Análisis Estadístico de Redes y Sistemas

Usted está aquí

Créditos
6
Tipos
Obligatoria de especialidad (Redes de Computadores y Sistemas Distribuidos)
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
AC
The course covers some basic modeling techniques used in networking research. In particular it discusses discrete and continuous probability models, linear systems and system parameter estimation. These concepts are introduced through classical examples taken from different research areas, including traffic modelling, wireless transmission systems, smartphone sensor data filtering, switching systems, address lookup algorithms, optical switching, anti-spam filters, etc.

Profesores

Responsable

  • Jorge García Vidal ( )

Horas semanales

Teoría
2.4
Problemas
1.6
Laboratorio
0
Aprendizaje dirigido
0
Aprendizaje autónomo
7

Competencias

Competencias Técnicas de cada especialidad

Computer networks and distributed systems

  • CEE2.2 - Capacidad de entender los modelos, problemas y algoritmos relacionados con las redes de computadores, así como poder diseñar y evaluar algoritmos, protocolos y sistemas que traten la problemática de la redes de comunicación entre computadores.

Competencias Técnicas Genéricas

Genéricas

  • CG4 - Capacidad para la dirección general y técnica de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos, en el ámbito de la Ingeniería Informática.

Competencias Transversales

Actitud frente al trabajo

  • CTR5 - Tener motivación para la realización profesional y para afrontar nuevos retos, así como una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Ingeniería en Informática. Tener motivación por la calidad y la mejora continua, y actuar con rigor en el desarrollo profesional. Capacidad de adaptación a los cambios organizativos o tecnológicos. Capacidad de trabajar en situaciones de falta de información y/o con restricciones temporales y/o de recursos.

Básicas

  • CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.

Objetivos

  1. The main goal of the course is to develop in the students quantitative modeling skills, based on probabilistic techniques.
    Competencias relacionadas: CB6, CTR5, CEE2.2, CG4,

Contenidos

  1. Discrete probability models
    Basic results. Examples: IQ switch max throughput, hash tables and ethernet switching. Anticolision methods in RFID tags. Bayesian antispam filters. Fountain codes.
  2. Continuous probability models
    Basic results. Exponential and Gaussian distribution. Residual times paradox. Large number laws. Law of Large Numbers and Central Limit theorem. Multivariate Gaussian distributions. Examples: Basic teletraffic models. Entropy, mutual information and coding theorem. Epidemic models in networks. Additive Gaussian Noise. Filtering smartphone sensor data.
  3. System parameter estimation
    Estimation problem. Graphical model and examples. Montecarlo methods.

Actividades

Actividad Acto evaluativo


Basic results of discrete probability

Review of basic discrete probability models. Concepat of independence and conditional probability. Combinatorial methods and basic models (Bernouilli, Binomial, Multinomial, Poisson).
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Examples of discrete probability models

examples of discrete models applied to: switching systems, multiple access, reliability, etc
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Basic results on continuous probability

Review of basic concepts of continuous probability models. Random variables, distributions and density functions. Basic models: exponential, gaussian, multivariate gaussian. Basic limit theorems results: Law of Large Numbers and Central Limit theorem.
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
16h

Examples of continuous-probability models

Applications to: concept of entropy and mutual information. Coding theorem. Memoryless properties of the exponential distribution and examples of applications. Models for mobility in cellular networks.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
4h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
18h

Estimation of system parameters

We cover the theory of statisticsal estimation of system parameters, focusing on the bayesian approach. We start with a simple example (coin tossing), and then we introduce more complex examples, conjugacy, and the computational problems that appear in non-closed form solutions.

Contenidos:
Teoría
6h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
12h

Graphical models and examples

We introduce some basic graphical model frameworks, DAGs and Markov Networks. We explain the concept of conditional independence with several examples. We intrdouce the message pasing technique exact and approximate) with application to decoding. We then adress two important examples: Kalman filters and Hidden Markov Models, with some application examples (e.g. location).
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
4h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
16h

Montecarlo methods

We introduce the basic concepts behind Montecarlo in order to solve estimation problems without closed-form solutions. Importance sampling, Metropolis-Hastings and Gibbs sampling.
Objetivos: 1
Contenidos:
Teoría
4h
Problemas
2h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Metodología docente

During the initial sessions of each theme, the main results will be explained in the blackboard. During the other sessions, will discuss in the classroom performance models taken from research papers.

Método de evaluación

The evaluation is based on three different activities

- Programming homeworks(P)
- A detailed study of one paper (D)
- A final exam (E)

Each of the three activities will be evaluated (0=
The final mark for the course (F) will be:

F= 0.25xP+0.25xD+0.5xE

Bibliografía

Básica:

Complementaria:

Web links

Capacidades previas

Basic knowledge of probability theory, linear algebra and calculus