1. TEORIA DE LOS MODELOS OCULTOS DE MARKOV (HMMs).
1.1 Origen, definición y aplicación en el modelado de procesos estocásticos.
1.2 Componentes de los Modelos Ocultos de Markov.
1.3 Clasificación de los Modelos Ocultos de Markov. Los Modelos Ocultos de Markov de observaciones discretas. Los Modelos Ocultos de Markov de observaciones continuas.
1.4 Los problemas asociados a los Modelos Ocultos de Markov.
1.5 Solución al problema de evaluación por intermedio de los algoritmos: trayectoria cualquiera, forward-backward de Baum y algoritmo Viterbi.
1.6 Solución al problema de construcción de modelos por intermedio de los algoritmos: Baum-Welch y Viterbi.
1.7 Solución al problema de descodificación por intermedio del algoritmo de Viterbi.

2. ALGUNOS ALGORITMOS UTILES EN RECONOCIMIENTO ESTADISTICO DE PATRONES.
2.1. Introducción al reconocimiento estadístico de patrones.
2.2. Medidas de distancia.
2.3. Clasificación por máxima verosimilitud.
2.4. Algoritmos de clustering: K-means, LBG y LBBG con partición de centroides.

3. ANALISIS DE PREDICCION LINEAL.
3.1. Definición y aplicaciones.
3.2. El modelo de predicción lineal.
3.3. Búsqueda de los parámetros del Modelo de predicción lineal: El método de la autocorrelación y el método de la covarianza. El algoritmo Levison-Durbin.