Presentazione

Organizzazione della Didattica

DM270
PHYSICS OF DATA ORD. 2018

Network modelling

6

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 48 0 0 85

Periodo

AnnoPeriodo
I anno2 semestre

Frequenza

Facoltativa

Erogazione

Convenzionale

Lingua

Inglese

Calendario Attività Didattiche

InizioFine
25/02/201914/06/2019

Tipologia

TipologiaAmbitoSSDCFU
affine/integrativo Nessun ambitoING-INF/036


Responsabile Insegnamento

ResponsabileSSDStruttura
Prof. ZORZI MICHELE

Altri Docenti

Non previsti

Attività di Supporto alla Didattica

Non previste

Bollettino

Il corso prevede conoscenze preliminari di: Analisi Matematica, Algebra Lineare, Probabilità, variabili aleatorie e processi aleatori. Per gli esempi trattati, e' utile (anche se non necessario) aver seguito un corso di base di reti e protocolli.

L'obiettivo formativo del corso prevede l'acquisizione delle seguenti conoscenze e abilità: 1. Comprendere a fondo e saper usare la teoria della probabilita' e dei processi casuali per modellare sistemi reali e poterne valutare le prestazioni. 2. Acquisire strumenti analitici avanzati per la valutazione delle prestazioni di sistemi e reti 3. Saper tradurre la descrizione di un problema in un modello matematico che lo rappresenti 4. Sapere quali metriche di prestazioni si possono calcolare (e come) a partire da una rappresentazione matematica/probabilistica 5. Essere in grado di enunciare in maniera precisa e di dimostrare in maniera rigorosa i risultati teorici piu' importanti relativi agli argomenti principali del corso (catene di Markov, processi di Poisson, processi di rinnovamento)

L'insegnamento avviene mediante lezioni frontali alla lavagna, in quanto si ritiene che questa modalità di erogazione consenta di mantenere il giusto ritmo di presentazione degli argomenti e mantenga alta l'attenzione da parte degli studenti, con possibilità di interazione e coinvolgimento. Per verificare il livello di apprendimento durante il corso, vengono proposti allo studente esercizi o sviluppi da fare a casa, che verranno poi spesso svolti in aula durante una lezione successiva.

1. richiami di probabilita' e processi casuali 2. catene di Markov: definizioni e risultati principali 3. catene di Markov: comportamento asintotico 4. studio di sistemi multi-accesso e proprieta' di stabilita' 5. processi di Poisson: definizioni e risultati principali 6. processi di rinnovamento: definizioni e risultati principali, comportamento asintotico 7. processi renewal reward, rigenerativi, e semi-Markov 8. esercizi e esempi di applicazioni Una lista dettagliata degli argomenti trattati durante il corso, con riferimenti specifici a capitoli e pagine dei testi, e' disponibile sul sito del corso sulla piattaforma elearning.

La valutazione delle conoscenze e delle abilità acquisite viene effettuata mediante una prova scritta articolata in due parti. La parte A, della durata di 90 minuti e a libro aperto, consiste in undici domande numeriche raggruppate in quattro esercizi. Ogni domanda ha un valore di tre punti. La parte B, della durata di 60 minuti e a libro chiuso, consiste in tre domande teoriche (tipicamente dimostrazioni viste a lezione). Ogni domanda ha un valore di undici punti. Se studente totalizza almeno 15 punti nella parte A e la media dei punti fra parte A e parte B e' almeno pari a 18, quest'ultima puo' essere accettata come voto finale. Se il punteggio nella parte A e' inferiore a 15 o la media delle due prove e' insufficiente, l'esame non e' superato. Anche se la prova finale puo' essere superata sostenendo con successo il solo esame scritto (in due parti), lo studente puo' sempre richiedere di sostenere in aggiunta una prova orale se vuole migliorare il voto. La prova orale non sostituisce in nessun caso la prova scritta. Esempi di compiti sono disponibili sul sito del corso sulla piattaforma elearning, e vengono ampiamente trattati a lezione.

La valutazione con cui verrà effettuata la verifica delle conoscenze e delle abilità acquisite considera: 1. La completezza e il grado di approfondimento delle conoscenze degli argomenti trattati durante il corso. 2. La capacita' di modellare un problema usando uno degli strumenti analitici visti a lezione 3. La capacita' di ottenere risultati numerici corretti negli esercizi proposti 4. La capacita' di sviluppare un ragionamento analitico in maniera rigorosa e completa.

H. Taylor, S. Karlin, An introduction to stochastic modeling. : Academic Press (3rd or 4th edition), 1998 S. Karlin, H. Taylor, A first course in stochastic processes. : Acedemic Press (2nd ed.), 1975 S. Ross, Stochastic processes. : Wiley (2nd ed.), 1996 S. Ross, Applied probability models with optimization applications. : Dover (2nd ed.), 1996 D. Bertsekas, R. Gallager, Data Networks. : Prentice-Hall (2nd ed.), 1992

Il corso segue un libro di testo principale, con integrazioni da altri testi, appunti e articoli scientifici. Ad eccezione del libro di testo principale, tutto il resto del materiale didattico e' reso disponibile agli studenti sul sito del corso sulla piattaforma elearning, compresi esempi di compiti e esercizi proposti dal testo (con soluzioni).