Esta tesis reune algunas contribuciones al reconocimiento de formas
estadístico y, más específicamente, a varias tareas del procesamiento
del lenguaje natural. Varias técnicas estadísticas bien conocidas se
revisan en esta tesis, a saber: estimación paramétrica, diseño de la
función de pérdida y modelado estadístico.  Estas técnicas se aplican
a varias tareas del procesamiento del lenguajes natural tales como
clasificación de documentos, modelado del lenguaje natural y
traducción automática estadística.

En relación con la estimación paramétrica, abordamos el problema del
suavizado proponiendo una nueva técnica de estimación por máxima
verosimilitud con dominio restringido (CDMLE).  La
técnica CDMLE evita la necesidad de la etapa de suavizado que
propicia la pérdida de las propiedades del estimador máximo
verosímil.  Esta técnica se aplica a clasificación de
documentos mediante el clasificador Naive Bayes. Más tarde, la
técnica CDMLE se extiende a la estimación por máxima verosimilitud
por ``leaving-one-out'' aplicandola al suavizado de modelos
de lenguaje.  Los resultados obtenidos en varias tareas de modelado
del lenguaje natural, muestran una mejora en términos de
perplejidad.

En cuanto a la función de pérdida, se estudia cuidadosamente el
diseño de funciones de pérdida diferentes a la 0-1. El estudio
se centra en aquellas funciones de pérdida que reteniendo una
complejidad de decodificación similar a la función 0-1,
proporcionan una mayor flexibilidad. Analizamos y presentamos varias
funciones de pérdida en varias tareas de traducción automática y con
varios modelos de traducción. También, analizamos algunas reglas de
traducción que destacan por causas prácticas como, por ejemplo, la
regla de traducción directa; y, así mismo, profundizamos en la
comprensión de los modelos log-lineares, que son de hecho, casos
particulares de funciones de pérdida.

Finalmente, se proponen varios modelos de traducción monótonos basados
en técnicas de modelado estadístico bien conocidas.  En primer
lugar, se propone una extensión a la técnica de GIATI, para inferir
trasductores de estados finitos. Más tarde, se propone un modelo de
traducción basado en secuencias de palabras e inspirado en los modelos
ocultos de Markov. En último lugar, se presenta un modelo de
traducción basado en secuencias de palabras y semi-modelos de Markov.
Este último modelo produce mejoras sobre la referencia  en ciertas
circunstancias.