Reseña

Cap. 1
Cap. 2
Cap. 3
Cap. 4
Cap. 5
Cap. 6
Cap. 7
Cap. 8
Cap. 9
Fenómenos Aleatorios y Fundamentos de Probabilidad (Leyes, Bayes)
Variables Aleatorias (Bernoulli, Binomial, Poisson, Gauss, Gamma)
Distribución Normal y Teoremas del Límite (TLC, LGN, Multivariable)
Introducción a los Procesos Estocásticos (Definición, Wiener, Ruido)
Estacionaridad y Ergodicidad (SSS, WSS, Ergodicidad en media)
Cadenas de Markov(Matrices de transición, Tiempo continuo)
Detección de Señales (Prueba de hipótesis, Criterios ML y Bayes)
Teoría de la Estimación de Parámetros (MLE, MAP, MMSE, LMMSE)
Estimación de Formas de Onda (Filtro de Wiener, Filtro de Kalman)
Cap. 10 ProyectoIntegrador y Aplicaciones (Telecomunicaciones, Señales biomédicas)
Cap. 11 ProcesosdePoissonyRenovación (No homogéneo, Compuesto)
Anexos TablasdeProbabilidad, Comandos Python, Glosario y Soluciones