MODELOS DE FORMACIN DE

REDES
REDES E-R

Paul Erds
Alfrd Renyi

(1913-1996) (1921-1970)

n = nmero de nodos

p = probabilidad de que entre dos nodos haya un enlace

REDES E-R. NMERO MEDIO DE ENLACES

Probabilidad de m enlaces

Nmero medio de enlaces

REDES E-R. GRADO MEDIO

Grado medio

Notacin <k>=c
DISTRIBUCIN DE GRADOS

probabilidad de que un nodo tenga grado k

Distribucin binomial
DISTRIBUCIN DE GRADOS

Distribucin binomial

Distribucin de Poisson
COMPONENTE GIGANTE
Consideremos un grafo G(N,p)
Si p=0 no hay enlaces en la red. N nodos aislados.

Si p=1 la red es completa.

Tamao componente mayor

p=0 p=1
1 N
no proporcional a N proporcional a N
COMPONENTE GIGANTE

Una componente que crece con tamao

proporcional a N se denomina

!
COMPONENTE GIGANTE
COMPONENTE GIGANTE
Tamao componente mayor
N

1
p=0 p=1

NO!
COMPONENTE GIGANTE

Clculo del tamao de la componente gigante en redes E-R

(cundo N tiende a infinito)

u probabilidad de que un nodo elegido al azar NO pertenezca a la CG de la red

(u es la media de la fraccin de nodos de que no pertenecen a la CG de la red)

a)

b)
COMPONENTE GIGANTE

Tomando logaritmos

Si S es la media de la fraccin de nodos que est en CG

COMPONENTE GIGANTE

c=1,5

c=1

c=0,5
S
COMPONENTE GIGANTE

c
REDES E-R Y MUNDO PEQUEO

Dimetro de una red E-R

El nmero medio de vrtices a distancia s de un vrtice cualquiera escogido al azar

s
c
Por lo tanto el dimetro medio de una red G(N,p) es

ln N
diam G(N, p)
ln c
No es una demostracin! pero funciona!
REDES E-R Y MUNDO PEQUEO

Dimetro de una red E-R

ln N
diam G(N, p)
ln c
Si la red social mundial fuese del tipo E-R y tuvisemos de media

100 conocidos

9
diam G(7, 145 10 , pc ) 4.9
REDES E-R Y REDES REALES

Problemas de las redes E-R como

modelos de redes reales

Bajo coeficiente de Clustering

Distribucin de grado: Poisson

COEFICIENTE DE CLUSTERING
Que fraccin de mis amigos son amigos entre si?

Clustering local
Sea u un nodo de la red con grado k

no dirigido

dirigido
COEFICIENTE DE CLUSTERING
Clustering local
no dirigido

Clustering medio
COEFICIENTE DE CLUSTERING

u 3

4
5
COEFICIENTE DE CLUSTERING

Coeficiente global de clustering

COEFICIENTE DE CLUSTERING
Cundo un coef. de clustering es alto?

Se compara con la probabilidad de que dos nodos sean vecinos

Densidad de enlaces en una red

Clustering alto
COEFICIENTE DE CLUSTERING

u 3

4
5

el coeficiente de clustering es bajo

COEFICIENTE DE CLUSTERING

Todos los nodos tienen igual Cl

Cuando N tiende a infinito

 REDES E-R Y MUNDO PEQUEO

El clustering perjudica la propiedad mundo pequeo

Algunos de los vecinos

de tus vecinos son

tus vecinos
REDES E-R Y MUNDO PEQUEO
Dnde se sitan las redes sociales?

Clustered Random

CCNR
REDES E-R Y MUNDO PEQUEO

Estructura Local Random

CCNR
MODELO DE WATTS-STROGATZ
El modelo comienza
con un grafo regular
Todos los nodos tienen el
mismo grado

Se recablean algunos
enlaces con
probabilidad p
Regular Random
MODELO DE WATTS-STROGATZ

Regular Random
DISTRIBUCIN DE GRADO

Las distribuciones de grado (reales) no son Poisson

DISTRIBUCIN DE GRADO

CCNR
DISTRIBUCIN DE GRADO LIBRE DE ESCALA

b
Libre de escala p(x) = Cx log p(x) = log C b log x

x
Exponencial p(x) = D log p(x) = x log D
0 1 2 3
10 10 10 10
10 0

10 -1

10 -2

10 -3
loglog
10 -4
DISTRIBUCIN DE GRADO LIBRE DE ESCALA

Deteccin de redes libres de escala p(k) = Ck
A travs de un diagrama log-log de la distribucin de grado
A travs de un diagrama log-log de la distribucin acumulada
! 1
X ki
=1+N ln
kmin 0, 5
i

N = nmero de vertices con grado mayor o igual que kmin

kmin es el grado mnimo para el que la ley de potencias se verifica
DISTRIBUCIN DE GRADO LIBRE DE ESCALA

Deteccin de redes libres de escala p(k) = Ck
! 1
X ki
=1+N ln
kmin 0, 5
i

N = nmero de vertices con grado mayor o igual que kmin

kmin es el grado mnimo para el que la ley de potencias se verifica
! 1
p X ki 1
= N ln = p
kmin 0, 5 N
i
Error
PROPIEDADES
Normalizacin

p(k) = Ck C constante de normalizacin
1
X 1 1
pk = 1 ) C = R1
(, kmin ) kmin
k dk
k=kmin

1
C ( 1)k
min
PROPIEDADES

Momentos kmin 1
X1 X
m m m
hk i = k pk + C k
k=0 k=kmin
1
X kmin
X1 Z 1
hkm i = km pk hkm i k m pk + C m
k dk
k=0 k=0 kmin

kmin
X1
m m C m
+1 1
hk i k pk + k kmin
m +1
k=0
PROPIEDADES
1
X
Momentos m
hk i = m
k pk
k=0
kmin
X1
m m C m
+1 1
hk i k pk + k kmin
m +1
k=0

Si m 1 el momento m-simo diverge

PROPIEDADES
Si m 1 el momento m-simo diverge

CCNR

En la mayora de las redes reales 2 3

PROPIEDADES
Si m 1 el momento m-simo diverge
En la mayora de las redes reales 2 3
2
hk idiverge!!!
Cuando N es grande los valores medios no son
significativos!!!
MODELO BARABASI-ALBERT

Las redes crecen aadiendo nuevos nodos

Los nuevos nodos prefieren unirse a nodos con grado alto

Crecimiento + preferential attachment

MODELO BARABASI-ALBERT
Algo de Historia
G. Polya (1923) modelo urn

G.K. Zipf (1941) Us el preferential attachment para explicar las

desigualdades econmicas

H. A. Simon (1955) uso p-a para explicar la distribucin de citas

en artculos cientficos

Barabasi y Albert (1999) utilizaron por primera vez el trmino

para explicar la ubicuidad de las leyes de potencias en las redes
MODELO BARABASI-ALBERT
La red tiene de inicio m(0) nodos con enlaces arbitrarios
pero con la condicin de que el grado mnimo sea al menos 1
Crecimiento
En cada paso se aade un nodo con m enlaces a m nodos ya
presentes
Preferential attachment
La probabilidad de que un enlace del nuevo nodo vaya al nodo i es
ki
(ki ) = P k i grado del nodo i
j kj
MODELO BARABASI-ALBERT
Distribucin de grado

p 3
pk 2 mk
Dimetro
log N
D
log log N
Clustering
m 1 (log N)2
OC =
8 N
CCNR