Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Baha Blanca
Agosto, 2013
Argentina
Prefacio
Esta tesis es presentada como parte de los requisitos para optar al grado acadmico de Doctor en Matemtica de la Universidad Nacional del Sur y no ha sido presentada previamente para la obtencin de otro ttulo en esta Universidad u otras. La misma contiene resultados obtenidos en investigaciones llevadas a cabo en el Departamento de Matemtica de la Universidad Nacional de Sur durante el perodo comprendido entre los meses de junio de 2008 y agosto de 2013, bajo la direccin del Dr. Gonzalo Perera, Profesor Titular Grado 5 de la Universidad de la Repblica, Uruguay, y la supervisin de la Dra. Ana Tablar, Profesora Adjunta del Departamento de Matemtica de la Universidad Nacional del Sur. Este trabajo fue nanciado con una beca otorgada por ANPCyT y UNS en el marco del Proyecto de Formacin de Doctores en reas Tecnolgicas Prioritarias (PFDT) del Programa de Recursos Humanos (PRH 2007 - cdigo 37).
iii
Agradecimientos
Antes de comenzar esta tesis, quisiera agradecer a toda la gente que me acompa durante la realizacin de la misma.
En primer lugar, a mi director Dr. Gonzalo Perera, por su dedicacin, apoyo y comprensin. Por ser adems un excelente docente, por su hospitalidad y generosidad en mis estadas en Uruguay. Su paciencia y conanza hicieron posible la culminacin de este trabajo.
Tambin quiero agradecer a Ana Tablar, Jos Bavio y Beatriz Marrn, por el compaerismo, los buenos consejos, los aportes y la colaboracin en el desarrollo de esta tesis.
Agradezco el apoyo y la predisposicin brindados por las autoridades y personal del Departamento de Matemtica de la UNS y tambin a la Agencia Nacional de Promocin Cientca y Tecnolgica por su nanciacin mediante la beca otorgada.
Finalmente, un agradecimiento de otra ndole va dirigido a mis padres por estar siempre y apoyarme en cada etapa y a mis hermanas por aconsejarme y acompaarme.
iv
Resumen
Las redes sociales en internet tales como Facebook, Twitter o Linkedin se han transformado en uno de los medios de comunicacin ms utilizados por millones de personas en el mundo generando una combinacin entre elementos virtuales y componentes del mundo real, razn por al cual es interesante su estudio. Comenzamos este trabajo planteando un modelo probabilstico para describir el comportamiento a largo plazo de Facebook. Debido al importante nivel de interactividad existente en la red, para simplicar el modelo utilizamos una dinmica Markoviana. Introducimos el concepto de Transversalidad Completa en una red social y proponemos estimadores para medir la interaccin entre los usuarios. Luego, realizamos test de hiptesis sobre la transversalidad en la comunicacin con los estimadores propuestos. Por otro lado, proponemos segmentar la red para estudiar comportamientos entre los segmentos y encontrar ndices de performance adecuados para medir la calidad en la segmentacin. Nuestro objetivo nal consiste en analizar la viabilidad de la Teora de Mundo Pequeo en Facebook, mediante un estimador que nos permitir estudiar la conectividad en la red y, tomando resultados sobre trazas de potencias de matrices de Wigner, hallaremos su distribucin asinttica bajo cierto contexto comunicacional. Formulamos adems, una denicin rigurosa del grado medio de separacin entre dos perles y realizamos su clculo suponiendo distintos modos de comunicacin, para poder as concluir acerca de la presencia del fenmeno de mundo pequeo en la red social.
Abstract
Virtual social networks such as Facebook, Twitter or Linkedin have become one of the means of communication most used by million of people worldwide generating combination of virtual elements and components of the real world, that is the reason for study them. We begin this work suggesting a probabilistic model to describe the long-term behavior of Facebook. Due to the high level of interactivity on the web, to simplify the model we use a Markovian dynamics. We introduce the concept of Complete Transversal Comunication in a social network, we propose estimators to measure the interaction between users and we make hypotesis testing on transversality in communication with the proposed estimators. On the other hand, we propose to segment the network, study behaviors between the segments and nd suitable performance indices to measure the quality of segmentation. Our ultimate goal is to analyze the viability of Small World Theory on Facebook by an estimator to study the network connectivity and, by results of power traces of Wigner matrices, we obtain its asymptotic distribution under certain communicative context. Also, we formulate a rigorous denition of the average degree of separation between two proles and we perform the calculation for dierent communication modes that allows us to conclude about the small world phenomenon in the social network.
vi
ndice general
Prefacio Agradecimientos Resumen Abstract Introduccin 1. Redes Sociales
1.1. 1.2. 1.3. Denicin y caractersticas . . . . . . . . . . . . . . . . . . . . . . . . . . . Historia del SNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Conceptos bsicos del SNA . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. 1.3.2. 1.3.3. 1.4. 1.5. 1.6. Medidas generales de la estructura de la red . . . . . . . . . . . . .
iii iv v vi
9 11
11 16 17 17 18 19 20 22 24 24 26 29 31
La red social Facebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6.1. 1.6.2. 1.6.3. Orgenes y expansin . . . . . . . . . . . . . . . . . . . . . . . . . . Funcionamiento y caractersticas . . . . . . . . . . . . . . . . . . .
1.7.
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
34 41 52 52 54
{At } {At } .
vii
57
57 57 59 60 61 62 68 70 71 73 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
U -Estadsticos
3.1.1. 3.1.2. 3.1.3.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.
3.3.
TC entre segmentos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Calidad en la segmentacin
75
75 75 76 78 79 80
Ciclos y conectividad en muestras de perles de Facebook de gran tamao 4.2.1. 4.2.2. 4.2.3. Elementos de la teora de grafos . . . . . . . . . . . . . . . . . . . .
Distribucin asinttica de la traza de potencias de matrices de Wigner 82 Convergencia dbil del estadstico
TN (r)
. . . . . . . . . . . . . . . . . . . . . . . .
85 94
4.3.
4.4.
Bibliografa
103
viii
Introduccin
Los avances tecnolgicos han sido determinantes en las nuevas formas de interaccin humana permitiendo que la comunicacin sea ms eciente y supere barreras de espacio y tiempo antes limitadas. Las nuevas tecnologas de comunicacin como Internet han derivado en distintas formas, entre ellas las redes sociales que se han revelado en los ltimos aos como una herramienta comunicacional de un impacto inesperado. El contacto frecuente entre las personas a travs de estas redes da origen a relaciones virtuales que se van desarrollando de acuerdo a sus intereses. Los temas de conversacin dominantes, las noticias ms votadas, las marcas con ms me gusta, los personajes pblicos con ms seguidores o los videos ms vistos, constituyen en su conjunto un extraordinario sistema de deteccin de tendencias sociales en tiempo real. El gran desafo en la actualidad consiste en desarrollar herramientas lo sucientemente precisas para reconocer a los usuarios ms inuyentes por sectores y mercados y entender mejor las nuevas dinmicas de circulacin de informacin. A su vez, difcilmente una red social pueda ser observada en su totalidad, por lo que adquieren gran importancia los problemas estadsticos y de modelizacin probabilstica. Por otra parte, muchas veces las redes sociales aportan ejemplos de situaciones estadsticas de modelos no identicables o de datos censurados, lo cual los hace particularmente desaantes. En denitiva, nos encontramos con una amplia gama de inquietudes como las que hemos mencionado y esta tesis intenta brindar un aporte en este sentido, restringiendo el anlisis a la red social Facebook o similar en cuanto a reglas de uso. Para ello desarrollamos un modelo que, si bien no describe la realidad en su totalidad, resultar de gran utilidad como una aproximacin al estudio de la dinmica de la red. Para el desarrollo del mismo utilizamos herramientas matemticas y de estadstica de procesos estocsticos, tratando de responder interrogantes como el de la existencia de transversalidad en la comunicacin, el de encontrar la mejor forma de segmentar la red para llegar a un pblico objetivo o el del anlisis del fenmeno de mundo pequeo. A continuacin, detallamos la forma en que fue organizado este trabajo y dejamos constancia de que el tema considerado es slo un pequeo ngulo del amplio panorama que el concepto de red social ofrece a la matemtica y en particular a la probabilidad y
estadstica, esperando que resulte de inters y genere nuevas inquietudes para continuar la investigacin en esta lnea. En el primer Captulo, hacemos una descripcin de los orgenes, evolucin y caractersticas de las redes sociales desde una perspectiva general y presentamos algunos conceptos y medidas de representacin para su modelizacin. Concluimos el captulo haciendo hincapi en la gran difusin de las redes sociales virtuales y en particular en el funcionamiento y crecimiento en el largo plazo de Facebook. El segundo Captulo aborda el modelado de Facebook y para ello presentamos previamente herramientas sobre Cadenas de Markov necesarias para el desarrollo del modelo. Introducimos el concepto de Transversalidad Completa en la comunicacin e intentamos dentro de este contexto hallar la distribucin de las funciones aleatorias que intervienen en el modelo. El tercer Captulo propone dos test de hiptesis para probar Transversalidad Completa en la red y Transversalidad Completa entre Segmentos de la red. Presentamos herramientas de la teora de
U -Estadsticos
estimadores que utilizamos para realizar los test mencionados. Adems, intentamos estudiar la relacin entre distintos segmentos para luego denir un ndice de performance de utilidad para medir la calidad en la segmentacin. En el cuarto Captulo abordamos el fenmeno de mundo pequeo en Facebook. En primer lugar, intentamos medir el nivel de conectividad proponiendo un estimador de la proporcin de ciclos de cierta longitud en muestras de perles y estudiamos su distribucin asinttica bajo la hiptesis de Transversalidad Completa. Resultados como los obtenidos sobre trazas de potencias de matrices de Wigner sern fundamentales para el desarrollo de esta tarea. Por ltimo, podremos calcular bajo dos contextos comunicacionales extremos, el grado medio de separacin entre dos perles cualesquiera de Facebook y concluir sobre la viabilidad de la Teora de Mundo Pequeo en la red, dejando como inquietud a partir de estos resultados el estudio de este fenmeno en contextos comunicacionales intermedios.
10
[50];
[24]
[49]; [20].
tratamiento de las redes sociales virtuales contamos con informacin obtenida en internet. El Captulo se organiza de la siguiente manera. En la primera Seccin discutimos la denicin y las caractersticas principales del Anlisis de Redes Sociales y en la siguiente, proporcionamos un resumen sobre su origen y evolucin. En la Seccin 3, presentamos algunos conceptos bsicos y medidas de representacin de las redes sociales. La Seccin 4 muestra una sntesis en materia de la investigacin en redes realizada hasta el momento. Finalmente, en la Seccin 5 hacemos hincapi en la utilidad y el crecimiento vertiginoso de las Redes Sociales en Internet para concluir en la Seccin 6 con la descripcin de la historia, funcionamiento y comportamiento a largo plazo de la red social Facebook.
11
estudio de los investigadores sociales. Estas unidades son comunmente individuos, grupos u organizaciones, pero en principio cualquier unidad que tenga conexin con otra puede estudiarse como miembro de una red, tal como pginas web, blogs, e-mails, mensajes de texto, familias, artculos, vecinos o naciones. White H.D. y colaboradores [50], sealan que los investigadores de diversos campos acadmicos han demostrado que las redes sociales funcionan en varios niveles, desde las familias hasta el nivel de las naciones, y juegan un papel fundamental en la determinacin de la forma en que se resuelven problemas, la forma en que funcionan las organizaciones y el grado en que los individuos alcanzan el xito en sus objetivos. La corriente principal de la investigacin social tradicional se centra exclusivamente en el comportamiento de los individuos. Segn Freeman L. [20], este enfoque deja de lado la parte social o la estructura de la conducta humana, es decir, la parte relacionada con la forma en que interactan los individuos y la inuencia que tienen unos sobre otros. Sin embargo, los analistas de redes sociales toman dichas partes como base de construccin fundamental del mundo social, no slo recogen los tipos de datos particulares, tambin comienzan su anlisis desde una perspectiva distinta a la adoptada por los individualistas. El Anlisis de Redes Sociales, (Social Network Analysis,
SN A
bin llamado anlisis estructural, es el estudio de la interaccin entre los actores sociales, Freeman L. [20]. Las relaciones que estudian los analistas de redes sociales son aquellas que vinculan a los seres humanos individuales, pues estos investigadores sostienen que adems de las caractersicas individuales, los vnculos relacionales y la estructura social son necesarios para comprender por completo los fenmenos sociales. Wetherell y colaboradores
[49]
consideran que el
SN A:
-Conceptualiza la estructura social como una red con vnculos que conectan a sus miembros y canalizan recursos. -Se focaliza en las caractersticas de los vnculos en lugar de focalizarse en las caractersticas de los actores individuales. -Considera a las comunidades como comunidades personales, es decir, como redes de relaciones individuales que las personas conservan y utilizan a lo largo de su vida. Como ha sealado Freeman L. [20], el enfoque estructural no se limita al estudio de las relaciones sociales humanas, sino que tambin est presente en casi todos los campos de la ciencia, por ejemplo, los qumicos moleculares examinan cmo interactan los distintos tipos de tomos para formar diferentes tipos de molculas, los ingenieros elctricos estudian cmo las interacciones de ciertos componentes electrnicos tienen inuencia en el ujo de corriente a travs de un circuito, como as tambin los bilogos estudian las formas en que cada especie del ecosistema interacta e incide en los dems. Podemos mencionar distintos tipos de redes. En general, los analistas de redes sociales
12
distinguen las siguientes: - Redes modo-uno versus redes modo-dos: Las primeras involucran relaciones entre un conjunto de actores similares, mientras las segundas se basan en relaciones entre dos conjuntos distintos de actores. Un ejemplo de red modo-dos puede ser el anlisis de una red formada por una organizacin privada y sus vnculos con agencias sin nes de lucro en una comunidad, segn Hawe P. y colaboradores [26]. Adems las redes modo-dos, tambin llamadas redes de aliacin, se usan por ejemplo para investigar relaciones entre un conjunto de actores y una serie de eventos, es decir, aunque las personas no tengan lazos directos entre ellos pueden tener inters en eventos similares o actividades en la comunidad y esto permite la formacin de lazos dbiles, como seala Granovetter M. en [24]. - Redes sociocntricas versus redes egocntricas: Segn Wellman B. y colaboradores [48], las primeras consisten en un mapa de todos los lazos relevantes entre todos los nodos estudiados, por ejemplo, lazos relacionales entre todos los profesores de un colegio secundario. Las redes egocntricas, en cambio, se reeren a los lazos que tiene una persona especca en los distintos contextos en los que interacta. La forma que tiene una red social permite determinar la utilidad para los individuos que la componen. Las redes ms abiertas con lazos dbiles tienen mayor probabilidad de introducir nuevas ideas y oportunidades a sus miembros que las redes cerradas con muchos lazos redundantes. Para el xito individual es mejor estar conectado con varias redes que tener muchas conexiones dentro de una misma red. Adems, los individuos pueden inuir o actuar de intermediarios en sus redes sociales haciendo de puente entre dos redes que no estn directamente vinculadas, esto es, segn Scott J. [43], rellenar agujeros estructurales. Las redes sociales han sido tambin utilizadas para examinar cmo las organizaciones interactan unas con otras, caracterizando las conexiones ms informales que ligan a los ejecutivos entre s y las asociaciones y conexiones entre los empleados de las distintas organizaciones. Juegan un rol clave en la contratacin, en el xito en los negocios y en la performance del trabajo. Les da a las compaas formas de obtener informacin, disuadir a la competencia y reunirse para jar precios o polticas, de acuerdo con Wasserman S. y Faust K. [45]. Por ltimo, haremos mencin de las caractersticas ms importantes en que se basa el
SN A
1) El
nocin intuitiva de que el patrn de los vnculos sociales en los que estn involucrados
13
los actores tiene consecuencias importantes para ellos. Esta es la caracterstica ms importante del
SN A. Freeman L. argumenta que socilogos como Auguste Comte, Ferdinand To nnies, Emile Durkheim, Sir Hebert Spencer, trataron de especicar los
distintos tipos de vnculos sociales que ligaban a los individuos en distintas formas de colectividades sociales y que debido a que estaban interesados en los vnculos sociales, todos compartan una perspectiva estructural. 2) Siendo la intuicin estructural el motor del
SN A,
sistemticos especialmente relacionales o de red. Los datos relacionales se usan para explicar las relaciones entre dos o ms actores sociales, digamos
i y j . Estos dieren
de los datos de atributos que describen las relaciones entre dos o ms atributos de un solo actor social
j. SN A
se basa en la Teora de Grafos. Cuando un grafo
es utilizado como modelo de una red social, los nodos o vrtices representan a los actores y las relaciones que los conectan son los enlaces o aristas. Existen dos tipos de grafos, dirigidos y no dirigidos. Los dirigidos consisten en un conjunto de vrtices y un conjunto de aristas y en este tipo de grafos la arista e, es un par ordenado siendo
(i, j )
a un vrtice
j,
el vrtice inicial y
el nmero de vrtices adyacentes a l. El dimetro de un grafo es la mayor distancia entre dos nodos del mismo. Un camino de un vrtice distintos este
i a uno j es una sucesin de links (i, u1 )(u1 , u2 )...(uk , j ). La longitud de ese camino es el nmero de aristas, en caso k + 1. Un bucle es una arista con extremos idnticos. Dos aristas paralelas
son aristas que tienen los mismos extremos. Un grafo simple es un grafo sin bucles ni aristas paralelas. Un ciclo consiste en un camino cerrado en el que no se repite ningn vrtice a excepcin del primero que aparece dos veces como principio y n del camino. Un grafo conexo, es un grafo tal que para toda particin de su conjunto de vrtices en dos conjuntos no vacos, existe una arista con un extremo en uno de esos conjuntos y el otro extremo en el otro conjunto. Un rbol es un grafo conexo que no contiene ciclos. Aunque los grafos constituyen una manera muy til de representar informacin sobre redes sociales, cuando existen muchos actores y/o muchas clases de relaciones stos pueden hacerse tan visualmente complicados que se hace muy difcil identicar estructuras. En su lugar, tambin es posible representar la informacin sobre redes sociales en forma matricial. La forma ms comn de matriz en el anlisis de redes sociales es una matriz simple
14
compuesta por tantas las y columnas como actores existan en el conjunto de datos y donde los elementos representan los vnculos entre los actores. La ms simple y comn de las matrices es la matriz binaria si existe un vnculo entre los vrtices
A = (aij ),
donde
aij
toma el valor 1
j,
es el punto de partida de casi todos los anlisis de redes y se denomina matriz de adyacencia. Luego, un grafo no dirigido puede representarse por una matriz de adyacencia simtrica
A = (aij ).
A B C D E F
Tabla 1.1
A B C D E F
0 1 0 0 0 1 1 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 1 1 0 0 0 1 1 -
Figura 1.1
(vrtice
nal), y esta lnea muestra una relacin de orden. Estas dos formas equivalentes de representacin nos permiten determinar tanto las caractersticas de la estructura como las propiedades de la posicin de cada actor de la red. 4) Otra caracterstica importante del
SN A
modelos computacionales. A diferencia de muchos otros enfoques de la investigacin social, el anlisis de redes se ha apoyado sistemticamente en diversas ramas de la matemtica tanto para aclarar sus conceptos como para explicar sus consecuencias en trminos ms precisos.
15
SNA
SN A
A comienzos del siglo XX, Georg Simmel (1858-1918) fue el primer estudioso que pens directamente en trminos de red social. Sus ensayos apuntan a la naturaleza del tamao de la red sobre la interaccin y a la probabilidad de interaccin en redes ramicadas.
En la dcada del 30, Jacob Levy Moreno (1889-1974), psiclogo social, inici el registro sistemtico y el anlisis de la interaccin social en pequeos grupos, en especial en aulas y grupos de trabajo, dando lugar a la llamada Sociometra. En forma paralela en Harvard, W. Lloyd Warner y Elton Mayo exploraron las relaciones interpersonales en el trabajo.
El perodo comprendido entre 1940 y 1960 se suele considerar como una era oscura en el
SN A.
ejemplo los estudios de parentesco de Elizabeth Bott en Inglaterra en los aos 50 y entre 1950 y 1960 los estudios de urbanizacin de Max Gluckman, J. Clyde Mitchell et al. sobre las redes comunitarias en el sur de frica, India y el Reino Unido. En particular en 1954, el antroplogo de Manchester, J.A. Barnes comenz a estudiar sistemticamente el trmino red social para mostrar patrones de lazos, abarcando conceptos ms tradicionales como tribus, clanes, familias, gnero, etnia, clase social, etc.
Entre los aos 1960 y 1970 varios acadmicos trabajaron para incluir bajo la denominacin
White, Ivan Chase, Bonnie Erickson, Harriet Friedmann, Mark Granovetter, Nancy Howell, Joel Levine, Nicholas Mullins, John Padgett, Michael Schwartz, Barry Wellman, Charles Tilly y Stanley Milgram, quien desarroll la tesis de los Seis Grados de Separacin. A partir de 1970, al menos en los departamentos de ciencias sociales de las grandes universidades el sistemticos.
SN A
SN A
como
una tcnica analtica para examinar el fenmeno socioeconmico. A mediados de los 80's, Mark Granovetter, propuso el concepto de arraigo orientando al enfoque del
SN A
el funcionamiento de la economa est sumergido en la estructura social, pero que sin embargo la estructura social central son las redes sociales de los individuos.
16
Despus de 1990, el
SN A
llamando la atencin de los estudiosos del campo de la sociologa, la poltica, la economa, las ciencias de la comunicacin y otras disciplinas. El libro de Ronald Burt, Structural Holes [11], representa este perodo. Burt argumenta que el capital social no tiene relacin con la longitud de los lazos, pero s con la existencia de agujeros estructurales. Otro de los que estudi el capital social fue Lin Nan
SN A
[32].
SN A
Lazos: Los lazos, enlaces o aristas conectan a dos o ms vrtices dentro de un grafo. Muchos de los comportamientos humanos, tales como intercambio de informacin o prstamo de dinero a alguien, son lazos dirigidos mientras que compaeros de membresas son ejemplos de lazos no dirigidos. Los lazos dirigidos pueden ser en dos direcciones como el caso de dos personas que se visitan o pueden existir en una direccin como cuando slo se da apoyo emocional a alguien, segn Plickert G. y colaboradores [37]. Ambos tipos de lazos, dirigidos y no dirigidos, pueden medirse como lazos binarios que existen o no dentro de cada dada o lazos que pueden ser ms o menos fuertes, transmitir ms o menos recursos, o tener contactos ms o menos frecuentes.
Densidad: Describe el nivel general de vinculacin entre los vrtices o actores de un grafo y es un indicador de la conectividad existente en el mismo. Un grafo completo es aquel en el que los puntos son adyacentes unos con otros, es decir, cada punto est conectado directamente con todos los otros.
17
La densidad es la proporcin de lazos existentes comparados con los posibles y puede denirse intuitivamente como el cociente entre el nmero de relaciones efectivas y el nmero de relaciones posibles.
Clique: Un clique es un subconjunto de actores que estn ms fuertemente conectados mutuamente que lo que lo estn con otros actores que no forman parte del grupo. Es decir, un clique en un grafo es un subgrafo en el cual cualquier vrtice est directamente conectado con cualquier otro del subgrafo. La divisin de actores en cliques o subgrupos puede ser un aspecto muy importante de la estructura social. Pueden ser importantes para comprender el comportamiento de la red en su conjunto. Saber cmo un individuo est inmerso en la estructura de grupos en una red puede ser un aspecto crtico para la comprensin de su conducta. Por ejemplo, algunos pueden actuar como puentes entre grupos (los cosmopolitas, ampliadores de fronteras). Otros pueden tener todas sus relaciones dentro de un nico clique (los locales o internos). Algunos actores pueden ser parte de una lite cerrada y densamente conectada, mientras otros estar completamente aislados de ese grupo. Tales diferencias en las formas que los individuos estn inmersos en la estructura de grupos en una red pueden tener profundas consecuencias en las maneras en que esos actores perciben su funcionamiento.
Grado, intermediacin y proximidad de los actores: El grado es el nmero de lazos de un actor en la red, la intermediacin utiliza a un actor para comunicar a otros actores y la proximidad es la distancia entre un actor y el resto de la red. Qu atributo estructural se elige depende de lo que se quiera analizar. Una medida basada en el grado sirve para evaluar la capacidad de comunicacin de que dispone un actor de la red; una medida basada en la intermediacin, para control de la comunicacin y una medida basada en la proximidad, si queremos evaluar la independencia de un actor.
Centralidad: Si nos interesamos por un actor y los efectos de su posicin estructural en la red, es necesario conocer su centralidad. Nos referiremos al actor focal como ego y a los otros como alteregos. Los individuos centrales ocupan una posicin privilegiada en los intercambios, en particular por comparacin con aquellos que son rechazados a la periferia, ellos son los vrtices ms signicativos de la red y es razonable pensar que esto se traduce en trminos de poder.
18
a) Centralidad de grado Esta medida organiza a los actores por el nmero efectivo de sus relaciones directas en el conjunto de la red. Trata de la centralidad local de un actor con respecto a los actores cercanos, pero dice poco sobre la importancia del actor en la red completa, y es muy sensible a variables como el tamao del grafo. El grado de un vrtice es til como ndice de su potencial de comunicacin. b) Centralidad de intermediacin La centralidad vista como intermediacin se dene como el nivel en que otros actores deben pasar a travs de un actor focal para comunicarse con el resto de los actores. Sintetiza el control que cada uno de los actores tiene de los ujos relacionales en el conjunto de la red. Es decir, el individuo ms conectado o centralizado es el ms popular, eciente o poderoso. c) Centralidad de proximidad Una tercera manera de medir la centralidad de un vrtice consiste en medir su grado de proximidad con respecto a todos los dems individuos. Es una medida ms global, utilizando no slo las conexiones de un individuo a su vecindario sino tambin a su proximidad con los miembros de la red. Se basa en la nocin de distancia y mide independencia.
Unipolaridad La unipolaridad indica el valor del grado del actor ms central en relacin al mximo de centralidad posible que podra tener ese actor. Es decir, si un actor juega un papel decisivo en la conexiones con los otros y lo hace directamente, la unipolaridad aumenta, representando el mayor grado efectivo de entre los de la red.
Integracin del grafo Corresponde a la suma del grado de todos los actores de un grafo. De modo estndar sera la razn entre la suma efectiva de los grados de todos y cada uno de los actores y el valor mximo de la suma de los grados posibles.
Centralizacin Es la aplicacin del concepto de centralidad a toda la red. Una red puede ser centralizada o descentralizada. Al igual que para la centralidad, existen tres medidas de centralizacin y cada una corresponde a una de las propiedades usadas para denir la centralidad de los actores de la red (grado, intermediacin, proximidad). Se considera que una centralizacin de grado fuerte indica comunicacin activa entre
19
todos los miembros de la red, mientras que una fuerte intermediacin o proximidad traduce el hecho de que un nmero pequeo de actores controla esta comunicacin.
SN A. Segn Marin A. y Wellman B. [33], como perspectiva o paradigma el SN A toma como punto de partida la premisa de que la vida social se
genera principalmente por las relaciones y los patrones que las componen y proporciona una manera de estudiar un problema pero no predice qu es lo que va a suceder. Sin embargo, en la etapa de diseo de la investigacin los acadmicos deben hacer todo lo posible para llevar a cabo su trabajo con la aplicacin de teoras relacionadas que apuntan a extender y modicar las teoras sociales, siendo varias de las teoras famosas reveladas bajo la perspectiva de las redes sociales. El
de contacto humano favorecen o impiden la propagacin de enfermedades como el HIV en una poblacin. A veces la evolucin de una red social puede modelarse usando modelos basados en agentes, proporcionando informacin sobre la interaccin de reglas de comunicacin, propagacin de rumores y estructuras sociales. La teora de Difusin de Innovaciones explora las redes sociales y su rol en la inuencia de la difusin de nuevas ideas y prcticas. El cambio en los agentes y en la opinin del lder a menudo tienen un papel importante en el estmulo a la adopcin de innovaciones, aunque tambin intervengan factores inherentes a las innovaciones. Por su parte, Robin Dunbar sugiri que el tamao tpico en una red egocntrica est limitado a unos 150 miembros, debido a los posibles lmites de la capacidad del canal de comunicacin humano. Esta norma surge de los estudios transculturales de la sociologa y especialmente de la antropologa sobre el nmero mximo de individuos de una aldea (en el lenguaje moderno mejor entendido como una ecoaldea). Esto est teorizado en la psicologa evolutiva, que sostiene que este nmero puede ser una suerte de lmite o
20
promedio de la habilidad humana para reconocer miembros y del seguimiento de hechos emocionales sobre todos los miembros de un grupo. Sin embargo, este puede deberse a la intervencin de la economa y la necesidad de seguir a los polizones, lo que hace que sea ms fcil en grandes grupos sacar ventaja de los benecios de vivir en una comunidad sin contribuir a ella. Usando una perspectiva de redes, Granovetter M.
[24]
de la fuerza de los lazos dbiles. Encontr que un gran nmero de lazos dbiles puede ser til para la bsqueda de informacin e innovacin. Los cliques tienen una tendencia a tener opiniones ms homogneas, as como a compartir rasgos comunes, por lo que esta tendencia homoflica es la razn por la cual los miembros de los cliques se atraen en principio y adems cada uno conoce en cierto modo lo que conocen los dems. Para encontrar nueva informacin o ideas, las personas con frecuencia miran ms all del clique a otros amigos y conocidos. Sin embargo, el cientco chino Bian Y. [8] revela la teora de los lazos fuertes, encontrando que en China las redes personales se utilizan para inuenciar a las autoridades a asignar trabajo a sus contactos, y esta actividad ilegal es facilitada por los lazos fuertes caracterizados por conanza y obligacin. Otro ejemplo de teorizacin de la investigacin de redes sociales es el fenmeno de mundo pequeo. Este fenmeno ser abordado en mayor profundidad en el Captulo 4 y se reere a la hiptesis sobre que la cadena de conocidos sociales necesaria para conectar a una persona arbitraria con otra persona arbitraria en cualquier parte del mundo, es generalmente corta. El concepto dio lugar a la famosa frase de seis grados de separacin a partir de los resultados del experimento de un mundo pequeo hecho en 1967 por el psiclogo social Stanley Milgram. En el mismo, a una muestra de individuos en Estados Unidos se les pidi que hicieran llegar un mensaje a una persona objetivo en particular, pasndolo a lo largo de una cadena de conocidos. La duracin media de las cadenas exitosas result ser de unos cinco intermediarios, o seis pasos de separacin. Los mtodos, y tambin la tica, del experimento de Milgram fueron cuestionados ms tarde y algunas otras investigaciones para replicar los hallazgos de Milgram habran encontrado que los grados de conexin necesarios podran ser mayores. Investigadores continan explorando este fenmeno dado que la tecnologa de comunicacin basada en Internet ha completado la del telfono y los sistemas postales disponibles en los tiempos de Milgram. Un reciente experimento electrnico del mundo pequeo en la Universidad de Columbia, arroj que cerca de cinco a siete grados de separacin son sucientes para conectar a dos personas cualesquiera a travs de e-mail, segn Watts D. [47]. Luego de 1990 los investigadores extienden la teorizacin del
SN A
de manera impor-
tante. Entre los ms destacados se encuentran Burt R. [11] con su teora de los agujeros estructurales y Lin N. [32] con la teora del capital social. Burt argumenta que las cone-
21
xiones dbiles entre grupos son agujeros en la estructura social de mercado. Estos agujeros en la estructura social crean una ventaja competitiva para individuos cuyas relaciones se extienden a los agujeros. Adems los agujeros estructurales son una oportunidad para negociar el ujo de informacin entre las personas y controlar proyectos que renen a personas de ambos lados del agujero. Por otro lado Lin N. supone que la estructura social a nivel macro es un tipo de estructura jerrquica determinada por la asignacin de recursos como riqueza, poder o status social. Explica la importancia del uso de conexiones sociales y relaciones sociales para alcanzar sus objetivos. El capital social as como los recursos accesibles a travs de tales conexiones y relaciones son fundamentales para alcanzar metas individuales, para grupos sociales y comunidades. Los grafos de colaboracin pueden ser utilizados para ilustrar buenas y malas relaciones entre los seres humanos. Un enlace positivo entre dos vrtices denota una relacin positiva (amistad, alianza, citas) y un enlace negativo una relacin negativa (odio, ira). Estos grafos de redes sociales signados pueden ser utilizados para predecir la evolucin futura del grafo. En ellos, existe el concepto de ciclos equilibrados y desequilibrados. Los primeros son aquellos en que el producto de todos los signos es positivo. Los grafos equilibrados o balanceados representan un grupo de personas con muy poca probabilidad de cambio en sus opiniones sobre las otras personas en el grupo, mientras que los desequilibrados representan un grupo de individuos que es muy probable que cambie sus opiniones sobre los otros en su grupo. Por ejemplo, en un grupo de tres personas, A, B y C, donde A y B tienen una relacin positiva, B y C tienen una relacin positiva, pero C y A tienen una relacin negativa, es un ciclo de desequilibrio. Este grupo es muy probable que se transforme en un ciclo equilibrado, tal que B slo tenga una buena relacin con A, y tanto A como B tengan una relacin negativa con C. Al utilizar el concepto de ciclos equilibrados y desequilibrados, puede predecirse la evolucin de un grafo de red social.
22
mite cambios sobre el individuo que de otro modo tal vez resulten difciles y genera nuevos vnculos afectivos y tambin de negocios. La causa del xito y la popularidad que han adquirido tan velozmente las redes sociales en internet se debe en su mayor medida a los benecios psicosociales que acabamos de mencionar. El origen de las redes sociales virtuales se remonta al menos, a 1995, cuando Randy Conrads crea el sitio web classmates.com. Con esta red social se pretenda que la gente pudiera recuperar o mantener el contacto con antiguos compaeros del colegio, instituto, universidad, etc. En el ao 2002 comienzan a aparecer sitios web promocionando las redes de crculos de amigos en lnea, y este concepto se hizo popular en el 2003 con la llegada de sitios tales como MySpace o Xing. Hay ms de 200 sitios de estas redes sociales, aunque Friendster ha sido uno de los que mejor ha sabido emplear la tcnica del crculo de amigos. La popularidad de estos sitios creci rpidamente y grandes compaas ingresaron en el espacio de las redes sociales en internet. Por ejemplo, Google lanz Orkut el 22 de enero de 2004. Otros buscadores como KaZaZZ! y Yahoo crearon redes sociales en el 2005. Las redes sociales continan avanzando en internet a pasos agigantados, especialmente dentro de lo que se ha denominado Web 2.0 y Web 3.0, y dentro de ellas cabe destacar un nuevo fenmeno que pretende ayudar al usuario en sus compras por internet: las redes sociales de compras que son utilizadas por marcas y empresas para darse a conocer y hacer publicidad para grupos sociales con perles determinados. De esta forma aumenta la efectividad del boca a boca y las ventas, mejoran las relaciones con los clientes, es mucho ms sencillo medir los resultados y segmentar al pblico. Adems, brindan un espacio en el que los usuarios pueden consultar dudas sobre los productos en los que estn interesados, leer opiniones y escribirlas, votar a sus productos favoritos, conocer gente con sus mismas aciones y, por supuesto, comprar ese producto en las tiendas ms importantes con un solo click. Esta tendencia se denomina Shopping 2.0. El nmero de redes que existen en la actualidad en internet es muy elevado, pero lo realmente interesante es que, debido a la ecacia de estas pginas, han aparecido muchas otras especializadas en diferentes mbitos. Las redes sociales en internet pueden denirse bsicamente como horizontales o verticales. Llamamos redes sociales horizontales a aquellas cuyos usuarios tienen intereses anes. Por ejemplo, redes sociales de msica, de ftbol o de libros. Conocemos como redes sociales verticales, a aquellas en las que los usuarios tienen intereses y motivaciones heterogneas. Aqu entran Twitter y Facebook, donde hay usuarios de todos los tipos y se habla de todo. Por otro lado, encontramos que los tipos de redes sociales que existen en internet se pueden clasicar del siguiente modo: -Las redes sociales globales, es decir, aqullas que unen a grupos heterogneos de personas con la intencin principalmente de socializacin. Entre ellas podemos destacar a Facebook, Twitter, MySpace y Google+.
23
-Las redes profesionales, que sirven para relacionar a profesionales de diferentes mbitos en la bsqueda de objetivos laborales. La red profesional ms grande del mundo es Linkedin que relaciona a ms de 42 millones de usuarios de ms de 200 pases del mundo y de los que aproximadamente la mitad son de afuera de Estados Unidos. Xing, es otra de las redes que ha absorbido las plataformas profesionales ms importantes, tiene una fuerte presencia en Alemania (su pas de origen), Espaa y China, con ms de siete millones de usuarios en total. -Las redes personales, que se caracterizan por ser la perfecta expresin de cada usuario, es decir, el usuario dene personalmente lo que desea indicar en esa red. Incluyen un conjunto de ideas innovadoras como que la tecnologa se aplica a la resolucin de necesidades personales, lo cual permite mejorar la forma en que el usuario realiza sus actividades particulares de trabajo, estudio, ocio o por ejemplo las relaciones con la administracin. - Las redes privadas, que corresponden a las redes horizontales cerradas, a las que slo se accede siendo miembro de un grupo u organizacin. Son espacios donde las personas pueden interactuar en lnea, compartir contenidos y realizar otras actividades colectivamente. Sin embargo, por ser privadas, pueden ser adaptadas y dirigidas a cumplir con los objetivos que denan las organizaciones. En la siguiente Seccin profundizamos sobre la descripcin y caractersticas de la red social Facebook, objeto de estudio en esta tesis.
24
escuelas secundarias y dos mil universidades de Estados Unidos y el extranjero, logrando un total de 11 millones de usuarios. En 2006, Facebook introdujo ms universidades extranjeras y desarroll nuevos servicios en su plataforma, tales como Facebook Notes (una herramienta de blogging con tagging, imgenes y otras utilidades) o la importacin de blogs de servicios como Xanga, LiveJournal o Blogger, y ya en 2007 Facebook Marketplace, que compite con Craigslist. Tambin implement acuerdos comerciales con iTunes y recibi una inversin de capital adicional de 25 millones de dlares por parte de Peter Thiel, Greylock Partners y Meritech Capital Partners. Facebook se hace pblico en 2006 permitiendo que, no slo los estudiantes de determinadas universidades o escuelas americanas participaran, sino que todas las personas que tuvieran correo electrnico pudieran formar parte de su comunidad. Se convirti entonces en una comunidad de comunidades, en la que se conectaban estudiantes, empresas y gente que poda elegir participar en una o ms redes. Es una comunidad creada por y en funcin de sus miembros. En febrero de 2007 lleg a tener la mayor cantidad de usuarios registrados en comparacin con otros sitios web orientados a estudiantes de nivel superior, teniendo ms de 19 millones de miembros en todo el mundo. En julio de ese ao, Facebook anunci su primera adquisicin, Parakey, Inc. de Blake Ross y Joe Hewitt y en agosto se le dedic la portada de la prestigiosa revista Newsweek, adems de una integracin con YouTube. A nes de octubre de 2007 la red de redes vendi una parte, el 1,6 por ciento, a Microsoft a cambio de 240 millones de dlares, con la condicin de que Facebook se convirtiera en un modelo de negocio para marcas de fbrica en donde se ofrecieran sus productos y servicios. Una fuerte inyeccin de capital a Facebook (27,5 millones de dlares) fue liderada por Greylock Venture Capital. Uno de los socios de Greylock es Howard Cox que, segn el diario The Guardian, pertenece al fondo de inversin en capital de riesgo de la CIA. En 2008 lanz su versin en francs, alemn y espaol para impulsar su expansin fuera de Estados Unidos, ya que sus usuarios se concentraban en Estados Unidos, Canad y Gran Bretaa. La mayor cantidad de usuarios de Iberoamrica, proviene de Colombia, superando a pases con mayor poblacin como Mxico, Brasil y Argentina. Facebook compite por abrirse espacio entre empresas de xito como Google y MySpace, por lo que se enfrenta a grandes desafos para lograr crecer y desarrollarse. Una de las estrategias de Zuckerberg ha sido abrir la plataforma Facebook a otros desarrolladores. La propuesta econmica es que quienes construyan algo sobre Facebook se quedarn con el dinero generado por la publicidad o por las transacciones. Lo ms importante es la dimensin viral del sistema: cuando un amigo agrega una aplicacin aparece en su pgina y en su perl. Cliquear lleva a la aplicacin y permite interactuar directamente con ella. Todos los amigos ven la eleccin y la consideran como
25
un voto a favor, lo cual los alienta a probarla ellos tambin. As lo demuestran, adems, los hechos. A los 10 das de lanzamiento, el nmero de aplicaciones disponibles haban pasado de 85 a ms de 300. iLike, la ms popular, comenz con mil abonados a la maana siguiente del lanzamiento y a los dos das ya eran 300.000. En Facebook la informacin es ltrada por los amigos y las redes. El modelo no descansa sobre un motor de bsqueda, sino sobre las redes sociales. Casi cualquier persona con conocimientos informticos bsicos puede tener acceso a todo este mundo de comunidades virtuales. Facebook est prohibido en Irn, Birmania y Butn. En julio de 2009 Mark Zuckerberg, hizo pblico que Facebook haba alcanzado los 250 millones de usuarios. En julio de 2010, Facebook declara 500 millones de usuarios, y traducciones a 70 idiomas y en mayo de 2011, 600 millones. Su infraestructura principal est formada por una red de ms de 50.000 servidores sobre GNU/Linux . Los nmeros para el segundo cuatrimestre de 2012 indicaban que 955 millones de usuarios entraban al menos una vez al mes en la plataforma, lo que mostr un crecimiento del 29 por ciento respecto al ao anterior y a nes de 2012 este nmero haba alcanzado los 1.060 millones de usuarios. En la actualidad, a pesar de las especulaciones sobre una supuesta baja de actividad en Facebook, la red social hizo pblicos sus resultados del primer trimestre de 2013 y las cifras son bastante positivas. No slo no han perdido usuarios sino que han conseguido an ms, llevando el total a 1.110 millones de usuarios activos cada mes. Con respecto a la cantidad total de usuarios en Argentina, sta asciende a 20.501.120 y, de acuerdo a las estimaciones de Socialbakers, se encuentra entre los 12 pases con mayor cantidad de usuarios. En cuanto a usuarios que acceden a la red social desde dispositivos mviles, la cifra ascendera a 751 millones, lo que sigue conrmando la tendencia de que el futuro de Facebook est en el mvil.
Principales servicios:
Lista de amigos: En ella el usuario puede agregar a cualquier persona que conozca y est registrada,
26
siempre que acepte su invitacin, hasta un lmite de cinco mil amigos. En Facebook se pueden localizar personas con quienes se perdi el contacto o agregar otros nuevos con quienes intercambiar fotos o mensajes. Para ello, el servidor de la red posee herramientas de bsqueda y de sugerencia de amigos.
Grupos y pginas: Es una de las utilidades de mayor desarrollo. Se trata de reunir personas con intereses comunes. En los grupos se pueden aadir fotos, videos, mensajes, etc. Las pginas se crean con nes especcos y, a diferencia de los grupos, no contienen foros de discusin ya que estn encaminadas hacia marcas o personajes especcos y no hacia algn tipo de convocatoria. Adems, los grupos tambin tienen su normativa, entre la cual se incluye la prohibicin de grupos con temticas discriminatorias o que inciten al odio y falten al respeto y la honra de las personas. Si bien esto no se cumple en muchas ocasiones, existe la opcin de denunciar y reportar los grupos que vayan contra esta regla y, para tal n, Facebook incluye un enlace en cada grupo que se dirige hacia un cuadro de reclamos y quejas.
Muro: Es un espacio en cada perl de usuario que permite que los amigos escriban mensajes para que el usuario los vea. Solamente es visible para usuarios registrados. Se puede reproducir en el muro propio contenidos del muro de un amigo: compartir, o hacer aparecer en el muro de un amigo algo que se difunde en el propio: etiquetar.
Fotos y videos: Cada usuario puede agregar a su cuenta lbumes fotogrcos, digitales y videos.
Regalos: Son pequeos conos con un mensaje. Los regalos dados a un usuario aparecen en el muro con el mensaje del donante, a menos que el donante decida dar el regalo en privado, en cuyo caso el nombre y el mensaje del donante no se exhibe a otros usuarios.
Aplicaciones: Son pequeas aplicaciones o cuestionarios utilizados nicamente con el n de entretener. Por ejemplo, descubrir cosas de la personalidad, averiguar quin es el mejor amigo, etc.
Juegos: La mayora de las aplicaciones encontradas en Facebook se relacionan con juegos de rol, juegos de trivias o juegos de habilidades.
27
Chat: Facebook tiene una plataforma de chat que, si bien no es competitiva frente a otras, brinda un servicio bastante completo.
28
5) Las teoras sociolgicas sobre las Redes Sociales como las que plantea De Ugarte D. en [16] ven en Facebook una revolucin cultural, social y comunicacional, sugiriendo la transversalizacin de la intercomunicacin, punto muy polmico y que fue otra motivacin de estudio en esta tesis.
Figura 1.2 En la etapa de inicio, perodos 1-5 en la Figura 1.2, los usuarios comienzan a invitar a potenciales usuarios, con una tasa de xito importante que conlleva un crecimiento exponencial. Aunque es importante contar con una buena fuente de usuarios, no es algo denitivo. Por ejemplo, mientras Facebook surgi prcticamente de la nada, MySpace cont con una fuente tan importante como eUniverse, que en aquel momento dispona de unos 20 millones de usuarios y suscriptores por e-mail. En este punto, la tasa de abandono de los usuarios suele ser baja. La etapa de explosin, perodos 6-10 en la Figura 1.2, viene marcada por una bajada de la tasa de xito, escondida por el gran nmero de usuarios ya disponibles. El crecimiento en este perodo deja de ser exponencial para convertirse en lineal. Su duracin depende del nivel de saturacin de la red y de la tasa de abandono de los usuarios. En los casos de Facebook y MySpace, el comienzo de la saturacin se vio disipado por una gran expansin a nivel internacional. No sabemos an si se ha llegado a la cima en cuanto al nmero de
29
usuarios registrados, pero puede ser que s estemos asistiendo a esta fase en lo que a nmero de usuarios activos (usuarios que acceden al menos una vez al mes) se reere.
Sin embargo, Facebook no funciona as, parece tener su propio ciclo de vida. Mientras el resto de los productos gozan de cuatro fases, en esta red social parece que la fase
30
de introduccin/lanzamiento reaparece cuando la fase de la madurez alcanza un estado avanzado. Esto es posible manteniendo a los usuarios en vilo con pequeos cambios en su interfaz en perodos de tiempo estudiados. Cualquier actualizacin de diseo o nueva caracterstica de la red es vlida para hacer de ello un relanzamiento del producto. En el mundo 2.0 se sabe que en un perodo de tiempo aparecer un producto que mejorar al que estaba anteriormente. En Facebook, en cambio, parece lgico que con tanta actualizacin, aunque el crecimiento no sea exponencial, se tardar ms en llegar a la fase de declive. Por su parte, los representantes de Facebook justican la falta de crecimiento en los mercados ms importantes con el argumento de que en Estados Unidos y el Reino Unido todos aquellos que deseaban abrir una cuenta en Facebook ya lo han hecho. Los usuarios estadounidenses no slo tienen actualmente menos tendencia a revisar sus perles, sino que tambin pasan menos tiempo en la pgina, ya que preeren las nuevas aplicaciones para telfonos inteligentes. Sin embargo, los ltimos datos indican que Facebook ha obtenido un benecio neto de 219 millones de dlares en los tres primeros meses de 2013, lo que supone un aumento del 6,8 por ciento respecto al mismo perodo del ao anterior, segn ha anunciado la propia empresa. El benecio total de Facebook ha alcanzado los 1.458 millones de dlares, una subida interanual de un 37,8 por ciento, de los cuales un 49 por ciento se originaron en Estados Unidos y Canad, y otro 29 por ciento en Europa. Tratando de hacer frente a la nueva competencia, Mark Zuckerberg se ha centrado en los smartphones. A principios de abril de 2013 Facebook present la nueva interfaz, Facebook Home, para el sistema operativo Android. Facebook Home permite a sus usuarios intercambiar mensajes en la pantalla del telfono, incluso cuando la aplicacin no est activada. Esta novedad ha contribuido a que 751 millones de usuarios hayan entrado al servicio a travs de su smartphone, un 54 por ciento ms que hace un ao. As mismo, la popular aplicacin fotogrca Instagram, adquirida por Facebook por 1.000 millones de dlares en 2012, alcanz la cifra de 100 millones de usuarios activos. Con el n de sacar ms rendimiento de la red social, la compaa de Zuckerberg estren tres nuevos servicios destinados a departamentos comerciales de empresas para facilitar que las marcas encuentren su pblico objetivo dentro de la plataforma. En conclusin, si bien Facebook hace unos aos que no tiene el crecimento vertiginoso que supo tener en su fase de expansin, con las actualizaciones mencionadas parece estar lejos de la fase de declive.
1.7. Conclusiones
El
SN A
31
SN A
muestra caractersticas
tales como: intuicin estructural, datos relacionales sistemticos, imgenes grcas y modelos matemticos o computacionales.
En ms de 70 aos de historia los analistas de redes sociales revelaron un gran nmero de maneras precisas y formales de denir trminos tales como relacin, densidad, centralidad, clique, entre otros, que pueden aplicarse sin ambigedad a los datos en poblaciones de individuos.
Reconociendo que estamos todos conectados como una red que no podemos ver, segn Mickenberg R. y Dugan J.
[36],
el
SN A
investigadores de varios campos como sociologa, matemtica, ciencias de la computacin, economa, ciencias de la comunicacin y psicologa alrededor del mundo.
SN A
cientes, a pesar de haber sido criticada antes de los 80's. Sin embargo, las nuevas tecnologas (internet, telefona mvil, transmisin digital, etc.) han hecho la recoleccin de datos sociales ms fcil a mayor escala y a costos ms bajos que los mtodos convencionales, mejorando as problemas relacionados con el anlisis e interpretacin de los datos.
Las tcnicas existentes parecen ser inadecuadas para manejar los nuevos tipos de datos de redes sociales que son continuos, dinmicos y multinivel. Gracias a la situacin actual, el desarrollo y bsqueda de nuevas tcnicas, las herramientas que resuelven estos problemas deben estar en las agendas de investigacin de los cientcos sociales.
Las redes sociales en internet han ganado velozmente un lugar, conjugando pluralidad y comunidad. Las herramientas informticas para potenciar la ecacia de las redes sociales online (software social), operan en tres mbitos: la comunicacin, la comunidad y la cooperacin. Las redes sociales continan avanzado en internet, por ejemplo convirtindose en un sitio de consulta y compra, dando lugar a la tendencia Shopping 2.0.
Desde sus comienzos la red social Facebook ha crecido de manera vertiginosa hasta convertirse en una de las redes sociales ms importantes con 1.110 millones de usuarios activos hasta el momento. En la actualidad, si bien sigue creciendo, lo hace
32
a un ritmo ms lento de lo que lo haca al principio. Este comportamiento a lo largo del tiempo, permite representar a su evolucin en forma de curva logstica. Sin embargo, cabe destacar que debido a las constantes actualizaciones y mejoras parece estar lejos de la etapa de declive. Por otra parte, las polmicas que ha generado en cuanto a la falta de privacidad, la transversalidad de la comunicacin o la incertidumbre sobre cuntas personas son las que realmente estn detrs de cada perl, resultaron la principal motivacin para su anlisis y modelado en esta tesis.
33
Propiedad de Markov:
comportamiento futuro no depende del pasado. Dicho de otro modo, dado el presente, el futuro es independiente del pasado.
Denicin 2.1
tocstico
Una cadena de Markov a tiempo discreto (CM T D ) es un proceso esque toma valores en un espacio discreto
{Xt : t = 0, 1, 2, . . . }
S,
llamado espacio
de estados, y que satisface la propiedad de Markov, esto es, para cualquier y para cualquier conjunto de estados
t = 0, 1, 2, . . .
{x1 , . . . , xt } S ,
se cumple:
34
CM T D
son
la
CM T D
j S
ir a algn estado
(incluyendo la posibilidad
Grcamente, una
CM T D
de
al estado
j,
Pij .
Ejemplo 2.2
Sea
{ Xt }
una
CM T D
P=
0.7 0.2
0.3 0.8
(2.1)
Partiendo del estado 0, se realiza una transicin desde el mismo al estado 1 con probabilidad 0.3, y con probabilidad 0.7 la cadena permanece en 0 en el siguiente paso. Del mismo
35
modo, se produce una transicin del estado 1 al 0 con probabilidad 0.2, y con probabilidad 0.8 la cadena permanece en el estado 1 en el siguiente paso.
al estado
a tiempo
t + s,
a tiempo
tiempo
h,
a tiempo
y de all al estado
Ecuacin de Chapman-Kolmogorov:
Pij (s, t + s) =
hS
con
Pij (t) =
hS
con
(2.2)
tomando en
Pij (t) =
hS
Adems, siendo
P(t)
(2.2) puede ser reescrita en forma matricial para el caso particular en que (t) (t1) = y, aplicando este procedimiento en forma recursiva, resulta
PP
r = 1 como P(t) = Pt .
CMTD :
Xt ,
CM T D
se encuentre en el estado
pasos
i,
pasos:
(t) = (t 1) P = (0) Pt ,
donde
t = 0, 1, 2, . . . ,
(2.3)
de distribuciones de probabi-
lidad en donde cada una de ellas, excepto la primera, se obtiene de la anterior multiplicada
36
a derecha por la matriz de probabilidades de transicin en un paso. Es natural preguntarse si tal sucesin converge a una distribucin lmite. Ms adelante estudiaremos este problema y enunciaremos las condiciones bajo las cuales existe un nico lmite para la misma.
Clasicacin de las
cacin de sus estados.
CMTD :
Las
CM T D
Denicin 2.3
Un estado
i,
con
i, j S ,
si es
i i
al y
estn comunicados si
es
Adems, accesible
j.
La comunicacin es una clase de equivalencia y en consecuencia induce una particin del espacio de estados, es decir, dos estados pertenecen a la misma clase de equivalencia si y slo si tales estados estn comunicados.
Una
CM T D
i S se dice absorbente si y slo si una vez que se accede al de la CM T D puede ser alcanzado desde l, es decir, si Pii = 1.
que contiene al menos un estado absorbente no puede
CM T D
Denicin 2.6
estado fuera de y
de una
Denicin 2.7
i S,
la probabilidad de recurrencia en
pasos,
fi
(t)
se dene como la probabilidad del primer retorno al mismo en exactamente despus de haberlo dejado. Luego, la probabilidad (t) fi = fi . t=1
tN
pasos
fi
de regresar al estado
Denicin 2.8
Cualquier estado
iS
al que la
37
Denicin 2.9
del estado
i,
mi ,
de una
CM T D
mi =
t=1
t fi . mi = , i
se dice
Si
mi < , i
recurrente nulo.
Denicin 2.10
comn divisor del conjunto de enteros positivos Un estado recurrente se dice aperidico si
como el mximo
di
si
di > 1.
Feller W. [19] demostr que todos los estados que pertenecen a una misma clase son del mismo tipo, es decir, todos son peridicos, aperidicos, transitorios, recurrentes positivos o recurrentes nulos.
Denicin 2.11
CM T D
Denicin 2.12
CM T D
Observacin 2.13
CMTD
CM T D
CM T D
pasos.
Denicin 2.14
todo
= (0 , 1 , . . . )
de una
CM T D
se
dice estacionaria si cualquier transicin de acuerdo con la matriz de probabilidades de transicin en un paso
P = (Pij )
j S,
se cumple que
j =
En trminos matriciales,
38
= P tiene como consecuencia el hecho de que para cualquier t N t t se cumpla que = P , es decir, es tambin una distribucin estacionaria para P . Esto signica que si la variable aleatoria inicial X0 tiene esa distribucin , entonces la distribucin de Xt tambin es pues P (Xt = j ) = i (Pt )ij , es decir, esta distribucin
La condicin
i S
Observaciones:
1) El vector de ceros cumple la condicin de distribucin de probabilidad. 2) Para encontrar una posible distribucin estacionaria de una probabilidades de transicin ecuaciones (2.4). 3) Pueden darse slo tres situaciones sobre la existencia de distribuciones estacionarias para una innitas. Cuando existe una distribucin estacionaria, sta tiene como soporte el conjunto de estados recurrentes positivos. Esto se resume en la siguiente proposicin.
CM T D
con matriz de
CM T D
Proposicin 2.15
recurrente nulo
estacionaria. Si
es un estado transitorio o
Presentamos ahora sin demostracin dos condiciones que en su conjunto garantizan la existencia y unicidad de una distribucin estacionaria.
Proposicin 2.16
Toda
CM T D
j =
con
1 > 0, mj j.
mj
En particular, toda cadena nita e irreducible tiene una nica distribucin estacionaria.
Denicin 2.17
CM T D
se dene por:
(2.5)
().
Entonces
39
1)
()
no depender de la distribucin inicial y estar dada por el lmite de las () potencias de , , pues si se toma como distribucin inicial a aquella concen-
P P
(t) = (t 1)
P,
(t)
cuando
t ,
resulta:
() = l m (t) = l m (t 1) P = () P.
t t
Por lo tanto, si existe la distribucin lmite, sta es estacionaria. La armacin inversa no es necesariamente cierta. En espacios de estados nitos o innitos, si existen los lmites de las probabilidades cuando
(Pt )ij ,
cionaria. Esto es slo una posibilidad ya que los lmites podran ser todos cero. Sin embargo, en el caso nito tales lmites conforman una distribucin de probabilidad verdadera. La siguiente proposicin reeja estas ideas.
Proposicin 2.18
lmites i)
j S t t
Sea la
CM T D
Pij
j = l m (P )ij j 1
y no dependen de i. Entonces
ii)
j =
iS
i (Pt )ij . i)
obtenindose
Cuando el espacio de estados es nito se cumple la igualdad en el inciso una distribucin de probabilidad verdadera.
El siguiente resultado es el recproco del anterior, supone la existencia de una distribucin estacionaria para concluir que los lmites de las probabilidades existen.
irreducible, aperidica y con distribucin estacionaria . Entonces para cualquier par de estados i y j , l m (Pt )ij = j . t
Finalmente establecemos las condiciones sucientes para la existencia del lmite de las probabilidades de transicin, asegurando adems que se trata de una distribucin de probabilidad.
Teorema 2.19
Dada una
CM T D
40
irreducible, aperidica y recurrente positiva (es decir, 1 ergdica), las probabilidades lmite j = l m (Pt )ij = m existen y constituyen la nica j t solucin al sistema de ecuaciones
Teorema 2.20
Dada una
CM T D
j =
iS
i Pij ,
(2.6)
j 0,
y
j S
j = 1. CM T D
tenemos que:
CM T D
() = l m (t)
t
existen.
()
CM T D irreducible y aperidica existe la distribucin de probabilidad es independiente de la distribucin de probabilidad inicial (0).
ergdica, la distribucin de probabilidad lmite
3) Para una
CM T D
()
existe y
t,
es decir,
Pt
Ft
al conjunto de perles de
un perl es creado en Facebook no puede darse de baja ya que borrar toda la informacin que el mismo tiene incorporada en la red, nombre, fotos, videos, mensajes, direccin de e-mail, etc., no es tan fcil como abrir una cuenta y, por ser sta una opcin denitiva, est bastante oculta en Facebook, luego Notaremos como
Ft Ft+1 .
P y F a los conjuntos P =
t=0
Pt y F =
t=0
Ft respectivamente.
41
f F ,
variables aleatorias independientes e idnticamente distribuidas {t (f )} con 2 E (t (f )) = 2 y soporte no acotado, es decir, P (t (f ) < ) > 0, para todo
E (t (f )) = , .
Denicin 2.21
N > 0, denimos el tiempo de nacimiento de un perl f F como el menor instante s N tal que s > N . Esto equivale a que f / Ft , f Fs , para todo s t + 1 t+1 (f ) > N .
Sea
Es decir, a tiempo posterior a
el perl
s,
t,
si y slo si la variable
N .
Observacin 2.22
f / Ft(f,w) , f Fs ,
el perl ser creado.
f F , existe una variable aleatoria t(f, w) tal que s t(f, w) + 1. Esto es, para todo perl por nacer existe
un tiempo que depende de dicho perl y es aleatorio, tal que para todo tiempo posterior,
Esta forma de denir el nacimiento de un perl nos permitir modelar la creacin de los perles y el crecimiento de la red desde una perspectiva aleatoria. Dados los conjuntos de usuarios y de perles de Facebook en el instante t, Pt y Ft (k) (k) respectivamente, notaremos con Pt y Ft , k N, a la familia de todos los subconjuntos con k elementos de Pt y Ft respectivamente. Adems, notaremos con Pt y Ft a los (k) (k) Ft {}. Luego, un elemento de Pt o es el Pt {} y Ft = conjuntos Pt = k=1 k=1 conjunto vaco o es un subconjunto de usuarios de internet con k elementos en el instante t, donde k es un nmero natural. Anlogamente, un elemento de Ft o es el conjunto vaco o es un subconjunto de perles de Facebook con nmero natural. Vamos a denir ahora las funciones que modelarn los dos niveles en que ser representada la red.
elementos en el instante
t,
con
un
Denicin 2.23
,
Denimos la funcin que a cada usuario de internet asocia el conjunto de perles que administra en el instante t, como la funcin t : Pt Ft dada por: si si
t (p) =
{f1 , . . . , f k }
f1 , . . . , f k
p.
Denicin 2.24
Denimos la funcin que a cada perl de Facebook asigna los usuarios que lo co-administran en el instante t, como la funcin t : Ft Pt dada por:
t (f ) = {p1 , . . . , pn },
con
p1 , . . . , p n
f.
42
1) Si
2) Para todo
Debido a que nuestro anlisis se centrar en el comportamiento de los perles, deniremos la siguiente funcin que nos permitir estudiar la dinmica entre pares de perles.
Denicin 2.25
tante
como la
t (f, g ) =
1, 0,
si si
f f
y y
g g
t, t. t
es
Observacin 2.26
simtrica.
Nuestro siguiente objetivo consiste en estudiar el comportamiento de todos los posibles pares de perles que integran la red. Para ello, deniremos una matriz en la que cada elemento reeje el comportamiento del correspondiente par de perles que representa.
M = card{F } al cardinal del conjunto de perles de Facebook a tiempo innito y con MM M al conjunto de las matrices binarias simtricas de orden M .
Notaremos con
Denicin 2.27
matriz par de
como la
para cada
.
(f,g )F F
Propiedades de At
At
es simtrica, ya que la funcin
lo es.
si a tiempo
el perl correspondiente
si no. Es decir,
t (f, f ) =
con lo cual a tiempo
1, 0,
para todo si
f Ft ,
f F Ft ,
43
Debido a que en redes sociales existe un importante nivel de interactividad, es habitual suponer markovianidad. Luego, supondremos que Markov matricial nita de dimensin comportamiento de la cadena
{At }
es una cadena de
M M.
{At }
tamiento en el instante anterior. Calcularemos para la cadena ello, tendremos en cuenta que al
{At }, las probabilidades de transicin en un paso. Para ser At simtrica, bastar con calcular las probabilidades fi , fj F ,
Denicin 2.28
si
Dado
i<j
y escribimos
F = {f1 , . . . , fM }, fi fj .
si
decimos que
fi
precede a
fj
Introducimos a continuacin las siguientes notaciones de utilidad para el clculo de las probabilidades mencionadas:
Si
At = A, por A.
{At }
a tiempo
est dado
{At }, A y B, y considerando que la matriz B corresponde a un estado de amistad a tiempo posterior al que corresponde la matriz A, queremos calcular las siguientes probabilidades de transicin en un paso de A a B, calculando las probabilidades de que la subdiagonal inferior de la cadena a tiempo t +1 sea la subdiagonal inferior de B dado que a tiempo t el estado correspondiente a la subdiagonal inferior de la cadena sea la subdiagonal inferior de A. Es decir,
Luego, dados dos estados de
(2.7)
B:
caso en el que los perles no son amigos a tiempo
y no se
hacen amigos en el siguiente instante. y caso en el que los perles no son amigos en el instante
pero
pasan a serlo en el siguiente instante. y caso en el que los perles son amigos a tiempo
pero rompen
44
Ai,j = 1 y Bi,j = 1, caso en el que los perles son amigos a tiempo t y siguen sindolo
en el instante siguiente.
Observacin 2.29
A
a
Si
Ai,i = 1
Bi,i = 0,
para algn
i,
la probabilidad de transicin de
es cero, ya que como hemos mencionado, una vez que un perl ingresa a Facebook
At ,
denire-
mos ciertos ndices que medirn el nivel de anidad entre pares y ternas de perles. Sea
A A D(A A) = {(a, a ) : a, a A, a = a },
al conjunto de pares de elementos de
distintos, y por
A A A D(A A A) = {(a, a , a ) : a, a , a A, a = a , a = a , a = a },
al conjunto de ternas de elementos de
Denicin 2.30
con
Sea
p = p . Denimos el ndice de imagen del usuario p sobre el funcin X : P P D (P P ) I R tal que: X (p, p ) > 0, si p tiene una imagen favorable de p , X (p, p ) = 0, X (p, p ) < 0,
si
p, p P , usuario p como la
es indiferente a
p,
si
p.
Es decir,
nmero negativo segn la imagen que tenga el primero con respecto al segundo sea favorable, indiferente o desfavorable respectivamente.
Observaciones:
1) Suponemos que la red se encuentra en la etapa de madurez, instancia en la que la imagen que tiene una persona sobre otra a largo plazo ya est formada, razn por la cual
no depende de
t. p
con respecto a otro
no necesariamente coincide
sobre
p,
es decir,
es no simtrica.
es no
45
4) Cuanto ms favorable (desfavorable) sea la imagen que tenga (menor) va a ser el valor de relacin a
sobre
p,
mayor
X (p, p ),
X. f, g F ,
vamos a denir el ndice de imagen de
promediando los ndices de imagen de todos los pares posibles de usuarios que
los administran, transformados por una funcin de regresin montona desconocida, junto con un ruido blanco entre los perles que es aleatorio y depende del tiempo de la siguiente manera:
Denicin 2.31
sobre el perl
Sean
f, g F , f = g .
como la funcin
Yt : F F D(F F ) IR,
dada por
1 Yt (f, g ) = ml
con
X (pi , pj ) + t (f, g ),
i=1 j =1
(2.8)
{p1 , . . . , pm } y {p1 , . . . , pl }, los conjuntos de usuarios que administran a los perles f y g respectivamente, : IR IR una funcin de regresin montona, desconocida, y (t (f, g ))t=0,1,... una sucesin de ruido blanco, es decir, t (f, g ) variables aleatorias indepen2 2 dientes e idnticamente distribuidas con E () = 0 y E ( ) = > 0, para todo f, g F , f = g.
Ahora deniremos los ndices de imagen de ternas ordenadas de usuarios y de perles.
Denicin 2.32
da
Sean
(p, p , p )
como la
a cada terna ordenada de usuarios distintos dos a dos un nmero real, que representa el grado de aceptacin de la accin:
el amigo
Observaciones:
1) Como hemos mencionado, suponemos que la red se encuentra en la etapa de madurez en la cual las anidades entre los usuarios ya estn formadas, razn por la cual al igual que
X, U
no depende de
t. U
es no simtrica.
X.
46
Adems, dados tres perles distintos dos a dos imagen de la terna ordenada
f, g
h,
deniremos el ndice de
(f, g, h)
posibles ternas ordenadas de usuarios que los administran, transformados por una funcin de regresin montona desconocida, junto con un ruido blanco entre los tres perles que es aleatorio y depende del tiempo de la siguiente manera:
Denicin 2.33
Sean
de la terna ordenada
Wt : F F F D(F F F ) IR,
dada por
Wt (f, g, h) =
con
1 mkl
(2.9)
{p1 , . . . , pm }, {p1 , . . . , pk } y {p1 , . . . , pl }, los conjuntos de usuarios que administran a los perles f , g y h respectivamente, : I RI R una funcin de regresin montona, desconocida, y (t (f, g, h))t=0,1,... una sucesin de ruido blanco, es decir, t (f, g, h) variables 2 2 aleatorias independientes e idnticamente distribuidas con E ( ) = 0 y E ( ) = > 0, para todo f, g, h F , distintos dos a dos. A y B MM M dos estados de la cadena {At }, B correspondiente a un estado de amistad posterior a A y, dados f, g, h F , con el objetivo de calcular las probabilidades de transicin de A a B denidas por (2.7), describiremos las acciones que puede provocar el perl particular f que tienen incidencia en dicha transicin a partir de
Entonces, siendo los ndices de imagen (2.8) y (2.9). Para ello, supondremos que existen ciertos nmeros a los que llamaremos umbrales condiciones:
Yt (f, g ),
g si B .
g,
con
decide
provoca que
g
g , Yt (f, g ), g
y
R . f
solicita amistad a
f.
47
imagen de la terna
le sugiere a
su amigo
h,
le solicita amistad a
g.
Observacin 2.34
R > I ,
el ndice de imagen necesario para que un perl solicite amistad a otro en forma directa debera ser ms alto que el umbral que debe superar el ndice de imagen de la terna de perles correspondiente a cuando este mismo perl solicita amistad a otro que le fue sugerido por un amigo suyo.
Luego, para el estudio de las acciones del perl
B, debemos considerar sus acciones o intervenciones con o sin efecto en relacin con todos
los dems perles de la red, y las mismas pueden resumirse en una unin disjunta de los siguientes eventos: 1 Dt (f ): rupturas de f , 2 Dt (f ): no rupturas de f , 3 Dt (f ): solicitudes de amistad de f , 4 Dt (f ): sugerencias de amistad de f , es decir,
It (f ) =
i=1
i Dt (f ).
(2.10)
2 (f ), para Dt 1 esto expresamos a los mismos en trminos de la condicin i). De este modo, Dt (f ) representa la interseccin sobre todos los perles g que preceden al perl f tales que f y g son amigos a tiempo t pero dejan de serlo en el instante siguiente ya que el ndice de imagen entre ellos resulta negativo e inferior al umbral B , es decir,
Calcularemos en primer lugar las probabilidades de los eventos
1 (f ) Dt
2 Dt (f )
que preceden a
tales que
son
amigos a tiempo
imagen entre ellos no alcanz a ser tan bajo como para que se produjera la ruptura, es decir,
{Yt (f, g ) B }.
48
g, g F , con g f , g f , g = g , como el ruido blanco correspondiente al ndice de imagen entre f y g , t (f, g ), es independiente del ruido blanco correspondiente al ndice de imagen entre f y g , t (f, g ), tambin son independientes {Yt (f, g ) < B } de {Yt (f, g ) < B }, y {Yt (f, g ) B } de {Yt (f, g ) B }. En consecuencia,
Entonces, si
P {Yt (f, g ) B } .
3 Para el clculo de la probabilidad de Dt (f ) expresamos a dicho evento en funcin de 3 la condicin ii), siendo entonces Dt (f ) la unin sobre todos los perles g que preceden
a
tales que
por haber superado el ndice de imagen entre ellos el umbral la unin sobre todos los perles instante
que preceden a
tales
que haya anidad entre ellos y se produzca la amistad no fue superado, es decir,
{Yt (f, g ) R }.
{Yt (f, g ) R }
= 1P
g f : Af,g =0, Bf,g =1
Observemos que
{Yt (f, g ) R }
g f : Af,g =0, Bf,g =0
(2.11)
g {g f : Af,g = 0, Bf,g = 1} entonces g / {g f : Af,g = 0, Bf,g = 0}. Adems, son independientes {Yt (f, g ) R } de {Yt (f, g ) R } y {Yt (f, g ) > R } de {Yt (f, g ) > R }, ya que son independientes los ruidos blancos t (f, g ) y t (f, g ) correspondientes a los
49
P {Yt (f, g ) R }
g f : Af,g =0, Bf,g =0
4 Dt (f ) que, expresado en trminos de la condicin iii), representa la interseccin sobre todos los perles g que preceden a f tales que f y g son amigos en el instante t de la unin sobre todos los perles h que preceden a f tales que f y h son amigos a tiempo t y en el instante siguiente h y g se hacen amigos debido a que el ndice de imagen de la terna ordenada de perles (f, g, h) super el umbral I necesario para que g y h se hagan amigos por sugerencia de f , junto con la unin sobre todos los perles h que preceden a f tales que f y h son amigos en el instante t y en el instante siguiente h y g no concretan amistad ya que el ndice de imagen de la terna ordenada de perles (f, g, h) no pudo superar el umbral I para que g y h se hagan amigos por sugerencia de f , es decir,
Finalmente calcularemos la probabilidad del evento
{Wt (f, g, h) I }
{Wt (f, g, h) I }
=
g f : Af,g =1
P
hf : Af,h =1, Bg,h =1
{Wt (f, g, h) I }
=
g f : Af,g =1
1P
hf : Af,h =1, Bg,h =1
{Wt (f, g, h) I }
hf : Af,h =1, Bg,h =0
si
h {h f : Af,h = 1, Bg,h = 1}
Por
50
f y g jos, h = h , h f , h f , son independientes {Wt (f, g, h) I } de {Wt (f, g, h ) I } y {Wt (f, g, h) > I } de {Wt (f, g, h ) > I }, ya que son independientes los ruidos blancos t (f, g, h) y t (f, g, h ) correspondientes a los ndices de imagen Wt (f, g, h) y Wt (f, g, h ) respectivamente. Por lo tanto, la expresin (2.12) para el clculo 4 de la probabilidad de Dt (f ) resulta
otro lado, para
4 P (Dt (f )) = g f : Af,g =1
1
hf : Af,h =1, Bg,h =1
P {Wt (f, g, h) I }
hf : Af,h =1, Bg,h =0
Retomando el clculo de las probabilidades de transicin en un paso del estado de amistad A al B de la cadena de Markov representada por la matriz de amistad At , ,B pA t,t+1 , (2.7) puede expresarse como la probabilidad de la interseccin sobre todos los
f F , de las acciones o intervenciones de cada la transicin de A a B, siendo estas acciones representadas i eventos descriptos Dt (f ), i = 1, 2, 3, 4, es decir,
perles
,B pA t,t+1 = P f F 4
con
It (f ) ,
(2.13)
It (f ) =
i Dt (f ).
es independiente de It (f ). Como i i It (f ) e It (f ) son uniones disjuntas de los conjuntos Dt (f ) y Dt (f ) respectivamente, i i i = 1, 2, 3, 4, basta ver que Dt (f ) es independiente de Dt (f ), para i = 1, 2, 3, 4. En efecto, i en Dt (f ), la primera coordenada tanto del ndice Yt (f , g ) como del ndice Wt (f , g, h) , veremos que es ja, y es adems la primera coordenada de los ruidos blancos que intervienen en dichos ndices respectivamente. Entonces, son de
f F , f = f
It (f )
t (f , g, h) independientes Yt (f , g )
y
t (f , g )
Yt (f, g ) y Wt (f , g, h) de Wt (f, g, h), puesto que son independientes los ruidos blancos i t (f , g ) de t (f, g ) y t (f , g, h) de t (f, g, h). Por lo tanto, para i = 1, 2, 3, 4, Dt (f ) es i independiente de Dt (f ) y la probabilidad (2.13) resulta
A ,B pt,t +1 = f F 4
con
P (It (f )),
(2.14)
It (f ) =
i Dt (f ),
por lo que aplicando el principio de inclusin-exclusin para los podemos expresar a (2.14) como
= 1, 2, 3, 4,
4 i (f )) P (Dt
4 j i P (Dt (f ) Dt (f )) +
=
f F 4 4 i=1
i=1 j =i+1 j Dt (f )
4 i P (Dt (f )
+
i=1 j =i+1 k=j +1
k Dt (f ))
P
i=1
i Dt (f )
(2.15)
51
i Dt (f ), i = 1, 2, 3, 4,
de
2 3 Dt (f ) y de Dt (f ), ya que el ruido blanco 4 t (f, g, h) correspondiente al ndice de imagen Wt (f, g, h) que interviene en Dt (f ) es independiente del ruido blanco t (f, g ) correspondiente al ndice Yt (f, g ) que interviene en 1 2 3 Dt (f ), en Dt (f ) y en Dt (f ). 1 2 3 Dt (f ) es independiente de Dt (f ) y de Dt (f ), ya que si un perl f F aporta a la 1 2 3 interseccin de Dt (f ) no aporta ni a la interseccin de Dt (f ) ni a las uniones de Dt (f ). 2 3 Por la misma razn Dt (f ) es independiente de Dt (f ). Por lo tanto, la probabilidad de transicin en un paso del estado A al B de la cadena de Markov {At } (2.15) est dada por: 4 ,B pA t,t+1 4 i P (Dt (f )) f F 4 4 i=1 4 j i k P (Dt (f )) P (Dt (f )) P (Dt (f )) i=1 j =i+1 k=j +1 i=1 4 j i P (Dt (f )) P (Dt (f )) + i=1 j =i+1 4 i P (Dt (f )) .
(2.16)
1 Dt (f ),
T C,
de un usuario
y en el ndice de imagen
(p, p , p ). De desconocidas (X ) y
(U )
en las expresiones de los ndices de imagen de los perles que administran dichos
C1
C2
dos respectivamente. Por consiguiente, los ndices de imagen dados por las frmulas (2.8) y (2.9) mencionadas se reducen a
C1 + t (f, g )
Hemos visto en la Seccin anterior que las probabilidades de transicin en un paso del estado de amistad
al estado
de la cadena de Markov
T C,
52
t,
(Homogeneidad)
En el contexto de
T C,
la cadena de Markov
{At }
es homognea en el tiempo.
Supongamos un contexto de
TC
geneidad en el tiempo de la cadena {At } basta ver que las probabilidades involucradas i en (2.16), P (Dt (f )), i = 1, 2, 3, 4, no dependen de t. Para ello, introducimos algunas notaciones tiles. Para el ruido blanco correspondiente a la frmula (2.8), funcin de distribucin de
t (f, g ),
llamaremos
a la
t que, por hiptesis de T C , no depender de t ni de los perles f y g . Esto es, P (t (f, g ) ) = F (), para todo t = 0, 1, . . . , y para todo par de perles f, g F , con F continua. De igual manera, para el ruido blanco correspondiente a la frmula (2.9), t (f, g, h), llamaremos G a la funcin de distribucin de t que, por hiptesis de T C , no depender de t ni de los perles f , g y h. Es decir, P (t (f, g, h) ) = G(), para todo t = 0, 1, . . . , y para toda terna ordenada de perles f, g, h F , con G continua. i,j i,j Adems, notaremos con cA,B (f ) y dA,B (f, g ) a los cardinales de los conjuntos: ci,j A,B (f ) = card {g f : Af,g = i, Bf,g = j ; i, j {0, 1}}
y
T C,
tenemos que:
= F (B C1 )cA,B (f ) ,
1,0
P {C1 + t (f, g ) B }
=
g f : Af,g =1, Bf,g =1
= [1 F (B C1 )]cA,B (f ) ,
53
1,1
P {C1 + t (f, g ) R }
g f : Af,g =0, Bf,g =0
0,1 0,0
= 1 F (R C1 )cA,B (f ) [1 F (R C1 )]cA,B (f )
y
4 P (Dt (f )) = g f : Af,g =1
1
hf : Af,h =1, Bg,h =1
P {C2 + t (f, g, h) I }
hf : Af,h =1, Bg,h =0
1 G(I C2 )
,1 d1 A,B (f,g )
[1 G(I C2 )]
,0 d1 A,B (f,g )
i P (Dt (f )), i = 1, 2, 3, 4, no dependen de t, las probabiliA ,B para la cadena {At }, pt,t+1 , no dependen de t por lo que
{At }
slo depende del estado de salida y no del tiempo en que ocurre la transicin.
S = MM M , M < , M
{At }
At ,
donde
MM M
es el espacio de matrices
denido anteriormente.
TC
{At }.
cuando est en estado de madurez (descripcin del steady state o sistema en rgimen) suponiendo que a esta instancia todos los perles han sido creados. Notaremos con
C = {A S : Ai,i = 1,
i, i = 1, 2, . . . , M }.
S con al menos un cero en la diagonal, es para algn i, i = 1, 2, . . . , M . Esto signica que en el instante t, el estado de amistad A est indicando que t (fi , fi ) = 0, para algn i, i = 1, 2, . . . , M , es decir, el perl fi a tiempo t no existe en Facebook. Como hemos supuesto que una vez que un perl ingresa a la red no puede darse de baja, dado A C , la probabilidad de transicin de A a A es cero, esto es, un estado fuera de C no es accesible desde un estado dentro de C . Luego, C es una clase de comunicacin cerrada. 2
tal que una matriz perteneciente a 54
A S
A / C . A es decir, A i,i = 0,
Observacin 2.36
instante
A / C
en el
C . Por lo tanto, {At } es tal que en el largo plazo todos los estados del espacio de estados S son atrados en una cantidad nita de pasos por la clase de comunicacin cerrada C . t,
en una cantidad nita de pasos el estado
A, B C .
con todos unos en la diagonal, Fuera de la diagonal, un cero puede pasar a un uno
es irreducible y aperidica.
AyB 2
Teorema 2.38
(Ergodicidad)
{At } es ergdica y, bajo la distribucin ergdica (), la indicatriz de amistad entre cualquier par de perles f y g , con g f , denotada por (f, g ), es una variable aleatoria con distribucin Bernoulli de parmetro p, 0 < p < 1, con la misma distribucin e independiente de la indicatriz de otro par de perEn el contexto de
TC
la cadena de Markov
les.
Demostracin
Hemos probado que y, por ser
restringiendo la cadena
{At }
al espacio de estados
C,
y con todos sus estados recurrentes positivos. Luego, por la Denicin 2.12,
{At }
es
ergdica y, por lo tanto, existe la distribucin lmite que comprende el nico vector de probabilidades estacionarias
En particular, si
A C,
A () = l m P (At = A)
t
= l m P
t f F
{t (f, f ) = 1}
g f g F
{t (f, g ) = Af,g }
de
Ft , t ,
fueron
denidas como variables dicotmicas que tomaban valores uno o cero de acuerdo a si estos perles eran amigos o no en Facebook en el instante t. Entonces, bajo la distribucin ergdica, a tiempo innito, las variables aleatorias Bernoulli. En el contexto de
T C,
cada perl de
p,
(f, g ),
con
f g,
f, g F
55
Adems, estas variables aleatorias guardan relacin directa con los ndices de imagen entre pares de perles,
Yt ,
TC
quedaban reducidos
a una constante ms un ruido blanco. Estos ruidos blancos son variables aleatorias independientes para todo
f, g F , 2
con
f g,
(f, g ),
con
f g , f, g F
la distribu-
Por lo expuesto en el teorema anterior podemos concluir que, para cin ergdica bajo
A C,
TC
es
A () =
f F g f g F
56
TC
en la red.
Para realizar los test de hiptesis necesitamos conocer la distribucin asinttica de dichos estimadores, para lo cual utilizaremos teoremas como los de Lindeberg y Lyapunov para arreglos triangulares. Adems, daremos a conocer una familia de estadsticos llamados U-Estadsticos, introducida por Hoeding en 1948, quien se bas en un trabajo de Halmos realizado en 1946. Veremos que esta familia admite un Teorema Central del Lmite cannico y resuelve el problema de encontrar la distribucin lmite de varios estadsticos no lineales de gran utilidad. Por ltimo, introducimos el concepto de Transversalidad Segmentada y proponemos un test para probar
TC
3.1. U -Estadsticos
3.1.1. Denicin y ejemplos
h : Rr R es una funcin a valores reales de r argumentos x1 , . . . , xr , y que los argumentos pueden ser nmeros reales o vectores. Sean X1 , . . . , XN , N observaciones independientes idnticamente distribuidas con funcin de distribucin F . Dado r 1, queremos estimar o hacer inferencias sobre el parmetro
Supongamos que
= (F ) = E h(X1 , . . . , Xr )
suponiendo que
...
N r.
es
h(X1 , . . . , Xr ).
Si
N > r,
como
h(X1 , . . . , Xr )
57
puede mejorarse utilizando el Teorema de Rao-Blackwell mediante el clculo de la esperanza condicionada a un estadstico suciente, obtenindose as un estimador de menor varianza. Por ejemplo, si las variables aleatorias ticos de orden
Xi
X(1) , . . . , X(N )
es siempre suciente y
es
que
h(X1 , . . . , Xr ) = 1 r CN
h(Xi1 , . . . , Xir ),
1i1 <i2 <...<ir N
(i1 , . . . , ir ) {1, . . . , N }.
una de las
r CN =
Denicin 3.1
tribuidas, un
X1 , . . . , XN , N observaciones independientes idnticamente U-Estadstico de orden r , N r , con ncleo h se dene por: 1 U = UN = r h(Xi1 , . . . , Xir ). CN 1i <i <...<i N
Sean
1 2 r
dis-
Claramente,
UN
es un estimador insesgado de
. h
es simtrica para que
Observacin 3.2
U
Ejemplo 3.3
Sea
(F ) = (F ) =
U-Estadstico es:
1 U ( X1 , . . . , X N ) = N
es decir, la media muestral.
Xi h(Xi ) =
i=1
i=1
= X,
Ejemplo 3.4
Sea
(F ) = 2 (F ) = ( x dF (x))2 .
Para el ncleo
h(x1 , x2 ) = x1 x2 ,
el
U ( X1 , . . . , X N ) =
2 Xi Xj . N (N 1) 1i<j N )2 dF (x).
N
Ejemplo 3.5
h(x1 , x2 ) =
Para el ncleo
2 Xi2 N X
i=1
= s2 ,
58
< .
hc (x1 , . . . , xc ) = E h(x1 , . . . , xc , Xc+1 , . . . , Xr ) , c = 1, . . . , r 1 y hr h. Como h (x , . . . , xc ) dF (x1 ) . . . dF (xc ) = ARrc h(x1 , . . . , xr ) dF (x1 ) . . . dF (xr ), A c 1 c para todo Boreliaano A R , hc es la esperanza condicional de h(X1 , . . . , Xr ) dado X1 , . . . , Xc , es decir,
para cada
1cr1
=h h
c = hc , h
donde
= (F ) = E h(X1 , . . . , Xr ) = 0,
para
, con
1 c r.
Observemos que
c (X1 , . . . , Xc ) E h 0 = 0
1 c r.
Denicin 3.1.1
Denimos
y, para
1 c r, c 2 (X1 , . . . , Xc ) . =E h
c = V ar hc (X1 , . . . , Xc )
Puede probarse que Sean
{a1 , . . . , ar } y {b1 , . . . , br } dos subconjuntos de {1, . . . , N } con r enteros distintos , ya que h es y sea c el nmero de enteros comunes a ambos conjuntos. Por simetra de h simtrica, y por independencia de {X1 , . . . , XN } resulta (Xa , . . . , Xar ) h (Xb , . . . , Xbr ) E h 1 1 = c .
La cantidad de elecciones posibles de estos subconjuntos con c elementos en comn es rc r c CN Cr CN r . 1 (Xi , . . . , Xir ), tenemos: h Luego, escribiendo UN = r 1 CN c
Este resultado y otras relaciones tiles probadas por Hoeding en 1948, pueden resumirse en el lema que daremos a continuacin.
Lema 3.1.2
La varianza de
UN
1 V ar(UN ) = r CN
y satisface que
V ar(UN ) =
cuando
r2 1 1 +O , N N2
N .
U -Estadstico
to, ni la distribucin exacta ni la asinttica se deducen directamente. Sin embargo, puede realizarse una proyeccin del estadstico U sobre la familia de estadsticos lineales de la N 1 h(Xi ), resultando esta proyeccin la parte dominante que determina la disforma N i=1 tribucin lmite de U . Esta es la llamada Proyeccin de Hjek. Los teoremas principales relacionados con estas ideas pueden verse en Sering R. [41], Lee A. [30] y Lehmann E.
[31]
Supongamos que
E |h| < ,
U -Estadstico
N = U
i=1
Observemos que la proyeccin de
E (UN |Xi ) (N 1) . UN
(3.1)
1 = h1 , h
N = U
i=1
r E (UN |Xi ) = N
1 (x). h
i=1
60
U -Estadsticos
V ar(UN ) =
y
c 2 c!(Cr ) c 1 , + O Nc N c+1
V arF ( N )c (UN ) N . c = 1,
c 2 c! (Cr ) c ,
cuando
( N )c (UN ) n(UN )
converge en dis-
tribucin a una variable no degenerada. Para Hoeding demuestra en 1948 que la variable
converge en dis-
tribucin a una variable gaussiana. A continuacin enunciamos el teorema correspondiente cuya demostracin puede verse en Sering R. [41].
Teorema 3.1.4
sea
Supongamos que
observaciones independientes
cuando
N ,
(3.2)
N (UN ) = N (0, r2 1 ),
cuando
N .
(3.3)
Observacin 3.6
1 > 0,
entonces
una
T C.
estadsticos bajo el supuesto de que se cumple la hiptesis mencionada. Recordemos que nuestro inters se centra en la dinmica de la red a largo plazo cuando est en estado de madurez y que en estas condiciones hemos probado que bajo bajo la distribucin ergdica
TC
(),
61
f, g F ,
con
gf
y denotadas por
aleatorias independientes
perles de
F , f1 , . . . , f N .
1 EN = N
i=1
1 N
(fi , fj ) ,
j =1
(3.4)
este estadstico promedia la proporcin de amigos o comunicaciones que tienen los perles de la muestra y por consiguiente mide la comunicacin de la muestra en promedio. Si suponemos que en la red social Facebook se verica la hiptesis de mo las variables aleatorias
T C,
co-
( (fi , fj ))i<j son Bernoulli independientes V ar( (fi , fj )) = p(1 p). En este contexto, es
de parmetro
p,
sencillo calcular
(fi , fj )
y que en el largo plazo suponemos que todos los perles fueron creados y por lo tanto escribimos (3.4) de la siguiente manera:
EN
1 = 2 N2 2 = N2
N
(fi , fj ) + N
i=1 j =i+1 N
(fi , fj ) +
i=1 j =i+1
1 , N
entonces
2 E (EN ) = N2 =
E ( (fi , fj )) +
i=1 j =i+1
1 N
2 N (N 1) 1 p+ 2 N 2 N N 1 1 = p+ p, cuando N , N N
N N
4 V ar(EN ) = N4 =
V ar( (fi , fj ))
i=1 j =i+1
(3.5)
Distribucin asinttica de EN
Para hallar la distribucin asinttica de estadstico centrado
EN
1 EN p = N =
i=1
1 N
N
( (fi , fj ) p)
j =1
1 2 N2 2 N2
N
( (fi , fj ) p) N (1 p)
i=1 ij N
=
Notando
( (fi , fj ) p)
i=1 ij N
1p . N
(3.6)
i = YN
1 N2
( (fi , fj ) p),
ij N
EN p = 2
i=1
donde
i YN
1p , N
(3.7)
i { YN : i = 1, 2, . . . , N }
Teorema 3.2.1
condiciones i) Para cada ii) iii)
Si el arreglo triangular
i {YN : i = 1, 2, . . . , N }
i N N, {YN : i = 1, 2, . . . , N }
son independientes;
i E (YN ) 0,
cuando
N ;
s2 N =
N i=1
i V ar(YN ) < ;
iv) Existe
>0
tal que
i 2+ E [(YN ) ] < , para todo N y para todo i,
L(N, ) =
entonces
1
s2+ N
N i 2+ ) ] 0, E [(YN i=1
cuando
N ,
(3.8)
1 sN
cuando
N .
(3.9)
63
Demostracin
La hiptesis i) se verica trivialmente, ya que para es independiente de
i=i
jo,
( (fi , fj ) p)
ij N
( (fi , fj ) p).
i j N
Adems,
i E ( YN ) =
1 E N2
( (fi , fj ) p)
ij N
= =
1p 0, = N2
ya que
N ,
E ( (fi , fj ) p) = 0.
N
s2 N
=
i=1
V 1 N4 1 N4
i ar(YN )
=
i=1
V ar
1 N2
( (fi , fj ) p)
ij N
V ar (1 p) +
i=1 N i<j N
( (fi , fj ) p)
= =
1 N (N 1) p(1 p) < . N4 2
= 2.
i 4 E [(YN )]
1 = E N8 = 1 E N8
( (fi , fj ) p)
ij N 4
( (fi , fj ) p) + (1 p)
i<j N
(3.11)
A=
i<j N
( (fi , fj ) p)
B = (1 p)4 ,
64
C=6
i<j N
( (fi , fj ) p)
3
(1 p)2 , (1 p),
y
D=4
i<j N
( (fi , fj ) p)
E=4
i<j N
( (fi , fj ) p) (1 p)3 ,
i 4 E [(YN ) ]=
Luego,
1 E (A + B + C + D + E ) N8
(3.12)
E (A) =
i<j N 2 + C4
= (N i)(3p4 + 6p3 4p2 + p) + 3(N i)[(N i) 1] p2 (1 p)2 , E ( (fi , fj ) p) = 0 y por esto, los trminos ( (fi , fj ) p)3 ( (fi , fk ) p), los 2 trminos ( (fi , fj ) p) ( (fi , fk ) p) ( (fi , fl ) p) y los trminos ( (fi , fj ) p) ( (fi , fk ) p) ( (fi , fl ) p) ( (fi , fm ) p) en la expresin A tienen esperanza cero, si j = k = l = m.
pues
E (C ) = 6(1 p) E
i<j N
( (fi , fj ) p)
de la forma
( (fi , fj ) p) ( (fi , fk ) p)
3
es
( (fi , fj ) p)
( (fi , fj ) p)( (fi , fk ) p)2 y ( (fi , fj ) p)( (fi , fk ) p)( (fi , fl ) p), j = k = l, tienen esperanza cero. Finalmente, E (E ) = 4(1 p)3
i<j N
65
E ( (fi , fj ) p) = 0.
Por lo tanto,
i 4 )] = E [(YN
+ (1 p)4 + 6(N i)p(1 p)3 + 4(N i)(1 p)(2p3 3p2 + p) 1 p + (1 p)4 (N i)Cp + (N i)[(N i) 1)]C N8 1 p N [(2i + 1)C p Cp ] + [(i2 + i)C p iCp ] + (1 p)4 = N 2C N8 N2 Cp < , para todo N y para todo i, (3.13) N8 4 3 2 3 3 2 2 2 con Cp = (3p + 6p 4p + p) + 6p(1 p) + 4(1 p)(2p 3p + p) = 11p (1 p) + p = 3p2 (1 p)2 . 6p(1 p)3 + 4p(1 p)2 + p(1 p) y C Entonces vemos que se verica la condicin de Lyapunov dada por (3.8) para = 2: = 1 L(N, 2) = 4 sN
N N i 4 E [(YN )] i=1
=
i=1 N
2 N3 (N 1) p(1 p) 4 N4 N2 Cp p2 (1 p)2 N 8
2 i 4 E [(YN )]
i=1
p 4 C 0+ , p2 (1 p)2 N
cuando
N .
1 sN 2
N .
EN p
en funcin de
por (3.7) y a la expresin para sN dada por (3.10), tenemos que para N 2N 1 i grande EN p y que = . Luego, = 2 YN N 1 sN p(1p) N i=1
1 sN
es decir,
N i YN = i=1
N (EN p)
1 2 NN p(1 p)
= N (0, 1),
cuando
N ,
cuando
N .
(3.14)
tomamos distintas muestras de perles, bajo el supuesto de diferencias entre las estimaciones de
T C,
no deberamos detectar
Para estudiar este fenmeno proponemos una prueba de hiptesis para comparar la comunicacin promedio que existe dentro de poblaciones independientes, suponiendo Considerando dos muestras independientes de
T C.
y
perles
de
F , f1 , . . . , fN
g1 , . . . , gN ,
con
{f1 , . . . , fN } {g1 , . . . , gN } = , EN = 1 N
N
i=1
1 N
(fi , fj ) ,
j =1
(3.15)
donde
cuando
N ,
1 = N
i=1
1 N
(gi , gj ) ,
j =1
(3.16)
donde
cuando
N . 2
de una distribucin estn ligadas, es
y la varianza
= () y adems () es derivable, existe una generalizacin del Teorema Central 1 Lmite cannico que consiste en tomar una funcin g () tal que g () = , es decir, ()
1 . Luego, el Teorema Central del Lmite cannico ()
una primitiva de
implica que
w n ) = n(X N (0, 2 ),
cuandoN
cuando
N .
Si queremos entonces, realizar un test aproximado para comparacin de medias de dos poblaciones
sucientemente
= ()
resulta
R = {|E | z/2 },
con
E=
mn m+n
m ) g (Y n ) g (X
, siendo
g (x) =
x 1 dt. 0 (t)
= ()
()
g ( ) = g ()
verica que
2 arc sen( ),
g ( ) =
1 y por lo tanto () w
cuando
N ,
(3.17)
cuando
N .
(3.18)
En consecuencia, para realizar el test aproximado de comparacin de las comunicaciones promedio, el estadstico de la prueba suponiendo que se cumple la hiptesis de T C resulta N (g (EN ) g (p)) N (g (EN ) g (p)) = N (g (EN ) g (EN )) y, segn (3.17) y (3.18), w N (g (EN ) g (EN )) = N (0, 2), cuando N . (3.19) Luego, para un nivel de signicacin
R =
Se realiz un experimento sobre una red de amigos de un perl real particular, tomando dos muestras independientes y disjuntas de tamao N = 75 y se obtuvo que EN = 0,69 y N = 0,57 y el valor del estadstico fue )| = 2,1. Por consiguiente a un EN |g (EN ) g (EN 2 nivel de signicacin
= 0,05
T C.
Este resultado estara indicando que la red social Facebook es una plataforma en la que la comunicacin entre las personas o grupos de personas no es transversal.
TN
1 = 2 CN 1 = 2 CN
i=1 j =i+1 N N
1 (fi , fj ) 2 CN
2
(fk , fl )
k=1 l=k+1 N N 2
i=1 N
1 (fi , fj ) 2 CN j =i+1
N N N
(fk , fl )
k=1 l=k+1
1 = 2 2 (CN )
i=1
Distribucin asinttica de TN
Podemos ver que
TN
es un
U -estadstico
de orden 2 y ncleo
v (fi ) =
(fi , fh )
v (fk ) =
T C,
1 = Cov h(v (f1 ), v (f3 )); h(v (f1 ), v (f5 )) ( (f1 , f2 ) (f3 , f4 ))2 ( (f1 , f2 ) (f5 , f4 ))2 ; 2 2 2 ( (f1 , f2 ) (f5 , f4 ))2 ( (f1 , f2 ) (f3 , f4 )) = E 2 2 2 1 = p(1 p) (p(1 p))2 . 4 = Cov
Observemos que
p = 0,5. Sin embargo, a los efectos del modelo de Facebook con el que estamos tratando p = P ( (fi , fj ) = 1) es la probabilidad
si y slo si o de que dos perles cualesquiera sean amigos en el largo plazo, y este es un nmero entre 0 y 1, probablemente menor que 0,5 debido al gran tamao de la red completa. Luego, como
1 = 0
p = 0, p = 1
0 < 1 < ,
w
cuando
N .
(3.20)
Si notamos
= p(1 p)
tenemos que
= ()
()
es
g () = arc sen(2 ), g ( ) =
1 y en consecuencia la expresin del lmite en ()
resulta que
g ( )
verica que
(3.20) equivale a
69
cuando
N .
TC
cas para dos poblaciones independientes de perles, de manera similar a la comparacin de las comunicaciones promedio realizada en la subseccin anterior. Es decir, podemos tomar una muestra de que
de la anterior
f1 , . . . , f N ,
tal
1 = 2 CN
i=1 j =i+1
1 (gi , gj ) 2 CN
(gk , gl )
k=1 l=k+1
y concluir que
cuando
N .
cuando
N .
utilizando este estadstico
para el test de
TC
R =
Del mismo modo que expusimos para el test de comparacin de la proporcin media de la comunicacin entre perles, hemos tomando el mismo perl particular real y calculado el estadstico y la regin crtica llegando a la conclusin de que se rechaza la hiptesis de
T C.
TC
obtencin de la distribucin asinttica de los estadsticos que presentamos en la seccin anterior propuestos para testear dicha hiptesis. Sin embargo, un contexto comunicacional como el de
TC
alejado de la realidad, como lo demuestran las conclusiones de los dos test realizados. Es razonable pensar que los perles tienden a agruparse en segmentos de acuerdo a distintos
70
criterios sociales como ideologas polticas, intereses econmicos, gustos musicales, edades, deportes, etc, y que estos segmentos tambin se relacionen entre s. En esta Seccin, introducimos el concepto de Transversalidad Segmentada, (T S ), es de-
T C entre segmentos. En un contexto de estas caractersticas, lo que dejar de cumplirse es la homogeneidad del parmetro p de las variables aleatorias Bernoulli ( (f, g ))g f que
cir, representan la comunicacin entre perles pero se mantiene la independencia entre dichas variables. Podemos realizar una segmentacin a priori en la red considerando mentos distintos formando una particin de cribir a la matriz de amistad
S1 , . . . , Sk , k segy, reordenando los elementos de F , reesS1 , el segundo bloque a los que pertenez-
At
S2 ,
TC
dentro de cada segmento como los que hemos visto en la seccin anterior y tambin
podemos construir un estadstico que represente la comunicacin entre pares de segmentos con el n de probar la hiptesis de
TC
podemos estar interesados en medir la calidad en la segmentacin mediante ndices de performance adecuados. A continuacin detallamos estas ideas.
3.3.1.
Sea
TC
entre segmentos
una particin en segmentos de
S1 , . . . , Sk ,
y sea
ai =
card{Si } , card{F }
i = 1, 2, . . . , k .
k
Es claro que cada
ai = 1. i=1 Realizamos un muestreo estraticado al azar por segmentos, es decir, los perles
son elegidos al azar dentro del segmento
ai > 0,
f1 , . . . , f[a1 N ] f
k1
S2 ,
,...,f
ai N +1
[ x]
es la parte en-
ai N
i=1
i=1
tera de
x,
es decir
para
x > 0.
I1 = {1, . . . , [a1 N ]}, con card{I1 } = [a1 N ], I2 = {[a1 N ] + 1, . . . , [(a1 + a2 )N ]}, con card{I2 } = [(a1 + a2 )N ] [a1 N ],
. . .
k1
k 1
Ik =
i=1
Dados
ai N + 1 , . . . ,
i=1
ai N
con
card{Ik } =
i=1
ai N
i=1
ai N .
Sr y St , con r, t {1, . . . , k }, dos segmentos de la particin en k segmentos de F , para fi Sr y fj St , con i Ir , j It . Notaremos con qij a la probabilidad de que los perles fi y fj sean amigos, es decir, P ( (fi , fj ) = 1) = qij . Observemos que las funciones aleatorias de amistad (fi , fj ) siguen siendo variables
71
Bernoulli aunque el parmetro de su distribucin ahora depende de la intensidad con que se relacione el par de perles considerado. Sin embargo, puede ocurrir que dado un par de segmentos distintos haya homogeneidad en cuanto a la comunicacin entre los perles de un segmento y el otro. En este sentido, formulamos la siguiente denicin.
Denicin 3.7
Sr y St , decimos que existe T C entre ellos si dados fi Sr y fj St , con i Ir y j It , (fi , fj ) tiene distribucin Bernoulli de parmetro qrt , para todo fi Sr y para todo fj St .
Dados dos segmentos
Es decir,
TC
distintivo entre los mismos. A continuacin presentamos un estadstico que promedia la proporcin de amigos del segmento
St
Sr :
(3.21)
E (r, t) =
1 card{Ir }
iIr
1 (fi , fj ), card{It } j I
t
TC
entre
Sr
St ,
E (r, t) qrt =
iIr
Por lo tanto, notando
(3.22)
i Ycard {Ir } =
resulta que
card{I }
1 scard{Ir }
con
cuando
N ,
s2 card{Ir } =
iIr
i V ar(Ycard {Ir } ) =
cuando
N .
(3.23)
Luego, podemos realizar una prueba de hiptesis para la existencia de tre un par de segmentos de una particin de
TC
en-
F .
la regin crtica es anlogo al que utilizamos en la Seccin anterior, esto es, se realiza otro muestreo estraticado al azar por segmentos, independiente del anterior
g1 , . . . , g[a1 N ] son elegidos al azar dentro del segmento S1 con {g1 , . . . , g[a1 N ] } {f1 , . . . , f[a1 N ] } = , los perles g[a1 N ]+1 , . . . g[(a1 +a2 )N ] son elegidos al azar dentro S2 con {f[a1 N ]+1 , . . . f[(a1 +a2 )N ] } {g[a1 N ]+1 , . . . g[(a1 +a2 )N ] } = , y as sucesivamente hasta que los perles g k1 ,...,g k son elegidos al azar dentro de
en el cual los perles
ai N +1
i=1 i=1
ai N
Sk
con
k 1
,...,f
ai N +1
g
ai N
k1
,...,g
ai N +1
= .
ai N
i=1
i=1
i=1
i=1
Sr
St ,
con
r, t {1, . . . , k },
el estadstico (3.24)
E (r, t) =
bajo
1 card{Ir }
i Ir
1 (gi , gj ), card{It } j I
t
qrt (1qrt ) y al igual card{Ir } card{It } que para el estadstico centrado de la expresin (3.22) obtenemos la distribucin asinttica de E (r, t) qrt , cuando N :
TC
entre
Sr
St ,
tiene
cuando
N .
(3.25)
E (r, t) y E (r, t) verican que la varianza es funcin de la espe ranza , es decir, () = (1 ), con = qrt , tomando g () = 2 arc sen( ), se cumple 1 y, procediendo en forma anloga que en la Seccin anterior, podemos que g () = ()
concluir que
cuando
N ,
TC
a nivel de signicacin
R =
. Sr
y
St ,
TC
73
segmentos de esos
segmentos,
y probar si los segmentos que componen el par tienen un comportamiento comunicacional 2 homogneo distintivo o no. Estos Ck test pueden representarse en una matriz binaria simtrica de orden
k, S ,
Sij
Si
Sj
no
tuvieron homogeneidad en cuanto a la comunicacin, esto es, si el test correspondiente rechaza la hiptesis de
TC
Sij .
como
Cp =
Si tomamos
g (d) 100 %. 2 Ck k
segmentos, con
(3.26)
un nmero sucientei mente grande, podemos calcular para cada segmentacin el ndice denido en (3.26), Cp , con
segmentaciones al azar de
i = 1 , . . . , m,
dad en la Segmentacin. Si para la mayora de las segmentaciones esta medida result, por ejemplo, mayor que la media de las observaciones, continuamos segmentando segn el criterio que se vena utilizando, caso contrario es conveniente modicar el criterio de segmentacin.
74
TC
cin, proporcionamos una sntesis de los estudios y experimentos ms relevantes que se realizaron para abordar el problema. Con el objetivo de analizar el fenmeno mencionado, en la segunda Seccin introducimos un estadstico de utilidad en la medicin de la conectividad entre los usuarios y estudiamos su distribucin asinttica en el contexto particular de
T C,
evaluar la conectividad consiste en el clculo de las distancias entre pares de perles que componen la red y para ello, en la tercera Seccin damos una denicin formal del grado medio de separacin entre dos perles y, segn el contexto, podremos calcularlo y realizar el anlisis. La ltima Seccin, se reere a conclusiones y planteos futuros sobre el tema.
75
La medicin de este fenmeno en una red es sencilla, consiste en hallar las distancias entre pares de vrtices que la componen y calcular su distancia media. Uno de los mtodos ms conocidos es el de la bsqueda de anchura. En una red social, una distancia de un grado es la que conecta a un individuo con un amigo o conocido, la relacin es directa y sin intermediarios. Una distancia de dos grados, conecta a un individuo con un amigo de su amigo; una de tres, a un individuo con el amigo del amigo del amigo, y as sucesivamente. En particular, la teora de los Seis Grados de Separacin conjetura que cualquier persona puede estar conectada con cualquier otra, a travs de una cadena de no ms de cinco intermediarios en promedio que se conocen mutuamente dos a dos, conectando a ambas personas con slo seis enlaces o saltos.
76
en promedio. Por otra parte, prcticamente la mitad de las cadenas llegaron a su destino (en el ltimo paso) a travs de las mismas tres personas, por lo que pudo demostrarse la presencia de una red de relaciones densa, y que la cadena de intermediarios para contactar a dos personas cualesquiera era relativamente corta. Posteriormente Milgram reanud el experimento con una modicacin, el destinatario y el emisor fueron elegidos entre miembros de distintas comunidades raciales, con la intuicin de que el trayecto se alargara. No obstante, la distancia media fue otra vez igual a seis dando pie a la hiptesis de los Seis Grados de Separacin. Aunque Milgram nunca utiliz esta frase, la misma se populariz a raz de su uso por parte del dramaturgo americano John Guare J. [25], en su libro Six Degrees of Separation publicado en 1990. Los resultados obtenidos por Milgram muestran las propiedades de las redes de mundo pequeo que luego son formalizadas por Watts D. y Strogatz S. en 1998 [46], quienes argumentan que se trata de una estructura que puede representarse con un grafo caracterizado por un alto agrupamiento y una corta distancia promedio, justicando que el universo social estara constituido por conglomerados de individuos altamente interconectados entre s, pero que no llegan a conformar islas separadas, en la medida en que se enlazan a travs de vrtices que disminuyen considerablemente la distancia geodsica promedio. Para analizar el fenmeno de mundo pequeo, partieron de redes regulares donde cada vrtice tena el mismo nmero de enlaces, como puede observarse en la Figura 4.1, distribuyendo los vrtices sobre un crculo y unindolos con los ms prximos tanto por la derecha como por la izquierda. Estos grafos, presentan un alto grado de agrupamiento y un dimetro elevado. Luego, a estas redes les fueron aplicando alteraciones en forma sucesiva hasta convertirlas en redes aleatorias, con bajo agrupamiento y dimetro reducido como en la Figura 4.3, llegando a la conclusin de que las redes de mundo pequeo, es decir, redes con un dimetro pequeo y un agrupamiento alto ocupaban un lugar en medio del espectro entre las redes regulares y las redes aleatorias, como puede verse en la Figura 4.2.
Figura 4.1
Figura 4.2
Figura 4.3
Entre los ejemplos de redes de mundo pequeo encontramos, en el universo del cine, el llamado juego de Bacon que consiste en determinar la distancia de cualquier actor a Kevin Bacon. Se sospecha que ningn actor de Hollywood tiene distancia a Bacon mayor a seis.
77
La comunidad matemtica, por ejemplo, cuenta con un epicentro: el matemtico hngaro Paul Erds. La produccin de Erds es tan grande, computada en el nmero de publicaciones, que en la literatura se habla de la distancia a Erds. Un matemtico tiene distancia a Erds 1 si ha publicado un artculo en colaboracin con l, distancia 2 si ha publicado con un matemtico a distancia Erds 1, y as sucesivamente. Entre otros ejemplos de redes de mundo pequeo, encontramos el mapa de propagacin de epidemias de un rea geogrca o la red de suministro de una compaa elctrica. Cualquiera de las redes descriptas anteriormente puede ser representada por un grafo simple, es decir un grafo sin bucles ni aristas paralelas. As, en el llamado grafo de colaboracin de Erds, los vrtices designan matemticos y las aristas, las colaboraciones. Igualmente puede esbozarse un grafo descriptivo de la sociedad de actores, indicando las aristas como intervenciones en un mismo lm. El mundo puede ser representado por un grafo con pautas de regularidad. As, para un individuo dado puede aproximarse, dentro de su crculo de amistades, un dominio de cien personas. Si cada uno de estos individuos conoce a cien personas y volvemos a multiplicar por cien tendremos, despus de una cadena de seis eslabones, un nmero de personas igual a cien a la sexta, es decir, un billn, nmero que abarca la supercie entera del planeta. Sin embargo, en la realidad, los amigos de nuestros amigos suelen ser nuestros amigos, o al menos caer en el crculo de nuestros allegados, de tal manera que la cadena no se multiplica cada vez por cien sino por un factor ms pequeo. Por otro lado, el crculo puede encerrar saltos a zonas remotas, en el sentido de amistades poco probables. Existen mltiples detractores de la Teora de Mundo Pequeo, considerndola nicamente como el reejo del dicho popular de que el mundo es un pauelo. No obstante, sta s podra tener plena validez aplicada a poblaciones con ciertos rasgos o patrones bsicos comunes: de comportamiento, indicadores sociodemogrcos o perles descriptivos, acotando la teora a un escenario posible y plausible.
78
de 4.7 grados o relaciones, poco ms de tres individuos. Si se consideraban slo los usuarios de un mismo pas la distancia era menor (3 grados). Este hallazgo fue signicativo ya que disminuy la distancia tradicional de seis pasos hallada por Milgram en los aos 50, posteriormente un fenmeno universal. Adems, pudo observarse que los amigos de un usuario eran ms propensos a ser de la misma edad y proceder del mismo pas. En la Figura 4.4 podemos ver la distribucin acumulada del grado que muestra en el eje de absisas el nmero de amigos y en el de ordenadas el porcentaje de personas que tiene menos de un determinado nmero de amigos.
Figura 4.4 Se observ que slo el 10 por ciento de la poblacin tena menos de 10 amigos, el 20 por ciento menos de 25, mientras que el 50 por ciento tena ms de 100. Adems se obtuvo que la distribucin era sesgada y que el nmero promedio de amigos por usuario era de 190. Un importante hallazgo en este estudio fue sin embargo que la distribucin no era tan sesgada como sugeran estudios anteriores sobre redes sociales. En consecuencia, los autores concluyen que Facebook es a la vez una red social global y local, conecta a gente que est apartada pero tambin tiene una estructura local densa como vemos en las pequeas comunidades. Ha crecido rpidamente en estos ltimos aos, representando una proporcin cada vez mayor de la poblacin mundial y por lo tanto el mundo se ha vuelto ms conectado.
79
la red, resulta de utilidad estimar la proporcin de ciclos de cierta longitud que se presentan en muestras de perles, como as tambin estudiar la distribucin asinttica de dicho estimador cuando el tamao de la muestra tiende a innito, lo cual implica considerar a todos los perles creados en la red.
AN = (ij )i,j {1,...,N } la matriz de amistad que corresponde a una muestra de N perles de F , con ij := (fi , fj ). Vimos que bajo la hiptesis de T C , ij tiene distribucin Bernoulli de parmetro p. Para r = 1, 2, . . . , N 1, sea
Sea
C=
i = (i1 , . . . , ir ) :
l=1
el conjunto de caminos que forman ciclos de longitud para la suma sobre cada uno de los ndices
la siguiente notacin
:=
i1 ,i2 ,...,ir =1
sea
i1 =1
,
ir =1
TN (r) =
1 Nr
i1 i2 i2 i3 . . . ir i1 ,
i1 ,i2 ,...,ir =1
(4.1)
perles, el cardinal del conjunto indica card {C } su proporcin. Por lo tanto, el nmero de ciclos que se producen en esa muestra y Nr mediante esta cantidad podremos inferir acerca del nivel de conectividad existente en la muestra de perles. Por ejemplo, si para un valor de r grande en relacin a N obtenemos card {C } un valor pequeo de , este resultado estara indicando un nivel de conectividad Nr bajo en la red. Hallaremos, suponiendo un conexto de de ciclos de longitud
N. C , card {C },
lizaremos elementos de la teora de matrices aleatorias y grafos aleatorios basndonos en Domnguez Molina, J. y Rocha Arteaga, A. [18] y Diestel, R. [17], como as tambin los resultados obtenidos por Wigner E. P.
80
E (G)
el conjunto de aristas,
(V (G), E (G)), con V (G) el consiendo card{V (G)} y card{E (G)} los
cardinales de los respectivos conjuntos. Enunciamos el siguiente lema cuya demostracin puede verse en el trabajo de Bondy Z. y Murty U. [6].
Lema 4.2.1
Si
G = (V (G), E (G))
si y slo si
es rbol.
Es decir, los grafos conexos no pueden tener ms vrtices que aristas y, si el grafo conexo es rbol, el nmero de vrtices supera en uno al nmero de aristas. Un rbol con raz es un rbol al que se le ha especicado un vrtice al que llamaremos
raz y un rbol orientado con raz es un rbol con raz inmerso en un plano, cuyo contorno
se recorre sobre el plano siempre en un mismo sentido previamente convenido, de la siguiente manera: el recorrido inicia y termina en la raz, al trmino del recorrido se recorre la misma cantidad de aristas de ida que de vuelta y en cada paso del recorrido no se tienen ms aristas recorridas de vuelta que de ida. La siguiente proposicin, cuya demostracin puede verse en el Captulo 6 de Koshy, T.
Proposicin 4.1
k -simo
nmero de Catalan
Ck =
con
k C2 k =
1 k C2 , k = 1, 2, ..., k+1 k
mente reemplazando cada arista dirigida por una arista con los mismos extremos. A este grafo se lo denomina grafo subyacente del grafo dirigido y slo si su grafo subyacente es conexo. El esqueleto del grafo dirigido al eliminar las aristas paralelas.
81
AN 1 , . . . , N ,
Sea
AN ,
FAN () =
1 N
card
{i : i = 1, . . . , N }, R,
(4.2)
AN
. [52]
AN = (Aij )i,j {1,...,N } , comunmente llamadas matrices matrices reales y simtricas de orden N , Aij = Aji =
i)
{ij }1ij N
ij
r E [ij ]
existe y
r Cr , E ij
Cr
r; ij
son iguales a
1 si 4
i < j,
y estn uniformemente
i = j.
La condicin ii) implica que todos los momentos de orden impar se
Observacin 4.2
anulan.
AN , FAN (), Wigner ([52], [51]) prob convergencia en probabilidad de los momentos de FAN () a los momentos
Estudiando la funcin de distribucin espectral emprica de de la funcin de distribucin no aleatoria
2 F () =
siendo
1 x2
1 I[1,1] (x)
dx,
(4.3)
F ()
mecnica cuntica, donde logr explicar el comportamiento estadstico de los niveles de energa de un sistema fsico en trminos de los autovalores cuando la dimensin de las matrices es grande.
82
dFAN () =
j =1
(j )r [FAN (j ) FAN (j )] 1 N
N
(j )r
j =1
(4.4)
1 = tr(Ar N ), N
para
r = 0, 1, 2, . . . ,
donde
tr(Ar N)
es la traza de la potencia
Por otro lado la funcin de distribucin del semicrculo est nicamente determinada por sus momentos
dF () =
con
1 2
1 I[1,1] ()
d,
si si
r = 2s,
(4.5)
0, r
2
r = 2s + 1,
1 s+1 s C2 s
los nmeros
s = 0, 1, 2, . . . , y
1 2
1 I[1,1] ()
d = Cs , siendo Cs =
([52], [51])
1 Pr tr(Ar N ) r := N
cuando
Cs ( 1 )s , 4 0,
si si
r = 2s, r = 2s + 1,
(4.6)
N . ([2], [23])
prueban
Ms tarde, bajo condiciones ms generales Arnold L. y Girko V. L. convergencia casi segura en (4.6), es decir,
1 cs tr(Ar N ) r , N
cuando
(4.7)
Existen varias versiones de este resultado, dependiendo de las condiciones que se consideren sobre las matrices aleatorias. Dominguez Molina J. y Rocha Arteaga A. (4.7) probando para esto que
[18]
1 tr(Ar N ) r , N
83
(4.8)
cuando
N ,
es que la traza presenta una estructura cclica que permite asociarle grafos conexos, de manera que al tomar lmite en (4.8), quedarn slo aquellos grafos conexos correspondientes a los rboles orientados con raz que se pueden formar con coincide con el
r-simo nmero de Catalan Cr . Segn Girko V. L [23] debido a la fuerte correlacin entre autovalores, las uctuaciones r i r
son del orden de
1 N
N i=1
1 y N
(4.9)
N , con r jo, pudindose hallar una expresin explcita para la V ar(tr(Ar N )) que depender del segundo y el cuarto momento de ij . En 1998, Sinai Ya. y Soshnikov A. [42] demuestran el siguiente teorema que extiende los resultados anteriores al caso de potencias r -simas de AN , que crecen con N .
cuando
Teorema 4.2.2
que verican las condiciones i) a iv) antes enunciadas, con el supuesto adicional de que
2k E (ij ) (C.k )k ,
uniformemente en
i,j
1 << r <<
N, E (tr(Ar N )) = (1 + o(1)),
si si
r = 2s, r = 2s + 1
0,
(4.10)
y
r tr(Ar N ) E (tr (AN )) N 0, w
1 ,
(4.11)
cuando
N .
Sinai Ya. y Soshnikov A. [42] remarcan que la tcnica que utilizan para
Observacin 4.3
variables aleatorias
la demostracin de este resultado puede ser modicada para extender el mismo al caso de
la siguiente condicin:
(4.12)
con
k = 1, 2, . . .
84
1 TN (r) = r N
en el contexto de
i1 i2 i2 i3 . . . ir i1 ,
i1 ,i2 ,...,ir =1
(4.13)
T C.
distribucin asinttica de la traza de potencias de matrices de Wigner. Considerando la regla del producto de dos matrices N-compatibles
D,
(CD)ij =
k=1
Cik Dkj , N
cualquiera
AN
como:
N 1 Ai1 i2 Ar i2 i1
tr(Ar N)
=
i1 =1
Ar i 1 i1
=
i1 ,i2 =1
= =
i1 ,...,ir =1
Sea el estadstico
1 TN (r) = r N
con
i1 i2 i2 i3 . . . ir i1 ,
i1 ,i2 ,...,ir =1
(4.14)
las funciones aleatorias de amistad centradas, es decir ij := ij p. ij ij , podemos hallar la distribucin asintLuego, tomando Aij = , con ij = N 2 p(1p)
ij
tica de
TN (r).
Supongamos que
Teorema 4.2.3
ij
para
r = 1, 2, . . . , N 1 TN (r) N
w
1 << r << N ,
(4.16)
p(1 p) N
E (tr(Ar N )), 4 1 0,
N (r )3/2 2
p(1 p) N r r
V ar(tr(Ar N )) ,
par, impar,
cuando
N ,
con
E (tr(Ar N )) N .
(1 + o(1)),
cuando
V ar(tr(Ar N ))
1 , cuando
85
Demostracin
i)
{ij }1ij N
{ij }1ij N = Cr ,
son independientes;
r E (i,j ) =
(1p)(p)r +p(1p)r 2r
p(1p)
existe y
r E ( ij )
2r
1 p(1p)
Cr
r;
1 si 4
ij
son iguales a
i < j,
y si
2 i = j , E (ii )= 1 ( 1 1). 4 p
r = 1, 2, . . . , N 1,
r E (ij )
|(1)r pr (1 p)|
r
+ 2r
r
|p(1 p)r |
r
2r 1 2 <
p(1 p) 1 2 p(1 p) 1
r
p(1 p)
(4.17)
2 p(1 p)
.r
= (C.r)r , C > 0.
Luego, si
1 << r <<
N,
(4.18)
N ,
siendo
tr(Ar N)
1 = ( N )r
i1 i2 i2 i3 . . . ir i1
i1 ,i2 ,...,ir =1
1 = ( N )r 2r = 1 ( N )r 2r
1
r
p(1 p) 1 p(1 p)
i1 i2 i2 i3 . . . ir i1
i1 ,i2 ,...,ir =1 r
(4.19)
rN
TN (r).
Observemos que (4.17) es la condicin necesaria para extender la demostracin que realiza Sinai Ya. y Soshnikov A.
[42]
ij ,
TN (r) N
p(1 p) N
E (tr(Ar N )),
86
p(1 p) 4 N
V ar(tr(Ar N )) ,
r
cuando
N ,
ya que
TN (r) =
p(1p) N
tr(Ar N ).
y
E (tr(Ar N ))
V ar(tr(Ar N ))
cuando
dare-
mos la idea de la demostracin que puede verse en detalle en el trabajo de Domnguez Molina J. y Rocha Arteaga A. [18]. En efecto, sea Luego,
Q(i) := E (i1 i2 i2 i3 . . . ir i1 ).
Q(i).
i
(4.20)
p(1 p)
i := (i1 , . . . , ir ) de la suma anterior con un grafo conexo dirigido G(i) = (V (i), E (i)),
con
V (i) = {i1 , . . . , ir }
Luego, a cada grafo
el conjunto de vrtices y
el conjunto
de aristas dirigidas.
G(i)
le asociamos su esqueleto
G(i)
Descomponemos (4.20) segn el nmero de vrtices que tienen los esqueletos correspondientes a los grafos
G(i)
G(i)
1 N
r +1 2
Q(i)
r i
= Q(i)
r
(4.21)
2r 1
r +1 2
p(1 p) +
G(i) card{V (i)}[ r +2 2]
Q(i)
r
2r
p(1 p)
2r
p(1 p)
El segundo sumando es igual a cero, ya que la suma se realiza sobre los ndices de grafos que tienen aristas que no son paralelas a ninguna otra y por lo tanto
1 1 E (tr(Ar r N )) = N N 2 +1
Q(i)
r G(i) 1card{V (i)}[ r +1 2]
87
2r
p(1 p)
y en consecuencia,
1 1 E (tr(Ar r N )) N N 2 +1
|Q(i)|
G(i) +1 1card{V (i)}[ r 2]
r.
(4.22)
2r
p(1 p)
r
1 .r 2 p(1p)
, es decir,
2r
r )| |E (ij
r
r
p(1p)
1 .r p(1p)
1 E (tr(Ar N )) N
1 N 2 +1
r
1
G(i) 1card{V (i)}[ r +1 2] +1 [r 2]
2 p(1 p)
.r
1 N 2 +1 1 N 2 +1
1 y 2
r r
1
G(i) card{V (i)}=j
j =1
p(1 p) 1 2
.r
r
Luego, si
r +1 2
r N [ 2 ]+1
p(1 p)
.r
es impar,
r 2
r 2
r 1 (2 +2 ) 1 E (tr(Ar )) N N N
cuando
1 2 p(1 p)
.r
0,
N . r
es par,
r r 2
r y 2
1 E (tr(Ar N )) N
r (2
+ 1)
1 .r 2 p(1p)
. Si
1 E (tr(Ar N )) = S1 + S2 , N
con
S1 =
1 r N 2 +1
2r (
Q(i)
p(1p))r
S2 =
r
1 r N 2 +1
2r (
Q(i)
p(1p))r
|S1 |
r N2 2Nr 2 +1
1 .r p(1p)
0,
cuando
y estudiar el
r r + 1, por el Lema 4.2.1 card{E (i)} 2 . Por un lado, si 2 ya que en este caso E (i) tendra por lo menos una arista
88
G(i)
2r (
E (i)
r 2
card {E (i)} =
r 2
Q(i) p(1p))r
= E
22 (
2 ij
p(1p))2
2 ) = E (ij
r 2
1 4
[18],
rboles orientados con raz que pueden formarse con una cantidad cualquiera r de aristas (2r)! 1 r r coincide con el r -simo nmero de Catalan, Cr = C2 r , con C2r = r!r! . Por lo expuesto, r+1 obtienen que
S2
es decir,
1 4
r 2
Cr , 2
cuando
N ,
1 E (tr(Ar N )) N
cuando
Cs 0,
1 s 4
si si
r = 2s, r = 2s + 1,
N . [42],
sealando adems que
La misma conclusin obtienen Sinai Ya. y Soshnikov A. s 1 1 (1 + o(1)) y por lo tanto, Cs 1 = 4 s3/2
E (tr(Ar N ))
cuando La
N 1 (1 s3/2
+ o(1)),
si si
r = 2s, r = 2s + 1,
0,
(4.23)
N .
est dada por la siguiente expresin:
V ar(tr(Ar N ))
siendo do a
i = (i1 , . . . , ir ), i = (i1 , . . . , ir ), Q(i, i ) = E (i1 i2 . . . ir i1 i1 i2 . . . ir i1 ) e identicani, i con el grafo G(i, i ) = (V (i, i ), E (i, i )) de 2r vrtices y 2r aristas.
89
Para el anlisis de los trminos de la suma anterior, se los agrupa segn el nmero de vrtices de los esqueletos nico aporte a la
G(i, i ) de los grafos G(i, i ) y se llega a la conclusin de que V ar(tr(Ar N )) se da en el caso que card{V (i, i )} r . Por lo tanto, 1 Nr 22r ( p(1 p))2r 1 N r 22r ( p(1 p))2r
r G(i,i ) 1card{V (i,i )}r G(i,i ) 1card{V (i,i )}r
el
V ar(tr(Ar N )) =
[Q(i, i ) Q(i)Q(i )]
1 Nr
j =1
22r ( 1
p(1 p))2r
r
para todo
r 2r ( p(1 p))r
2 p(1 p)
.r
+r
1 2 p(1 p)
2r
.r
N,
en virtud de (4.17).
N , el Del mismo modo Sinai Ya. y Soshnikov A. [42], sealan que si 1 << r << r aporte a la V ar (tr (AN )) viene dado por el nmero de ndices en los cuales en la unin de 1 i con i cada arista aparece dos veces y concluyen que ese nmero es N r 22r (1 + o(1)) y
que
l m V ar(tr(Ar N )) =
1 .
2
Finalmente, bajo ciclos de longitud
T C,
N perles, representada por el estadstico TN (r) dado r por la expresin (4.13), cuando r , N y 0. Para esto, desarrollamos N el estadstico TN (r ) dado por (4.14) en trminos de las funciones de amistad ij de la
en muestras de siguiente manera:
1 TN (r) = Nr 1 = Nr
i1 i2 . . . ir i1
i1 ,...,ir =1 N
(i1 i2 p) . . . (ir i1 p)
i1 ,...,ir =1
(4.24)
= TN (r) + RN (r),
90
con
1 r 1 RN (r) = r Cr p N 1 2 r1 + p Cr Nr i
i1 i2 i2 i3 . . . ir1 ir +
i1 ,...,ir =1 N N
i1 i2 i2 i3 . . . ir2 ir1 +
1 ,...,ir 1 =1
r 2 ( Cr
r1 Cr ) i1 ,...,ir =1
i1 i2 i3 i4 . . . ir1 ir
+ (1)r1
1 C 1 pr1 Nr r i
i1 i2 + (1)r pr .
1 ,i2 =1
2 E (TN (r)) 0,
cuando
r p(1p) N
N Cr (1)2 , 2 4
si si
r r
es par, es impar,
(4.25)
N ,
con
Cr =
jo,
(4.26)
N . r=2
tenemos
TN (2) =
1 N2
i1 i2 i2 i1
i1 ,i2 =1 N i1 ,i2 =1
perles y
2 RN (2) = N 2 p
2 i1 i2 + p 2 = N 2 p
i1 i2 + N
i1 ,i2 =1 i1 = i2
+ p2 .
i1 i2 ,
escribimos
i1 i2 = 2
i1 ,i2 =1 i1 =i2
siendo
i1 i2 ,
1i1 <i2 N
i1 i2
1i1 <i2 N
una suma de
p,
es decir,
i1 i2
es Binomial de parmetros
p.
Luego, para
sucien-
= 2
1i1 <i2 N
i1 i2
91
E
i1 ,i2 =1 i1 = i2
i1 i2
= N (N 1)p
V ar
i1 ,i2 =1 i1 = i2
i1 i2
= 2N (N 1)p(1 p).
Por lo tanto,
RN (2)
E (RN (2)) =
2 p (N (N 1)p + N ) + p2 N2 2 2 = p2 (N 1) p + p2 N N 2 = p(1 p) p2 . N
Luego, como
TN (2) = TN (2) RN (2) y, por (4.26), TN (2) es asintticamente Normal con media dada por (4.25), cuando N , resulta que TN (2) converge en distribucin a una
variable Normal y
cuando
N ,
es decir,
E (TN (2))
cuando
2 p(1 p) + p2 , N
(4.27)
con
TN (3) =
1 N3
i1 i2 i2 i3 i3 i1
i1 ,i2 ,i3 =1
perles y
3 RN (3) = 3 p N i 3 = 3 p N 3 = 3 p N
i1 i2 i2 i3
1 ,i2 ,i3 =1
3 + 3 p2 N i
N
i1 i2 p3
1 ,i2 =1
i1 i2 i2 i3 +
i1 ,i2 ,i3 =1 i1 = i3 N i1 ,i2 =1
i1 i2 i2 i1
3 + 3 p2 N
i1 i2 + N p3
i1 ,i2 =1 i1 =i2
i1 i2 i2 i3 + N 2 TN (2) +
i1 ,i2 ,i3 =1 i1 = i3
3 2 N2 2 p ( R (2) p ) p3 . N N3 2p
92
i1 i2 i2 i3 =
i1 ,i2 ,i3 =1 i1 =i3 i1 ,i2 ,i3 =1 i1 =i3 i2 =i1 ,i2 =i3 N
i1 i2 i2 i3 +
i1 ,i2 ,i3 =1 i1 = i3 i2 = i1 N
i1 i2 i2 i3 +
i1 ,i2 ,i3 =1 i1 =i3 i2 =i3
i1 i2 i2 i3
=
i1 ,i2 ,i3 =1 i1 = i3 i2 =i1 ,i2 =i3
i1 i2 i2 i3 + 2
i1 ,i3 =1 i1 = i3
i1 i3 ,
(4.28)
donde el primer sumando de (4.28) es una suma de N (N 1)(N 2) variables con 2 distribucin Bernoulli de parmetro p y el segundo una suma de N (N 1) variables independientes Bernoulli de parmetro
es sucientemente grande,
ambos sumandos tienen distribucin es aproximadamente Normal. En consecuencia, (4.28) N es Normal y E i1 i2 i2 i3 = N (N 1)(N 2)p2 + 2N (N 1)p. Concluimos eni1 ,i2 ,i3 =1 i1 = i3 tonces que
RN (3)
E (RN (3)) +
cuando
puede escribirse en trN i1 i2 i2 i3 minos de las variables asintticamente Normales TN (3), TN (2), RN (2) y i1 ,i2 ,i3 =1 i1 = i3 de la siguiente manera
3 TN (3) = TN (3) + 3 p N
Por lo tanto,
3 2 N2 2 p ( R (2) p ) + p3 . N 3 N 2p
TN (3) converge en distribucin a una variable Normal, cuando N , con E (TN (3)) E (RN (3)), ya que E (TN (3)) 0, cuando N , en virtud de (4.25). Repitiendo el procedimiento, podemos deducir que el estadstico TN (r ) puede expresarse como combinacin lineal de sumas de variables aleatorias Bernoulli y las variables aleatorias
TN (r), TN (r 1),
...,
TN (2), RN (2)
93
1 << r << N , como TN (r) verica las hiptesis TN (r) sigue valiendo para r creciendo con N .
fi , fj F
TC
y distintos tipos de
Denicin 4.4
i = j,
Sea
decimos que
{f1 , . . . , fN } una muestra de N perles de F . Dados i, j {1, . . . , N }, i est conectado con j mediante k enlaces si
k 1
(fil , fil+1 ) = 1,
l=0
con i0
= i, ik = j ; il = il
si
l=l.
Luego, el conjunto
si
l = l },
(4.30)
enlaces y
con el
fi
fj
de la
j,
Denicin 4.5
fi
fj
como
GN (fi , fj ) =
Entonces,
m n{k : Dk (i, j ) = }, 0,
si si
i = j, i = j.
(4.31)
GN (fi , fj ) = k indica que k es el menor nmero de saltos necesarios para conectar fi con fj , con k 1 intermediarios. Observemos adems que la cadena ms larga que puede existir entre dos perles pertenecientes a una muestra de tamao N tendr N 1 enlaces y N 2 intermediarios. Cuando los perles fi y fj son inalcanzables entre s, deniremos el grado de separacin como GN (fi , fj ) = N .
94
k pasos no son sucientes para conectar fi con fj , es decir, en trminos del conjunto Dk (i, j ) signica que la suma sobre todos los posibles caminos con k enlaces y k 1 intermediarios que conectan a i con j es cero, esto
El evento indica que es,
{GN (fi , fj ) k + 1}
{GN (fi , fj ) k + 1} =
k 1
(fil , fil+1 ) = 0 . fi
y
(4.32)
Denicin 4.6
fj
como
(4.33)
Por lo tanto, utilizando la denicin anterior, probaremos el siguiente resultado que nos permitir analizar el nivel de conectividad entre los perles mencionados segn el contexto comunicacional en que se relacionen y cuando el tamao de la muestra tiende a innito, esto es, cuando consideramos a todos los perles que integran la red.
Teorema 4.3.1
i,j = 2 p. fi S i fj Sj , Si Sj
ii) Bajo Segmentacin Fuerte, es decir, cuando hay al menos dos segmentos no conectados entre s,
i,j = +,
siendo
segmentos disjuntos.
Demostracin
Sean
fi , fj F ,
T C en la red. Como el grado de separacin es una variable aleatoria con rango en el conjunto {1, . . . , N 1}, podemos calcular
su esperanza de la siguiente manera:
N 1
E [GN (fi , fj )] =
n=1
(4.34)
El primer y segundo sumando de (4.34) son fciles de deducir. En efecto, la probabilidad de que el grado de separacin entre dos perles sea uno equivale a que dichos perles sean amigos, es decir, a que la funcin aleatoria de amistad distribucin Bernoulli de parmetro
(fi , fj )
con
Adems, la probabilidad de que el grado de separacin entre dos perles sea al menos dos equivale a la probabilidad de que dichos perles no sean amigos, es decir, a que
(fi , fj )
k+1 = n
si
l=l}
n 1 enlaces y n 2 intermediarios fi
con
con el
y que
{GN (fi , fj ) n} =
es el evento que indica que Sea
n2
(fil , fil+1 ) = 0
iDn1 (i,j ) l=0
n1
n2
fj .
HN,n (fi , fj ) =
iDn1 (i,j ) l=0
(fil , fil+1 ). HN,n (fi , fj ) son cero o uno, por lo que HN,n (fi , fj ) lo tanto P (HN,n (fi , fj ) = 0) = P (HN,n (fi , fj ) 0).
(4.35)
Observemos que los sumandos en es mayor o igual que cero y por Luego,
= P HN,n (fi , fj ) E (HN,n (fi , fj )) E (HN,n (fi , fj )) P |HN,n (fi , fj ) E (HN (fi , fj ))| E (HN,n (fi , fj )) .
P (GN (fi , fj ) n)
Resta calcular portamiento
(4.36)
E (HN,n (fi , fj )) y V ar(HN,n (fi , fj )) para completar y estudiar el comde (4.36), cuando N .
Dn1 (i, j ), card{Dn1 (i, j )}, es el nmero de subconjuntos con n 2 elementos que se pueden tomar de un conjunto con N 2 elementos (N 2)! n2 sin repeticin, es decir, VN 2 = , es claro que [(N 2)(n2)]!
Como el cardinal del conjunto
n2 n1 E (HN,n (fi , fj )) = VN 2 p
(4.37)
V ar(HN,n (fi , fj ))
n2
de la siguiente manera:
V ar(HN,n (fi , fj )) =
iDn1 (i,j )
V ar
l=0
(fil , fil+1 )
n2
+
n2
(4.38)
+
i,i Dn1 (i,j )
y, como
Cov
l=0
resulta
(fil , fil+1 ),
l=0
(fi , fi l+1 ) ,
l
n2 card{Dn1 (i, j )} = VN 2 , n2
V ar
iDn1 (i,j ) l=0
(fil , fil+1 )
n2 n1 = VN (1 pn1 ) 2 p
(4.39)
= N n2 pn1 (1 pn1 ).
Para el segundo sumando de (4.38), notando
tenemos
n2
n2
Cov
i,i Dn1 (i,j ) l=0
(fil , fil+1 ),
n2
l=0
(fi , fi
l
=
n2
n2
n2
=
i,i Dn1 (i,j )
E
l=0
il il+1
l=0
i i
E
l=0
l l+1
il il+1 i
E
l=0
i i
l l+1
de longitud
n1 con i.
que multi-
(N 3) (N 4) . . . (N n).
En consecuencia, el aporte a la suma de las covarianzas vendr dado por aquellos caminos
y el nmero de caminos
(4.40)
x > 0. es continua en el intervalo [2,3] y derivable en el intervalo (2,3), entonces por el Teorema del Valor Medio, existe z (2, 3) tal que (z ) = (3) (2). Luego, para z (2, 3), (z ) = (2) (3)
(4.41)
= (N 2) (N 3) . . . [N (n 1)] (N 3) (N 4) . . . (N n).
97
Por otro lado, calculando la derivada primera de la funcin plicndola por menos uno tenemos
en (4.40) y multi-
(x) = [(N x) 1] [(N x) 2] . . . [(N x) (n 3)] + + (N x) [(N x) 2] . . . [(N x) (n 3)] + + + (N x) [(N x) 1] . . . [(N x) (n 4)],
por lo que acotando cada uno de los n 2 trminos de esta suma por n3 resulta (x) (N 2) (n 2). En particular, para z (2, 3),
(N 2)n3
(z ) (n 2)(N 2)n3 .
De (4.41) y (4.42) podemos concluir que
(4.42)
i Dn1 (i, j )
Entonces,
n2
n2
Cov
i,i Dn1 (i,j ) l=0
(fil , fil+1 ),
l=0
(fi , fi
l
)
l+1
Retomando el clculo de
V ar(HN,n (fi , fj )
V ar(HN,n (fi , fj )) N n2 pn1 (1 pn1 ) + (n 2)(N 2)n3 pn1 (1 pn1 ) (4.44) = N n2 pn1 (1 pn1 ).
Volviendo a la desigualdad (4.36), con los resultados para
E (HN,n (fi , fj ))
V ar(HN,n (fi , fj ))
P (GN (fi , fj ) n)
(4.45)
98
Luego,
N 1
N 1
P (GN (fi , fj ) n)
n=3 n=3 N 4
N 1
1 N n2 1 N r+1
N 4 r
n=3 N 4
=
r=0
r=0 r
=
N 4
Como las series
1 N
r=0
1 Np
r=0 N 4 r=0
1 N
1 Np
.
r
(4.46)
r=0
tiende a
1 Np
r
y
N 4 r=0
1 1 r son convergentes y 2 N p
N 4
r=0
1 r N
1 p2
1,
cuando
N ,
N .
card{S1 } card{F }
card{S2 } 1 a = card . Suponemos que dentro de cada segmento se verica la hiptesis de {F } T C pero entre ellos no existe interaccin alguna y tomamos un muestreo estraticado al azar por segmento con S1 = {f1 , . . . , f[aN ] } y S2 = {f[aN ]+1 , . . . , fN }. Luego, si fi S1 y fj S2 fi S2 y fj S1 , los perles son inalcanzables entre s y, por lo
tanto, de acuerdo a cmo denimos el grado de separacin entre dos perles, resulta que
GN (fi , fj ) = N .
En consecuencia,
2
Los resultados anteriores nos indican que cuando estamos bajo la hiptesis de
T C,
donde la probabilidad de que cualquier par de perles sean amigos en Facebook es la misma, digamos
la red completa, el grado medio de separacin entre dos perles cualesquiera depende de
p, ms
precisamente es
fi , fj F , cuanto
mayor probabilidad haya de que stos sean amigos ms cercano a uno ser el grado medio de separacin entre ellos reejando que con slo un enlace pueden conectarse. Por otro lado, cuanto menos probable sea la amistad entre los perles, son sucientes dos enlaces y
99
TC
En el caso de existir en la red al menos dos segmentos entre los que no haya ninguna interaccin, tomando un perl de cada segmento, el grado medio de separacin entre ellos tender a innito cuando el tamao de la muestra crezca. Por lo tanto, en el contexto comunicacional de Segmentacin Fuerte queda invalidada la Teora de Mundo Pequeo, ya que hay perles que son inalcanzables entre s.
, son variables aleatorias indepedientes con distribucin constante (caso de T C ) o parmetro dependiendo del esquema
de segmentacin. Otra caracterstica del modelo es la no restriccin en el nmero de amigos que puede tener un perl. En la realidad, podemos observar que los perles se conectan con perles de caractersticas similares e intereses comunes de diversa ndole, agrupndose en segmentos y que adems existe interaccin entre los segmentos. Llamaremos a este contexto comunicacional, el contexto de Segmentacin Dbil.
Si y Sj dos segmentos de perles de F , Si Sj = , con fi , fj F y tales que fi Si , fj Sj , el grado medio de separacin entre fi y fj , i,j = l m E (GN (fi , fj )), podra ser nito o eventualmente innito, dependiendo N de la intensidad con que se relacionen los segmentos a los que pertenecen fi y fj .
En este contexto podemos intuir que, dados
100
alta. Sin embargo, le sern inaccesibles otras personas que habiten en otras tribus a miles de kilmetros de la suya. b) En el otro extremo, en una red social en la que todos sus individuos establecen relaciones aleatorias fuera de su crculo ntimo la distancia media entre ellos ser pequea. Por ejemplo, si un individuo tiene 50 contactos y sus contactos tienen a su vez 50 contactos en promedio, en slo dos pasos el individuo podra contactarse con 2.500 personas, en tres pasos podra llegar a los 125.000 contactos, en cuatro a 6.250.000 y en cinco a 312.500.000. Si estos contactos se establecieran en forma aleatoria, por ejemplo como cuando entablamos una relacin con un desconocido que comparte un viaje con nosotros al ir a trabajar en mnibus, en muy pocos pasos una persona podra alcanzar a cualquier otra del planeta ya que su informacin no se agotara a su crculo ntimo como sucede en las redes muy aglomeradas. En nuestro anlisis, al contexto comunicacional descripto por la situacin a) lo hemos denominado el contexto de Segmentacin Fuerte y pudimos comprobar que dados dos perles cualesquiera de distintos segmentos, el grado medio de separacin entre ellos, result innito, lo cual hace inviable la Teora de Mundo Pequeo. Por otro lado, observamos que el contexto de la situacin extrema desarrollada en b), se asemeja al contexto de
i,j
TC
forma aleatoria y con la misma probabilidad. Sin embargo, el mundo real es evidente que propone un escenario intermedio en donde los individuos se relacionan con aquellos que presentan caractersticas similares, es decir, se agrupan en segmentos, pero que simultneamente existe interaccin entre los segmentos. A este contexto lo hemos denominado el contexto de Segmentacin Dbil. En este marco, todo parece indicar que dados dos perles de dos segmentos distintos cualesquiera del planeta, el grado medio de separacin entre ellos depender de la intensidad con que se relacionen los distintos segmentos. La propuesta a futuro es abordar en profundidad este caso a travs de la modelizacin matemtica y probabilstica aplicada en particular a la red social Facebook, y el anlisis del fenmeno de mundo pequeo mediante el clculo formal del grado medio de separacin entre perles. Sumamos a esta propuesta el desafo del modelado y estudio de la red restringiendo la cantidad de amigos que pueda tener cada perl de la misma. El hecho de Facebook parezca mostrar una distancia corta entre individuos como lo indica el estudio realizado por Ugander J., Karrer B., Backstrom L. y Marlow C.
[44],
podra deberse a varios factores, como por ejemplo que en general los usuarios tienen un gran nmero de contactos superciales con los que ni siquiera mantiene una conversacin o nunca vio en persona, aunque an as, en muchos casos Facebook ha facilitado el encuentro de personas que de otro modo no se hubiera llevado a cabo y mantener contactos. Otro factor que podemos destacar es que no todo el mundo es usuario en Facebook, por ejemplo, un anciano de un pueblo del norte del pas que no tiene acceso a internet es prcticamente
101
improbable que tenga una cuenta de Facebook, aunque si este anciano tuviera un nieto en la capital conectado a 100 individuos, ste podra conectarlo con slo un paso a la red social. De todos modos, podemos concluir que en Facebook la teora de que el mundo es pequeo es de considerable viabilidad. El mundo est cada vez ms conectado, debido en gran medida a la tecnologa de la informacin. Las personas se relacionan de modo virtual y real de manera progresiva con personas fuera de su crculo familiar o ntimo, ya sea por cuestiones laborales, de estudio, de recreacin, polticas, econmicas, compra de artculos, etc. Adems, las ciudades han crecido y el mundo esta cada vez ms diversicado y urbanizado. La homolia, es decir, la tendencia de la gente a relacionarse con personas de caractersticas similares a las suyas, persistir siempre ya que est en la naturaleza humana. Sin embargo, por todo lo expuesto, todo parece indicar que el mundo es cada vez ms pequeo.
102
Bibliografa
[1] Airoldi E., Blei D.M., Fienberg S.E., Goldenberg A., Xing E.P. and Zheng A.X. (Eds). (2007). Statistical Networks Analysis: Models , Issues, and New Directions. Springer. [2] Arnold L. (1967). On the Asymptotic Distribution of the Eigen Values of Random
Matrices. Journal Mathematical Analysis and Applications, Vol. 20, pp. 262-268.
[3] Bandyopadhyay S., Rao A.R. and Sinha B.K. (Eds). (2010). Models for Social Net-
Job Searches in China. American Sociological Review, Vol. 62, No. 3, pp. 366-385.
[9] Bolch G., Greiner S., De Meer H. and Trivedi K. (2006). Queueing Networks and
Markov Chains: Modeling and Performance Evaluation With Computer Science Applications. New Jersey. Wiley and Sons.
[10] Breiger R., Carley K. and Pattison P. (Eds). (2003). Dynamic Social Network Mode-
lling and Analysis: Workshop Summary and Papers. National Research Council.
[11] Burt R. (1995). Structural Holes: The Social Structure of Competition. Harvard University Press. [12] Carrington P., Scott J. and Wasserman S. (2005). Models and Methods in Social
[13] Carrero F. (2008). http://franciscocarrero.com/2008/06/13/cual-es-el-techo-de-lasredes-sociales-2. [14] Closa G. (2011). www.elogia.net/blog/autor/ciclo-vital-facebookiano. [15] DasGupta A. (2008). Asymptotic Theory of Statistics and Probability. Springer, New York. [16] De Ugarte D. (2011). El poder de las redes. Manual ilustrado para ciberactivistas. Coleccin Biblioteca de las Indias Electrnicas. http://lasindias.org. [17] Diestel R. (2000). Graph Theory. Springer. [18] Dominguez Molina J. y Rocha Arteaga A. (2009). El Teorema de Wigner para ma-
104
[29] Koshy T. (2009). Catalan Numbers with applications. Oxford University Press, Inc. [30] Lee A. J. (1990). U-Statistics: Theory and Practice. Marcel Dekker, New York. [31] Lehmann E.L. (1999). Elements of Large Sample Theory. Springer, New York. [32] Lin N. (2002). Social Capital: A theory of Social Structure and Action. Cambridge University Press, First Edition. [33] Marin A. and Wellman B. (2010). Social Network Analysis: An Introduction. Carrington P. and Scott J. (Eds). Handbook of Social Network Analysis. London: SAGE. [34] Meyn S.P. and Tweedie R.L. (1993). Markov Chains and Stochastic Stability. Springer, New York. [35] Milgram S. (1967). The Small-World Problem. Psychology Today, 1 (1), 61-67. [36] Mickenberg R. and Dugan J. (1995). Taxi Driver Wisdom. San Francisco: Chronicle. [37] Plickert G., Cot R. and Wellman B. (2007). It's Not Who You Know. It's How You
Know Them: Who Exchanges What with Whom? Social Networks, Vol. 29, No. 3,
pp. 405-429. [38] Polanco X. (2006). Anlisis de Redes: Introduccin. Author manuscript, published in Redes de conocimiento: Construccin, dinmica y gestin, Albornoz M. y Alfaraz C. (Ed). 77-112. [39] Pool I. and Kochen M. (1978). Contacts and Inuence. Social Networks, 1, pp.5-51. Elsevie Sequoia S.A., Lausanne. [40] Rincn L. (2012).
Matemticas, Facultad de Ciencias UNAM, Circuito Exterior de CU, Mxico DF. [41] Sering R. (1980). Approximation Theorems of Mathematical Statistics. John Wiley and Sons. New York. Chichester. Brisbane. Toronto. [42] Sinai Y. and Soshnikov A. (1998). Central Limit Theorem for Traces of Large Ran-
105
[45] Wasserman S. and Faust K. (1994). Social Networks Analysis: Methods and Applica-
Behavioral Data. Seminar Series on Chaos, Control and Complex Networks City
University of Hong Kong, Poly U University of Hong Kong and IEEE Hong Kong R and A/CS Joint Chapter.
106