Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notación
PFA : probabilidad de falsa alarma
PM : probabilidad de pérdida
PD : probabilidad de detección
Pe : probabilidad de error
ML: máxima verosimilitud
Obtener el estimador ML de a, A
bML .
Solución:
(a) Como es sabido, el estimador de mı́nino error cuadrático medio de S a la vista de X,
SbMMSE , se calcula tal y como se muestra a continuación:
Z
SbMMSE = s pS|X (s|x)ds
(S)
Para calcular pS|X (s|x) es necesario conocer pX (x). Teniendo en mente cómo es el
soporte de pS,X (s, x) (ver dibujo que se muestra a continuación):
Teorı́a Moderna de la Detección Examen Final
y la Estimación Convocatoria extraordinaria Curso Académico 2020/2021
Una vez calculada pX (x), podemos calcular pS|X (s|x) a través del Teorema de Bayes:
1
pS,X (s, x) a
pS|X (s|x) = = !
pX (x) 2 x
1−
a a
1
= 2x/a < s < 2 (0 < x < a)
x
2 1−
a
Una vez calculada pS|X (s|x), calculamos el estimador que nos piden. Si pintamos
pS|X (s|x), podemos observar que se trata de una función de densidad de probabilidad
uniforme y sabemos que, para este caso, se cumple que SbMMSE = SbMAD , y ambos
estimadores coinciden con el valor medio de dicha función (ver figura que se muestra
a continuación).
X
SbMMSE = 1 +
a
Si se resuelve analı́ticamente, se obtiene la misma solución:
Teorı́a Moderna de la Detección Examen Final
y la Estimación Convocatoria extraordinaria Curso Académico 2020/2021
Z Z 2
s
SbMMSE = s pS|X (s|x)ds = ds
(S) 2x x
a 2 1−
a
2 !
s2
1 1 2x2
= = 2− 2
x 2 2x x a
2 1− a 2 1−
a a
x x
1− 1+
a a x
= = 1+
x a
1−
a
Por tanto,
X
SbMMSE = 1 +
a
(0,5/1,5 puntos)
(b) El cálculo del sesgo del estimador Sb viene determinado por la siguiente expresión:
E S − Sb (nótese que S es una variable aleatoria en este problema).
Si sustituimos el valor del estimador que nos dan, obtenemos:
n o n o
E S − Sb = E S − 1 − cX
= E S − E 1 − cE X
= E S − 1 − cE X
Hay que calcular E S y E X . Dado que:
Z
E S = s pS (s)ds
(S)
Z
E X = x pX (x)dx
(X)
es necesario obtener pS (s) pX (x) se calculó en el apartado (a) . Teniendo en mente
cómo es el soporte de pS,X (s, x) (ver dibujo del apartado (a)), calculamos pS (s) a
través de la siguiente expresión:
Z Z as as
2 1 1 2
pS (s) = pS,X (s, x)dx = dx = x
(X) 0 a a 0
1 as
=
a 2
s
= 0<s<2
2
Una vez calculada pS (s), obtenemos E S :
Z
E S = s pS (s)ds
(S)
Z 2
s
= s ds
0 2
2
s3 4
= =
6 0 3
Teorı́a Moderna de la Detección Examen Final
y la Estimación Convocatoria extraordinaria Curso Académico 2020/2021
De manera análoga, calculamos E X :
Z
E X = x pX (x)dx
(X)
Z a
2 x
= x 1− dx
0 a a
a
2 x2 x3
= −
a 2 3a 0
2
a3
2 a
= −
a 2 3a
2
2 a
=
a 6
a
=
3
n o
Una vez calculadas E S y E X , procedemos a calcular E S − Sb :
n o
E S − Sb = E S − 1 − c E X
4 a
= −1−c·
3 3
4 ca
= −1−
3 3
1
Si c = , el valor del sesgo es:
a
n o 4 ca
E S − Sb = − 1 −
3 3
4 1a
= −1−
3 a3
4 1
= −1−
3 3
=0
∂ pX|A (xa)
b = 0
∂a AML
" #
2 x
∂ 1−
a a
b = 0
∂a AML
2 4x
− + =0
b2
A Ab3
ML ML
2x
−1 + =0
AML
b
2x
=1
A
bML
A
bML = 2X
(0,4/1,5 puntos)
Solución:
(a) El decisor de mı́nima probabilidad se obtiene como
D=1
m def
x ≷ − 2 ln 3 = η
2
D=0
(b)
(c)
1 √ 3
Pe = PH (0)PF A + PH (1)PM = [1 − F (η/ v)] + PM
4 4
Falta calcular la probabilidad de pérdida
1
pX|H (x1 , x2 |0) = , −1 < x1 < 1, −1 < x2 < 1
4
3
q
pX|H (x1 , x2 |1) = 1 − x21 − x22 , x21 + x22 < 1
2π
(a) Obtenga el decisor ML
(b) Obtenga la probabilidad de detección PD del decisor ML
(c) Obtenga la probabilidad de falsa alarma PF A del decisor ML
(d) Si PH (0) < PH (1), responda razonadamente las siguientes preguntas sobre el decisor ML
y MAP:
¿Cual de los dos decisores tendrá menor probabilidad de falsa alarma PF A ?
¿Cual de los dos decisores tendrá menor probabilidad de pérdidas PM ?
¿Cual de los dos decisores tendrá menor probabilidad de error PE ?
Solución:
(a) Decisor ML:
D=1
pX|H (x1 ,x2 |1)
pX|H (x1x 2 |0)
≷ 1
D=0
Teorı́a Moderna de la Detección Examen Final
y la Estimación Convocatoria extraordinaria Curso Académico 2020/2021
3
√ D=1
2π 1−x21 −x22
1 ≷ 1
4
D=0
Despejando:
D=0
x21 + x22 ≷ 1 − ( π6 )2 ∼ 0.726
D=1
(b) Hay que integrar pX|H (x1 , x2 |0) en el area donde se decide 1. Vamos a llamar U al
umbral que se obtuve en el apartado anterior U = 1 − ( π6 )2
RR 3
p
PD = 2π 1 − x21 − x22 dx1 dx2
x21 +x22 <U
√
Si prestamos atención, el área donde se decide 1 es un circunferencia de racio
√ U,
con lo que se puede integrar en polares en la región donde el radio va de 0 a U y el
ángulo de 0 a 2π
Aplicamos el cambio de variable aleatoria a polares (la fórmula se suministra en el
enunciado) y obtenemos:
R 2π R √U 3 √
PD = 0 0 2π 1 − r2 rdrdθ
Cuyo resultado es:
PD = 1 − (1 − U )3/2
Tras ello podemos dar el valor de U obtenido en el apartado anterior y obtener el
resultado numérico.
(c) Al ser pX|H (x1 , x2 |0) de valor constante en el area donde se decide 1, el resultado de
la integral será la superficie donde se decide 1 por el valor de pX|H (x1 , x2 |0). Siendo
U = 1 − ( π6 )2 , el área de la superficie donde se decide 1, al ser una circunferencia será
√
π ∗ U (es πr2 , y r = U ).
Con lo que:
1
PF A = π ∗ U ∗ 4
Tras ello podemos dar el valor de U obtenido en el apartado anterior y obtener el
resultado numérico.
(d) En el decisor MAP, el area donde se decide la hipótesis 1 seguirá siendo una circun-
ferencia pero con un radio mayor.
El decisor MAP, a medida que aumenta PH (1), aumenta la región donde se decide 1
y disminuye la región donde se decide 0.
Lo que implica que:
-La PF A será mayor en el MAP ya que integra pX|H (x1 , x2 |0) en un el área donde
se decide 1. -La PM será menor en el MAP ya que integra pX|H (x1 , x2 |1) en el área
donde se decide 0. -La PE será menor en el MAP (minimiza la PE )
Para una observación de test xt que estuviese a la altura de la lı́nea punteada determine
(aproximadamente) la predicción de target yt que harı́an:
(a) un regresor basado en árboles de decisión con dos nodos hoja
(b) un regresor lineal
(c) un regresor basado en 4 vecinos más próximos
(d) un regresor basado en 6 vecinos más próximos
Justifique sus respuestas.
Solución:
Solución:
Teorı́a Moderna de la Detección Examen Final
y la Estimación Convocatoria extraordinaria Curso Académico 2020/2021
Señal de entrada: x[n]. Se usa la misma entrada para el filtro y para el sistema que
queremos identificar.
Señal de referencia: d[n]. Es la salida del sistema desconocido para x[n]. Queremos
que la salida del filtro se parezca a d[n].
ˆ
Señal de salida: d[n].
Respuesta al impulso del filtro: w[n]
Señal de error: e[n]. El objetivo del filtro es minimizar la energı́a de esta señal para
que podamos asegurar que el filtro es una buena aproximación al sistema desconocido.
La señal de error se realimenta al filtro (como en la figura) si optáis por un filtro
adaptativo. Si optáis por un filtro de Wiener no hace falta realimentarla.
El filtro de Wiener es óptimo si la función del sistema desconocido no cambia con el tiempo
y conocemos la caracterización estadı́stica de las señales (autocorrelaciones) o podemos
conseguir una buena estimación. Si la función del sistema desconocido puede variar en el
tiempo, o no disponemos de una buena estimación de las autocorrelaciones, pues un filtro
adaptativo puede ser mejor opción que el filtro de Wiener.