy ,
ICA, 2015
40 / 79
ICA, 2015
41 / 79
Estimao da expectativa
Usualmente a densidade de probabilidade de um vetor aleatrio x
desconhecido, mas esto disponveis um conjunto de K amostras
x1 , ..., xK .
A expectativa estimada
K
1 X
E {g(x)}
g (xj )
K
j=1
ICA, 2015
42 / 79
Estimao da expectativa
Se em lugar da densidade conjunta px,y dos vetores aleatrios x e y,
conhecemos K pares de amostras (x1 , y1 ), ..., (xK , yK ), a expectativa
conjunta estimada
E {g(x,y)}
K
1 X
g (xj , yj )
K
j=1
ICA, 2015
43 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
44 / 79
No-correlao e brancura
Dois vetores aleatrios so no-correlacionados se a sua matriz de
covariana cruzada uma matriz zero
Cxy = E {(x mx )(y my )T } = 0
equivalente condio
Rxy = E {(xyT } = E {x}E {yT } = mx mT
y
Duas variveis aleatrios escalares diferentes, x e y so
no-correlacionadas se sua covariana cxy zero
cxy = E {(x mx )(y my )} = 0
Equivalentemente
rxy = E {xy } = E {x}E {y } = mx my
Nicols Bulla (UFRJ)
ICA, 2015
45 / 79
No-correlao e independncia
ICA, 2015
46 / 79
No-correlao e independncia
Vetores aleatrios com mdia zero e matriz de covariana unitria,
possivelmente multiplicado por uma variana constante 2 , so ditos
de brancos.
mx = 0,
Rx = Cx = I
Assumindo que aplicamos uma matriz de transformao T ao vetor
aleatrio x
y = Tx , onde TT T = TTT = I
Se x branco, ento
my = E {Tx } = TE {x} = Tmx = 0
e
Cy = Ry = E {Tx (Tx )T } = TE {xxT }TT = TRx TT = TTT = I
Nicols Bulla (UFRJ)
ICA, 2015
47 / 79
Independncia estatstica
ICA, 2015
48 / 79
Independncia estatstica
ICA, 2015
49 / 79
Independncia estatstica
Exemplo A:
px,y (x, y ) =
3
7 (2
Exemplo B:
px,y (x, y) =
ICA, 2015
50 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
51 / 79
Densidade condicional
ICA, 2015
52 / 79
Densidade condicional
Exemplo:
py |x (y | x0 ) =
px,y (x0 , y )
px (x0 )
ICA, 2015
53 / 79
Densidade condicional
py |x (y | x0 ) =
px,y (x0 , y )
px (x0 )
px|y (x | y0 ) =
px,y (x, y0 )
py (y0 )
ICA, 2015
54 / 79
ICA, 2015
55 / 79
Regra de Bayes
ICA, 2015
56 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
57 / 79
1
exp( (x mx )T C1
x (x mx ))
2
(2) (detCx )
n
2
1
2
E {(x mx )(x mx )T } = Cx
ICA, 2015
58 / 79
k
X
zi
i=1
xk mxk
xk
ICA, 2015
59 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
60 / 79
1
px (g1 (y))
| detJg(g1 (y)) |
Jg a matriz Jacobiana.
ICA, 2015
61 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
62 / 79
j = 1, 2, ...
( mx )j px ()d,
j = 1, 2, ...
ICA, 2015
63 / 79
ICA, 2015
64 / 79
Quarto momento E {x 4 } = 4
Quarto momento central E {(x mx )4 } = 4
A curtose definida por
kurt(x) = E {x 4 } 3(E {x 2 })2
Para dados branqueados (E {x 2 } = 1)
kurt(x) = E {x 4 } 3
ICA, 2015
65 / 79
ICA, 2015
66 / 79
X
x k (j)k
(j)k
() =
px (x)dx =
E {x k }
k!
k!
k=0
k=0
Os coeficientes so momentos de x.
Nicols Bulla (UFRJ)
ICA, 2015
67 / 79
X
k=0
(j)k
k!
d k ()
|=0
d k
ICA, 2015
68 / 79
= E {x}
= E {x 2 } (E {x})2
= E {x 3 } 3E {x 2 }E {x} + 2(E {x})3
= E {x 4 }3(E {x 2 })2 4E {x 3 }E {x}+12E {x 2 }(E {x})2 6(E {x})4
ICA, 2015
69 / 79
ICA, 2015
70 / 79
Roteiro
1
Introduo
Conceito bsico
Representao lineal de dados multivarivel
Separao cega de fontes
Analise de componentes independentes
ICA, 2015
71 / 79
Processos estocsticos
ICA, 2015
72 / 79
mx (t) = E {x(t)} =
x(t)px (x(t))dx(t)
Funo de varincia
x2 (t) = E {(x(t) mx (t))2 } =
ICA, 2015
73 / 79
ICA, 2015
74 / 79
ICA, 2015
75 / 79
K
1 X
x(k)
K
k=1
K l
1 X
x(k + l)x(k)
K l
k=1
ICA, 2015
76 / 79
ICA, 2015
77 / 79
Potncia espectral
O espectro de potncia ou densidade espectral descreve a frequncia
contidas num do processo estocstico, mostrando quais frequncias
esto presentes e quanta potncia elas possuem.
A potncia espectral definida como a transformada discreta de
Fourier da sequencia de auto-correlao rx (0), rx (1), ...
Sx () =
rx (k)exp(jk)
k=
k = 1, 2, ...
ICA, 2015
78 / 79
M
X
ai x(n i) + v (n)
i=1
M
X
i=1
ai x(n i) = v (n) +
N
X
bi v (n i)
i=1
ICA, 2015
79 / 79