Última actualización: 11/09/2020


Curso Académico: 2020/2021

Teoría moderna de la detección y estimación
(14994)
Titulación: Grado en Ingeniería de Sonido e Imagen (214)


Coordinador/a: ALVAREZ PEREZ, LORENA

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Sistemas y Circuitos Cálculo II Estadística
Competencias que adquiere el estudiante y resultados del aprendizaje.Más información en este enlace
Al superar la asignatura, el estudiante: - sabrá apreciar la importancia de la información disponible, los planteamientos "a posteriori" y las políticas de costes en todo tipo de situaciones en que haya que tomar decisiones o llevar a cabo estimaciones de magnitudes continuas; - será capaz de identificar la naturaleza y características de los problemas científico-técnicos reales de estimación y decisión, y establecer vías ordenadas para abordarlos y solventarlos; - quedará preparado para resolver problemas de estimación, decisión y filtrado que se encuentren planteados en términos analíticos; - se encontrará capacitado para atacar y proporcionar resultados de problemas sencillos de estimación y decisión planteados en términos de muestras etiquetadas, tanto mediante procedimientos semianalíticos cuanto con máquinas entrenables elementales; - estará en condiciones de completar sus conocimientos y desarrollar habilidades adicionales para enfrentarse a problemas de aprendizaje máquina de mayor complejidad; - podrá verificar la validez y determinar la calidad de sus diseños de estimadores y decisores, tanto analíticos como semianalíticos y máquina; - se encontrará en disposición de progresar en el ámbito del filtrado temporal y sus aplicaciones en transmisión y en procesamiento digital de señales; - tendrá la posibilidad de manejar importantes conceptos genéricos (como incertidumbre, ruido, compromisos, generalización) en sus tomas de decisiones, valoraciones y predicciones. El aprendizaje, pues, dará como resultado la preparación en asuntos fundamentales de manejo de la información para resolver problemas (de decisión, estimación y filtrado) de máxima importancia en la emergente Sociedad del Conocimiento, y en particular en los ámbitos de las Telecomunicaciones y el Tratamiento de Datos.
Descripción de contenidos: Programa
* Bloque 0 - Repaso de conceptos básicos de estadística - Variables aleatorias. Distribución de probabilidad - Definición de esperanza, varianza y covarianza. - Cambio de variable aleatoria * Bloque 1 - Decisión - Definición de un problema de decisión - Diseño de un decisor analítico - Características de los decisores - Diseño de un clasificador bajo enfoque máquina * Bloque 2 - Estimación - Definición de un problema de estimación - Diseño de un estimador analítico - Evaluación de estimadores - Diseño de un estimador bajo enfoque máquina * Bloque 3 - Filtrado - Introducción al filtrado - Diseño de filtros óptimos
Actividades formativas, metodología a utilizar y régimen de tutorías
- Sesiones teóricas Presentaciones magistrales online en las que se presentarán los conceptos de la asignatura, ilustrándolos mediante ejemplos y resaltando su utilidad y relevancia. - Sesiones de problemas Resolución de ejercicios y problemas en pizarra de carácter similar a los que se plantearán en los exámenes. Los estudiantes dispondrán de forma anticipada de los enunciados para trabajar los problemas con anticipación a su resolución en clase. - Sesiones prácticas de laboratorio Sesiones en las que el alumno trabajará de forma online los conceptos presentados en la asignatura. El alumno resolverá en ordenador problemas de clasificación, estimación y filtrado evaluando las prestaciones de los sistemas implementados. La herramienta software que se empleará en estas sesiones será Python. ------- La metodología docente se basa en la adecuada combinación de exposición (magistral, guiado en la resolución de problemas, asistencia en las prácticas), trabajo personal del estudiante, y revisión y mejora de los resultados del proceso. -------- Los horarios de tutorías se publicarán en Aula Global según los horarios lectivos.
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60
Bibliografía básica
  • C.M. Bishop. Neural Networks for Pattern Recognition. Oxford, UK: Oxford Univ. Press. 1995
  • C.M. Bishop. Pattern Recognition and Machine Learning. New York, NY: Springer. 2006
  • H. L. Van Trees. Detection, Estimation, and Modulation Theory (vol. I). New York, NY: Wiley. 1968
  • R.O. Duda, P.E. Hart, D.G. Stork. Pattern Classification. New York, NY: Wiley. 2001
  • S. Haykin. Adaptive Filter Theory. Prentice Hall. 2002
Bibliografía complementaria
  • A. Papoulis. Probability, Random Variables, and Stochastic Processes. New York, NY: McGraw-Hill. 2002
  • H. V. Poor. An Introduction to Signal Detection and Estimation. Springer. 1998
  • M. H. Hayes. Statistical Digital Signal Processing and Modelling. Willey. 1996
  • S.M. Kay. Fundamentals of Statistical Signal Processing. Detection Theory. Englewood Cliffs, NJ: Prentice-Hall. 1998

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.