Última actualización: 19/04/2023


Curso Académico: 2023/2024

Tratamiento Avanzado de Señales
(18538)
Máster Universitario en Tecnologías Avanzadas en Comunicaciones (Plan: 436 - Estudio: 278)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: RAMIREZ GARCIA, DAVID

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

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
MATERIAS QUE SE RECOMIENDA HABER SUPERADO Se suponen conocimientos básicos de - teoría de la probabilidad y estadística - álgebra lineal.
Objetivos
El principal objetivo de esta asignatura es que el alumno sea capaz de extraer información relevante contenida en las señales bajo estudio empleando herramientas del procesado estadístico de señales. Para ello, el alumno aprenderá técnicas avanzadas de: - Análisis de señales aleatorias - Estimación - Detección
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
DESCRIPCIÓN DE CONTENIDOS: PROGRAMA · Estimación de parámetros. - Método de los momentos - Estimadores de máxima verosimilitud - Estimadores bayesianos · Estimación de señales - Estimación MMSE - Estimación y predicción lineal - Filtrado óptimo y adaptativo · Test de hipótesis - Tests de Wald - Cocientes de verosimilitudes - Métodos bayesianos
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS, METODOLOGÍA A UTILIZAR Y RÉGIMEN DE TUTORÍAS La asignatura se imparte en aulas y laboratorios específicos para el Programa de Postgrado. Entre otras, se utilizan las siguientes herramientas en la metodología docente: - Clases magistrales para la presentación, desarrollo y análisis de conocimientos sobre los cuales el estudiante es evaluado. - Realización de ejercicios prácticos (problemas, prácticas en laboratorio) de manera individual. - Realización de un trabajo por cada parte de la asignatura. - Tutorías en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70

Calendario de Evaluación Continua


Bibliografía básica
  • Murphy, K.P.. Machine Leaning. A probabilistic perspective. MIT Press. 2012
  • C. P. Robert, G. Casella. Monte Carlo Statistical Methods. Springer. 2004
  • H. Stark, J. W. Woods. Probability and Random Processes with Applications to Signal Processing. Prentice Hall. 2002
  • L. Wasserman. All of Statistics. Springer. 2013
  • Poor, V. An Introduction to Signal Detection and Estimation. Springer. 1994
Bibliografía complementaria
  • Barber, D. Bayesian Reasoning and Machine Learning. Cambridge University Press. 2012
  • Bishop, C.M.. Pattern Recognition and Machine Learning. Springer. 2006

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