Hernández Rivas, Cecilia PaolaCastillo Vega, Oscar Andrés2026-01-162026-01-162025https://repositorio.udec.cl/handle/11594/13604Tesis presentada para optar al título de Ingeniero/a Civil Informático/a.La detección directa de exoplanetas mediante Imágenes de Alto Contraste (HCI) es una técnica fundamental para el estudio de sistemas planetarios jóvenes y masivos, pero su eficacia está limitada por el intenso patrón de ruido granular generado por la estrella anfitriona. Los algoritmos de post-procesamiento tradicionales, basados en la sustracción de una PSF de referencia, a menudo introducen sesgos fotométricos que comprometen la caracterización física de los objetos detectados. El algoritmo PACO (PAtch COvariances) ofrece una solución a este problema, utilizando un enfoque de aprendizaje estadístico para modelar localmente el ruido de fondo sin alterar la imagen, lo que permite una detección robusta y una estimación no sesgada del flujo del planeta. A pesar de sus ventajas teóricas, actualmente solo existe una implementación de código abierto, la cual carece de validación, presenta diferencias al algoritmo original y tiene algunos problemas de rendimiento, lo que limita su aplicación en la comunidad astronómica. Este trabajo presenta el desarrollo y la validación de una nueva implementación del algoritmo PACO, diseñada para ser computacionalmente eficiente y fiel a su fundamentación matemática. El objetivo es proporcionar una herramienta confiable y bien documentada que facilite la detección y caracterización de exoplanetas, y que sirva como base para el desarrollo de futuros métodos híbridos de análisis.The direct detection of exoplanets or High-Contrast Imaging (HCI) is a fundamental technique for studying young, massive planetary systems, but its effectiveness is limited by the intense speckle noise generated by the host star. Traditional post-processing algorithms, based on the subtraction of a reference PSF, often introduce photometric biases that compromise the physical characterization of detected objects. The PACO (PAtch COvariances) algorithm offers a solution to this problem, using a statistical learning approach to locally model the background noise without altering the image, which allows for robust detection and an unbiased estimation of the planet’s flux. Despite its theoretical advantages, a validated, open-source implementation faithful to the original algorithm and with good performance is not currently available, limiting its application within the astronomical community. This work presents the development and validation of a new implementation of the PACO algorithm, designed to be computationally efficient and faithful to its mathematical foundation. The objective is to provide the community with a reliable and welldocumented tool that facilitates the precise detection and characterization of exoplanets, and that can serve as a foundation for the development of future hybrid analysis methods.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalAlgoritmosImágenes digitalesFotografía de planetasAstronomía ObservacionesThesis