TSM – Tratamiento de Señales Multimedia

EXAMEN PRÁCTICO – 4312

Curso 2012/2013

ABRIL

Apellidos ____________________________________________________
Nombre _____________________________________________________
DNI _________________________________________________________

INSTRUCCIONES 
 
• Se permite el uso de TODO el código generado por el alumno a lo largo de las 
sesiones prácticas. 
• Se permite el uso de material de teoría (apuntes, libros, ejercicios…) 
• Sólo  se  permite  el  acceso  a  internet  cuando  el  alumno  haya  terminado  el 
examen, para subir sus respuestas a moodle. 
• Las preguntas de este examen se resuelven utilizando funciones de Matlab que 
debe haber usado en las prácticas realizadas durante el curso. Por esta razón, 
NO  SE  RESPONDERÁN  PREGUNTAS  SOBRE  MATLAB.  Si  tiene  alguna  duda, 
utilice el comando help 
• Como resultado del examen deberá subir a Moodle en la actividad creada a tal 
efecto  un  ÚNICO  fichero  comprimido    que  tendrá  el  nombre 
“TSM_ExamenAbril_ApellidosNombre.zip” que contendrá: 
o El  presente  archivo  en  formato  ¡PDF!  en  el  que  se  responda  a  las 
preguntas  planteadas  en  el  examen  (de  forma  gráfica,  numérica  o  con 
una  breve  explicación,  según  corresponda).  Este  archivo  deberá  ir 
encabezado por los apellidos, el nombre y el DNI del alumno. El nombre 
de este archivo deberá ser “TSM_ExamenAbril_ApellidosNombre.pdf” 
o Todo el código que se haya utilizado para resolver el examen. 
Ejercicio 1 (5 ptos). 
Cargue el fichero datosEx_4312_LinReg

La primera columna indica la duración total de firmas, y la segunda columna el tiempo 
de  pendown  (tiempo  en  que  el  boli  está  en  contacto  con  el  papel)  de  esas  mismas 
firmas. 
 
Pregunta 1.1 (0.25 ptos). Pinte los datos (duración total frente a tiempo de pendown), 
etiquetando los ejes correctamente. 

Pregunta  1.2  (0.25  ptos).    ¿Tiene  sentido  el  aspecto  de  los  datos  de  la  figura 
anterior?¿Cree  que  se  podrán  ajustar  bien  con  un  predictor  lineal?  Comente 
BREVEMENTE 
 
A mayor duración de la firma, en general mayor duración del tiempo de pendown, que 
es lo que se observa en la gráfica. 
Sí, los datos siguen aproximadamente una recta (son linealmente dependientes) con lo 
cual se ajustarán bien con un predictor lineal. 
 
Encuentre  la  recta  que  mejor  ajusta  los  datos  anteriores  utilizando  el  método  de 
descenso por gradiente (si necesita inicializar algún parámetro, hágalo a valor 0). 
 
Pregunta  1.3  (1  ptos).    Pinte  a  continuación  la  evolución  de  la  función  de  coste  a  lo 
largo de las iteraciones (etiquete en la gráfica los ejes según corresponda). 
 

 
Solución para: Alfa=0.5 
 
 
Pregunta 1.4 (0.25 ptos).  ¿Cuál es el valor INICIAL que ha obtenido para la función de 
coste (valor para los datos de inicialización)? 
 
J en iter 0: J0= 0.0416 (valor de la función de coste ANTES de la primera iteración Æ
este es el que se pide y tiene que coincidir para todo el mundo) 
J en iter 1: J1= 0.0125 (valor de la función de coste DESPUÉS de la primera iteración
para alfa=0.5 Æ este dependerá del alfa escogido)
 
Pregunta 1.5 (0.25 ptos).  ¿Cuál es el valor FINAL que ha obtenido para la función de 
coste (valor en la última iteración)? 
 
J en iter 400: J400= 5.1560e‐004 
 
 
Pregunta 1.6 (0.5 ptos).  ¿Cuál es el valor de los parámetros que definen su predictor 
lineal? 
 
Theta0= 0.026745          Theta1= 0.714031
 
 
Pregunta 1.7 (0.5 ptos).  ¿Qué valor de α ha utilizado?¿Es adecuado?¿Por qué? 
 
Alfa=0.5 Æ ADECUADO el algoritmo converge (se aplana) en pocas iteraciones 
 
 
Pregunta 1.8 (1 ptos).  Pinte a continuación SOBRE LA MISMA GRÁFICA los datos y la 
recta  que  mejor  los  ajusta  según  el  método  de  descenso  por  gradiente  ejecutado 
anteriormente (etiquete los ejes según corresponda). 
 

 
Pregunta 1.9 (0.25 ptos).  Suponiendo una firma de entrada de duración 1.1 segundos 
¿cuál será la predicción de tiempo de pen‐down que hará el sistema diseñado? 
 
Tpd(1.1)= 0.8147 
 
Implemente  ahora  un  sistema  equivalente  al  anterior,  pero  resolviendo  esta  vez  la 
ecuación normal. 
 
Pregunta  1.10  (0.5  ptos).    ¿Cuál  es  el  valor  de  los  parámetros  que  definen  su  nuevo 
predictor lineal?¿Es el esperado? 
 
Theta0= 0.024059       Theta1=0.721951 
Sí, coincide con el calculado por descenso por gradiente 
 
 
Pregunta 1.11 (0.25 ptos).  ¿Cuál es el valor de la función de coste para estos nuevos 
parámetros?¿Es el esperado? 
 
Jeqn= 5.1484e‐004 
Sí,  coincide  con  el  valor  de  la  función  de  coste  al  que  convergía  el  descenso  por 
gradiente 
 

Ejercicio 2. Regresión Logística 
Cargue el fichero datosEx_4312_LogReg.mat
 
Al igual que en el caso anterior, la primera columna de la matriz indica la duración total 
de una serie de firmas de una persona y la segunda columna el tiempo de pen‐down 
de esas mismas firmas. La tercera columna indica si la firma es genuina (valor 1) o una 
imitación (valor 0). 
 
Pregunta  2.1  (0.25  ptos).    Pinte  los  datos  en  una  figura  de  tal  forma  que  se  distinga 
claramente qué firmas son genuinas y cuáles imitaciones. 
 

 
Entrene  un  clasificador  de  regresión  logística  que,  para  los  datos  anteriores,  prediga 
qué  firmas  son  genuinas  y  cuáles  imitaciones  (si  necesita  inicializar  algún  parámetro, 
hágalo a valor 0) 
 
Pregunta  2.2  (1  ptos).    Pinte  a  continuación  la  evolución  de  la  función  de  coste  a  lo 
largo de las iteraciones (etiquete en la gráfica los ejes según corresponda). 
 

 
Solución para: Alfa=1 
 
 
Pregunta 2.2 (0.25 ptos).  ¿Cuál es el valor INICIAL que ha obtenido para la función de 
coste (valor para los datos de inicialización)? 
 
J iter 0: J0=0.693147 
 
 
Pregunta 2.3 (0.25 ptos).  ¿Cuál es el valor FINAL que ha obtenido para la función de 
coste (valor en la última iteración)? 
 
J  iter  1.000.000:  0.0073  (óptimo  absoluto  0.0072123)  Æ  cualquier  cosa  en  el  rango, 
vale. Para llegar a ese óptimo habría que hacer un número absurdo de iteraciones. 
 
 
Pregunta  2.4  (0.5  ptos).    ¿Cuál  es  el  valor  de  los  parámetros  que  definen  su 
clasificador? 
 
Theta0= 64.971788 Theta1= -205.280539 Theta2= 153.819012
 
El óptimo absoluto es: Theta0= 40.95    Theta1= ‐127.847    Theta2= 94.763Æ cualquier 
cosa en el rango (incluso lejano), vale 
 
 
Pregunta 2.5 (0.25 ptos).  ¿Qué valor de α ha utilizado?¿Es adecuado?¿Por qué? 
 
Alfa=1  Æ  ADECUADO  el  algoritmo  converge  (se  aplana)  en  (relativamente)  pocas 
iteraciones 
 
 
Pregunta 2.6 (0.75 ptos).  Pinte a continuación SOBRE LA MISMA GRÁFICA los datos y 
el  clasificador  calculado  suponiendo  un  umbral  de  decisión  sobre  el  valor  de  la 
hipótesis de 0.5 (etiquete los ejes según corresponda). 
 

 
Pregunta  2.7  (0.25  ptos).    Calcule  (visualmente  sobre  la  gráfica  o  por  código,  según 
prefiera) el error positivo, error negativo y error total de clasificación cometido por el 
clasificador anterior. 
 
Epos=0          Eneg=0/12            Etot=0/24
 
Pregunta  2.8  (0.5  ptos).    Suponiendo  una  firma  de  entrada  de  duración  total  0.58 
segundos y de tiempo de pen‐down 0.35 segundos ¿cuál será la probabilidad de que 
pertenezca  a  la  clase  positiva?¿A  qué  clase  le  asignará  el  clasificador  asumiendo  un 
umbral de decisión de 0.5 (umbral de decisión sobre el valor de la hipótesis)? 
 
Prob(y=1)=0.4366 
Clase=0 
Pregunta  2.9  (0.5  ptos).    Suponga  que  ahora  cambia  el  umbral  de  decisión  a  0.001 
(sobre el valor de la hipótesis). Pinte SOBRE LA MISMA GRÁFICA los datos y la nueva 
frontera de decisión. 
 

 
 
Pregunta 2.10 (0.25 ptos).  Calcule (visualmente sobre la gráfica o por código, según 
prefiera) el error positivo, error negativo y error total de clasificación cometido por el 
clasificador anterior. 
 
Epos=0/12          Eneg=2/12            Etot=2/24
 
Pregunta  2.11  (0.25  ptos).    Suponiendo  una  firma  de  entrada  de  duración  total  0.58 
segundos y de tiempo de pen‐down 0.35 segundos ¿cuál será la probabilidad de que 
pertenezca  a  la  clase  positiva?¿A  qué  clase  le  asignará  el  clasificador  asumiendo  un 
umbral de decisión de 0.001 (umbral de decisión sobre el valor de la hipótesis)? 
 
Prob(y=1)=0.4366 
Clase=1