Última actualización: 27/05/2022


Curso Académico: 2022/2023

Teoría moderna de la detección y estimación
(15938)
Titulación: Grado en Ingeniería en Tecnologías de Telecomunicación (252)


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:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Sistemas y Circuitos Cálculo II Estadística
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, así como el uso de Scikit-learn (Sklearn) que es la librería más útil y robusta para aprendizaje máquina en Python.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Bloque 0 - Repaso de conceptos básicos de estadística - Variables aleatorias. Distribución de probabilidad y función de distribución. - Distribuciones continuas y discretas. - Definición de esperanza, varianza y covarianza. Momentos - 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, que irán acompañadas de numerosos ejemplos. 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. PRÁCTICAS Sesiones prácticas 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. Como ya se ha mencionado, el lenguaje de programación que se utilizará será Python. -------- 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
Calendario de Evaluación Continua
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 podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.