Última actualización: 10/06/2021


Curso Académico: 2021/2022

Teoría moderna de la detección y estimación
(15945)
Titulación: Grado en Ingeniería Telemática (215)


Coordinador/a: PARRADO HERNANDEZ, EMILIO

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

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Estadística, Cálculo II, Sistemas y Circuitos
Objetivos
Al finalizar el curso el alumno comprenderá la naturaleza de los problemas de estimación y decisión. Tomará conciencia de la importancia que tiene en la comprensión de estos problemas el dominio de tres elementos básicos de la teoría de la probabilidad: la verosimilitud, la diferencia entre incertidumbre a priori y a posteriori y el teorema de Bayes. Comprenderá los conceptos de generalización y estadístico suficiente, y percibirá las ventajas (analíticas y computacionales) que presentan los problemas gaussianos y las soluciones lineales en los parámetros. Desde un punto de vista procedimental, el alumno sabrá identificar, en situaciones reales, la necesidad o la conveniencia de aplicar un enfoque analítico o máquina. Adquirirá capacidad para abordar la resolución analítica de un problema de estimación o decisión cuando disponga de información (estadística) completa, y conocerá alguna aproximación semianalítica para escenarios con información parcial. Ante un escenario sin información estadística, sabrá diseñar un modelo de regresión o un clasificador, y utilizar colecciones de datos para ajustar sus parámetros: realizando particiones de los datos en conjuntos de entrenamiento, validación y test, y aplicando algoritmos para dimensionar sistemas de decisión y estimación y ajustar sus parámetros. También, sabrá medir la calidad de estimadores y decisores, y su capacidad de generalización. Por último, sabrá cómo adaptar las herramientas de estimación y decisión al tratamiento de series temporales y manejar soluciones adaptativas. Durante el curso los alumnos estudiarán los anteriores conceptos desde un punto de vista teórico, y procederán también a su puesta en práctica para la resolución de casos concretos en sesiones prácticas. Durante dichas sesiones, los alumnos trabajarán las siguientes capacidades generales: * Capacidad para la identificación y comprensión de problemas concretos de estimación y decisión, así como para proponer soluciones teniendo en cuenta las características y propiedades de dicho problema (disponibilidad de histórico de datos, posibles restricciones de cómputo, etc ...) * Capacidad para diseñar los experimentos que permitan evaluar las prestaciones de los sistemas implementados * Conocimiento de un lenguaje de programación de uso muy extendido para simulación y modelado matemático en ámbitos de ingeniería (python, scikit learn)
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Bloque 0 - Repaso de conceptos básicos de estadística - Variables aleatorias. Distribución de probabilidad - Definición de esperanza, varianza y covarianza. - Transformación de variable aleatoria Bloque 1 - Estimación - Definición de un problema de estimación - Diseño de un estimador analítico - Evaluación de estimadores - Diseño de un estimador bajo enfoque máquina Bloque 2 - Decisión - Definición de un problema de decisión - Diseño de un decisor analítico - Características de los decisores - Diseño de un clasificador bajo enfoque máquina Bloque 3 - Filtrado - Introducción al filtrado - Diseño de filtros óptimos
Actividades formativas, metodología a utilizar y régimen de tutorías
TEORÍA Las clases de teoría serán sesiones magistrales en las que se presentarán los conceptos básicos de la asignatura, ilustrándolos con numerosos ejemplos (POs a y e) PROBLEMAS Resolución de ejercicios y problemas 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. (POs a y e) PRÁCTICAS Sesiones en aula informática de aplicación de los conceptos presentados en la asignatura. El alumno resolverá con ayuda del ordenador problemas de clasificación y estimación con datos reales, evaluando las prestaciones de los sistemas implementados. (PO b). La herramienta software que se empleará en estas sesiones será python. (PO k)
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60
Calendario de Evaluación Continua
Bibliografía básica
  • C. M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006
  • H. L. Van Trees. Detection, Estimation and Modulation Theory (vol. 1). Wiley, 1968.
  • R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification. Wiley, 2001.
  • S. Haykin. Adaptive Filter Theory. Prentice-Hall, 2002.
Bibliografía complementaria
  • A. Papoulis. Probability, Random Variables and Stochastic Processes. McGraw-Hill, 2002.
  • H. V. Poor. An Introduction to Signal Detection and Estimation. Springer, 1998.
  • M. H. Hayes. Statistical Digital Signal Processing and Modelling. Wiley, 1996.
  • S. M. Kay. Fundamentals of Statistical Signal Processing. Estimation Theory.. Prentice-Hall, 1993.
  • S. M. Kay. Fundamentals of Statistical Signal Processing. Detection Theory.. 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.