Didier Cortez Elizalde

En el análisis de componentes independientes (ICA), el objetivo es separar señales mezcladas sin conocer de antemano cómo se mezclaron. Para lograrlo, necesitamos caracterizar las propiedades estadísticas que trascienden los momentos de segundo orden. Aquí surgen dos enfoques fundamentales: la teoría de la estimación y la teoría de la información. Esta última nos ofrece herramientas potentes para cuantificar cuánta “incertidumbre” o “desorden” contiene una señal, lo cual es clave para identificar componentes independientes.
En este trabajo se presentan los fundamentos teóricos del ICA, enfatizando el papel de la entropía diferencial, la negentropía y el principio de máxima entropía en la caracterización de la independencia estadística. Asimismo, se discuten los procedimientos de blanqueamiento y los criterios de optimización utilizados en los algoritmos clásicos de ICA.

Con el propósito de ilustrar el desempeño del método, se desarrollan simulaciones numéricas en dos contextos: datos controlados generados y datos reales correspondientes a señales de imágenes. Los resultados muestran la capacidad del ICA para recuperar componentes latentes y evidencian las diferencias entre escenarios idealizados y aplicaciones reales.

Palabras clave: Análisis de Componentes Independientes (ICA), separación ciega de fuentes, entropía diferencial, negentropía, independencia estadística, teoría de la información.