Course Syllabus
Obiettivi
L'insegnamento si propone di fornire una selezione di strumenti, concetti e modelli avanzati del calcolo delle probabilità e dei processi stocastici, dal punto di vista sia teorico che applicativo.
Al termine del corso lo studente avrà acquisito le seguenti:
- conoscenze: una selezione di risultati avanzati del calcolo della probabilità (grandi deviazioni), dei processi stocastici (catene di Markov a tempo continuo) e dei modelli stocastici (grafi aleatori);
- competenze: comprensione operativa del linguaggio probabilistico e di tecniche dimostrative avanzate (ad es. coupling);
- abilità: capacità di applicare le nozioni teoriche per la risoluzione di esercizi e l'analisi di problemi e modelli.
Contenuti sintetici
L'insegnamento si apre con alcuni risultati di grandi deviazioni, teoria che fornisce un quadro che permette di studiare eventi rari su scala esponenziale. Nella seconda parte del corso si approfondiscono le catene di Markov a tempo discreto e si introducono le catene di Markov a tempo continuo, dando particolare importanza al Processo di Poisson, essendo un esempio naturale di processo stocastico a tempo continuo con stati discreti. La terza parte del corso è dedicata ad approfondimenti sulle proprietà delle passeggiate aleatorie, un argomento fondamentale e ricco di spunti. L'ultima parte del corso si occupa della teoria dei grafi aleatori, un argomento di ricerca che sta ricevendo grande attenzione.
Programma esteso
1. Grandi deviazioni
- Il teorema di Cramér
- Entropia relativa e teorema di Sanov
- Il principio di grandi deviazioni
- Il principio di contrazione, il lemma di Varadhan, il Teorema di Gärtner-Ellis
2. Catene di Markov a tempo discreto e continuo
- Richiami (irriducibilità, classificazione degli stati)
- Proprietà di Markov forte
- Misure invarianti e convergenza all'equilibrio
- Semigruppi e generatori su spazi numerabili
- Processo di Poisson
3. Passeggiate aleatorie
- Passeggiate aleatorie semplici: Passeggiate aleatorie semplici monodimensionali, Teorema di Polya
- Passeggiate aleatorie su grafi: Problema di Dirichlet, Passeggiate aleatorie in ambiente aleatorio
- Ricorrenza e transienza per catene di Markov numerabili: Funzione di Liapunov e criteri di Foster-Lamperti
4. Grafi aleatori
- Il modello di Erdos-Renyi
- Soglie nel modello di Erdos-Renyi: Connettività e componente gigante
Prerequisiti
Le conoscenze, competenze e abilità impartite negli insegnamenti di calcolo delle probabilità e processi stocastici (variabili aleatorie, martingale, legge condizionale) oltre che quelle impartite nei corsi di analisi matematica.
Modalità didattica
Il corso consiste in 56 ore di insegnamento in presenza, basato su lezioni frontali, equivalenti a 8 CFU. È diviso in due componenti principali:
-
**Teorico: **con un focus sulla presentazione di definizioni, risultati ed esempi rilevanti.
-
Pratico: con un focus sulle competenze necessarie per applicare le conoscenze teoriche sia all'analisi dei modelli che alla soluzione degli esercizi.
Il corso sarà condotto in inglese.
Materiale didattico
Appunti del corso
Testi di riferimento:
- F. den Hollander. Large Deviations, Fields Institute Monographs, vol. 14. AMS (2008).
- E. Pardoux. Markov Processes and Applications: Algorithms, Networks, Genome and Finance, Wiley (2008).
- Q. Berger, F. Caravenna, P. Dai Pra, Probabilità: un primo corso attraverso esempi, modelli e applicazioni (II edizione), Springer (2021).
- T. M. Liggett. Continous time Markox Processes (An Introduction), American Mathematical Society (2010).
- G. Last, M. Penrose. Lectures on the Poisson Process, Cambridge University Press (2017).
- S. Asmussen, Applied Probability and Queues, Springer (2003).
- R. Durrett. Probability: theory and examples. 5th edition (2019). The book can be downloaded for free from his personal webpage https://services.math.duke.edu/~rtd/.
- R. Lyons and Y. Peres, Probability on Trees and Networks, Cambridge University Press (2016). The book can be downloaded for free from Lyons homepage https://rdlyons.pages.iu.edu/prbtree/book.pdf.
Periodo di erogazione dell'insegnamento
Secondo semestre
Modalità di verifica del profitto e valutazione
L'esame si articola in due parti: una consegna di esercizi svolti in autonomia, che contribuisce per un sesto al voto finale, e una prova orale, che contribuisce per cinque sesti al voto finale, espresso in trentesimi.
La consegna di esercizi consiste nella risoluzione di alcuni esercizi proposti durante il corso, che lo studente dovrà svolgere in autonomia e consegnare con un anticipo di almeno 5 giorni rispetto alla prova orale, e ha lo scopo di valutare la continuità dell'apprendimento e le abilità pratiche.
La prova orale consiste in un colloquio della durata indicativa di 30-60 minuti in cui vengono valutate la conoscenza delle definizioni, enunciati ed esempi presentati durante il corso e la competenza e abilità nell'esposizione di una selezione di argomenti con i dettagli delle dimostrazioni.
Ci saranno 6 appelli d'esame (due a giugno/luglio, uno a settembre, tre a gennaio/febbraio).
Orario di ricevimento
Su appuntamento
Sustainable Development Goals
Aims
To provide a selection among methods, concepts and advanced models of probability theory and stochastic processes, from a theoretical and practical point of view.
At the end of the course, students will have acquired the following:
- knowledge: a selection among advanced results of probability theory (large deviations), stochastic processes (continuous-time Markov chains) and stochastic modeling (random graphs);
- competence: operational understanding of the probability language and advanced proof techniques (e.g. coupling);
- skills: ability to apply theoretical notions to the solution of exercises and the analysis of problems and models.
Contents
The course starts with an introduction to large deviations, a theory that provides tools to investigate the probability of rare events at exponenial scale. In the second part of the course some advanced results for discrete time Markov chains are given, as well as an introduction to the continuous counterpart. In particular, the Poisson process will receive special attention, being a natural example of continuous-time stochastic process having discrete states. In the third part of the course we shall study topics related to random walks, a fundamental and rich object in probability. In the last part of the course we will discuss the theory of random graphs, a research topic that is receiving great attention.
Detailed program
1. Large deviations
- Cramer's Theorem
- Relative entropy and Sanov's Theorem
- Large deviations principle
- Contraction principle, Varadhan's lemma, Gärtner-Ellis Theorem
2. Discrete & Continuous-time Markov chains
- Reminders (irreducibility, classification of states)
- Markov property
- Invariant measures and convergence to equilibrium
- Semigroups and generators on countable spaces
- Poisson process
3. Random walks
- Simple random walk: path properties for the one-dimentional case, Polya's Theorem
- Random walks on graphs: Harmonic functions, Dirichlet problem, Random walks in random environments
- Recurrence and transience of countable Markov chains: Lyapunov functions and Foster-Lamperti's criteria
4. Random graphs
- Erdos-Renyi model
- Connectivity and a giant component: thresholds in the Erdos-Renyi model
Prerequisites
The knowledge, competences and skills taught in classical probability and stochastic processes courses (random variables, martingales, conditional law) as well as those taught in mathematical analysis courses.
Teaching form
The course consists of 56 hours of in-person, lecture-based teaching, equivalent to 8 ECTS. It is divided into two main components:
-
Theoretical: with focus on presenting definitions, results, and relevant examples.
-
Practical: with focus on the skills necessary to apply theoretical knowledge to both model analysis and exercise solutions.
The course will be conducted in English.
Textbook and teaching resource
Course's lecture notes
Reference textbooks:
- F. den Hollander. Large Deviations, Fields Institute Monographs, vol. 14. AMS (2008).
- E. Pardoux. Markov Processes and Applications: Algorithms, Networks, Genome and Finance, Wiley (2008).
- Q. Berger, F. Caravenna, P. Dai Pra, Probabilità: un primo corso attraverso esempi, modelli e applicazioni (II edizione), Springer (2021).
- T. M. Liggett. Continous time Markox Processes (An Introduction), American Mathematical Society (2010).
- G. Last, M. Penrose. Lectures on the Poisson Process, Cambridge University Press (2017).
- S. Asmussen, Applied Probability and Queues, Springer (2003).
- R. Durrett. Probability: theory and examples. 5th edition (2019). The book can be downloaded for free from his personal webpage https://services.math.duke.edu/~rtd/.
- R. Lyons and Y. Peres, Probability on Trees and Networks, Cambridge University Press (2016). The book can be downloaded for free from Lyons homepage https://rdlyons.pages.iu.edu/prbtree/book.pdf.
Semester
Spring term
Assessment method
The exam consists of two parts*:* individual assignment of exercises contribuiting one sixth to the final grade, and an oral exam contribuiting five sixths to the final grade, which will be converted as a 30 point score.
The individual assignment of exercises consists in the resolution of some exercises proposed during the course, which have to be solved autonomously by the students and due (at least) 5 days before the oral exam. This examination tests the continuity of learning as well as practical skills.
The oral exam consists in an interview lasting about 30-60 minutes and tests the knowledge of definitions, statements and examples presented during the course, as well as presentation skills related to a selection of topics and detailed proofs.
There will be 6 exam sessions (two in June/July, one in September and three in January/February).
Office hours
By appointment
Sustainable Development Goals
Staff
-
Tal Orenshtein
