En la actualidad las redes complejas se estudian por su relacin con muchos campos de la ciencia. Sin duda, muchos sistemas en la naturaleza se pueden describir por medio de redes complejas, que topolgicamente son grafos (estructuras matemticas formadas por nodos (o vrtices) conectados por enlaces (o aristas)) a los que se agregan algunas caractersticas dinmicas que hacen necesario estudiarlos desde varios puntos de vista.
Los ejemplos de la presencia de las redes complejas en la vida real son numerosos; por ejemplo, Internet es una red de routers o dominios conectados por lneas fsicas, la World Wide Web es una red de sitios web conectados por hiperenlaces, el cerebro es una red de neuronas conectados por medio de las sinapsis, una organizacin es una red de personas con diversos tipos de conexiones entre ellas, la economa mundial es una red formada por las economas nacionales, que a su vez son redes de mercados, y stos son redes de productores y consumidores que interactan, las redes alimentarias y las rutas metablicas pueden ser representadas por redes, as como las relaciones (semnticas o sintcticas) entre las palabras de un idioma, los temas en una conversacin, e incluso las estrategias para resolver un problema matemtico o las redes culturales en las que se mueven los objetos e ideas generadas por el hombre. Hasta aqu nos quedaramos con la representacin de estos sistemas por medio de la estructura de grafo matemtico, pero si consideramos por ejemplo las enfermedades que se transmiten a travs de redes sociales, los virus informticos que en ocasiones se extienden a travs de la Internet, o la energa que se distribuye a travs de las redes de transporte, nos damos cuenta de que, junto a esa estructura organizativa en forma de grafo es importante conocer la dinmica que se produce en el flujo de informacin a travs de ella, o incluso la dinmica que se puede producir en la evolucin temporal de dicha estructura, que a menudo no es fija ni en el conjunto de nodos que interviene ni en las conexiones que se producen entre ellos.
La ubicuidad de las redes complejas, es decir, su aparicin con caractersticas similares en muchas reas de conocimiento, ha llevado de forma natural al establecimiento de un conjunto de problemas de investigacin, comunes e importantes en todas esas reas, relativos a la forma en que la propia estructura de la red facilita y limita los comportamientos dinmicos de la misma, y que en gran medida han sido descuidados en los estudios de las disciplinas tradicionales, posiblemente por la ausencia de una teora matemtica que permitiera abordarlos y la incapacidad tcnica de almacenar y manipular las grandes cantidades de datos asociadas a cada una de esas redes. Algunas de estas preguntas para redes concretas son: cmo interviene la estructura de las redes sociales en la transmisin de una enfermedad? Cmo se propagan fallos en cascada a travs de una red de transmisin de energa o de una red financiera global? Cul es la arquitectura ms eficiente y robusta para una organizacin particular bajo un entorno cambiante e incierto?
Durante ms de un siglo, el modelado de muchos de estos procesos y sistemas se ha realizado bajo la suposicin implcita de que los patrones de interaccin entre los elementos del sistema podan ser representados por medio de una estructura regular al estilo de un retculo eucldeo. A finales de 1950, dos matemticos, Erds y Rnyi (ER), hicieron un gran avance en la teora matemtica clsica de grafos que revolucionara la forma en que se pueden modelar estos problemas describiendo una red con topologa compleja por medio de un grafo aleatorio, estableciendo los fundamentos de la teora de redes aleatorias. Aunque la intuicin indica claramente que muchas redes complejas de la vida real no son ni totalmente regulares ni completamente aleatorias, el modelo ER fue el nico enfoque sensato y riguroso que domin el pensamiento de los cientficos acerca de las redes complejas durante la segunda mitad del siglo XX. En los ltimos aos, gracias a la automatizacin del proceso de adquisicin de datos y a las herramientas computacionales generadas para el tratamiento posterior de estos datos, se tiene capacidad para trabajar sobre grandes bases de datos relativas a muchas y variadas redes complejas. Adems, el acceso pblico a esta enorme cantidad de datos ha estimulado un gran inters por tratar de descubrir las propiedades genricas de los diferentes tipos de redes complejas a las que podemos acceder. En este sentido, los descubrimientos del efecto de mundo pequeo y la caracterstica de libre de escala de la mayora de las redes complejas han sido especialmente significativos y supusieron un avance ms en el estudio de estas redes.
En 1998, con el fin de describir la transicin de una red regular en una red aleatoria, Watts y Strogatz(WS) introdujeron el concepto de red de mundo pequeo. Debe notarse que el fenmeno de mundo pequeo es de hecho muy comn, y nada alejado de nuestras experiencias diarias. A menudo, poco despus de conocer a un extrao, uno se sorprende al descubrir que tenemos un amigo comn con l, de modo que es habitual la expresin: "Qu pequeo es el mundo!". Un experimento que se realiz hace ms de 40 aos dio lugar al llamado "principio de los seis grados de separacin", sugerido por el psiclogo social Milgram a finales de 1960, y que establece que entre cualesquiera dos personas del mundo hay una media de 6 conexiones de amistad, independientemente de lo lejanas que estn dichas personas. Aunque este punto sigue siendo controvertido, el patrn del mundo pequeo ha demostrado estar presente en muchas redes reales. Una caracterstica importante y comn al modelo de redes aleatorias (ER) y al de mundo pequeo (WS) es que la funcin de distribucin de grados tiene un mximo en el valor medio del grado y decae exponencialmente, lo que quiera decir que casi todos los nodos de la red tienen el mismo nmero de conexiones. Por ello, es comn denominar a estos tipos de redes de manera conjunta como redes exponenciales o redes homogneas. Otro descubrimiento fundamental en el mbito de las redes complejas, y que supuso un hito al reconocer de qu forma podamos enfrentarnos a ellas, fue la observacin de que muchas son libres de escala, es decir, la funcin de distribucin de grados sigue una ley de potencias, que es independiente de la escala de la red. A diferencia de una red exponencial, una red libre de escala es no homognea: la mayora de los nodos tienen muy pocas conexiones y, hay unos pocos nodos que tienen muchas, de forma que los nodos no se agrupan alrededor de un valor medio caracterstico. Algunos conceptos bsicos Aunque se han propuesto e investigado en las ltimas dcadas muchas medidas cuantitativas de redes complejas, hay tres conceptos que juegan un papel clave: la longitud media de los caminos, el coeficiente de clustering, y la distribucin de grados. Debido a la imposibilidad de manejar la informacin de las redes de una forma individual para los nodos, era necesario definir algunas medidas globales que permitieran caracterizar las redes con el fin de poder comparar la similitud entre ellas, as como la adecuacin de los diversos modelos matemticos con las redes reales que pretende modelar. De hecho, el intento inicial de Watts y Strogatz en su trabajo de redes de mundo pequeo fue la construccin de un nuevo modelo matemtico que permitiera construir redes con longitudes medias de caminos pequeas, tal y como ocurre en los grafos aleatorios, y que tuvieran un coeficiente de clustering relativamente alto, como ocurre con las redes regulares. Por otro lado, la generacin de modelos que creen redes libres de escala se basa en la observacin de que las distribuciones de grado de muchas redes reales siguen una forma similar a una ley de potencias. Ha de indicarse que, debido a la alta complejidad de las redes reales, no se han encontrado todava caracterizaciones completas de las mismas, es decir, en la actualidad todava no disponemos de un conjunto de medibles que caractericen por completo a cada red(algo as como un cdigo gentico que nos permita con absoluta precisin establecer comparaciones entre ellas). Longitud promedio de los caminos El conjunto de definiciones relacionadas con la medicin de distancias internas que necesitamos son: La distancia dij entre dos nodos (i y j) se define como el nmero de enlaces del camino ms corto que los conecta. El dimetro, D, de la red se define como la mxima distancia entre cualquier par de nodos de la red. La longitud promedio, L, se define como la media de las distancias entre todos los pares de nodos, es decir, la separacin tpica entre pares de nodos.
A medida que se tenan ms datos de redes complejas reales se constat que la longitud promedio de los caminos de la mayora de ellas era relativamente pequea, incluso en los casos en que estos tipos de redes tuvieran muchos menos enlaces de los posibles que se podran dar (a menor cantidad de conexiones en el mundo, parece claro que haya que hacer recorridos ms largos para poder llegar de un nodo a otro). Esta caracterstica es lo que se llam efecto de mundo pequeo, y de ah el nombre de redes de mundo pequeo que intentan modelarlo. Coeficiente de Clustering
En tu red de amigos es muy posible que los amigos de tus amigos sean tambin amigos tuyos. Esta propiedad se refiere a la agrupacin (o clustering, por su nombre en ingls) de la red. Ms precisamente, podemos definir un coeficiente de clustering C como la proporcin media de pares de vecinos de un nodo que tambin son vecinos entre s. Supongamos que un nodo i de la red tiene ki vecinos (o enlaces). Es evidente que, a lo sumo pueden existir ki(ki1)/2 enlaces entre ellos (y esto solo ocurre si todos estn conectados entre s). El coeficiente de clustering, Ci, del nodo i se define entonces como la proporcin entre, Ei, el nmero de enlaces que de verdad existen entre los vecinos de i, y la mxima cantidad posible, es decir:
Ci=Eiki(ki1)/2 El coeficiente de clustering de la red ser la media de los coeficientes de clustering de todos sus nodos. Obviamente, C1 y solo tomar el valor 1 en el caso de que la red sea completa (es decir, aquella que tiene todas las posibles conexiones entre todos sus nodos). En una red completamente aleatoria de N nodos se puede probar que C1/N, un valor que sera muy pequeo en la mayora de las redes reales, que tienen un nmero muy elevado de nodos. Sin embargo, se ha constatado numricamente que la mayora de las redes reales tienen tendencia a la agrupacin, en el sentido de que sus coeficientes de clustering son mucho mayores que O(1/N), a pesar de ser significativamente menores que 1, de donde podemos inferir que la mayora de las redes complejas reales no son ni aleatorias ni completas.
Distribucin de Grados La ms simple, y quizs tambin la ms usada, caracterstica individual de un nodo es su grado. El grado, ki, de un nodo i se define generalmente como el nmero total de sus conexiones. El promedio de los grados de los nodos de una red se llama grado medio de la red, y se denota por k. La distribucin de grados de los nodos en una red viene dado por la funcin de distribucin P(k), que es la probabilidad de que un nodo seleccionado al azar tenga exactamente k enlaces. Una red regular tiene una distribucin de grados muy simple, porque todos los nodos tienen el mismo nmero de enlaces, por lo que su grfica vendra representada por una distribucin de tipo delta (es decir, la funcin se anula para todos los posibles grados, menos para el grado que tienen todos sus nodos, donde se alcanza el valor 1). Cualquier aleatoriedad en la red ampliar la forma de este pico, y en el caso lmite de una red completamente aleatoria, la distribucin de grados sigue una distribucin de Poisson, donde la forma de la distribucin cae de manera exponencial a medida que nos alejamos del valor mximo, k. Debido a este descenso exponencial, la probabilidad de encontrar un nodo con k enlaces se convierte en insignificante para k>>k.
En los ltimos aos, muchos resultados empricos muestran que en la mayora de las redes reales de gran escala el grado de distribucin se desva significativamente de la distribucin de Poisson. En particular, para muchas redes el grado de distribucin se describe mucho mejor por una ley de potencias de la forma P(k)k. Esta distribucin cae de forma ms gradual que una exponencial, lo que permite la existencia de algunos nodos de grado muy alto. Debido a que estas leyes de potencia no se concentran alrededor de una media (escala), es por lo que se llaman libres de escala. Modelos de Redes Complejas Medir algunas propiedades bsicas de una red compleja, como las que hemos definido en el apartado anterior, es el primer paso para comprender su estructura. El siguiente paso es, entonces, desarrollar un modelo matemtico de la red que proporcione una topologa con propiedades estadsticas similares a las reales, obteniendo una plataforma en la que sea posible aplicar diversos mtodos matemticos para analizar comportamientos generales de redes similares. Redes regulares Intuitivamente, una red completa tiene la menor longitud de camino promedio (L=1ya que todos los nodos estn conectados) y el mayor coeficiente de clustering (C=1). Aunque el modelo de red completa captura las propiedades de mundo pequeo y alto clustering de muchas redes reales, es fcil darse cuenta de sus limitaciones: una red completa con N nodos tiene N(N1)/2 enlaces, mientras que la mayora de las redes reales de gran escala parecen tener un nmero de enlaces de orden O(N) en lugar de O(N2). De forma menos extrema, podemos considerar las redes regulares de grado k, que son aquellas en las que todos los nodos tienen el mismo grado, que tienen una cantidad lineal de enlaces si k<<N, un alto coeficiente de clustering, y una longitud promedio alta. Redes aleatorias En el extremo opuesto del espectro de una red totalmente regular estn las redes completamente aleatorias, que como notamos al principio de este texto, fueron estudiadas por Erds y Rnyi (ER) a finales de la dcada de los 50. Supongamos que tenemos un gran nmero de nodos (N>>1) y que con una cierta probabilidad p (la misma siempre), se conecta cada par de nodos con un enlace. El resultado es un grafo aleatorio ER con N nodos y aproximadamente pN(N1)/2 enlaces.
El objetivo principal de la teora de redes aleatorias es determinar para qu valores de p aparecern propiedades especficas en la red. Un resultado sorprendente que se obtuvo fue que algunas de las propiedades importantes podan aparecer de repente, es decir, que si poco a poco modificbamos el valor de p las redes obtenidas verificaban esa propiedad, y de repente, para un intervalo muy pequeo de variacin el comportamiento de las redes obtenidas era completamente distinto... es lo que se conoce como una transicin de fase, en donde el cambio de la propiedad medida no es lineal en el cambio del parmetro. Por ejemplo, una propiedad de este tipo es la de la conectividad global, que se puede medir por medio del tamao de la componente conexa ms grande (la componente gigante): ER mostraron que si la probabilidad p es superior a un determinado umbral, pc(lnN)/N, prcticamente todo el grafo est conectado (se puede llegar de un nodo a otro por medio de los enlaces), y por debajo de dicho umbral la conectividad era sensiblemente inferior (casi desconectado), en contra de la intuicin que parece decirnos que a medida que incrementamos la probabilidad de conexin, p, aumenta proporcionalmente la conectividad global de la red. El grado medio de una red aleatoria es k=p(n1)pN, y la longitud del camino promedio es Lln(N)/k, por lo que, debido a que lnN crece lentamente en funcin de N, la longitud del camino promedio se mantiene bastante bajo incluso en una red con muchos nodos. Este aumento logartmico de la longitud del camino promedio con el tamao de la red es un efecto tpico de mundo pequeo. Por otro lado, en una red aleatoria el coeficiente de clustering es C=p=k/N<<1, lo que significa que si tiene muchos nodos apenas mostrar clusterizacin. De hecho, como ya vimos en el apartado anterior, para un valor de N muy grande, las redes aleatorias ER son redes casi homogneas, donde la conectividad sigue aproximadamente una distribucin de Poisson.
Redes de Mundo Pequeo Como hemos comentado, las redes regulares tienen el efecto de clusterizacin, pero no el de mundo pequeo en general. Por otro lado, los grafos aleatorios muestran el efecto de mundo pequeo, pero no el de clusterizacin. Por tanto, no debe sorprendernos ver que estos modelos no reproducen algunas caractersticas importantes de muchas redes reales. Despus de todo, la mayora de las redes del mundo real no son ni enteramente regulares ni totalmente aleatorias. Con el fin de describir la transicin de una red regular en una aleatoria y disponer de un modelo que mezcle las propiedades deseadas que tienen ambos modelos, Watts y Strogatz introdujeron un interesante modelo de red de mundo pequeo. Las redes del modelo WS pueden ser generadas siguiendo el siguiente algoritmo: Se comienza por una red regular de N nodos. Se selecciona cada enlace al azar con probabilidad p y se reconecta uno de sus extremos con cualquiera de los otros nodos de la red. Este proceso introduce pNK/2 enlaces de largo alcance que conectan nodos que de otra forma estaran en diferentes vecindarios. Tanto el comportamiento del coeficiente de clustering C(p) como de la longitud del camino promedio, L(p), pueden considerarse como una funcin de la probabilidad de reconexin, p.
Partiendo de un retculo regular en forma de anillo, sabemos que C(0)3/4, pero L(0)N/2K>>1. Se ha comprobado que para una pequea probabilidad de reconexin, cuando las propiedades locales de la red son todava casi las mismas que las de la red regular original, el coeficiente de clusterizacin no difiere excesivamente, es decir, que C(p)C(0), pero que la longitud del camino promedio cae rpidamente y est en el mismo orden que el de las redes aleatorias, es decir, L(p)>>L(0). Este resultado es bastante natural: por una parte, basta hacer varias reconexiones aleatorias para disminuir la longitud del camino promedio significativamente, pero por otra parte, unas pocas reconexiones no pueden cambiar de manera crucial el valor de clusterizacin local de la red. Este modelo de mundo pequeo WS tambin se puede ver como una red homognea en la que todos los nodos tienen aproximadamente el mismo nmero de enlaces. En este sentido, es similar al modelo aleatorio ER. Se han realizado algunas variantes sobre la misma idea, una de ellas fue la propuesta por Newman y Watts, en la que no se rompen conexiones, sino que solo se aaden conexiones entre nodos lejanos con probabilidad p. Si p=0, tenemos la red original, y si p=1 se convierte en una red completa. El modelo NW es algo ms fcil de analizar que el modelo de WS original, ya que no produce grupos aislados al mantener los enlaces originales. Para valores de p suficientemente pequeos y N suficientemente grandes, el modelo NW es esencialmente equivalente al modelo de WS. En la actualidad, estos dos modelos se denominan comnmente modelos de mundo pequeo. Los modelos de mundo pequeo, tienen sus races en las redes sociales no virtuales, donde la mayora de la gente es amiga de sus vecinos fsicos inmediatos, por ejemplo los vecinos en la misma calle o compaeros en la misma oficina. Por otro lado, muchas personas tienen un par de amigos que estn lejos, en la distancia, como amigos de otros pases, que estn representados por las conexiones de largo alcance creadas por el procedimiento de reconexin que hemos visto. Modelos libres de escala Como hemos comentado, una caracterstica comn de las redes aleatorias y los modelos de mundo pequeo es que la distribucin de grados es homognea, con un pico en el valor promedio y con un decaimiento exponencial. Sin embargo, se ha comprobado que las redes complejas de gran tamao son libres de escala y sus distribuciones de grado siguen una ley de potencias. Para explicar el posible origen de esta distribucin de grados Barabsi y Albert (BA) propusieron otro modelo argumentando que muchos modelos actuales no tienen en cuenta dos atributos importantes de la mayora de las redes reales: Las redes reales son abiertas y tienen una dinmica que aade continuamente nuevos nodos a la red, pero los otros modelos son estticos en el sentido de que, si bien los enlaces se pueden aadir o reordenar, el nmero de nodos es constante durante todo el proceso de formacin. Tanto las redes aleatorias como los modelos de mundo pequeo suponen probabilidades uniformes en el momento de la creacin de nuevos enlaces, algo que no es realista. Intuitivamente, las pginas web que ya tienen muchos enlaces (como la pgina de inicio de Google) tienen ms probabilidad de adquirir an ms enlaces; un nuevo artculo es ms propenso a citar un artculo ya reconocido, y por tanto ste ser mucho ms citado que otros menos reconocidos.
El modelo BA sugiere que dos ingredientes principales de la auto-organizacin de una red en una estructura libre de escala son el crecimiento y el enlace preferencial. El esquema de generacin de un modelo libre de escala por BA es el siguiente: Crecimiento: comenzaremos con un nmero pequeo (m0) de nodos; en cada unidad de tiempo, se introduce un nuevo nodo y se conecta a mm0 de los nodos ya existentes. Enlace preferencial: La probabilidad, i, de que un nuevo nodo se conecte al nodo i (uno de los nodos ya existentes) depende del grado, ki, de ste: i=ki/jkj. Tras t pasos, el algoritmo da como resultado una red con N=t+m0 nodos y mt enlaces, y se obtiene una red libre de escala: la forma de la distribucin de grados no cambia con el tiempo, es decir, no cambia debido a un aumento de la escala de la red. La distribucin de grados sigue una ley de potencias con exponente -3, es decir, la probabilidad de encontrar un nodo con k enlaces es proporcional a k3.
Los resultados numricos muestran que, en comparacin con una red aleatoria con el mismo nmero de nodos y el mismo grado medio, la longitud del camino promedio del modelo libre de escala es algo menor, y sin embargo el coeficiente de clustering es mucho mayor. Esto implica que la existencia de unos pocos nodos con grado alto desempea un papel clave en acercar los nodos entre s. El modelo BA es un modelo minimalista que captura los mecanismos responsables de la distribucin de grados que sigue una ley de potencias, aunque tiene algunas limitaciones evidentes cuando se compara con algunas redes del mundo real, lo que ha provocado que se haya intensificado la bsqueda de otros modelos evolutivos que superen estas limitaciones. Vulnerabilidad de las redes libres de escala Un fenmeno interesante de las redes complejas libres de escala (y de muchas redes complejas en general) es su robustez frente a fragilidad. Vamos a ilustrarla por medio del siguiente caso: Vamos a suponer que comenzamos con una red grande y conectada, y que en cada unidad de tiempo eliminamos un nodo al azar (la eliminacin del nodo implica la eliminacin de todas sus conexiones, lo que altera algunos de los caminos entre los nodos restantes). Si haba mltiples caminos entre dos nodos i y j, la eliminacin de uno de los nodos que forma parte de uno de esos caminos puede suponer que la distancia entre ellos, dij, se incrementar, lo que, a su vez, puede causar el aumento de la longitud del camino promedio de toda la red. En el peor de los casos, si inicialmente haba un solo camino entre esos dos nodos, la interrupcin de este camino en particular significara que los dos nodos quedaran desconectados (pudiendo pasar de una red conexa a una formada por islas desconectadas entre s). Se considera que la conectividad de una red es robusta (o tolerante a borrados) si tras la eliminacin de muchos de sus nodos sigue conteniendo una componente conexa gigante. Las redes libres de escala verifican esta propiedad, mostrndose robustas frente a eliminaciones aleatorias. Sin embargo, la mala noticia es que la mayora de las redes libres de escala son muy sensibles a eliminaciones dirigidas, no aleatorias, basta eliminar una proporcin muy baja de nodos especficos (por ejemplo, aquellos de grado alto, los concentradores) para que la red quede completamente dividida y muy dispersa. Este ltimo hecho indica que la red es muy frgil. Esta fragilidad tiene sus raz en la naturaleza extremadamente no homognea de la distribucin de grados de las redes libres de escala.