___________________________________________________________

El presente documento fue elaborado con el apoyo del

___________________________________________________
CONSEJO DIRECTIVO
2016 - 2018

Dr. Jaime Parada Ávila

Presidente

Dr. José Francisco Albarrán Núñez

Vicepresidente

Ing. José Antonio Esteva Maraboto

Secretario

Dr. Carlos Alfonso García Ibarra

Tesorero

Dr. Alberto Jaime Paredes

Prosecretario

Dra. Mónica Barrera Rivera

Protesorero

Física Patricia Zúñiga Cendejas

Directora Ejecutiva

©Academia de Ingeniería México

Calle de Tacuba 7,
Centro Histórico, C.P. 06000, Ciudad de México, CDMX
Impreso en México
Noviembre 2017
© Derechos reservados

Diseño de portada:
Tania A. Zaldívar Martínez

Cualquier mención o reproducción del material de esta publicación puede ser realizada siempre
y cuando se cite la fuente.
 CONSEJO ACADÉMICO
2016 - 2018
Dr. Jaime Parada Ávila
Presidente

Dr. José Francisco Albarrán Núñez

Vicepresidente

Ing. José Antonio Esteva Maraboto Dr. Carlos Alfonso García Ibarra
Secretario Tesorero

Dr. Alberto Jaime Paredes Dra. Mónica Barrera Rivera

Prosecretario Protesorero

Presidentes de la Comisión de Coordinaciones de Programas

Especialidad de ingeniería Multidisciplinarios

Dr. Oscar Monroy Hermosillo Dr. Antonio Alonso Concheiro

Ambiental Prospectiva y Planeación
Dr. Víctor Manuel Castaño Meneses Dr. Felipe Rolando Menchaca García
Biomédica Educación e Investigación en Ingeniería
M.I. Mario Ignacio Gómez Mejía Dr. Francisco Javier Trujillo Arriaga
Civil Alimentos y Desarrollo Rural
Dr. Eduardo Alberto Castañón Cruz Dr. Víctor Manuel López López
Comunicaciones y Electrónica Recursos Naturales y Cambio Climático
M. I. Julián Adolfo Adame Miranda Dr. Gustavo Alonso Vargas
Eléctrica Energía y Sustentabilidad
Dr. Gorgonio García Molina Dr. José Salvador Echeverría Villagómez
Geofísica Competitividad e Innovación
Dr. Moisés Dávila Serrano M.C. Luis Gabriel Torreblanca Rivera
Geológica Manufactura y Servicios
M. I. Alberto Lepe Zúñiga Ing. Oscar Luis Valle Molina
Industrial Infraestructura, Transportes y Ciudades
Dr. Guillermo José Aguirre Esponda Dr. Víctor Manuel Castaño Meneses
Mecánica y Mecatrónica Salud
Dr. David Morillón Gálvez
Municipal y Urbanística
M.C. Antonio del Río Soto
Naval
Dr. Edmundo Del Valle Gallegos
Nuclear
M.I. Miguel Ángel Lozada Aguilar
Petrolera
Ing. Arturo Ricardo Rosales González
Química
M. I. Luis Enrique Maumejean Navarrete
Sistemas
_________________________________________________________________

TEORÍA DE GRAFOS
Una Introducción Histórico-Técnica
_________________________________________________________________

Alejandro Saracho Luna

Víctor Manuel Castaño Meneses
 grafo, fa.
(Del gr. -γράφος, de la raíz de γράφειν, escribir).
1. elem. compos. Significa 'que escribe' o 'que describe'
Diccionario de la Real Academia Española de la Lengua
A mis padres, por la maravillosa red de la vida
Víctor Manuel Castaño Meneses
ÍNDICE

La Academia de Ingeniería de México ......................................................................................................... 1

Prólogo.................................................................................................................................................................. 3
Origen del concepto de grafo ......................................................................................................................... 5
Definición básica de grafo. ............................................................................................................................. 6
Glosario básico de la Teoría de Grafos........................................................................................................ 8
Clases de redes..................................................................................................................................................10
Topologías de redes ........................................................................................................................................20
Redes sociales ...................................................................................................................................................22
Análisis de redes sociales ..............................................................................................................................25
Métodos de medición ......................................................................................................................................28
Concepto de afiliación ....................................................................................................................................31
Redes de afiliación: antecedentes y teoría básica .................................................................................33
Propiedades y aplicaciones de las redes de afiliación .........................................................................36
Análisis de correspondencia ........................................................................................................................51
Escalamiento de una matriz de proximidad ...........................................................................................56
Valores singulares...........................................................................................................................................58
Modelos de bloque ...........................................................................................................................................61
Matrices y permutación .................................................................................................................................62
Roles, posición y equivalencia .....................................................................................................................63
Bibliografía .......................................................................................................................................................69

La Academia de Ingeniería de
México
La Academia de Ingeniería de México (AIM) es
una asociación, sin fines de lucro, que agrupa y
promueve la participación y colaboración de los
más distinguidos ingenieros y profesionales
afines del país y del extranjero, quienes se han
destacado en la práctica, en la investigación y
en la enseñanza de las diversas ramas de la
ingeniería, y que coadyuvan al desarrollo
equitativo, creciente y sustentable de México.
Es una institución reconocida y respetada por
su liderazgo y participación activa en los
sectores público, privado y social de México,
que tiene como propósito lograr una ingeniería
mexicana innovadora, competitiva y
protagónica en temas que impacten en el
desarrollo sostenible del país.
La AIM es un centro de pensamiento y
reflexión estratégico sobre la ingeniería, en
especial, la nacional, dirigido a promover y
difundir la vocación, la educación, el ejercicio
profesional, la investigación, y la innovación en
la ingeniería al más alto nivel y con
compromiso social.
México no se puede explicar sin la contribución
de los ingenieros, tanto en su infraestructura,
como en la industria y servicios. En un entorno
de cambios rápidos y profundos, de mayor
competencia interna y externa, así como de la
urgente necesidad de resolver rezagos añejos,
el país deberá resolver los grandes desafíos
para que pueda desplegar todo su potencial de
desarrollo. Es por ello que la AIM estableció,
como prioridad estratégica, contribuir al debate
público sobre el rumbo que tomará nuestro
país en los próximos años en temas prioritarios
para el desarrollo. Se busca, así, lograr la
incidencia en las decisiones nacionales más
relevantes, convencidos de que la ingeniería
mexicana tiene mucho que aportar en el
análisis y evaluación de las políticas públicas
1
relacionadas con infraestructura, energía,
telecomunicaciones, clústeres industriales,
medio ambiente y muchas otras áreas. Para
lograrlo, la AIM decidió identificar los Grandes
Retos de la Ingeniería Mexicana (GRIM) para
focalizar en ellos sus esfuerzos de reflexión y
propuesta. Los nueve GRIM son:
1. Alimentos y Desarrollo Rural
2. Competitividad e Innovación
3. Energía y Sustentabilidad
4. Educación e Investigación en Ingeniería
5. Infraestructura, Transporte y Ciudades
6. Manufactura y Servicios
7. Prospectiva y Planeación
8. Recursos Naturales y Cambio Climático
9. Salud
La actividad editorial de la Academia de
Ingeniería de México representa el principal
medio de expresión, en medios impresos y
electrónicos, hacia el interior y el exterior, de
su quehacer. Se ha diseñado para contribuir
eficazmente al logro de una ingeniería
mexicana innovadora, competitiva y
protagónica ya que aborda temas estratégicos
que impacten en el desarrollo equitativo y
sostenible del país.
La actividad editorial de la AIM está
encaminada a la divulgación de la ingeniería,
especialmente a la difusión de su repositorio de
conocimientos y de los resultados de
reflexiones de los grupos colegiados de
pensamiento estratégico. Las publicaciones se
encuentran estructuradas en series, además de
sus publicaciones periódicas, las cuales le dan
agilidad y pertinencia a la expresión del trabajo
de la organización.
2
Prólogo
Teoría de grafos. Una introducción
histórica-técnica
Un grafo es un elemento conformado por un
conjunto de puntos llamados vértices o nodos,
unidos por un conjunto de aristas denominadas
uniones o arcos, con relación entre sí.
Este libro que tiene en sus manos, enmarca de
la manera más clara posible la visión histórica-
técnica de la teoría de grafos.
La teoría iniciada por el matemático y físico
suizo Leonhard Euler en el siglo XVIII, al
resolver el problema de los siete puentes de
Königsberg es considerada la rama de la
topología y de las matemáticas.
Con la atinada y clara pluma que caracteriza a
los autores Víctor Manuel Castaño Meneses y
Alejandro Sarancho Luna, este libro permite
albergar la correcta explicación de esta rama
de las ciencias exactas en un lenguaje claro,
conciso y sencillo.
Las líneas plasmadas, además, ofrecen a quien
lo lee adentrarse en el mundo de los grafos y
constatar su vigencia y aplicación para la
resolución de problemáticas actuales, al ofrecer
un entendimiento amplio de ella a través de
diferentes técnicas de lenguaje y elementos
gráficos.
Con la virtud de que el entramado de
relaciones e interacciones de un grafo sirven
para dar explicación a ecosistemas,
propiedades topológicas comunes, redes
neuronales, metabolismo celular,
telecomunicaciones y comunicaciones
terrestres, entre otros temas específicos, la
teoría de grafos puede ser relacionado en
diversas áreas del conocimiento.
Este fructuoso proyecto ha nacido de la
necesidad del uso de esta teoría de grafos y de
su provechosa utilidad en las diferentes ramas
3
de las ciencias, puesto que aunque en sus
inicios
la teoría fue desarrollada y considerada para
resolver temas completamente matemáticos,
actualmente es utilizada para la resolución de
problemáticas administrativas y sociales, entre
otros.
La usanza de estos símbolos matemáticos
permite expresar visual, sencilla y
efectivamente las relaciones que existen entre
elementos de muy diversa índole. Y de cómo a
través de claros ejemplos enunciados por los
doctores Castaño y Sarancho sobre las
propiedades y aplicaciones de las diferentes
redes de afiliación y de los análisis de
correspondencia, los grafos sirven para
estudiar la realidad.
Esta teoría permite conceptualizar ideas, y
generar una claridad mental en los
pensamientos, cualquiera que estos sean,
estén o no relacionadas.
Además, en esta obra los autores tienen a bien
emprender y explicar la relación de la teoría de
redes basada en la teoría de grafos como una
herramienta matemática importante, la cual se
refiere al estudio de sistemas conectados entre
sí, que permite la resolución de múltiples
problemas.
La diáfana escritura de la presente obra
permite abonar a diversos escritos sobre la
materia, generando condiciones para estudiar
fenómenos sociales y de otras índoles
temáticas a través del uso de las ciencias
exactas.
Aplaudo esta unión de nodos, vértices,
números, términos y lenguaje para el disfrute
de los interesados, mismo que posibilita el
conocimiento de esta importante materia: la
teoría de grafos.
Dra. Carmen Enedina
Rodríguez Armenta
4
Origen del concepto de grafo
La historia de los grafos se remonta al año de
1736, cuando el famosísimo matemático Euler
se interesó en un acertijo llamado el problema
del puente Königberg. Dicho acertijo fue
resuelto por Euler utilizando un grafo, que es
un objeto matemático que consiste de puntos,
también llamados nodos o vértices, y líneas,
también llamadas ejes o uniones.
resolución de este problema se le llamó el
primer teorema de la teoría de grafos, la cual
ha sido considerada desde entonces como el
principal lenguaje matemático para describir las
propiedades de cierto conjunto de elementos
discretos llamados vértices y un conjunto de
conexiones llamados ejes que unen a los
elementos, donde las conexiones pueden ser
casi cualquier cosa, por ejemplo, gente y sus
amigos, computadoras y líneas
comunicación, químicos y sus reacciones,
artículos científicos y citas, etc.
Debe mencionarse una publicación hecha de
1929, que describe, aunque como ciencia
ficción, una de las verdades fundamentales
sobre la estructura de los grafos que ha sido
base de gran cantidad de investigaciones
científicas en este campo, el concepto conocido
como efecto mundo pequeño o seis grados de
separación. Karinthy, en ese trabajo pionero,
demostró que es posible conectar al ganador
de un premio Nobel consigo mismo mediante
una cadena de tan sólo cinco personas
conocidas.
Por otro lado, Solomonoff y Rapoport
(1951), presentaron el primer estudio
sistemático de lo que ahora conocemos como
grafo aleatorio y además demuestra una de las
propiedades más cruciales de este modelo
estableciendo que conforme la relación del
A la número de ejes con el número de vértices en
un grafo se incrementa, el grafo alcanza un
punto donde experimenta un cambio abrupto
desde una colección de vértices desconectados
hasta un estado conectado en el cual, el grafo
contiene un componente gigante. Estos
autores definen una cantidad denominada
conectividad débil que representa el número
esperado de vértices alcanzable a través del
grafo desde un vértice elegido al azar. En la
de actualidad, dicha conectividad débil se
considera como el tamaño promedio del
componente del grafo. Los resultados de estos
autores condujeron a la conclusión de que este
tamaño promedio componente depende
crucialmente del grado medio “a”, el cual es
nuevamente el número de ejes conectados a
un vértice y demostraron que para a < 1, el
grafo se descompone en muchas pequeñas
islas todas separadas entre sí y para a > 1 se
forma un componente gigante que contiene
una fracción finita de todos los vértices en el
grafo.
5
 Continuando con la evolución histórica
de los grafos, debemos mencionar ahora los
trabajos de Erdös y Rényi. (1959, 1960, 1961),
aclaramos que aunque Rapoport y Solomonoff
(1951) dieron la mayoría de los resultados de
los grafos al azar, Erdös y Rényi (1959)
redescubrieron estos resultados sin haber leído
a Solomonoff y Rapoport (1951) y es así
como a Erdös y Rényi (1959) se les atribuye el
descubrimiento de los grafos aleatorios.
Definición básica de grafo.
Como se mencionó, el trabajo de Euler
sobre los puentes de Königsberg
considerado como uno de los primeros
resultados de la teoría de grafos, en 1736.
También se considera uno de los primeros
resultados topológicos en geometría (que no
depende de ninguna medida). Este ejemplo
ilustra la profunda relación entre la teoría de
grafos y la topología.
La teoría de grafos tiene su origen
histórico con el problema de los siete puentes
de Königsberg (Prusia oriental en el siglo XVIII
-ciudad natal de Kant- y actualmente,
Kaliningrado, provincia rusa) es un célebre
problema matemático que fue resuelto por
Leonhard Euler en 1736 y dio origen a la
Teoría de los grafos, planteado de la manera
siguiente:
Dos islas en el río Pregel que cruza
Königsberg se unen entre ellas y con la tierra
firme mediante siete puentes. ¿Es posible dar
un paseo empezando por una cualquiera de las
es cuatro partes de tierra firme, cruzando cada
puente una sola vez y volviendo al punto de
partida?
A
C
ISL
A

Figura 2. Los siete puentes de Königsberg.

Euler enfocó el problema representando

cada parte de tierra por un punto y cada
puente, por una línea, uniendo los puntos que
se corresponden. Entonces, el problema
Figura 1. Leonhard Euler, matemático suizo del
siglo dieciocho quien fue llamado el padre de la anterior se puede trasladar a la siguiente
teoría de grafos.
pregunta: ¿Se puede recorrer el dibujo

6
terminando en el punto de partida sin repetir
las líneas?
A
ISLA
C
B
Figura 3 Grafo de los puentes de Königsberg.
Euler demostró que no era posible ya
que el número de líneas que inciden en cada
punto no es par (condición necesaria para
entrar y salir de cada punto, y para regresar al
punto de partida, por caminos distintos en todo
momento).
Figura 4. Mapa de Königsberg de la época de Euler.
El cual muestra dónde se encontraban los siete
puentes que inspiraron a Euler a introducir un
grafo, creando con esto la teoría de grafos.
7
Los grafos son modelos matemáticos
que permiten expresar de forma visual, sencilla
y efectiva, las relaciones que existen entre
elementos de muy diversa índole. Se dice que
un grafo simple está formado por dos
conjuntos: Un conjunto de puntos llamados
vértices o nodos y un conjunto de pares de
vértices que se llaman uniones o arcos y que
indican cuáles nodos están relacionados entre
sí. Entonces, podemos definir a los grafos
como un conjunto de nodos con enlaces entre
ellos, denominados uniones o arcos. Asimismo,
decimos que en un grafo simple entre dos
nodos, sólo existe un arco y agregamos que en
caso de la existencia de más de un arco, existe
un grafo múltiple o multi-grafo.
Además, si los arcos se pueden recorrer
en una dirección concreta pero no en la
contraria, hablamos de un grafo dirigido o bi-
grafo, en cuyo caso los arcos serán uniones.
También, si los arcos salen y llegan al mismo
punto formando un bucle o rizo, decimos que
se ha formado un pseudo-grafo.
La figura 5 muestra de izquierda a
derecha, un nodo simple, el mismo nodo unido
a cuatro enlaces, los que a su vez tienen en
cada uno, cuatro nodos enlazados a estos
últimos y la figura de la extrema derecha
muestra un grafo complejo, la cual integra
como nodo central con características de alta
conectividad y en una posición relevante con
respecto a los demás nodos.
Figura 5. Desarrollo de grafos múltiples a partir de
un nodo sencillo. En este caso, el primer nodo de la
izquierda se convierte en un hub. Stamps y
Lipnack (2004-2005).
Glosario básico de la Teoría de
Grafos
Una vez definido lo que entendemos
por un grafo, vamos a mencionar los términos
principales de esta teoría. Podemos afirmar
que los siguientes elementos son
fundamentales para entender la teoría de
grafos:
i) Grafos. Un grafo G es un conjunto de
vértices (nodos) v conectados por ejes
(enlaces) e. En consecuencia G = (v, e).
ii) Vértice (nodo). Un nodo, v, es un punto
terminal o un punto de intersección de un
grafo.
iii) Eje (enlace). Un eje o enlace, e, es la unión
entre dos nodos. El enlace (i, j) tiene
extremidad inicial i, y extremidad terminal j.
8
iv) Sub-grafo. Un sub-grafo es un
subconjunto de un grafo G donde p es el
número de sub-grafos. Por ejemplo, G’ =
(v’, e’) puede ser un sub-grafo de G.
v) Rizo. Un rizo es un enlace que hace que un
nodo tenga correspondencia consigo mismo.
vi) Grafo plano. Es aquel donde todas las
intersecciones de dos ejes son un vértice.
Como este grafo se ubica sobre un plano, su
topología es bidimensional.
vii) Grafo no plano. Es un grafo donde no
hay vértices en la intersección de al menos
dos ejes. Esto implica una tercera dimensión
en la topología del grafo pues existe la
posibilidad de tener un movimiento pasando
a través de otro movimiento. Un grafo no
plano tiene potencialmente muchos más
enlaces que un grafo plano.
viii) Conexión. Un conjunto de dos nodos
donde cada nodo está unido al otro.
ix) Trayectoria. Una secuencia de uniones
dirigidas en la misma dirección. Para que
exista una trayectoria entre dos nodos, debe
ser posible recorrer una secuencia
ininterrumpida de uniones.
x) Cadena. Es una secuencia de uniones que
tienen una conexión en común con otra, sin
importar la dirección.
xi) Ciclo. Se refiere a una cadena donde el
nodo inicial y el final es el mismo y que no
utiliza la misma unión más de una vez en un
ciclo.
xii) Longitud de una unión, conexión o de un sub-grafo. Hay varios niveles de
trayectoria. Se refiere a la etiqueta conectividad, dependiendo del grado al cual
asociada con una unión, conexión o cada par de nodos está conectado.
trayectoria. La longitud de una trayectoria iv) Complementación. Dos sub-grafos son
es el número de uniones (o conexiones) en complementarios si de su unión resulta un
dicha trayectoria. grafo completo.
xiii) Circuito. Es una trayectoria donde el v) Raíz. Un nodo r donde cada uno de los
nodo inicial y el nodo final corresponden. otros nodos es el extremo de una
Hay un ciclo donde todas las uniones están trayectoria que sale desde r, es una raíz. La
dirigidas en la misma dirección. dirección es importante. Una raíz es
Adicionalmente, podemos definir las generalmente el punto inicial de un sistema
propiedades estructurales básicas de un de distribución.
grafo. vi) Árboles. Un grafo conectado sin un ciclo es
i) Simetría y anti-simetría. Un grafo es un árbol. Un árbol tiene el mismo número
simétrico si cada par de nodos unidos en de uniones más uno que los nodos.(e = v –
una dirección, está también unidos en la 1) Si una unión se remueve, el grafo deja de
otra. Por convención, una línea sin una ser conectado. Si se adiciona una nueva
cabeza de flecha representa una unión conexión entre nodos, se crea un ciclo. Una
donde es posible moverse en ambas rama de raíz r es un árbol donde ninguna
direcciones. Sin embargo, ambas unión está algún nodo más de una vez.
direcciones tendrán que ser definidas en el vii) Nodo de articulación. En un grafo
grafo. conectado, un nodo es de articulación si el
ii) Completitud. Un grafo es completo si dos sub-grafo obtenida por remoción de este
nodos están ligados en al menos una nodo no esta muy conectado. Ésta contiene
dirección. entonces más de un sub-grafo (p > 1).
iii) Conectividad. Un grafo completo es viii) Istmos. En un grafo conectado, un
conectado si para todos sus distintos pares istmo es una unión que se crea cuando se
de nodos hay una cadena ligada. La remueven dos sub-grafos que tienen al
dirección no tiene importancia para un grafo menos una conexión.
que es conectado, pero puede ser un factor
que afecte el nivel de conectividad. Si p> 0
el grafo es no conectado porque tiene más

9
Clases de redes entre sí puede ser representado por medio de
un grafo. Cuando la relación entre cada dos
Si realizamos alguna observación del
objetos lleva asociado un valor numérico (que
mundo que nos rodea todo está referido a
puede representar el costo de paso, la longitud
sistemas, los cuales los entendemos como un
o la velocidad de flujo entre ambos, etc.) se
conjunto de elementos interrelacionados entre
habla de redes en lugar de grafos.
si con un objetivo común, estos sistemas
pueden ser grandes y complejos por su gran
Debido a esta generalidad del concepto
cantidad de componentes, como la internet, el
de red, muchos de los problemas en campos
cosmos, el cerebro humano, etc., o pequeños
como Diseño y Análisis de Redes de
como los integrantes de una organización, un
Comunicación, Planificación de la Producción,
grupo de amigos, las universidades de una
Gestión y Administración, Ciencias de la
localidad, las empresas de una región, etc.,
Computación, Inteligencia Artificial,
estos sistemas por conveniencia de estudio
Clasificación y Análisis de Datos, Fiabilidad de
pueden ser representados por una red que
Sistemas, Redes de Colas, Tráfico, Localización
muestre la interrelación que existe entre sus
de Centros o Plantas, Criptografía,
componentes y sus características.
Cristalografía, etc., se plantean y resuelven
gracias a los estudios realizados en general
Si se aplica esta metodología existe una
para redes.
teoría que sustente esta representación:

Podemos decir entonces que la teoría

La teoría de redes se refiere al estudio
de redes se refiere al estudio de los sistemas
de los sistemas conectados, una herramienta
conectados. Así, constituyen redes las palabras
matemática importante para el estudio de las
en un idioma y los temas en una conversación.
redes es la teoría de grafos. Estos son una
El tráfico de una ciudad, las empresas de un
colección de vértices o nodos conectados por
parque industrial el cerebro es una red de
ligaduras (arcos), dirigidos o no.
neuronas y las organizaciones son redes de
personas. La economía global, es una red de
En términos sencillos, un grafo es la
economías nacionales, compuesta de redes de
representación de las relaciones entre los
mercados, las transacciones en una empresa
elementos de un cierto conjunto. Por ejemplo,
manufacturera, las que a su vez construyen
un conjunto de computadoras conectadas

10
con las interacciones de los productores y los
consumidores.

Figura 7.Proyecto del Genoma Humano.

Figura 6.Pintura de Idahila Stanley reproducida

Así, Barabási (2002), señala que los
por Nature. Esta obra fue parte de un estudio de resultados teóricos y experimentales sobre el
interrelación, se considera un símbolo de nuestra
conectividad social. análisis de redes, llevan a distinguir dos

Las cadenas alimenticias, los grandes clases de redes basándose en la

ecosistemas, la red de internet (World Wide distribución de su conectividad. Dicho valor da

Web, `www`), y el metabolismo celular, el la probabilidad de que un nodo en una red

genoma humano pueden ser tratados como determinada esté conectado a otro número,

redes. La herramienta para estudiar estas (digamos k) de nodos existentes en la red.

mallas es la teoría de redes. Ahora bien, todas

las redes descritas con anterioridad, La primera clase de redes se caracteriza

constituyen sistemas sin aparente relación porque tiene un pico en cierto valor promedio y

entre si, pero pueden ser estudiados en forma decae exponencialmente a medida que el valor

general debido al sorprendente hecho de que de k aumenta. Son ejemplos típicos de este

no existe gran diversidad en la estructura de tipo de redes los establecidos por Erdös y

las redes que los representan. Rényi (1960), para grafos aleatorios.

11
Figura 8. Modelo de Erdös y Rényi (1960)

Figura 9. Distribución de probabilidad de un grafo

aleatorio.

12
 Por otro lado, la segunda clase de
redes queda descrita por el modelo de Watts
y Strogat (1999), de mundos pequeños o “el
mundo es un pañuelo”, siendo la principal
característica de estas últimas, su
homogeneidad ya que cada nodo tiene
aproximadamente el mismo número de
conexiones, es decir, cada nodo de la red se
relaciona con aproximadamente k nodos de la
misma.

Figura 11. Modelo de red de escala libre o

invariante de Albert, Jeong y Barabási (2000)

Ahora bien, se ha estudiado la inter-

conectividad de la red haciendo una
descripción de la misma mediante su diámetro
d, siendo d la longitud promedio de los camino
más cortos entre dos nodos cualesquiera de la
red, entonces, cuanto más pequeño es d, se
espera que más corto sea el camino entre dos
nodos, lo cual influye directamente en las

Figura 10. Modelo de red de mundo pequeño.
Por su parte, Barabási (2002), ha
trabajado con otros sistemas conocidos como
“escala libre” que son redes no homogéneas
donde k decae en forma exponencial. Barabási
(2002), ha encontrado que existen infinidad de
ejemplos que se comportan de acuerdo a este
tipo de redes, es decir, con el mismo patrón
topológico.
posibilidades de comunicación entre los dos
nodos.
Por otra parte, existen redes con un
enorme número de nodos y diámetros muy
pequeños. Respecto a este fenómeno,
Lawrence y Giles (1998, 1999), estudiando la
red de internet encontraron que en ese
entonces, ésta tenía cerca de un billón de
documentos, pero su diámetro no era grande,

13
y en consecuencia no era una red del tipo “el el mismo número de conexiones (links), su
mundo es un pañuelo”, era una red de escala contribución al diámetro es la misma, por lo
invariante (Scale free), lo cual impacta sobre la tanto, al eliminar un nodo el daño que se
tolerancia que tiene la red y Barabási (2002), produce en la red es similar. Sin embargo, en
estudiando los cambios en el diámetro de las las redes de escala invariante (scale free), el
redes cuando se considera un número pequeño comportamiento es totalmente diferente.
de nodos, digamos f, encontró que el mal Aunque el número de fallas aumente, el
funcionamiento o ausencia de un nodo en una diámetro permanece casi sin cambios debido a
red incrementa la distancia entre los demás la distribución no homogénea de la
nodos porque pueden quedar eliminados conectividad.
algunos caminos que contribuyen a la
conectividad de los componentes del sistema. La distribución según una ley
exponencial implica que la mayoría de los
nodos tienen unos pocos “links” y como existen
muchos de ellos, la probabilidad de que se
vean afectados es mucho mayor que la
probabilidad de falla en los escasos nodos más
conectados. Por lo tanto, la probabilidad de
falla en este tipo de redes es mucho menor. En
este tipo de redes, además, los nodos
altamente conectados (hubs) son escasos, lo
cual tiene dos efectos: por un lado, estas redes
de escala invariante son altamente tolerantes a
Figura 12. Representación de la conectividad de la
Intenet. ISPs (Internet Service Provider) las fallas aleatorias pero, por otro lado, son
coloreado de forma separada por K. C. Claffy.
altamente vulnerables a fallas planificadas con

Encontró además que en las redes el sólo hecho de encontrar sus escasos hubs.

exponenciales el diámetro se incrementa

monótonamente con f, lo que significa que En la red aleatoria (figura 13) los cinco

cuando f crece, es muy difícil para los nodos nodos (hubs) con la mayoría de enlaces (en

restantes comunicarse entre ellos, lo cual es rojo) están conectados únicamente al 27% de

producto de la homogeneidad de la red pues todos los nodos (verde) mientras que en la red

como todos los nodos tienen aproximadamente invariante de escala(scale free) (figura 14) los

14
cinco nodos (hubs) están conectados al 60% La figura 13 representa un grafo con 5
de todos los nodos. La conectividad impacta hubs aleatorios mientras que la figura 14 un
directamente en la estabilidad de una red. grafo con 5 hubs de escala invariante, en el
primer caso, se puede observar que los hubs
tienen una conectividad con un bajo
porcentaje de enlace (aproximadamente 27%)
mientras que en el segundo caso los hubs
tienen una conectividad alta (60 %
aproximadamente). Surge entonces la
pregunta. ¿Cuál modelo es el adecuado para el
estudio que aquí nos ocupa? Para responder
dicho cuestionamiento es conveniente discutir
brevemente ambos modelos. En consecuencia,
si tomamos como base el artículo de Barabási,
Ravaz, Vicsek (2001, Jul.), vemos que la
probabilidad de que un nodo elegido en forma
Figura 13. Representación de una red
aleatoria. aleatoria tenga exactamente k conexiones
disminuye de acuerdo a la ley de potencias
dada por la ecuación 1.

Adicionalmente la figura 15 representa

una red de escala invariante con nodos de alta
conectividad representando de forma directa a
los hubs y la figura 16 representa una red
aleatoria donde la conectividad de los nodos es
homogénea.

Figura 14. Red de escala invariante con hubs.

15
Figura 15. Representación de una red aleatoria
donde no se distinguen nodos que se destaque por
su alta conectividad.
Figura 16. Red de escala invariante con nodos de
alta concentración de conectividad.
16
Figura 17. Red de escala invariante con nodos de
alta conectividad (hubs).
P (k) = k-γ…………………… (1)
Donde γ es el grado del exponente. Al
parecer el exponente de los grafos invariantes
de escala libre varía entre 2 y 3 y con el fin de
entender la topología de grafos complejos, se
han desarrollado varios modelos, todos ellos
basados principalmente en dos mecanismos:
crecimiento incremental y unión
preferencial. El primer mecanismo utiliza el
hecho de que los grafos se van construyendo
mediante la adición de nuevos nodos al
sistema mientras que la unión preferencial
propone la hipótesis de que los nuevos nodos
se conectan con mayor probabilidad a los
nodos con mayoría de conexiones o hubs. Sin
embargo, parece ser que ambos mecanismos
entran en acción en la mayoría de los sistemas
que tienen topología de grafo invariante libre característica de las propiedades a escala
de escala. Además, se sabe que los fenómenos grande de los grafos complejos. El modelo, que
estocásticos, son un rasgo común de todos los estudia los aspectos estadísticos de grafos
modelos de grafos que generan topología aleatorios con medidas probabilísticas,
invariante libre de escala, es decir, los nuevos comienza suponiendo N vértices no enlazados
nodos se conectan a los nodos ya existentes, entre sí. Ahora, si conectamos cada par de
mediante una regla probabilística. Dicha regla, vértices con una línea (enlace o eje) y le
aleatoria por si misma, impide una visualización damos una probabilidad pER, generaremos una
real de la forma en que se realiza dicha red aleatoria. El gran descubrimiento de Erdös
invariancia en los grafos mencionados. y Rényi (1960) fue que muchas de las
propiedades de estos grafos aparecen
La complejidad del problema de los repentinamente, en un valor umbral de
grafos se puede apreciar tomando en cuenta la pER(N), (donde N es el número de vértices)
gran cantidad de trabajos publicados al siendo una propiedad de gran importancia para
respecto. Así, probablemente, el modelo de la topología de los grafos la aparición de
grafos aleatorios más antiguo y más estudiado árboles y ciclos. Erdös y Rényi (1960),
sea el de Erdös y Rényi (1959, 1960, 1961), demostraron que si pER(N) era
pero aunque ha sido ampliamente usado en aproximadamente igual a c/N, con c < 1, casi
teoría combinatoria de grafos, sus predicciones todos los vértices pertenecen a árboles aislados
rara vez se aplicaban en el mundo real, debido (Smythe y Mahmound,1995; Szymanski 1987),
principalmente a la ausencia de datos de pero hay un cambio abrupto en pER(N)
grafos grandes. Sin embargo, con el aproximadamente igual a 1/N (es decir, c = 1)
advenimiento de las computadoras, este hecho cuando aparecen ciclos de todos los órdenes,
cambio rápidamente, y ahora se sabe que así el modelo también se conoce como
muchos de los grafos aleatorios que existen en modelo de percolación dimensional
la naturaleza y tienen estructuras internas infinita y puede estudiarse en Stauffer y
complejas, también tienen rasgos comunes. Aharony (1992, 1994). Desde este punto de
vista, pc aproximadamente igual a 1/N, es el
Un gran avance en la comprensión de umbral de percolación del sistema y para p<pc,
los rasgos genéricos en el desarrollo de grafos el sistema se rompe en muchos racimos
fue el descubrimiento de un grado pequeños, mientras que en pc, se forma un
sorprendente de organización propia, gran racimo que en límites asintóticos,

17
contiene todos los vértices. Por otro lado, un
grafo invariante libre de escala se define como
un grafo conectado o red con la propiedad de
que el número de enlaces k originado a partir
de un nodo raíz muestra una ley exponencial
de distribución dada por la ecuación (2):
P (k) aprox.= k ………………….. (2)
-γ
El modelo ER se compara con otros
modelos de grafos mediante las distribuciones
de conectividad, donde se considera que la
probabilidad de que un vértice tenga k ejes,
sigue la distribución de Poisson dada por la
ecuación (3):
P (k) = e-λλk/k! …………. (3)
Donde:
λ = (N – 1, k)pkER(1 – pER)N – 1 – k…….(4).
Siendo el valor esperado (N – 1)pER.
Para una discusión detallada de estos tópicos
se puede recurrir a los trabajos de Albert
(1999, 2000, 2002) y de Barabási (1999). Estos
mismos estudios, han demostrado que es más
adecuado describir los grafos por leyes de
potencias o distribuciones de enlaces de escala
libre. En estas leyes, Limperth, Stahel, y Abbt
(2001); Mitzenmacher (2001); y Laherre
(1996), observan la probabilidad de que un
nodo tenga k uniones es aproximadamente
proporcional a 1/k . Así, el grafo de unión del
T
18
amplio mundo de la web (Adamic, 1999), la
Internet. Faloutsos et al. (1999), ciertas
trayectorias biológicas. Barabási et al. (2000) y
algunos grafos sociales. Aiello (2000);
Newman, Watts, y Strogatz (2002.); Liljeros et
al. (2000); Barabási (1999), son ejemplos de
esta clase de grafos. Dentro de este contexto
vemos que todos estos fenómenos tienen en
común el hecho de ser grafos, donde los
conceptos de interacción de relación entre
elementos son pilares básicos para estructurar
una explicación racional de nuestro entorno.
Así, basándose en los descubrimientos de los
pioneros de la teoría de grafos, {Euler y
Cauchy, Hamilton, Cayley, Kirchof, y Pólya y
más recientemente de los matemáticos
húngaros, Erdös y Rényi (1950); Barabási
(2002)} intentando responder la pregunta
¿Cómo son las formas de los grafos?
menciona que la respuesta se encuentra en la
teoría aleatoria de los grafos y su construcción
y establece que la estructura de grafos es la
clave para entender el mundo complejo que
nos rodea, donde se ha encontrado que
pequeños cambios en la topología de un grafo,
los cuales afectan solo pocos nodos o enlaces,
pueden abrir puertas escondidas que den lugar
a nuevos descubrimientos.
Barabási (1999, 2002) realiza estudios
dando seguimiento a grafos auto-organizados
presentes en campos como la física cuántica, la
biología molecular, la seguridad digital y la El economista Vilfredo Pareto (1896-
economía mundial. 1965) observó el principio comúnmente
conocido como regla del 80/20, descrita
Además, los experimentos con cartas matemáticamente como “ley de potencias”. A
que incluían principalmente a, Newman, Watts, diferencia de las distribuciones normales,
y Strogatz (2002) y Barabási (1999, 2002) características de sucesos aleatorios una ley de
demostraron que el efecto Small World (El potencias (Abe y Rajagopal 2002), no tiene
mundo es un pañuelo) podía encontrarse en pico y coexisten unos pocos sucesos de mucho
cualquier grafo de conectividad elevada, algo peso con otros muchos de poco peso, estas
que no se explicaba por la Teoría de grafos leyes de potencia están presentes en la teoría
aleatorios (Newman 2001 a, 2001b, 2001c). del caos, los fractales, Mandelbrot (1983);
Aharony y Feder (1989); Walter (1990); Batty
Los estudios demostraron que grafos y Longley (1994); Mandelbrot (1997), cambios
enormes no necesitan muchas conexiones de estado y grafos invariantes libre de escala.
aleatorias para conectarse, basta con unos
pocos nodos de gran actividad entre Newman, Watts, y Strogatz (2002),
agrupaciones para tener efectos Small World, Kuperman y Abramson (2004), principalmente
Kuperman y Abramsor (2004), Zannete (2001). desarrollan un modelo sencillo de grafo
En los “grafos invariantes libres de escala” denominado Small World, donde se plantea
(Scale-free networks), Kim, Yoon, Han, y Jeong que la naturaleza es un entramado de
(2002), estos nodos de gran actividad o relaciones e interacciones, un grafo de grafos;
influencia se les denomina “Hub”. ecosistemas, metabolismo celular, redes
neuronales, etc., exhiben propiedades
Si bien estos hubs no han podido ser topológicas comunes e inesperadas, donde
explicados por los modelos ni de Erdös y Rényi todos estos sistemas son grafos y los
(1960) ni de Newman, Watts, y Strogatz conceptos de interacción o de relación entre
(2002), si están presentes en todos los grafos elementos son pilares básicos para estructurar
complejos, Diestel (2005), Bornhpldt (2003), una explicación racional del mundo. A esta
Jungnickel (2005), Xu (2003), y Barabási forma de pensar acerca de la naturaleza se le
(2002). ha denominado conexionismo (Albert, Jeong y
Barabási 2000).

19
 Durante las últimas décadas, con el etc.) entonces nos vemos obligados a pensar
objeto de progresar en el estudio, se optó por en la topología de dichos grafos y en la forma
obviar los problemas asociados a la estructura en que esta topología puede afectar a los
o topología. Ver: Lorentz, Orda, Raz, y Shavit mismos. Así, podemos decir que existen dos
(2001); Zegura, Calvet y Donahoo (1997); grandes tipos de topologías: las topologías
Medina, Mata, Byers (2000); Waxman (1988); fijas y las topologías aleatorias.
Jin-Chen-Jamin (2000); Faloutsos (1999);
Dentro de las topologías de grafo fijas,
Tangmunarunakit, Govindam, Jamin,Shenker y
existen a su vez distintas clases, siendo las
Willinger (2001), Krishnamurthy, Sun,
más utilizadas las siguientes: Topología
Faloutsos y Tauro (2003), sin embargo los
cadena, topología anillo, topología
nuevos descubrimientos respecto a la fuerte
estrella y topología árbol.
conectividad de algunos nodos en ciertas
estructuras han animado a los investigadores a
generar nuevos planteamientos y retomar el
estudio de la estructura de las gráficas,
pasando el análisis de gráficas regulares a Topología de cadena
Topología de anillo
grafos aleatorios y grafos invariantes libres de Topología
escala y Valverde, Cancho, y Sole (2000),
estos últimos con características de alta
conectividad de algunos nodos (hubs) y desde
el punto de vista de estructura cumpliendo una
Topología de estrella
ley de potencias (Mc.Uckstein 2002 y Topología de cadena

Barbarási, Albert y Jeong, 1999).

Figura 18. Diferentes topologías utilizadas en la
construcción de redes.

Las topologías fijas, si bien no

Topologías de redes
representan un grafo real, si son el primer paso
Recordando que un grafo es un
para desarrollar uno, porque utilizan trozos de
conjunto de nodos y enlaces, donde los nodos
grafos reales. Un método para desarrollar
están conectados entre ellos a través de los
diferentes topologías de grafos lo dio Waxman
enlaces (links), y reconociendo que los grafos
(1988). El propone utilizar una probabilidad en
han sido ampliamente utilizados como
función de las distancias entre los nodos y
modelos de redes del mundo real (redes
dicho método ha sido ampliamente usado para
epidemiológicas, sociales, telefónicas, Internet,

20
generar las topologías de grafos. El método
comienza generando N nodos de un grafo y
distancias aleatorias entre cada par de nodos
de tal forma que la probabilidad de que exista
un enlace entre un par de nodos, digamos u,
v, viene dada por la expresión (5):

P(u,v) = α℮{-d(u,v)/β.L} (5)

Donde d(u,v) es la distancia entre los Figura 19 Generación de la totalidad de

nodos u y v, y L es la distancia máxima entre enlaces para un grafo de δ nodos según el modelo
de Waxman (1988).
dos nodos cualquiera. La metodología es la
siguiente: para cada par de nodos (u,v) se
Enseguida se aplica la función P(u,v) en
determina la probabilidad P(u,v) de que exista
cada par de nodos, determinando si existe o no
un enlace entre ellos, de acuerdo a la ecuación
el enlace (u,v) dando como resultado la figura
(5), posteriormente, en base a un experimento
20.
aleatorio (con distribución probabilística
uniforme) se determina en definitiva si el
enlace existe o no. Los parámetros α y β varían
en el intervalo (0, 1. Valores pequeños de β
generan enlaces largos y valores grandes de α
producen grafos que en promedio presentan
un alto grado (nivel de conectividad) en sus
nodos. En detalle, para un grafo de δ nodos,
Waxman (1988), genera todos los enlaces del
Figura 20 . Resultado de aplicar la función P (u, v)
grafo. a un grafo de δ nodos considerando la totalidad de
enlaces teóricos posibles.

21
 Sin embargo, uno de los principales grafos que cumplen con las condiciones dadas
problemas del modelo de Waxman (1988) es en la tabla I.
que entre los grafos resultantes se generan Número de Α Β Grado
nodos promedio
también grafos no conexos, los cuales no
40 0.4 0.4 4.02
sirven para la evaluación de algún algoritmo 100 0.3 0.2 3.56
que genere un grafo (ver figura 21). 1000 0.1 0.2 3.45
Tabla 1. Relación del número de nodos del grafo y
parámetros α y β para lograr grado promedio de
conectividad entre nodos en el modelo de Waxman
(1988).

La limitación del método de Waxman

Figura 21. El modelo de Waxman (1988), genera
grafos no conexos.
(1988), es que cuando el número de nodos es
muy grande, ocurre una distorsión en la
distribución del grado entre los nodos. Esto no
es un impedimento para aplicarlo al problema
que nos ocupa de la pertinencia de la oferta de
la educación superior en su entorno
económico porque la muestra no es de tamaño
muy grande ya que el modelo de Waxman

Entonces, para cumplir con la propiedad (1988) es válido para gráficas hasta con 1500

de doble conexión que exige que todo nodo nodos. Para profundizar en los detalles de este

en el grafo deba ser de al menos grado dos, se modelo, también se puede ver:

debe generar un enlace desde un nodo Tangmunarunkin, Govindam, Jamin, Shenker, y

terminal al nodo más cercano (en costo) que Willinger (2001).

no sea a través del nodo directamente

Redes sociales
conectado a él. Ahora bien, el grado promedio
de nodos en un grafo, es decir, el número de Una red social es una estructura social

enlaces incidentes en un nodo en promedio en en forma de grafo en el cual los nodos

el grafo, afecta el desempeño del modelo que representan individuos (a veces denominados

se está desarrollando, es decir de su algoritmo, actores) y las aristas relaciones entre ellos. Una

por tanto, se deben proponer grafos con principal característica de este tipo de redes es

grados promedio cercanos a la realidad. que los nodos, denominados en este contexto

Mediante este método se pueden generar actores, representan integrantes de la

sociedad, tales como personas, empresas,

22
grupos de trabajo, departamentos de una
empresa, países, etc., y los arcos representan
la relación existente entre ellos; tal como
intercambio financiero, amistad, tránsito de
personas, etc., el objetivo de estudio principal
de estas redes se encuentra en la relación
entre los nodos y su consecuencia.
social. Al centrarse en la relación que hay entre
los actores (o grupos de actores) y no en las
características de los mismos. Los procesos de
empleo, tránsito de alumnos entre
universidades, intercambio de algún tipo de
información entre grupos de personas pueden
ser ejemplos de la aplicación de estudio de
este tipo de redes.

Figura 22. Red Social de la página FlickrLand la

Figura 23. Esquema de una red social de la
Internet.
Internet.

De acuerdo a la característica de las

A finales de 1800 dentro de los
relaciones, las redes pueden ser:
precursores de las redes sociales están Émile
Diádicas (de acuerdo a si existe o no relación
Durkheim y Ferdinand Tönnies, este último
entre nodos) o valoradas (en donde la
aseguró que los grupos sociales pueden existir
relación tiene una ponderación cuantitativa), o
con vínculos entre las mismas personas o bien
bien transitivas (donde una relación implica
vínculos que las personas comparten valores y
que es en ambos sentidos) o dirigidas la
creencias, así actualmente una agrupación de
relación va en un sentido o en ambos pero es
amigos comparte ciertas características a
especificado (Wasserman y Faust, 1994).
través de correos electrónicos ver figura 24.

El análisis de redes sociales ha tenido

aplicación exitosa en ciencias sociales y
administrativas en las últimas décadas como
una nueva herramienta de análisis de realidad

23
 aparecieron. En la década de 1930, J.L.
Moreno fue pionero en el registro y el análisis
sistemático de la interacción social en
pequeños grupos, especialmente las aulas y
grupos de trabajo, mientras que en Harvard un
grupo dirigido por W. Lloyd Warner y Elton
Mayo exploran las relaciones interpersonales
en el trabajo. En 1940 Radcliffe-Brown
pronunció un discurso ante los antropólogos

Figura 24. Red que representa un grupo de británicos e instó al estudio sistemático de las
personas que comparten correos electrónicos. redes. Sin embargo, se tardó 15 años antes de
que esa convocatoria fuera seguida de forma
Durkheim dio una explicación sistémica.
individualista- social de los hechos,
El análisis de redes sociales
argumentando que los fenómenos sociales
desarrollados en Inglaterra en 1950, respecto
surgen cuando interactúan individuos
al parentesco a cargo de Elizabeth Botty en
constituyen una realidad que ya no puede ser
1950 y 1960 se realizó el estudio de la
contabilizada en términos de las propiedades
urbanización a cargo de la Universidad de
de cada uno de los actores. Distinguió entre la
Manchester con un grupo de antropólogos, el
sociedad tradicional una “solidaridad mecánica”
objetivo fue investigar las redes comunitarias
que prevalece en caso que las diferencias
en el sur de África, la India y el Reino Unido. A
individuales se reduzcan al mínimo, y la
su vez el área de ciencias sociales de la
sociedad moderna denominada “solidaridad
Universidad de California Irvine realizó estudios
orgánica” que se desarrolla fuera de la
en aplicaciones matemáticas centradas en
cooperación entre individuos diferenciados con
torno a análisis cualitativos. Existen otras
funciones independientes. Georg Simmel,
universidades que han realizado estudios de
escritor en el umbral del siglo XX, fue el primer
carácter cualitativo respecto a redes sociales
estudioso pensando directamente en la red
como la Universidad de Chicago la Universidad
social. Sus ensayos se refirieron a la naturaleza
estatal de Michigan y la Universidad de
del tamaño de la red y en sus interacciones.
Toronto.
En las primeras décadas del siglo XX,
tres grandes tradiciones en las redes sociales

24
Análisis de redes sociales El análisis de redes sociales tiene su
fundamento en métodos cuantitativos y
Red Social es una representación de
cualitativos que evalúan la interacción de
nodos y arcos (unión de los nodos) que se
nodos y uniones entre ellos, en el entendido
asocian a un sistema social. Los nodos
que los nodos representan los actores y las
generalmente representan personas, grupos de
uniones los vínculos de un sistema social, y el
persona u organizaciones de cualquier
análisis examina la relación que existe entre
dimensión, y las uniones (lazos, arcos),
actores. Es importante mencionar que las redes
representan el factor o factores de vínculo
sociales trabajan en muchos niveles de
entre los nodos (denominados en redes
desagregación, estos niveles pueden
sociales como actores), el vínculo puede
observarse en la figura 26; así como puede
referirse a situaciones de preferencia, amistad,
tomarse un actor como un individuo y los lazos
apoyo financiero, parentesco, visiones, ideas,
algún tipo de relación con otros individuos, así
aversión, un ejemplo de ello ver la figura 25.
también los actores pueden representar
La red representativa resultante es una
familias, grupos de trabajo, organizaciones,
estructura de nodos (actores) y arcos (lazos o
estados naciones y sus uniones diferentes tipos
uniones) en la que puede variar su complejidad
de vínculo o relación. Los estudios de estas
de acuerdo al tamaño de la red, que está
redes sociales pueden tener diferentes
representada por la cantidad de actores y
enfoques.
uniones y al tipo o tipos de vínculo que existe
entre ellos (Freeman, 2006).

Figura 26. Red de la web representando usuario de

Figura 25. Red representativa de una comunidad Google.
Facebook en un espacio de internet.

25
 La representación más simple de una persona que es un directivo en dos compañías
red social es un modelo gráfico de nodos y por lo que conecta estas compañías. La
lazos a analizarse. El estudio que puede información puede fluir de una junta directiva a
realizarse va desde el análisis particular de las otro por los conectores. La figura 23 muestra
características de unión de cada actor, lo cual las empresas austriacas más importantes. El
de acuerdo a la representación de la unión, tamaño de los círculos representa el número de
puede tener diferentes significados, hasta empleados en la compañía. Las líneas
características de grupos de actores con representan a las directivos que unen entre
respecto a toda la red. A menudo estos análisis estas empresas. El grueso de la línea muestra
se refieren al capital social de los actores. los gerentes más comunes que estas empresas
tienen. Las líneas rojas muestran el primer
El análisis e redes sociales es un
paso con su entorno. Los círculos del azul
instrumento que apoya áreas como la
representan la los directivos importantes de la
medicina, la biología, la antropología, la
compañía.
psicología, la sociología, las comunicaciones,
ciencias de la información, economía y estudios
de la organización, teniendo aplicaciones
especiales en aspectos de planeación, entre
otras.

La aplicación de redes sociales se

remonta a principios del siglo XX utilizando la
herramienta en sistemas sociales complejos, en
todas las escalas desde las micro como
interpersonales, hasta las macro
Figura 27. Red representativa de la influencia
organizaciones complejas o proyectos de directiva en las empresas de Austria.

comunicación internacional, un ejemplo es

Los términos utilizados para designar
“FAS. research” una institución de la
los vínculos que relacionan conceptos utilizados
investigación localizada en Viena, Austria que
por la generalidad de las personas y los
ha estado produciendo el gran trabajo en el
científicos del área social, relacionadas a
análisis de la red para la ciencias y negocios,
grupos como tribus y familias y lo referente a
donde algunos gerentes en Austria son
categorías sociales como género, origen
directivos de compañías diferentes. Una

26
étnico, etc., al respecto existen estudios ya Varias tendencias analíticas distinguen
utilizados desde mediados del siglo pasado, en el análisis de redes, en lugar de tratar a los
1954, JA Barnes comenzó a utilizar individuos (las personas, las organizaciones, los
sistemáticamente el término para designar las estados) como las unidades discretas de
modalidades de vínculos que abarcan los análisis, el enfoque es de cómo la estructura
conceptos tradicionalmente utilizados por el de lazos afecta a los individuos y sus
público y los científicos sociales, estudiosos relaciones.
como Berkowitz SD, Stephen Borgatti, Ronald
Burt, Kathleen Carley, Katherine Faust, Linton En contraste con el análisis que asumen
Freeman, Mark Granovetter, David Knoke, esa socialización, las normas determinan el
Peter Marsden, Nicholas Mullins, Anatol comportamiento, el análisis de la red parece
Rapoport, Stanley Wasserman, Barry Wellman, ver hasta que punto la estructura y
Douglas R. White, y Harrison White composición de lazos afectan las normas
profundizaron las aplicaciones y ampliaron el (Scott, 1991).
uso de redes sociales. El modelo de una red social ayuda a
determinar la utilidad de una red y sus
El análisis de redes sociales ha
individuos. Existe toda una teoría denominada
evolucionado desde ciertas propuestas y
de lazos débiles donde las redes más
conceptos para fortalecerse con métodos
pequeñas, más firmes pueden ser menos útiles
analíticos y ha encontrado sus declaraciones
a sus miembros, que las redes con una gran
teóricas y métodos. El análisis es realizado y
cantidad de conexiones sueltas (denominadas
razonado a partir de la estructura de la red a la
lazos débiles) a los individuos fuera de la red
participación individual de sus integrantes. Los
principal. Las redes con características más
estudios de redes enteras también conocidos
abiertas con muchos lazos débiles y conexiones
como redes completas, donde todos los lazos
sociales tienen más probabilidad de presentar
que contienen las relaciones especificas en una
nuevas ideas y oportunidades a sus miembros
población definida, o las redes personales,
que las redes cerradas con muchos lazos
(también conocido como las redes
redundantes. Es bueno para el éxito individual
egocéntricas) donde los lazos que especificaron
tener las conexiones a una variedad de redes
a las personas tienen, como su comunidad
en lugar de muchas conexiones dentro de una
personal (Wellman, Barry y Berkowitz, 1988).
sola red. De forma semejante, los individuos
pueden ejercer la influencia o pueden ser

27
enlaces dentro de sus redes sociales siendo un grado en que un individuo dentro de una red
“puente” de dos redes que no se unen está en el centro de muchas relaciones, que el
directamente, denominando a esta unión como título del trabajo real. Las redes sociales
agujeros estructurales (Scott, 1991). también juegan un papel importante logrando
Las redes sociales también han sido el éxito comercial, y la actuación del trabajo.
usadas para examinar cómo las organizaciones Las redes mantienen las maneras para recoger
interactúan entre ellas, destacando muchas la información en las compañías, detienen la
conexiones informales que mantienen sus competición, y conspiran poniendo precios o
ejecutivos así como asociaciones y conexiones políticas (Wasserman y Faust, 1994).
entre empleados individuales en diferentes
organizaciones. Así, se puede decir que el Métodos de medición
Impulso de la organización a menudo viene
Para redes de modo-uno y redes de
más del grado en que un individuo dentro de
modo-dos se han desarrollado formas de
una red está en el centro de muchas relaciones
medición que dan información acerca de las
que el título (puesto) del trabajo real. Las
características de la red (Wasserman y
redes sociales también juegan un papel
Faust,1994; Krebs y Valdis 2000).
importante contratando, en el éxito comercial,
y en la actuación del trabajo. Las redes dan
Intermediación:
formas para que compañías obtengan más
Grado en que una persona se encuentra
información, disuadan la competencia y
entre otras personas en la red; el grado en que
generen estrategias para generar precios y
un nodo está conectado directamente sólo a
políticas (Wasserman y Faust, 1994).
aquellos otros nodos que no están
directamente conectadas entre sí;
También se han usado las redes
intermediario; enlaces; puentes. Por lo tanto,
sociales para examinar cómo las
es el número de gentes que una persona se
organizaciones actúan recíprocamente entre sí,
conecta indirectamente a través de sus
mientras caracterizando las muchas conexiones
vínculos directos.
informales que se unen a ejecutivos juntos, así
como las asociaciones y conexiones entre los
empleados individuales a las organizaciones
diferentes. Por ejemplo, el impulso a menudo
dentro de las organizaciones viene más del

28
Cercanía:
El grado de una persona está cerca de
todas las demás personas en una red (directa o
indirectamente). En él se refleja la capacidad
de acceso a la información a través de la "vid"
(agrupación) de los miembros de la red. De
este modo, la cercanía es la inversa de la suma
de las distancias más cortas entre cada
individuo y cada otra persona en la red.
Centralidad (grado):
La cuenta del número de vínculos a
otros actores en la red. Véase también el
grado (teoría de grafos).
Centralidad del flujo de intermediación:
El grado en que un nodo contribuye a la
suma de flujo máximo entre todos los pares de
nodos.
Eigenvector (centralidad):
Una medida de la importancia de un
nodo en una red. Se asigna puntajes en
relación a todos los nodos en la red basado en
el principio de que las conexiones a nodos
tengan una alta puntuación contribuyendo
más a la puntuación del nodo en cuestión.
Centralización:
La diferencia entre el n de enlaces para
cada nodo dividido entre el máximo posible
suma de las diferencias.
29
Una red centralizado tendrá muchos de sus
vínculos dispersos en torno a uno o varios
nodos, mientras que una red descentralizada
es aquella en la que hay poca variación entre
los n vínculos que cada nodo posee.
Coeficiente de agrupamiento:
Una medida de la probabilidad de que
dos socios de un nodo estén asociados a sí
mismos. A mayor coeficiente de agrupamiento
indica una mayor “cliquishness”.
Cohesión:
El grado en que los actores están
conectados directamente el uno al otro por
cohesión. Los grupos son identificados como
"camarillas" si cada actor está directamente
ligado a cualquier otro actor, "círculos sociales"
si hay menos rigor de contacto directo, lo cual
es impreciso, o como un bloque de estructura
cohesiva si se requiere precisión.
Densidad (nivel individual):
El grado en que las uniones de
respuesta se conocen una a otra / proporción
de vínculos entre una nominación individual.
Nivel global de densidad es la proporción de
uniones en una red, relativa al número total
posible (redes escazas contra redes densas).
Longitud del camino:
 Las distancias entre los pares de nodos
en la red. Promedio de la longitud del camino
es la media de estas distancias entre todos los
pares de nodos.

Radialidad:
Grado que una persona de la red se
extiende en la red y proporciona información
novedosa e influencia.
Alcance:
El grado de cualquier miembro de una
red puede llegar a otros miembros de la red.

Cohesión estructural:
El número mínimo de miembros que, si
se retiran de un grupo, podría desconectar al
grupo. (Moody y Douglas, 2003).

30
Equivalencia estructural:
Se refiere a la medida en que los
actores tienen un conjunto común de vínculos
con otros actores del sistema. Los actores no
necesitan tener ninguna relación el uno al otro
ser estructuralmente equivalentes.
Agujero estructural:
Agujeros estáticos que pueden ser
estratégicamente ocupados por un nodo y
conectar uno o más enlaces, enlazando juntos
otros puntos. Se relaciona con las ideas de
capital social: si se enlaza a dos personas que
no están vinculados se puede controlar su
comunicación.
Concepto de afiliación
Los miembros de una organización o la
participación de ellos en un evento es una
fuente de uniones sociales. En organizaciones y
eventos la gente se junta porque tienen tareas
y o intereses y les gusta interactuar. Los
integrantes de clubs deportivos (organización)
comparten una preferencia por un deporte
particular y juegan con o en contra de otras
personas.
Los directores y comisionistas respecto
a los embarques de una empresa son
colectivamente corresponsables por el éxito
financiero y regularmente se encuentran
discutiendo los asuntos acerca del negocio.
31
Inspirados por la sociología de Simmel (1950)
(Berlín, 1 de marzo de 1858 – Estrasburgo, 28
de septiembre de 1918, filósofo, sociólogo y
ensayista alemán.), los grupos de gente que se
reúnen alrededor de una o más organizaciones
y eventos son llamados grupos sociales.
Las uniones entre gente, que son
dirigidas, tal como la selección de un amigo, o
entre otras entidades sociales tales como
grupos, empresas, o el intercambio de
relaciones entre universidades o países. Cabe
hacer notar que no se trata exclusivamente de
relaciones entre gente con gente u
organizaciones con otras, si no entre gente y
organizaciones. Afiliación se refiere a un
segundo tipo. Los datos sobre afiliación pueden
ser obtenidos relativamente fácil, ya que al
tratarse de organizaciones y aquellas personas,
o grupos de personas que se relacionan con
ellas, ordinariamente se encuentra las fuentes
primarias de datos. Afiliaciones son a menudo
conceptos de lo que es institucional o
estructural que es forzado por circunstancias.
 Eso es menos personal y resulta de una círculos sociales, en otras palabras, ellos son la
elección privada a un menor grado que intersección de los círculos sociales. La
sentimientos y/o amistad. De hecho los sociedad puede ser vista como una fábrica de
miembros en un equipo de deportes dependen intersecciones de círculos sociales.
mucho más sobre preferencias personales,
pero en ocasiones la composición de los
equipos deportivos depende de las
circunstancias y sobre las decisiones hechas
por los entrenadores y autoridades de un club
deportivo. Afiliación expresa arreglos
institucionales porque las instituciones moldean
la estructura de la sociedad, las redes de
afiliación nos dicen mucho acerca de la
sociedad.

Así es el caso de las empresas que

contratan grupos de profesionistas, esto
obedeciendo a una necesidad específica
interna, y por ello muchas ocasiones hay
tendencias por ciertas profesiones, o desde el
punto de vista de un cierto sector empresarial
tiene preferencias por un perfil específico. Figura 28. Red de afiliación representando
agrupación de acuerdo a intereses comunes.

En otro orden de ideas puede ser que Así, una lista de miembros no nos dice
ciertos grupos de profesionistas tengan exactamente cuál gente interactúa, se
preferencias por cierto tipo de empresas y sea comunica y prefiere a la otra, o podamos
ahí donde apliquen sus solicitudes a efecto de asumir que hay un atractivo que ellos tengan.
poder ser empleados. Además los miembros que se juntan en una
organización en ocasiones juntan intereses en
La gente muchas ocasiones se otras áreas sociales.
encuentra afiliada en organizaciones y eventos
a la vez y eso les permite pertenecer a varios

32
 Por ejemplo, la gente de una eventos. Las afiliaciones conectan a los
determinada profesión puede juntarse para directores con los embarques o profesionistas
compartir experiencias en asociaciones de con empleo, no directores a directores,
profesionistas o los profesionistas de una embarque a embarques, profesionistas con
organización egresados de la misma profesionistas ni empleo con empleo, al menos
universidad pueden agruparse para crear no directamente.
asociación de intercambio deportivo o cultural,
La figura 29 muestra las uniones de una
etc., si tenemos que seleccionar gente que
red. Un conjunto de vértices (designados con
pertenece a (o está siendo admitido a) un
números) y otro grupo de vértices (designados
grupo particular, ellos pueden tener
con letras). Hay que notar que las líneas
profesiones, intereses y estatus similares.
siempre conectan un vértice de números con

Los diferentes tipos de afiliación no se uno de letras. Cuando una red las líneas

traslapan de manera aleatoria: Los círculos (arcos) conectan invariablemente en cada uno

sociales usualmente tienen gente quien son de sus extremos vértices de grupos diferentes.

clústeres a más de un tipo de organización. Del Este tipo de red es llamada red modo – dos

número o intensidad de compartir eventos o red bipartita la cual es totalmente diferente

podemos inferir el grado de parecido de la de la red modo – uno donde los vértices

gente. Así este argumento puede ser reservado pueden ser relacionados en un solo grupo

para organizaciones o eventos que comparten (gráfica inferior de la figura 29).

más miembros que son también más cercanos

socialmente. 1 2 3 4
N=4
Redes de afiliación:
antecedentes y teoría básica A B C D E F G H I J K
M=11
Por definición las redes de afiliación
H
consisten de, al menos, dos tipos de conjuntos A
B F
de vértices tal que las afiliaciones conectan C I
D G
solo vértices de diferentes conjuntos. E K
J
Usualmente hay dos conjuntos los cuales son Figura 29. Red bipartita modo – dos convertida a
llamados actores y eventos, por ejemplo: red modo – uno.

Directores (actores) y embarques de empresas

(eventos) o profesionistas (actores) empleo

33
  En una red modo uno cada vértice
puede ser relacionado con cualquier
otro.
 En una red modo dos, los vértices son
divididos en dos conjuntos y solo se
relacionan con vértices del otro
conjunto.
En la descripción de red modo – dos,
debemos distinguir entre actores y eventos,
porque las medidas simples para actores y
eventos tienen diferente significado. Existen
otras consideraciones: Algunas estructuras
indican que deben ser calculadas de diferente
manera para redes modo – dos.
Las técnicas usadas para analizar redes
modo – uno no pueden ser las mismas para
redes modo dos sin alguna modificación previa.
Las técnicas especiales para redes modo - dos
tienen complicación en su aplicación por lo que
se plantea una práctica que es común: La
solución que se acostumbra es cambiar las
redes modo – dos a redes modo – uno, las
cuales pueden ser analizadas con las técnicas
estándar. Podemos crear redes modo – uno de
redes modo – dos: Una red de eventos
interconectados y una red de actores que son
miembros de una misma organización o
atienden eventos comunes.
Definimos en forma breve una red
social de afiliación en la forma siguiente. Sea N
34
el número de actores, esto es N = {n1, n2, ....
, ng} y sea M el número de eventos, esto es M
= {m1, m2, .... , mh}. Sea además L un
conjunto de líneas dado. Entonces, si N y M
son dos conjuntos de nodos, decimos que un
grafo social de afiliación está definida como:
G=N+M+L ----------- (6)
Donde el ni - ésimo nodo en N estará
afiliado al mk - ésimo nodo en M si ambos
están conectados por la línea L, es decir, si
ambos nodos son adyacentes. Se dice además
que todas las conexiones entre nodos (1) y las
no conexiones (0) forman la matriz A o matriz
de afiliación. Por otro lado a la matriz cuadrada
que contiene tanto conexiones (afiliaciones)
como no conexiones (no afiliaciones) se le
conoce como socio-matriz, de acuerdo con la
figura 29 donde se presenta una red de
afiliación de dos tipos de nodos en la tabla dos
se muestra la matriz de afiliación asociada a
esta red.
Consideremos,
aij = 1 si el actor i está afiliado con el evento j
aij = 0 de otra forma
Donde cada hilera de A describe la
afiliación o no afiliación de cada actor con cada
evento y cada columna describe a los
miembros de un evento y la matriz de afiliación
queda representada por la Tabla 2.
Tabla 2. Matriz hipotética de afiliación para una Tabla 3. Socio-matriz correspondiente a la matriz
red social. de afiliación de la tabla 2.

Actores y
Ev e ntos
Eventos 1 2 3 4 A B C D E F
Actores 1 2 3 4 A 1 0 0 0 0 0 0 0 0 0
A 1 0 0 0 B 1 1 0 0 0 0 0 0 0 0
C 1 0 0 0 0 0 0 0 0 0
B 1 1 0 0
D 1 1 0 0 0 0 0 0 0 0
C 1 0 0 0 E 1 0 0 0 0 0 0 0 0 0
D 1 1 0 0 F 0 1 1 0 0 0 0 0 0 0
E 1 0 0 0 G 0 1 0 1 0 0 0 0 0 0
H 0 0 1 0 0 0 0 0 0 0
F 0 1 1 0 I 0 0 1 1 0 0 0 0 0 0
G 0 1 0 1 J 0 0 0 1 0 0 0 0 0 0
H 0 0 1 0 K 0 0 0 1 0 0 0 0 0 0
1 0 0 0 0 1 1 1 1 1 0
I 0 0 1 1 2 0 0 0 0 0 1 0 1 0 1
J 0 0 0 1 3 0 0 0 0 0 0 0 0 0 1
K 0 0 0 1 4 0 0 0 0 0 0 0 0 0 0

Ahora bien, una red de
también puede ser representada por un grafo
bipartito, el cual es un grafo donde los nodos
pueden ser particionados en dos subconjuntos
y todas las líneas están entre pares de nodos
perteneciendo a diferentes subconjuntos. A su
vez, este grafo bipartito puede
representada como una socio-matriz, que es
una matriz que tiene g + h hileras y g + h
columnas, es decir, por una matriz cuadrada.
Dicha socio-matriz se forma tomando en
consideración la tabla 2, donde los nodos
representados tanto en columnas como en
renglones se integran en uno solo formando
con esto una matriz cuadrada llamada socio-
matriz (ver tabla 3).
afiliación Esta matrices son de orden g x g para redes
uni-modales. Hay una hilera y una columna por
cada nodo y si los nodos ni y nj son
adyacentes, entonces el elemento xij es igual a
1 y cero de lo contrario. Además, si una línea
de unión está presente, ésta se dirige desde el
ser nodo ni hasta el nodo nj y viceversa.
La segunda matriz utilizada para
presentar la información de un grafo se llama
matriz de incidencia, I. Esta matriz registra la
incidencia entre uniones y nodos. La matriz de
incidencia tiene como hileras a los nodos y
como uniones las columnas, por lo tanto si
existen n nodos y L líneas, la matriz es de
orden g x L. Hay una hilera por cada nodo y
una columna por cada línea y si un nodo se

La matriz primaria utilizada en análisis conecta a una línea se representa con un

de grafos sociales se denomina matriz de número 1 y con el número cero de otra forma.

adyacencia, socio-matriz o matriz social, (tabla Si la unión lk = (ni, nj) es incidente con los dos

3). nodos ni y nj entonces cada columna tiene

exactamente dos unos en cada columna.

35
 La socio-matriz de un dígrafo tiene unos porque las hileras corresponden a los nodos y
si existe un arco desde el nodo ni al nodo nj y los elementos son 1 (unos) para cada línea
ceros de otra forma. incidente con el nodo hilera. En la socio-matriz,
el grado nodal puede determinarse ya sea
La distancia geodésica desde ni hasta nj sumando hileras o sumando columnas.
puede visualizarse encontrando potencias de
matrices. La distancia de un nodo a otro es la La centralidad es un concepto

longitud de la trayectoria más corta entre ellos. ampliamente utilizado para analizar los grafos

En un grafo la distancia de un nodo a otro es la sociales pues todos los estudios sobre este

misma en ambas direcciones, sin embargo, en tema tratan de identificar los actores más

un dígrafo puede no ser este el caso. Estas importantes dentro del grafo. Comenzamos

distancias pueden arreglarse en una matriz de suponiendo una relación simple de dicotomía.

distancias. Para determinar estas distancias, Consideramos a un actor como prominente si

nos enfocamos en los elementos (i, j) de las sus uniones lo hacen destacar sobre los otros

matrices potencia, comenzando con p = 1. En actores del grafo. Existen dos clases de

este caso, la matriz potencia es la socio-matriz, prominencia que son centralidad y prestigio.

de tal manera que si xij = 1, los nodos son Aquí usamos la centralidad y decimos que un

adyacentes y la distancia entre los nodos es actor central es aquel que involucra la mayor

igual a uno. Si xij = 0 y xij2 > 0 entonces existe parte de enlaces.

una trayectoria más corta de longitud igual a

2.y así sucesivamente. En consecuencia, la Propiedades y aplicaciones de
primera potencia p para la cual el elemento (i ,
las redes de afiliación
j) es diferente de cero nos determinará la Considerando ahora los estudios
trayectoria más corta que es igual a d(i , j). recientes, podemos citar varios de ellos dentro
de los diferentes campos de la ciencia
El grado de un nodo d(ni) es el número
relacionada con la teoría de grafos. Por
de líneas o uniones incidentes con el nodo. El
ejemplo en Biología, Masuda y Konno (2006)
grado nodal pueden calcularse sumando los
estudian procesos epidémicos de multi-estado,
elementos apropiados ya sea en la socio-matriz
donde relacionan los daños por infecciones al
o en la matriz de incidencia.
nacimiento, muerte, progreso del daño por
infección y otras variables, mientras que
En la matriz de incidencia, el grado de
Santos, Pacheco, y Lenaerts (2006)
un nodo es igual a la suma de las hileras

36
encontraron que la evolución de estrategias
individuales en ciertos peces forman una
estructura de grafo la cual constituye el
mecanismo clave para sustentar la cooperación
dentro de otra red social de dichos peces. Por
su parte, Takeucho y Yamamoto (2006),
definen una red de contacto que modela a la
transmisión de enfermedades infecciosas en
cierta colonias de individuos a través de nodos
individuales que se conectan cuando dichos
individuos entran en contacto. Dichos nodos
del grafo de contacto serían los potenciales
parámetros espaciales y sociales. Los grafos
también se aplican a la medición de distancias
geográficas, como lo aseveran Wang, Tang,
Xiu, y Guo (2006) quienes investigaron la
relación entre la estructura y el grado de
sincronización de redes de escala invariante en
el espacio geográfico, encontrando que cuando
el grado de sincronización de los nodos
aumenta, se incrementan las distancias
geográficas.
Asimismo, en las ciencias astrofísicas,

responsables de las infecciones. Por su parte se ha tratado de explicar nuestro universo

Ohtsuki y Nowak (2006) describen la desde el punto de vista de las redes

competencia local de estrategias en ciertos jerárquicas, siendo un ejemplo típico y actual,

individuos y encuentran ecuaciones el trabajo realizado por Goldman y Pérez-

diferenciales de replicación sobre grafos que Mercader (2006), quienes estudiaron las

sirven para conectar las diferentes estrategias.
En cuanto a economía se refiere,
Schwoon (2006) sugiere que los impuestos
pueden impactar en la elección de ciertas
tecnologías para la construcción de motores
para automóviles, y toma como nodos los
impuestos y la forma en que estos se conectan
con los posibles consumidores de automóviles
así como con los productores de los mismos,
formando un grafo. También en lo que se
refiere a la Internet se tienen publicaciones
actuales, así Agarwal, Bera y Claramunt (2006)
investigan a las comunidades “amplio mundo
de la web” y modelan un grafo en base a
relaciones comunes que existen entre las
diferentes estructuras propuestas para nuestro
universo y encontraron que los tamaños y
masas de las estructuras conocidas forman
glóbulos en el espacio y estos a su vez racimos
de galaxias, formando así redes jerárquicas.
Otro ejemplo de la gran diversidad y
aplicaciones de los grafos, lo encontramos en
medicina, específicamente en neurología,
donde Bassett y Bullmore (2006) aplican el
modelo de topología de “el mundo es un
pañuelo” a la anatomía del cerebro humano,
encontrando redes funcionales a partir de un
estudio que combina electroencefalogramas y
magneto encefalogramas. Cabe mencionar que

37
estas y multitud más de referencias
actualizadas a diciembre del 2006 no muestran
ninguna aplicación de la teoría de grafos a la
pertinencia de la educación superior y el
entorno económico ni en el Estado
Querétaro, ni en México, ni en el mundo.
Un tipo especial de redes sociales del
modo-dos son las redes de afiliación que
representan la afiliación de un conjunto de
actores con un conjunto de ocasiones sociales
o eventos, se le puede registrar a esta
información como datos de la red de afiliación
o medidas sobre una variable de afiliación
(Wasserman y Faust, 1994).
Este tipo de redes modo-dos también se
le llama red de membresía Breiger (1990) o
híper red según McPearson (1982), y la
relación de afiliación también ha sido referida
como relación de participación de acuerdo a
Freeman y White (1993).
Las redes de afiliación difieren de
importantes tipos de formas de las redes
sociales.
Primero, las redes de afiliación son
redes modo-dos, consisten de un conjunto de
actores y un conjunto de eventos. Segundo,
Las redes de afiliación describen colecciones de
actores y son simples uniones entre parejas de
actores. Ésas características de las redes de
afiliación se deben a que su análisis e
interpretación es distinto del análisis e
interpretación de las redes modo-uno y existe
para ello un conjunto especial de métodos para
su análisis (Wasserman y Faust, 1994). Entre
de las propiedades importantes de las redes de
afiliación que requieren métodos especiales e
interpretación especial están:
 Las redes de afiliación son modo-dos.
 Las redes de afiliación consisten
subconjuntos de actores son
simplemente pares y actores.
 Las conexiones entre miembros de uno
de los modos está basado en el
establecimiento de las uniones a través
del segundo modo.
 Las redes de afiliación permiten un
estudio dual de la perspectiva de los
actores y los eventos.
Los métodos para estudiar las redes de
afiliación modo-dos están menos desarrollados
que los métodos para estudiar las redes de
modo-uno.
Tiene su fundamento en la importancia
teórica de la membresía de los individuos en
colectividades. Tales investigaciones, tienen
una larga historia en las ciencias sociales,
especialmente en sociología.
Simmel (1950,1955), es ampliamente
reconocido como el iniciador de las primeras
teorías sociales en las implicaciones teóricas de
afiliación de individuos con colectividades las
38
cuales él llamó círculos sociales. Una gran
forma de simplificar su argumento es que la
afiliación de grupos múltiples por ejemplo con
familias, grupos ocupacionales
fundamentales en la definición de la identidad
social de los individuos. Argumentó que los
individuos están predeterminados
psicológicamente en el sentimiento de los
grupos y es ahí donde logra su afiliación con
ellos.
Las redes de afiliación
especialmente usadas para estudiar
estructuras sociales urbanas (Seidman,1984).
El análisis de redes sociales toma en
consideración la vocación social de actores la
cual define los eventos en redes de afiliación y
puede ser colecciones de individuos quienes su
membresía es conocida.
Es común que todos esos puntos de
vista sea la idea de que los actores traen a
través de sus reuniones en eventos sociales. La
participación conjunta en eventos no sólo da la
oportunidad para que los actores interactúen
sino que también incrementa la probabilidad de
que existan uniones entre pares de ellos y así
se desarrolla también entre actores en grupos.
Por ejemplo los miembros que pertenecen a un
mismo club, organizaciones de fomento de
voluntarios espacios de membresía, partidos
políticos, unión laboral, comités
sucesivamente. Similarmente, cuando una
persona o un número de personas participan
en más de un evento las uniones están
son establecidas entre los eventos (Sonquist y
Koening, 1975). El traslape en la membresía de
grupos permite la información entre grupos y
quizás la coordinación de acciones de los
grupos (Breiger 1990 y 1991; McPearson
1982).
son Ya que las redes de afiliación son
las diferentes de las redes sociales se requiere dar
a conocer ciertos conceptos específicos de las
redes de afiliación, al respecto se presentan los
siguientes conceptos.
Si tenemos un conjunto de actores N =
(n1, n2, n3,…,ng) como el primer modo de redes
tipo modo-dos. En redes de afiliación tenemos
un segundo modo los eventos los cuales se
denotan por M = (m1, m2, m3, …,mh).
Los eventos en redes de afiliación
pueden ser de un amplio rango de acuerdo a
las situaciones, por ejemplo clubes sociales en
comunidades, organizaciones laborales, países,
cuadros de afiliación de universidades y así
sucesivamente.
En el sentido más general, si los actores
están afiliados con los eventos, si en términos
sustantivos los actores pertenecen a clubs y
y así tienen encuentros en sitios, un espacio de
asociaciones o comités, fueron las fiestas y así
39
sucesivamente. Cuando no hay ambigüedad,
podemos también decir que los actores
pertenecen o pertenecieron o son miembros de
un evento dependiendo de una aplicación
particular. Como hemos notado, las redes de
afiliación integran información acerca de su
conjunto de actores quienes participan en las
mismas actividades sociales. Desde actividades
que usualmente contienen algunos actores
hasta simplemente pares de actores, una red
de afiliación obtiene información
colecciones de actores que son una gran
cantidad de pares. Así, las redes de afiliación
no pueden ser analizadas completamente
observando pares o diadas de actores o
eventos (Wasserman y Faust, 1994).
Otra importante propiedad de las redes
de afiliación es la dualidad, entre los actores y
los eventos. Haciendo énfasis de
propiedad Breiger (1990, 1991) se refiere a
tales redes, como redes duales. En la literatura
más general el término dualidad es usado de
manera diferente algunas formas
imprecisas, las formas se refiere a la relación
complementaria entre dos tipos de entidades.
Así, la dualidad en las redes de afiliación se
refiere específicamente a la alternativa y a una
importante igualdad de perspectivas por las
cuales los actores están unidos uno al otro por
sus afiliaciones con eventos y al mismo tiempo
los eventos están unidos por los actores los
cuales son sus miembros. Así, hay dos caminos
complementarios para observar las redes de
afiliación: como actores unidos a los eventos, o
como eventos unidos por los actores. Una
declaración formal de dualidad de relación
entre actores y eventos fue dada por una
publicación de Breiger (1974).
Analíticamente, la dualidad en una red
de afiliación significa que podemos estudiar las
sobre uniones entre actores por las uniones entre los
eventos o ambas.
Por ejemplo en el en el análisis modo
uno nos enfocamos a las uniones entre dos
actores, que tienen una unión si ambos están
afiliados con el mismo evento. Enfocando los
eventos, dos eventos tienen la misma unión si
uno o más actores están afiliados con ambos
esta eventos. Cuando nos enfocamos a uniones
entre actores, nos referimos a la relación entre
los actores como un co-miembro, o co-
concurrencia.
son
Cuando nos enfocamos sobre uniones
entre eventos nos referimos a la relación entre
los eventos como un traslape o enlace de
eventos. Algunas ocasiones ambas formas de
modo uno están referidas como relaciones de
co-ocurrencia (Freeman,1987).
40
 Esas uniones de modo-uno, entre
actores o entre eventos se derivan de los
datos de afiliación y pueden ser estudiados
usando métodos para analizar redes modo-
uno.
Así, muchas veces es más interesante
analizar ambos modos simultáneamente, para
estudiar la relación entre los actores y los
eventos por los cuales ellos están afiliados. Tal
análisis modo-dos estudia los actores y los
eventos y la relación entre ellos al mismo
tiempo.
En resumen, las redes de afiliación son
relaciones de tres formas: Primero ellas
muestran cómo los actores y los eventos están
relacionados con cada uno de ellos; segundo,
los eventos crean uniones entre actores; y
tercero, los actores crean uniones entre los
eventos.
De acuerdo con lo mencionado por
Wasserman y Faust (1994); dado un amplio
rango de aplicaciones, podemos notar tres
relaciones primarias para estudiar las redes de
afiliación. Primero, se argumenta que las
afiliaciones individuales con eventos dan
uniones directas entre los actores entre los
eventos. Segundo, otros autores argumentan
que en los mismos eventos sociales se dan
condiciones bajo las cuales las uniones entre
41
los individuos son más probables de ocurrir.
Tercero, se puede ver la interacción entre los
actores y los eventos como un sistema
completo.
El primero, quizá el más común, es la
motivación para estudiar redes de afiliación y
constituye una unión directa, así entre los
actores hasta los miembros en los eventos, o
entre los eventos a través de los miembros
comunes.
Segundo, algunas investigaciones han
tratado la filiación de pares entre actores.
Kadushin (1982), nota que el patrón de
influencia del flujo entre las líneas de los
círculos sociales. Así la filiación de individuos
con grupos sociales da la oportunidad de
influencia interpersonal. Similarmente, en su
discusión McPearson (1982) menciona que se
puede ver miembros cara a cara en las
organizaciones como grupos con una gran
probabilidad de contacto.
Comúnmente la membresía se da en
los grupos pares y uniones en relaciones
sociales de amistad.
Para estudiar redes de afiliación se
requiere modelar la relación entre actores y
eventos. Es importante observar la afiliación
de actores con eventos, y membresía de
eventos como algo completo.
Hay pocos métodos para estudiar
actores y eventos simultáneamente.
Cada uno de las tres relaciones implica
diferencias importantes enfoque para analizar
los datos y modelarlos.
La primera motivación podría permitir
un estudio de las redes modo-uno de uniones
entre pares de actores implicados por sus
afiliaciones con los eventos, o la red modo-uno
de uniones entre pares y eventos implicando
los actores que ellos tienen como punto
común, la segunda motivación implica que la
investigación tiene medidas en una red de
afiliación y la relación modo-uno de pares entre
actores o incrementos y esas uniones puede
ser más probables y ocurrir a lo largo de las
líneas definidas por las afiliaciones. La tercer
motivación podría analizar ambos modos
simultáneamente y enfocarse a las uniones
entre ellos.
Wasserman y Faust (1994), definen que
la matriz que registra las afiliaciones como un
conjunto de actores asociado con un conjunto
de eventos. Describe la representación teórica
de grafos de redes de afiliación, se incluyen
grafos bipartitos e híper-grafos.
42
La representación más sencilla de una
red de afiliación es la matriz que registra las
afiliaciones de cada actor con cada evento.
Esta matriz la cual se llama matriz de afiliación,
A = {aij}, registra para cada actor, los eventos
con los cuales los actores están afiliados. Es
equivalente registrar cada evento al cual los
actores están afiliados. La matriz A es la socio-
matriz modo-dos en la cual los renglones
registran los actores y las columnas registran
los eventos. Dado que hay g actores y hay h
eventos, A es una matriz g x h. Habrá un
registro de 1 en la celda (i, j) si el renglón i del
actor está afiliado una columna j del evento y
registro de 0 si el renglón del actor i no está
afiliado con la columna del evento j.
Algunas propiedades son: Dado que los
1’s en los renglones de los eventos con los
cuales los actores están afiliados, entonces el
total de los renglones marginales de A {aij}, es
igual al número de eventos con los cuales cada
actor está afiliado. Si el total de los renglones
marginales es igual a cero, significa que el
actor no atendió cualquiera de los eventos, y si
el total de los renglones marginales es igual a
h del número total de eventos, significa que los
actores atienden a todos los eventos.
Similarmente el total de las columnas
marginales, {a+j}, es igual al número de
actores con los cuales está afiliado cada
evento. El total de la columna marginal es igual
a cero cuando ese evento no tiene actores
afiliados con él, y un total de la columnas
marginal igual a g significa que todos los
actores están afiliados con ese evento.
Una red de afiliación puede ser
representada por un grafo bipartito. Un grafo
bipartito es un grafo en el cual los nodos
pueden dividirse en dos subconjuntos, y todas
las líneas entre los pares no pertenecen a
diferentes subconjuntos. Una red de afiliación
puede ser representada por un grafo bipartito
asignando a los actores un subconjunto de
nodos y a los eventos el otro subconjunto. Así,
cada modo de la red constituye un subconjunto
separado de nodos en el grafo bipartito. Dado
que hay g actores y h eventos, hay g + h
nodos en el grafo bipartito, las líneas en el
grafo bipartito representan la relación de
“quien está afiliado con quien” (desde la
perspectiva de los actores), o quien tiene “una
membresía” (desde la perspectiva de los
eventos). Dado que los actores están afiliados
con los eventos y los eventos con los actores
como miembros, todas las líneas en el grafo
bipartito están entre los nodos representando
actores y los nodos que están representando
eventos.
El grafo bipartito también puede
representarse como un socio-matriz. La socio-
matriz para el grafo bipartito tiene g + h.
43
renglones y g + h columnas. Hay un registro
de un 1 en la (i, j) celda si el actor del renglón
“está afiliado con” el evento de la columna o si
el evento del renglón “tiene como miembro” al
actor de la columna.
Los primeros g renglones y columnas
registran actores y los h renglones y columnas
registran eventos, la socio-matriz tiene su
forma general como:
La sub-matriz superior izquierda g x g y
la sub-matriz inferior derecha están integradas
por ceros indicando que no hay afiliación entre
los g actores (de los primeros g renglones y
columnas) o entre los h eventos (los últimos h
renglones y columnas). La sub-matriz superior
derecha es una matriz A de afiliación g x h
indicando “está afiliado con” uniones de
renglones de actores con columnas de eventos.
La sub-matriz inferior izquierda h x g es la
transpuesta de A, denotada por A’ indicando si
cada renglón de evento incluye o no a cada
columna de actor.
Los nuevos grafos bipartitos han sido
usados para representar redes de afiliación
Wilson (1982) y han sido generalizados a
grafos bipartitos por Fararo y Doreian (1984).
 Las aplicaciones sustantivas de las
redes de afiliación en la mayoría de las veces,
se enfoca sobre uno de los modos ya sea los
actores o los eventos. El análisis modo-uno de
actores o de eventos usa matrices derivadas de
la matriz de afiliación A, o usa grafos definidos
por esas matrices modo-uno.
El análisis modo-uno requiere
“procesar” los datos de las redes de afiliación
dando a las uniones entre pares de entidades
en modo uno sobre las uniones que implican el
segundo modo. Esas relaciones modo uno son
no direccionales y valuadas. (Wasserman y
Faust,1994).
Primero, suponemos que queremos
considerar el número de eventos repartidos por
pares de actores. En las matrices de las redes
de afiliación podemos ver los actores quienes
están afiliados con el mismo evento y ambos
tienen 1’s (unos) en la misma columna en sus
respectivos renglones en A. Si los actores i y j
están afiliados con los evento, k entonces aik =
ajk = 1.
Así, contando el número de veces que
los actores tienen 1 en la misma columna dado
el número de eventos que los actores tienen en
común. El número de co-miembros para
actores y j es igual al número de veces que aik
= ajk = 1 para k = 1,2,…,h.
44
Se define xijN como el número de
eventos con los cuales actores i y j están
afiliados. N indica que las uniones sobre estas
relaciones están entre los actores en N. Se
puede ver que xijN toma los valores de un
mínimo de 0, si los actores i y j no están
afiliados con los mismos eventos, a un máximo
de h, si los actores i y j están afiliados con
todos los eventos. Por lo tanto, esta cuenta es
simétrica; xijN = xjiN.
Se puede expresar cada valor de xijN
como el producto de los renglones
correspondientes A:
xijN ---------(7)
El producto aikajk es igual a 1, sólo si
ambos actores i y j están afiliados con el
evento k, y es igual a 0 si cada uno de los
actores no están afiliados con el evento k.
Podemos resumir la frecuencia de la co-
membresía en una socio-matriz g x g, es
XN=(xijN) quien registra el número de eventos
de cada par de actores. La relación entre la
socio-matriz para la relación de co-membresía
XN, indican el número de eventos que atienden
conjuntamente para cada actor y la matriz de
afiliación A, indica a cuáles eventos para cada
actor están afiliados con él y pueden ser
expresados en la notación de la matriz.
Podemos observar que la transpuesta de A
cómo A’, la socio-matriz XN está dada por el Si los eventos k y l no tienen actores en
producto de la matriz A y A’: común entonces xklM , tomará el mínimo valor
de 0. Si todos los actores están afiliados con
XN
= AA’ ----- (8) los dos eventos entonces xklM será igual a g
que es el valor máximo posible. Más
La matriz XN registra la relación de co-
formalmente, cada valor de xklM es el producto
membresía para los actores. Es una socio -
de las columnas correspondientes en A:
matriz simétrica que indica el número de
eventos conjuntamente atendidos. En
xklM -------(9)
contraste una socio matriz es el valor de la
diagonal de XN. Tienen un significado. Esa Podemos definir la socio matriz h x h,
diagonal registra el número del total de XM = (xklM), que registra el número de actores
eventos que son atendidos por cada actor; xiiN de cada par de eventos que tienen en común.
= ai+. La relación entre la socio - matriz XM y la matriz
de la red de afiliación A, está expresada en la
notación por:
Ahora consideremos el número de
actores quienes están afiliados con cada par de XM =A’A ----- (10)

eventos. Estudiando el traslape de eventos

La matriz XM es una matriz simétrica
requeridos para comparar las columnas de la
modo-uno, la socio-matriz indica el número de
matriz de afiliación A. Dos eventos que tienen
actores que cada par de eventos comparte. Los
miembros en común tendrán 1’s en el mismo
valores sobre la diagonal de XM son el total del
renglón. Observando la afiliación de un actor
número de actores que están afiliados con
dado i con dos eventos k y l podemos ver que
cada evento; xkkM = a+k.
si aik = ail = 1 para i=1, 2, …,g dado el número
de actores incluidos en ambos eventos k y l.
Es importante hacer notar que las
ecuaciones 8 y 10 expresan la dualidad de la
Sea xklM el número de actores quienes
co - membresía de los actores, XN y el traslape
están afiliados con los eventos k y l. Usamos M
de eventos XM, como funciones de la matriz
para indicar las uniones sobre las relaciones
de afiliación, A. La matriz y afiliación A
entre los eventos de M.
únicamente define ambos traslapes entre
eventos y la co-membresía de actores. Así la

45
dualidad formal de las relaciones entre actores
y eventos está expresada en el par de ai+ = , aij = xiiN.
ecuaciones 8 y 10 (Breiger, 1974).

El número de eventos con los cuales un

Las matrices de co-membresía son muy
comunes en la aplicación de redes sociales.
Una forma común de datos de co-membresía
es la cuenta del número de interacciones
observadas entre cada par de actores en una
red. Inicialmente tales datos consisten en
observaciones del cuál es un conjunto de
actores están interactuando en cada punto del
tiempo en la observación. Esa observación de
datos son las redes de afiliación en las cuales
cada sub conjunto de actores interactuando
constituye un evento.
La socio matriz modo uno X derivada
N
de esas observaciones contiene la frecuencia
de pares de interacciones que
esencialmente frecuencias de co-membresías.
actor está afiliado es igual al grado que
representa el nodo del actor en el grafo
bipartito.
Como McPearson (1982) ha señalado,
esta cantidad es usada con gran frecuencia
para investigaciones quienes están interesados
en los niveles en que la gente participa en
actividades sociales.
Podemos considerar el número
promedio de eventos con los cuales los actores
están afiliados. El número medio de miembros
para actores es calculado como:
son
-(11)

Algunas propiedades de actores y

eventos pueden ser calculadas directamente de Donde n = N.
la matriz de afiliación o de la solución de
matrices modo-uno.
Consideraciones de participación. Una Esta cantidad da la media de los actores
propiedad de interés es el número de eventos de afiliación o el grado medio de los actores en
con los cuales cada actor está afiliado. Esas el grafo bipartito. Podría ser usado para
cantidades destacadas por el total de renglones comparar el grado de participación de la gente
de A o los registros en la diagonal principal de en organizaciones voluntarias entre
XN. Así el número de eventos con los cuales el comunidades.
actor i está afiliado por:

46
 Tamaño de eventos. Uno puede
también estar interesado en el tamaño de los
eventos. El tamaño de cada evento está dado
por el total de la columna A o los registros
sobre la diagonal principal de XM así, a+j =
, aij = xjjM. Dado el número de actores
afiliados con el evento j. El tamaño de un
evento es igual al grado del nodo
representativo del evento en el grafo bipartito.
Se puede considerar el tamaño del
promedio de los eventos. El número medio de
actores en cada evento está calculado como:
, -- (12)
donde m = M..
Esta cantidad, da el número promedio
de actores en cada evento, o el grado medio
que los nodos representan en los eventos en el
grafo bipartito. Podría ser usado el estudio del
tamaño promedio de los clubs de voluntarios u
organizaciones y comunidades diferentes.
Algunas veces el tamaño de los eventos está
restringido por la colección de los datos
designados por factores externos (McPearson,
1982; Wasserman y Galaskiewicz,1984).
Densidad. Dado que la densidad de
una red modo-uno es una función de los pares
47
de las uniones entre los actores o entre los
eventos, primero se considera estos pares de
uniones antes de definir y discutir la densidad
de las redes modo-uno derivadas de una red
de afiliación.
En estudios de traslape entre eventos
es importante notar que el número de
traslapes de las uniones entre los eventos, es
en parte, una función del número de eventos
en los cuales los actores pertenecen. De una
manera similar, el número de miembros de
uniones entre los actores es en parte, una
función del tamaño de los eventos
(McPearson,1982).
Dado que un actor sólo crea una unión
entre par de eventos si pertenece a ambos
eventos, un actor quien pertenece sólo a un
evento no crea traslapes de uniones entre los
eventos. Un actor quien pertenece
exactamente a dos eventos crea una sola unión
entre esos dos eventos, un actor quien
pertenece a tres eventos entre todos los pares
de eventos que pertenece esa colección de los
tres eventos, y así sucesivamente. En general,
un actor en pertenece a ai+ eventos, crea ai+(
ai+-1)/2 pares de uniones entre los eventos.
De igual forma, los eventos crean uniones
entre los actores, quienes son sus miembros.
Un evento con un sólo miembro no crea una
unión de co-membresía entre los actores. En
general, un evento con a+j miembros crea a+j(
a+j-1)/2 uniones entre parejas de actores. Así
la consideración de membresía para
influencia de los actores, el número de uniones
entre eventos y el tamaño de los eventos tiene
una influencia en el número de uniones entre
los actores.
McPearson (1982) discuten como las
diferencias en los tamaños de organizaciones
de hombres y mujeres voluntarios influyen en
la diferencia entre hombres y mujeres en el
potencial para establecer redes útiles de
contactos.
Consideremos la densidad de
uniones de las redes modo uno de actores de
co-membresía y eventos traslapados. El cálculo
y la interpretación de la densidad para redes
de afiliación es la siguiente. Dado que la co-
membresía y relación de traslapes
inicialmente evaluados consideraremos
densidad de la relación valuada y la densidad
de la relación dicotómica que puede ser
derivada, considerando simplemente si las
uniones están presentes o ausentes.
En este caso, la densidad de las
relaciones es la media de los valores de los
pares y uniones. Por una relación dicotómica,
la densidad es interpretada como la proporción
de uniones que están presentes. Para una
relación valuada, la densidad es interpretada
como el promedio de los valores de las
la uniones. Consideremos primero las relaciones
valuadas.
La densidad de un grafo valuado es el
promedio de los valores asignados a las líneas
en el grafo. Para la relación de co-membresía
definida para los actores la densidad, denotada
por Δ(N) (el subíndice N indica que es la
densidad de las uniones entre los actores en
N), está calculado por:
, -------- (13)
Donde i ≠ j.
las
El valor de Δ(N) para la relación de co-
membresía puede ser interpretado como el
número medio de eventos a los cuales los
pares pertenecen.
son Los valores de Δ(N) se encuentran en el
la rango de 0 a h.
Para la relación de traslape entre
eventos la densidad Δ(M) (donde el subíndice
indica la densidad entre los eventos en M)
está definido como:
---------- (14)
Donde k ≠ l. El valor de para la
relación de traslape puede ser interpretado

48
como el número medio de actores quienes es considerar el grafo bipartito, con actores y
pertenecen a cada par de eventos toma eventos representados como nodos.
los valores entre 0 y g.
Hay g + h nodos en un grafo bipartito y

Una de las razones para estudiar las hay una línea entre los nodos, si una lo
redes y afiliación es que las afiliaciones crean representa, se dice que un actor “está afiliado

conexiones entre actores a través de la con” otro nodo que representa un evento (un

membresía en los eventos, y entre eventos a nodo que representa un evento “tiene como

través de la distribución de los miembros. La miembro” a los nodos asociados a él, los cuales

membresía común en las organizaciones crea son los actores). Así, todas las líneas están

uniones entre la gente, y crea la distribución y entre las representaciones de los nodos que

repartición de los miembros generando uniones son los actores y los nodos que son los

entre grupo que tienen uno o más miembros eventos.

en común. Si consideramos uniones entre

actores o entre eventos como un conducto Dos nodos en un grafo son adyacentes

potencial de información, La conectividad si hay una línea entre ellos, y ellos son

(“Connectedness”) de la red de afiliación es alcanzables si hay un camino entre ellos. En un

importante por la información que se origina en grafo bipartito representando una red de

cualquier evento (u otro actor). afiliación, los actores son adyacentes a los
eventos (y viceversa) ningún par de actores es

El estudio se puede realizar tanto si las adyacente y ningún par de eventos es

redes de afiliación están conectadas (que adyacente. Si los pares y actores son

representa si cada par de actores y o eventos alcanzables, está vía sólo contiene caminos de

están juntos en el mismo camino) y el diámetro uno o más eventos. De forma similar, sí pares

de las redes de afiliación. Si nosotros de eventos son alcanzables, es solo por los

consideramos las relaciones valuadas, también caminos que hay entre uno o más actores.
podemos estudiar subgrupos cohesivos de
actores o de eventos. Puede no haber un camino de longitud
1 entre actores, dado que todas las uniones

Un camino completo para estudiar el de afiliación están entre actores y eventos.

“alcance” (Reachability) en redes de afiliación Similarmente, no hay camino de longitud 1
entre eventos. Así, podemos considerar que

49
dos actores son alcanzables a través de un
camino largo. Si dos actores atienden el mismo
evento, entonces ellos son alcanzables por un
camino de longitud 2. Podemos también
considerar el alcance por la vía de caminos
largos. Los actores quienes no están afiliados
con el mismo evento puede también ser
alcanzables, pero a través de un camino un
longitud mayor que 2.
Se puede estudiar el alcance a través
de pares de nodos (incluyendo actores y
eventos) analizando el grafo bipartito.
Estudiando redes de afiliación se puede
analizar la socio matriz (g + h) x (g + h)
representando el grafo bipartito y ver si todos
los pares de nodos (actores y eventos) son
alcanzables. Si también, las redes de afiliación
están conectadas. Uno puede estudiar el
diámetro de la red de afiliación. El diámetro de
una red de afiliación es la longitud del camino
más largo entre cualquier par de actores y o
eventos.
Considerando la conectividad y el
alcance enfocado sobre la matriz y afiliación A,
y las socio matrices XN y XM. Breiger (1974),
demostró que cualquier red de afiliación que
está conectada en el grafo de una co-
membresía entre actores está necesariamente
50
conectada en el grafo de traslapes entre
eventos (si ningún evento está vacío).
Así, todas las redes de afiliación que
están conectadas en el grafo de traslapes entre
eventos están conectadas en el grafo de co-
membresías entre actores (si cada actor
pertenece al menos a un evento).
Estudiando la conectividad de las redes
de afiliación, tenemos que considerar si existe
o no caminos entre pares y actores y o
eventos. Podemos considerar el valor o solidez
de un camino estudiando el número de
divisiones de la membresía (para actores) o el
número de divisiones para miembros (para
eventos). Observando la relación de valores de
la co-membresía y yo el traslape nos permite
considerar sub grupos cohesivos entre redes
modo uno y estudiar las partes de la red de
afiliación que están más fuertemente
conectadas.
Un grupo es un sub-grafo máximo
completo de tres o más nodos. En un grafo
valuado podemos definir un grupo en el nivel C
como un sub-grafo máximo completo de tres o
más nodos los cuales son adyacentes al nivel
C. Esto es, todos los pares de nodos tienen
líneas entre ellos con valores que son mayores
o iguales a C. así sucesivamente
incrementando el valor de C podemos localizar
más subgrupos cohesivos.
Para la relación de co-membresía para
actores, un grupo en el nivel C es un sub-grafo
en el cual todos los pares de actores se dividen
en miembros no menor que c eventos. Para la
relación de traslape para eventos, un grupo en
el nivel C es un sub-grafo en el cuarto los
pares de eventos se dividen al menos en C
miembros. Es importante enfatizar que a pesar
de que un grupo en una relación de con
membresía para actores (o una relación de
traslape para eventos) consiste
subconjunto de actores (o eventos) y la
interpretación de tales grupos es limitada a
propiedades de pares de actores (o eventos).
Una forma alternativa de estudiar los
grupos cohesivos es valuando los grafos y usar
ideas de conectividad para grafos valuados. La
meta es describir los subconjuntos de todo los
actores que están conectados completamente
a un nivel mínimo de C. Recordemos que el
valor de un camino en un grafo valuado es el
valor más pequeño de cualquier
Podemos usar esta idea para estudiar
subgrupos cohesivos basados sobre los niveles
de alcance entre actores en la relación de co-
membresía o entre eventos en relación de
traslape. Nos enfocamos en el modo-uno de
relación valuada de co-membresía para actores
o en la relación valuada de modo-uno de
traslape de eventos. En un grafo valuado los
nodos representan los actores y los valores
señalados a las líneas son el número de
eventos distribuidos por actores adyacentes.
Podemos usar la definición del valor de
un camino para definir la conectividad de pares
de actores en un grafo valuado. Dos nodos
están conectados en C (o alcanzables en el
nivel C) si hay un camino entre ellos en el cual
todas las líneas tienen un valor no menor a C,
podemos localizar entonces subconjuntos de
de un actores que están completamente alcanzables
en el nivel C.
Análisis de correspondencia
Otro método para analizar redes y
afiliación que permite un estudio de los actores
y los eventos simultáneamente es el análisis de
correspondencia. Este método tiene la ventaja
que da un criterio objetivo para colocar en un
argumento espacial que muestra óptimamente
las relaciones entre los dos conjuntos
entidades. El método es el análisis de
línea.
correspondencia, el cual es ampliamente usado
y es una técnica analítica de manejo de datos
para estudiar la correlación entre dos o más
conjuntos de variables, esta técnica ha sido
presentada algunas veces, bajo algunos
diferentes nombres incluyendo escala global,
escala óptima, porcentaje recíproco y así
51
sucesivamente. La historia del análisis de
correspondencia es discutido en algunos foros
académicos, entre los que se destacan como
tratamientos generales son Nishisato (1980),
Greenacre (1984), y Weller y Romney (1990).
El análisis de correspondencia y los enfoques
relacionados a éste han sido usados por
algunos investigadores para estudiar las redes
sociales {Faust y Wasserman (1993);
Kumbasar, Romney n.d.; Levine (1972)}.
Se pueden describir algunas de las
motivaciones de la interpretación del promedio
recíproco, ya que es uno de las
interpretaciones más naturales de las redes de
afiliación. Este enfoque es ampliamente usado
en ecología para describir la distribución de las
especies a través del número de localizaciones.
En este campo la meta es describir las
localizaciones (sitios) en términos de la
distribución de las plantas o animales que
están presentes, y simultáneamente describir
plantas o animales en términos de su
distribución a través de su localización. (Ver
ejemplo, Greenacre’s (1981). La derivación del
análisis de correspondencia que es apropiado
para tareas de interpretación, depende del
peso centrado, o el método de porcentaje
recíproco (Hill (1982)).
Comenzamos con dos formas, la matriz
modo-dos que registra las incidencias de las
entidades del modo uno, indica las
localizaciones para el otro modo. La matriz de
la red de afiliación A, es una tabla que registra
la presencia de los actores y los eventos. La
meta del análisis de correspondencia es asignar
un registro a cada una de las entidades en
cada uno de los nodos, y escribir óptimamente
la correlación entre los dos modos. Se puede
estudiar estos registros y ver la similitud entre
las entidades modo-uno, y la localización de
una entidad en modo uno en relación a todas
las entidades de otro modo. Uno puede
también estudiar la dimensión de los datos
observándolos en cómo algunos conjuntos de
registros son necesariamente reproducidos en
los datos originales. También, se observa que
estos registros tienen propiedades geométricas
que permiten desplegar gráficamente la
correlación entre las entidades en el modo dos.
Más específicamente, el análisis de
correspondencia de los datos de las redes de
afiliación resultan en la asignación de registros
de los g actores en N y cada uno de los h
eventos en M, y la inercia principal en
sumando el grado de correlación entre los los
registros de los actores y los registros de los
eventos. Entonces será posible usar los
registros para desplegar los actores en
términos de los eventos en los cuales están
afiliados, o desplegar cada evento en términos
de los actores quienes están afiliados con ellos.

52
El registro que es asignado a un actor es
proporcional al promedio del peso de los
registros asignados a los eventos con los
cuales los actores están afiliados, o los
registros asignados a los eventos
proporcionales al promedio del peso de los
registros de los actores quienes están afiliados
con los eventos. Esto permite localizar a cada
actor en un espacio definido por los eventos
con los cuales está afiliado, o localizar cada
evento en un espacio definido por los actores
que lo incluyen.
Definición. Se describe
matemáticas del análisis de correspondencia de
la matriz de redes de afiliación. El tratamiento
es descriptivo, así como estadístico, haciendo
interpretación y énfasis que es apropiado para
los datos de redes de afiliación. Una de las
ventajas del análisis de correspondencia es que
permite investigar estudiar la correlación entre
los registros de los renglones y los registros de
las columnas del arreglo de datos. Se muestra
cómo estos dos conjuntos de registros están
relacionados por el promedio recíproco. El
registro para un renglón dado es el promedio
del peso de los registros para las columnas,
donde los pesos son las frecuencias relativas
de las celdas.
De hecho, el análisis
correspondencia resulta en un número de
conjuntos de registros (o dimensiones) donde
el número de dimensiones dependen del
número de renglones y columnas en la matriz
que está siendo analizada. Sea W = MIN {(g-
son 1),(h-1)}. El número de dimensiones
resultantes de un análisis de correspondencia
es menor o igual a W.
La matriz de la red de afiliación, A=
{aij}, es una matriz g x h que registra la
filiación de cada actor con cada evento. El
análisis de correspondencia de A resulta en
tres conjuntos de información:
las  Un conjunto de g registros de renglones
en cada dimensión de W dimensiones
{uik}, para i=1, 2, …,g, y k=1,2, …W,
relacionado con los actores.
 Un conjunto de registros de h columnas
con cada una de las W. dimensiones
{vjk}, para j=1, 2, …,h, y k=1,2,…,W
relacionados con los eventos.
 Un conjunto de inercias principales W. {
}, para k= 1, 2, …, W que mide la
correlación entre los renglones y las
columnas.
Los registros asignados a un actor, las
u’s son un promedio del peso de los registros
para los eventos a los cuales los actores están
afiliados, y los registros asignados a los
de eventos, las v’s son el promedio del peso de los
53
registros de los actores incluidos en los referido como el promedio recíproco; los
eventos. Por definición, registros para un conjunto de variables son el
promedio de los pesos de los registros para el

uik es proporcional a otro conjunto y viceversa en un arreglo

periódico.
(15)

vjk es proporcional a La solución de estas ecuaciones

requiere de la descomposición de valores
singulares de una escala apropiada de la matriz
La solución de este problema es (ή, u,
A y puede ser resuelta con el análisis de
v), donde ή es una constante de
correspondencia estándar, tal como SIMCA,
proporcionalidad de la ecuación (15.), u y v
Greenacre’s (1986).
son los vectores de los registros de los
Las u’s y v’s son comúnmente
renglones y las columnas, respectivamente.
escalonadas de tal manera, que dentro de cada
Sustituyendo ήk Dentro de la ecuación (15)
conjunto W la media del peso es 0 y la
Obtenemos la siguiente ecuación, que
varianza del peso es igual a ήk2:
relacionan los registros de los renglones y las
columnas:

ήkuik =
(17)
(16)

ήkvjk =

Los registros que satisfacen esas

ecuaciones tienen la propiedad que los
Para cada conjunto k= 1, 2, …, W.
renglones serán proporcionales a los
porcentajes de peso de los registros de las
Cuando u y v están escaladas como en
columnas y los registros de las columnas serán
la ecuación (ocho. Nueve) ellas se refieren a
proporcionales al promedio de peso de los
las coordenadas principales {Greenacre
registros de los renglones.
(1984)}. La ventaja de esta escala es que la
varianza de cada conjunto de los registros,
La ecuación (16) muestra porqué el
dentro de cada dimensión, es igual a la inercia
análisis de correspondencia es algunas veces
principal, ήk2 para esa dimensión. La

54
interpretación de resultados del análisis registro de las columnas) dividiendo cada valor
requiere mucho cuidado. Primero distinguir correspondiente de ήk .
entre dos diferentes tipos de interpretaciones
que se puede hacer. Primero podemos querer Así. definimos una nueva escala de
examinar la relación entre las entidades en registros, denotada por y , como sigue:
cada uno de los modos, con todos los actores
y todos los eventos. Segundo, nosotros
podemos querer examinar cómo los dos modos (18)
están relacionados con cada otro. Desde
nuestro interés está en estudiar la relación
entre los dos modos.
Esos registros tienen un peso de la
media igual a cero, y un peso de la varianza
La geometría del análisis de
igual a uno:
correspondencia nos permite relacionar el
registro para una sola entidad de modo-uno al
conjunto entero de registros de otro modo. En
otras palabras, podemos relacionar un solo un
(19)
solo registro del actor, un valor de uik, al
conjunto entero de el registro de eventos, la
colección de h ‘s.
Para todo k.
Podemos relatar el registro de un solo
evento, un al conjunto entero de registro Cuando se realiza un escalamiento de

de g actores, las uik. esta forma y se refiere a las coordenadas

estándar, Greenacre (1986).
Carroll, Green y Schaffer (1986) han
señalado que esto requiere un escalamiento Con este re - escalamiento podemos
cuidadoso de los registros de los renglones y expresar el registro de un renglón dado
de las columnas. escalado en coordenadas principales en
Es útil re-escalonar un conjunto de los términos de la colección de los registros de la
registros (cada registro de los renglones o cada columna ’s, escalados en coordenadas

estándar. Combinando

55
 (20)
En otras palabras, el registro asignado a
un actor, un es el promedio del peso de los
registros asignados a los eventos, los que
el actor está afiliado, donde los pesos son las
frecuencias de las celdas de la matriz de
afiliación, , dividido por el total de los
renglones apropiados, . usando las coordenadas principales.
Se pueden usar los registros para
localizar a cada actor individual en un espacio
definido para los eventos. Así, s puede
expresar un registro escalado dado a la
columna en las coordenadas principales en
términos de la colección de registros de
renglón y coordenadas estándar:
(21)
Usando esta escala, de los registros
asignados dados a los eventos es el promedio
del peso de los registros asignados a los
actores quienes están afiliados con los eventos.
Podemos trasladar (re-escalonar) de
una escala de registro de renglones y/o
columnas, usando las siguientes ecuaciones:
(22)
56
Es común usar los registros del análisis
de correspondencia al despliegue gráfico, por
los puntos de los renglones y los puntos de las
columnas. Estudiar los dos modos juntos
usando la interpretación del promedio
recíproco se grafican los puntos para las
entidades usando las principales coordenadas
y puntos para las entidades en el otro modo
Así, se usarán las coordenada estándar
para los actores ( ’s) y las coordenadas
principales a los eventos (las ‘s) y las
coordenadas estándar para los eventos (las
‘s) y las coordenadas principales para los
actores (las u ‘s).
Escalamiento de una matriz de
proximidad
Escalamiento multidimensional (MDS)
es un conjunto de estadísticas relacionadas con
las técnicas utilizadas a menudo en la
visualización de información para explorar las
similitudes o diferencias en los datos. MDS es
un caso especial de ordenación. MDS un
algoritmo comienza con una matriz de punto
de partida similitudes, entonces asigna una
ubicación de cada elemento en un bajo-
dimensional del espacio, adecuado para la
representación gráfica o la visualización en 3D.
 La taxonomía de los algoritmos MDS comúnmente en regresión isostónica (Borg
según el significado de la matriz de entrada y Groenen, 2005).
pueden ser:
De acuerdo con Borg y Groenen (2005),
•Escalamiento clásico multidimensional: Bronstein y Kimmel (2006), Kruskal y Wish
también conocido como Torgerson Escala o (1978), y Cox (2001) el procedimiento de
Torgerson-Gower ampliación, toma una aplicación MDS es el siguiente:
matriz de entrada dando diferencias entre
pares de elementos y productos, y la salida La aplicación de MDS se lleva a cabo
es una matriz de coordenadas que minimiza con los siguientes pasos:
la función de pérdida llamada carácter
inherente de calidad (Borg y
Groenen,2005). 1. Formulación del problema. ¿Qué variables
•Escalamiento métrico multidimensional: un quieres comparar?, ¿cuántas variables quieres
súper conjunto de MDS clásico que comparar?. Más de 20 es difícil de manejar.
generaliza el procedimiento de optimización Menos de ocho no dará resultados válidos.
para una variedad de funciones de pérdida ¿Cuál es el propósito de aplicación del
de matrices de distancias conocidas con estudio.?
pesos y así sucesivamente. Una útil función 2. Obteniendo datos de entrada. Las
de la pérdida en este contexto se llama respuestas a una serie de preguntas. Para cada
estrés que a menudo se minimiza utilizando par de productos ellos son investigados
un procedimiento llamado mayorización del respecto a similaridad (usualmente sobre siete
estrés (Kruskal,1964; Borg y Groenen, puntos escala de Likert de muy similares a muy
2005). disimilares). El número de preguntas está en
•Escalamiento multidimensional no métrico: en función al número de tipos que pueden ser
contraste con MDS métrico, MDS no métrico calculados como Q = N (N - 1)/2 donde Q es el
encuentra una relación no paramétrica número de preguntas y es el número de tipos.
monotónica entre las diferencias elemento- Este enfoque se refiere cómo la “percepción de
elemento de la matriz y las distancias los datos: aproximación directa” en el cual los
euclidianas entre elementos y la localización productos se descomponen en atributos los
de cada elemento en el espacio cuales son estimados sobre una escala
dimensional-bajo. La relación se encuentra diferencial semántica. El otro es la “preferencia

57
de aproximación de datos” en la cual a los estrés de Kruskal, probando división de datos,
encuestados se les preguntan sus preferencias robando estabilidad de datos y probando
mejor que las similaridades. confiabilidad.
3. Ejecución del programa estadístico
MDS. Para correr el procedimiento está Valores singulares
disponible en algunos programas de aplicación
En álgebra lineal, el valor singular de
de estadística. En ocasiones hay una selección
descomposición (SVD) es una importante
entre MDS métrico. Los investigadores deben
factorización de una matriz rectangular real
decidir sobre el número de dimensiones que
compleja, con algunas aplicaciones en proceso
quieren calcular para ser creadas. A mayores
de señales y estadística. Las aplicaciones en las
dimensiones, existirá un mejor ajuste
cuales se emplea el SVD incluyen el cálculo de
estadístico, pero habrá una mayor dificultad en
la pseudo inversa, ajuste de datos de mínimos
la interpretación de los resultados.
cuadrados de una matriz de aproximación, y se
4. Mapeando los resultados y
determina la alineación, rango y espacio nulo
definiendo las dimensiones. El programa
de una matriz.
estadístico mapeará a los resultados. El mapa
practicará cada producto (usualmente en un
Suponga M es una matriz m-por-n
espacio de dos dimensiones). La proximidad de
cuyas entradas vienen del campo K las cuales
los productos de cada uno indica que tan
son del campo de números reales o el campo
similar son ellos o cómo son preferidos,
de números complejos. Entonces existe una
dependiendo de cuál fue el ajuste que fue
factorización de la forma:
usado. La dimensión debe ser etiquetada por el
investigador. Esto requiere un juicio subjetivo y
(23)
en ocasiones muy discutido. El resultado debe
ser interpretado (mapa perceptual).
Donde U es una matriz unitaria m-por-
5. Prueba de resultados para la
m sobre K, la matriz Σ es m-por-n con números
confiabilidad y la validación. Cálculo de R-
no negativos en la diagonal (como está
cuadrado que determina qué proporción de
definido para una matriz rectangular) y ceros
varianza de los datos escalonados puede ser
fuera de la diagonal, y V * denota el conjugado
considerado para el procedimiento MDS. Un R-
transpuesto de V, una matriz unitaria n por n
cuadrado de .6 es considerado el nivel mínimo
sobre K. Tal que una factorización es llamada
aceptable. Otra posible prueba es la prueba de

58
descomposición del valor singular de Horn y
Johnson (1985).
La matriz V contiene un conjunto de
“entrada” orthonormal o "analizando" las
direcciones del vector de base para M.
La matriz U contiene un conjunto
orthonormal "rendimiento" de las direcciones
del vector base para M.
La matriz Σ contiene los valores
singulares los cuales pueden ser pensados
como escalamiento “ganancia de control” para
los cuales cada entrada correspondiente es
multiplicada por una salida correspondiente.
Una convención común es ordenar los valores
Σi,i a valores no crecientes. En este caso, la
matriz diagonal Σ es determinada por M
(aunque el matrices U y V no lo son).
Ciertos lenguajes de programación,
como R, usan una notación en el cual para p =
min (m, n), U es m-por-p, Σ es p-por-p, y V es
n-por-p (Wall, Rechtsteiner, y Rocha, 2003).
Un número real no negativo σ es un
valor singular para M. si y sólo si existe un
vector de longitud unitaria u en Km y v en Kn la
que
(24)
59
Los vectores u y v son llamados
vectores singular izquierdo y singular derecho
para σ respectivamente.
Para cualquier valor de descomposición
(25)
Las entradas de la diagonal de Σ son
necesariamente iguales a los valores singulares
de M. las columnas de U y V son vectores
singulares izquierdo y derecho respectivamente
para los valores singulares correspondientes.
Consecuentemente, el estado del teorema
es:
 Una matriz m x n tiene al menos un un
valor singular diferente p = min (m,n).
 Siempre es posible encontrar una base
unitaria para Km que consiste de
vectores singulares izquierdos de M.
 Siempre es posible encontrar una base
unitaria para Kn que consiste de
vectores singulares de M.
Un valor singular para el cual podemos
encontrar dos vectores singulares izquierdos (o
derechos) que no son linealmente
independientes son llamados degenerados.
Los valores singulares no degenerados
siempre tienen vectores únicos izquierdo y
derecho, hasta la multiplicación por una fase podemos sólo está aplicándolo a cierta clase de
del factor unitario e . Consecuentemente, si
iφ
matrices cuadradas. No obstante, las dos
todos los valores singulares de M son no composiciones están emparentadas.
degenerados y no cero, entonces la
descomposición del valor singular es única, Dado un valor singular de descomposición de
hasta la multiplicación de una columna de U M como fue descrito, tomamos las siguientes
por una unidad de un factor fase y dos relaciones:
simultáneamente la multiplicación de la
columna correspondiente de V por el mismo
factor base unitario (Wall, Rechtsteiner, y
(26)
Rocha, 2003).

Los valores singulares degenerados, por

definición tiene vectores singulares no únicos. El lado derecho de esa relación describe
Así, si u1 y u2 sólo dos vectores singulares la descomposición de eigenvalor de los lados
izquierdos los cuales corresponden a valores izquierdo. Consecuentemente, el cuadrado de
singulares de σ, entonces cualquier los valores singulares no cero de M son iguales
combinación normalizada lineal de los dos a los eigenvalores de M *
M o MM *. Así, las
vectores es también un vector singular columnas de U (vectores singulares izquierdo)
izquierdo correspondiente al valor singular σ. son eigenvectores de MM *
y las columnas de
V (vectores singulares derechos) son
La declaración similar es verdad para eigenvectores de M * M.
lectores singulares derechos.
Consecuentemente, si M tiene valores En el caso especial que M sea una
singulares degenerados, entonces su valor de matriz normal que por definición debe ser
descomposición singular no es único (Horn y cuadrada, el teorema espectral dice que puede
Johnson,1991). ser diagonal unitariamente usando las bases de
los eigenvectores, al que puede ser escrito
El valor singular de descomposición es como M = UDU *
para una matriz unitaria U y
muy general dándonos cuenta que podemos una matriz diagonal D. Donde M es Hermitiana
aplicarlo a cualquier matriz m x n. La semi definida positiva, la descomposición de M
descomposición del eigenvalor, por otro lado

60
= UDU *
es también un valor singular de herramienta para checar las características
descomposición (Horn y Johnson,1991). estructurales de una red social, que sea
permitida para excepciones o errores. Los
Sin embargo, los eigenvalores de modelos de bloques de agrupamientos
descomposición y los valores singulares de jerárquicos, los cuales están cercanamente
descomposición difieren para todas las emparentados, son tales herramientas.
matrices M: la descomposición del eigenvalor
es M = UDU – 1
donde U no es necesariamente Así los bloques son una técnica capaz
unitaria y D no necesariamente positivo semi de detectar cohesión, estructuras centro
definido, mientras el SVD es M = UΣV *
donde periferia, y ordenación, no remplaza a otro tipo
Σ es 1/positiva semi-definida y U y V son de técnicas de redes modo uno. El caso de los
actrices unitarias que no necesariamente están modelos de bloque es factible y efectivo sólo
emparentadas excepto a través de la matriz para pequeñas redes con alta densidad,
(Horn y Johnson,1985). considerando que otras técnicas trabajan mejor
sobre redes grandes y esparcidas. En adición
modelos de bloque está aterrizado sobre

Modelos de bloque conceptos de estructuras diferentes:

equivalencia y posiciones, los cuales están
Se ha descubierto que un concepto emparentados a conceptos teóricos de roles
estructural suele a menudo ser medido de sociales y conjuntos de roles.
diferentes formas (ejemplo, centralidad). No
hay una sola técnica que sea posible detectar Por un lado, los grupos de vértices de
diferentes tipos de estructuras (cohesión y los modelos de bloque dentro de
centralidad). agrupamientos y relaciones determinadas entre
estos agrupamientos (un agrupamiento es el
El modelo de bloques es un método centro de otro la periferia). En contraste, otras
flexible para analizar redes sociales. Varios hay otras técnicas, tales como medidas de
conceptos de redes son sensibles a centralidad, cálculo de posiciones estructurales
excepciones, por ejemplo, un solo arco puede de cada vértice individual.
cambiar una ordenación dentro de un grupo de Los modelos de bloque usan matrices como
ordenaciones. Los datos empíricos son pocas herramientas de cálculo y para visualización de
veces perfectos, así se requiere una

61
resultados. Así se presenta la matriz como un Una reordenación o clasificación de
significado para representar las redes sociales. vértices es llamado permutación de la red.
Esencialmente, una permutación es una lista
Matrices y permutación con una entrada de cada vértice en la red,
En el análisis de redes sociales, las especificando su nuevo número de vértices. En
matrices han sido usadas adicionalmente a los otras palabras, una permutación es una de re
sociogramas por un largo tiempo. Una matriz numeración de los vértices en la red.
es una herramienta eficiente para representar Si asignamos nuevos números a los
una pequeña red social para calcular los vértices la estructura de la red no cambia.
resultados sobre su estructura. Así, las
Por ejemplo, la red A y B en la figura 30
matrices ofrecen información visual sobre la
se cambia el número de vértices 2 y 4, pero
estructura de pequeñas y densas redes. Una
esto no afecta la estructura de la red: las redes
matriz es una tabla con dos caminos
A y B son y isomórficas; esto es, ellas tienen la
conteniendo renglones y columnas. La
misma estructura. En la matriz, se cambian los
intersección de un renglón que una columna es
números de vértices en los renglones y las
llamada celda de la matriz. Una matriz
columnas y se reordena la matriz obteniendo
usualmente contiene números por ejemplo 1
una diferente matriz para la misma estructura.
para la presencia de una unión y un 0 si no hay
unión. En ocasiones se sustituyen los 1 por un
cuadrado (celda) en negro y los 0 por un
cuadrado en blanco.

Este tipo de matiz es llamado matriz

adyacente porque podemos decir cuáles
1 2 3 4 1 2 3 4
vértices son los vecinos (adyacente) en la red.
1 1
Los patrones de celdas en negro en una matriz
2 2
ofrecen información visual acerca de la 3 3

estructura de la red porque podemos ver las 4 4

patrones que se presentes (negro) o ausentes

(blanco). Sólo como un sociograma, una matriz Figura 30. Redes y su permutación.

revela su estructura sólo si sus vértices están

cuidadosamente colocados.

62
 Las matrices se miran diferentes pero particular de uniones y relaciones hacia
ellas describen la misma estructura. Esto estudiantes, tutores y superiores.
significa que podemos representar la misma Los sociólogos y otros investigadores
red por diferentes de matrices, así como sociales científicos investigan la naturaleza
podemos dibujar las algunos sociogramas social de los roles sociales y los conjuntos de
diferentes para una red. Una permutación es roles por observación de interacciones y por
un re ordenación solo como una instrucción interacción de puntos de vista de la gente
rediseña un sociograma. Así, podemos usar acerca de sus motivos y sus percepciones de
permutación para encontrar una matriz que los roles que ellos juegan.
revele la estructura de la red.
En el análisis de redes sociales es
Ya que una matriz puede representar importante concentrarnos sobre los patrones
una red, es posible almacenar los datos de una de las uniones. Identificar actores que tienen
red en un formato de matriz. Para una patrones similares de uniones y encontrar si
pequeña red, una matriz es una alternativa ellos están asociados con un rol particular o un
práctica a la lista de arcos y nodos que conjunto de roles, o si se desea checar si la
podemos usar de tal manera que el formato es gente con conjuntos de roles similares están
un archivo de datos para la red. involucrados en patrones característicos de
uniones. En el análisis de redes sociales, una
Roles, posición y equivalencia posición es valuada a un patrón particular de
uniones. Los actores o patrones similares de
En teoría de redes sociales, las
uniones se dice que tienen relaciones
posiciones y roles son importantes conceptos
equivalentes, constituyen una clase de
emparentados teóricamente. Por ejemplo una
equivalencia, u ocupan posiciones equivalentes
posición, la posición de ser un instructor en
en la red.
una universidad, está usualmente conectado a
Un ejemplo, en la figura 31 a dos
un rol social o un conjunto de roles, llamados
instructores (i1 e i2) dentro de un
estudiantes de tutoría, y conferidos con
departamento que supervisa a tres estudiantes
tutores.
(s1, s2, s3). Ellos contactan a los estudiantes
que ellos están conectados por los estudiantes.
Esta hipótesis que este rol o conjunto
Los instructores interactúan, de tal forma que
de roles se dice, se involucra un patrón
ellos son un subgrupo cohesivo y sus

63
interacciones pueden causarles un
comportamiento con una forma similar. Los
i.1 i.2 s.1 s.2 s.3
tres estudiantes no necesariamente
interactúan. Así, ellos están en la misma i.1
posición con respecto a los supervisores, de
i.2
aquí que ellos pueden actuar de manera similar Centro

ante ellos. Ellos son racionalmente s.1

equivalentes así, ellos no son un subgrupo s.2

Periferia
cohesivo. Es importante notar que las uniones
s.3
externas a miembros de otras posiciones son
Figura 31. Unión hipotética entre instructores y
sólo como un importante concepto de estudiantes.
equivalencia como uniones internas dentro de
una posición. Las líneas que dividen la matriz
adyacente dentro del rectángulo y estos

La figura 31 es un ejemplo de una rectángulos son llamados blocks. Un block

pequeña estructura centro periferia en la cual contiene las celdas de una matriz adyacente

los dos instructores constituyen el centro (una que pertenece a una sección cruzada de una o

posición) y los estudiantes la periferia (la otra dos clases.

posición. Las uniones ocurren

predominantemente con el centro y entre el Se puede describir la estructura de una

centro y la periferia de tal forma que vemos red (dentro y entre posiciones) analizando los

horizontal y vertical mente las uniones en la blocks de la matriz adyacente. Los blocks a lo

matriz permutada. largo de la diagonal expresan las uniones

dentro de una posición.

Podemos decir que dos vértices son

En una estructura ideal centro periferia
estructuras equivalentes si ellos tienen uniones
como la de la figura 31, los vértices están
idénticas con ellos mismos y convocar a otro y
unidos dentro del centro, considerando que los
todos los otros vértices (Nooy, Mrvar, y
vértices periféricos no están directamente
Batagelj, 2005).
unidos. Los blocks de la diagonal representan
la relación entre clases, llamado la relación
entre el centro y la periferia.

64
 Las matrices adyacentes de redes que
contienen estructuras equivalentes tienen una
característica muy remarcada nombrando a sus
blocks si están completos o vacíos (block nulo),
si no prestamos atención a las celdas de la
diagonal. Éste resultado del de estructuras
equivalentes que significan vértices que tienen
idénticos renglones y columnas. Un block
modelo asigna a los vértices de una red, las
clases y sus especificaciones los tipos
permitidos de relación entre clases.
La imagen de una matriz es el último
ingrediente que necesitamos para definir un
block modelo. Un block modelo para una red
consiste de particiones y la imagen de una
matriz. Las particiones asignan a los vértices
clases de equivalencia y dividen la matriz
adyacente de la red en bloques. La imagen de
la matriz específica los tipos de relación dentro
y entre las clases porque dice cuáles son los
tipos de Block que están permitidos y donde
pueden ocurrir.
En general un block modelo consiste de
tres pasos (Nooy, Mrvar, y Batagelj, 2005).
El primer paso, se especifica el número
de clases en la red, por ejemplo, dos clases o
posiciones si se crea una hipótesis de una
estructura simple centro periferia.
65
En el segundo paso se seleccionan los
tipos de blocks que están permitidos a ocurrir y
opcionalmente la localización de la imagen de
la matriz donde ellos pueden ocurrir. En el caso
de la estructura de equivalencia, por ejemplo,
nos permitimos completar sólo si los bloques
están vacíos a ocurrir y esperamos un bloc
completo (el centro) y un bloc vacío (la
periferia) entre la diagonal.
Finalmente, el cálculo del particiones de
los vértices dentro de un número específico de
clase acorde a condiciones específicas por el
modelo y si es necesario, la imagen de la
matriz final para el modelo. En este tercer
paso, el bloc modelo se completa.
Como se describe, blocks modelos
consisten de tres pasos. En los primeros dos
pasos la imagen de la matriz es especificada: el
número de clases o los tipos de blocks o
relaciones dentro de y entre clases que son
permitidas. El cálculo del blocks modelo
completo por la búsqueda de las particiones
de vértices dentro de clases que se oponen a la
hipótesis de la imagen de la mejor matriz. En
algunas imágenes de matrices, es posible
seleccionar una la cual es la mejor. El registro
de error se muestra como la imagen de la
matriz seleccionada ajustada a la red.
 Las estructuras equivalentes requieren regular es más general que la equivalencia
que actores equivalentes tengan los mismos estructural.
vecinos. En algunas aplicaciones, del análisis
de redes sociales, este criterio también es Haya algunas formas de cómo generar un
estricto porque no genera agrupamientos nuevo arreglo en una matriz, determinando un
(“clusters”) de actores quienes cumplen con el orden o permutación de sus renglones y
mismo rol en diferentes localizaciones, por columnas, y penetrando en la estructura.
ejemplo maestros en diferentes universidades,
quienes tienen diferentes estudiantes, de tal  Ordenándola por grado.
forma que ellos tienen uniones con gentes  Ordenándola por conexión de
similares pero no con la misma gente. componentes.
 Ordenan dólar por número de centros,
Para estas situaciones, se ha definido componentes conectados dentro de
otro tipo de equivalencia: llamada equivalencia niveles de centros y grado.
regular. Los vértices que son de una  Ordenándola de acuerdo a
equivalencia regular no tienen que ser de la agrupamientos jerárquicos y algunas
misma clase. Esto suena como un argumento otras propiedades.
redundante pero no lo es. Existen también procedimientos
Podemos detectar la equivalencia especiales para determinar el ordenamiento.
regular por el significado de un block modelo De acuerdo con Nooy, Mrvar, y Batagelj
porque tiene un tipo de un bloc especial (2005), los describimos sobre redes modo dos.
asociado con una equivalencia regular, el cual
es llamado bloc regular. Un bloc regular Una red modo dos, es una red (V, L, w)
contiene al menos un arco en cada renglón en la cual los vértices están particionados
(cada quien al menos selecciona un actor) y en dentro de los conjuntos V1 y V2 para que cada
cada columna (cada quien es seleccionado al unión conecta un vértice V1 a un vértice V2
menos una vez). La equivalencia regular (grafo bipartito).
permite blocks regulares y blocks nulos. Cabe
hacer notar que un block completo siempre es Tal como lo describen Wouter de Nooy,
un block regular, tal que la equivalencia Andrej Mrvar, y Vladimir Batagelj (2005),uno
estructural es un tipo especial de equivalencia de los principales procedimientos de los
regular o en otras palabras, la equivalencia modelos es identificar, en una red dada

66
 , grupos (clases) de
unidades que dividen características definidas
en términos de . Las comunidades dentro de
Por lo tanto
un grupo tienen un patrón iguala otras
unidades. Ellas forman un agrupamiento

Es una partición (agrupamiento) del

conjunto de unidades .

La cual es una partición del conjunto . Formalización matemática del bloque

modelo.
Cada partición determina una relación de
Un bloque es un arreglo séxtuple
equivalencia (y viceversa). Se denota por ~, la
donde:
relación determinada por la partición .
 es un conjunto de tipos de unidades
Una partición de agrupamiento
(imágenes o clases representativas);
además la relación dentro del blocks es.
 es un conjunto de
conexiones.
 es un conjunto de predicados para
Cada bloque consiste de unidades describir los tipos de conexiones entre
pertenecientes a las agrupaciones y diferentes clases {agrupamientos
dirigidos del agrupamiento al agrupamiento (clusters), grupos, tipos de unidades} en
si , un bloc es llamado block una red. Asumiendo que es nulo y sin
diagonal. efecto.

La discusión que realizan Nooy, Mrvar,y Un mapeo de

Batagelj (2005), da como producto la asigna predicados a las conexiones;
formalización del modelo matemático esta
teoría.  es un conjunto de reglas promedio. Un
mapeo determinan las reglas
Sea un conjunto de posiciones o
para calcular valores de conexiones.
imágenes de agrupamiento de unidades. Sea
Un mapeo determina un Block
que denota un mapeo en el cual
modelo de la red si satisface las
cada mapa es una posición. El grupo de
condiciones:
unidades con la misma posición es:

67
Y

68
Bibliografía 7. Albert, R., Jeong, H., y Barabási, A. L.
(1999).Diameter of the world-wide-
1. Abe, S. y Rajagopal, A. K. (2000). Micro web. Nature 401: 130-131.
canonical foundation for systems with 8. Albert, R., Jeong, H., y Barabási, A. L.
power-law distributions. Private (2000).Attack an error tolerance of
communication. complex networks. Nature 406: 378-
2. Ariden, H. (2006,febrero). Tratados de 382.
libre comercio, educación y educación 9. Agarwal, P., Bera, R., Claramunt,
superior. Foro Internacional de la C.(2006). A social and spatial network
UNESCO. Buenos Aires, Argentina. approach to the investigation of
3. Adamic, L. A. (1999). The small world research communities over the world
web. In Proceeding of the 3dh wide web. Lecture Notes in Computer
European Conf. on Digital Libraries, Science. 4197: 1-17.
volume 1696 of Lecture notes in 10. Albert, R., y Barabási, A. L. (2002).
Computer Science, pages 443-452. Statistical mechanics of complex
Springer Ed. networks. Rev. Mod. Phys. 74:47-97.
4. Aharony, A., y Feder, J. Ed 11. Albert, R., Barabási, A. L. (2000).
(1989).Fractal in Physics. North Topology of evolving networks: Local
Holland, Amsterdam, Physica D 38: nos. events and universality. Phys. Rev. Lett,
1-3. 85:5234-5237.
5. Aiello, W., Chung, F., y Lu, L. (2000). A 12. Alon, N., y Spencer, J. (1992). The
random graph model for massive probabilistic method. John Wiley ed.
graphs. In STOC 00, Proceeding of the New York.
thirty-second annual acm symposium 13. Anuario Económico(2006). Secretaria
on Theory of computing, pages 171- de Desarrollo Sustentable. Gobierno del
180. Estado de Querétaro, pp. 129-144
6. Aingworth, D., Chekuri, C., Indyk, P., y 14. Arid, F., y Garey, M.(1948). Diameter
Motwani, R. (1999). Fast estimation of bounds for altered graphs. J. Graph.
diameter and shortest paths (without Theory,8: 511-534
matrix multiplication). SIAM J. 15. Arredondo, G., Martiniano, V.(1992). La
Computer 28: 1167-1181. educación superior y su relación con el

69
 sector productivo. Ed. ANUIES-SECOFI. 25. Bavelas, A. (1965). Communications
México. patterns in task oriented groups. J.
16. Barabási, A. L., Albert, R., y Hawoong, Acoust. Soc. Am., 10:271-282.
J. (1999) Mean-field theory for scale- 26. Bollobas, B.(1985).Random Graphs.
free random networks. Physica A Academic press ed., London (2nd
272:173-187. edition,2001).
17. Barabási, A. L., Albert, R. (1999). 27. Bollobas, B., y Chung, F.(1984). The
Emergence of scaling in random diameter of a cycle plus a random
networks. Science, 286: 509-512. matching. SIAM. J. Discrete Math. 1:
18. Barabási, A. L. (2002). Linked: The new 328.
science of networks: Perseus Pub. 28. 27.Borg, I. y Groenen, P.: "Modern
19. Barabási, A.L., Ravaz, E., y Vicsek, Multidimensional Scaling: teoría y
T.(2001). Deterministic scale-free aplicaciones" (2 ª ed.), Springer-Verlag
networks. Physica A, 299: 559-564. New York, 2005.
20. Barrow, C., Didou, S., y Mallea, J. 29. Borgatti SP y Everett M G (1997)
(2003). Globalization, trade Network analysis of 2-mode data. Social
liberalization, and higher education in Networks.
North America. The emergence of a 30. Borgatti SP y Everett M G (1999)
new market under NAFTA. The Models of core/periphery structures.
Netherlands, Kluwer Academic Social Networks.
Publisher. 31. Bornhpldt, S., Schester, H. (2003).
21. Bassett, D. S., Bullmore, E.(2006). Handbook of graphs and networks:
Neuroscientist 12(6):512-523. Dec. From the genome to internet: Wiley-
22. Batty, M., y Longley, P. (1994). Fractal VCH.
Cities. Academic Ed, san Diego. 32. Bracho, T.(coordinadora). PEC 2001-
23. Bauchamp, M. (1970). Elements of 2003: Evaluación externa. El programa
mathematical sociology. Random House Escuelas de Calidad. México, D. F.
ed., New York. Marzo.
24. Bavelas, A. (1948). A mathematical 33. Breiger, R.L. (1974).The duality of
model for group structures. Human persons and groups. Social forces., 53,
Organization, 7: 16-30. pp. 105-135.

70
34. Breiger, R.L (1990). Social mobility and nets to the internet and www. Oxford
social structure. Cambridge, England: U. Press. Oxford.
Cambridge University Press. 41. Erdos, P., y Rènyi, A.(1959). On
35. Bronstein, A. M, Bronstein, MM, y random graphs. Publicationes
Kimmel, R. (2006), Generalizado Mathematicae, 6: 290-297.
escalamiento multidimensional: un 42. Erdos, P., y Rényi, A. (1960). On the
marco para isometría de la superficie evolution of random graphs. Publ.Math.
invariante parcial se pongan en venta, Inst. Hung. Acad. Sci., 5: 17-61.
Proc. National Academy of Sciences 43. Erdos, P., y Rènyi, A. (1961). On the
(PNAS), vol. 103 / 5, pp. 1168-1172. strength of connectedness of a random
32.Carrol, J. D. et al.(1986) Interpoint graph. Acta Mathematica Scientia
distance comparisons in Hungary, 12: 261-267.
correspondence análisis solution. 44. Faloutsos, M., Faloutsos, P., y
Journal of Marketing Research, 23, 271- Faloutsos, C.(1999). On power-law
280 relationships of the internet topology.
36. Cox, MF, Cox, MAA, (2001), In ACM SIGCOMM pages 251-262.
Multidimensional Scaling, Chapman and 45. Faust, K. et al.(2007). Using
Hall. Correspondence Análisis for Joint
37. Coxon, Anthony PM (1982): "La Guía Displays of Affiliation Netwworks. In
del usuario para Multidimensional Models and Methodsin Social Network
Scaling. Con especial referencia a la Analysis. Structural Analysis in the
MDS (X), biblioteca de programas de Social Sciences, 27, Cambridge
ordenador." Londres: Heinemann University Press, pp. 117-147.
Educación Libros. 46. Faust, K. et al(2002), Scaling and
38. Davis A. B. et al.(1941). Deep South, statistical models for affiliation
Chicago: University of Chicago Press.. networks: Patterns of participation
39. Diestel, R. (2005). Graph theory. among politicians during the Brezhnev
Electronic Ed. Springer-Verlag era. Social Networks, 24: pp. 231-259.
Heidelberg. New York. 47. Flament, C (1963). Applications of
40. Dorogostev, S., y Mendes, J. (2003). graph theory to group structure.
Evolution of networks: From biological Prentice-Hall, Englewood Cliffs.

71
48. Freeman, L. (1979). Centrality in social perspectivas, Journal of Marketing, vol
networks: I. Conceptual clarifications. 39, de enero de 1975, pp 24-31.
Social Networks. I: 215-239
49. Freeman, L.C. y White, D. R. (1993). 55. Haghe, D. (1991) beyond universities: A
Using Galois lattices to represent new republic of the intellect. Hobart
network data. In 72ariden, P. V. (ed). paper 115,Institute of Economic Affairs,
Sociological Methodology, pp. 127- 146. Londres
Cambridge, MA: Bacil Blackwell.. 56. Hanneman, Robert A. y Mark
50. Frieze, A., y Grimmett, G. (1985). The Riddle. 2005. Introduction to social
shortest-path problem for graphs with network methods. Riverside,
random arc lengths. Discrete Applied CA: University of California
Math. 10: 55-77. 57. Hayes, B. (2000.a). Graph Theory in
51. Garay, A. de. (2002). Los actores practice. Part I. Amer. Sci., 88: 9-13
desconocidos. Una aproximación al 58. Hayes, B. (2000.b). Graph Theory in
conocimiento de los estudiantes. practice. Part II. Amer. Sci. 88: 104-
Colección Biblioteca de la Educación 109.
Superior, Serie Investigaciones, 59. Horn, Roger A. y Johnson, Charles R
investigación educativa, enero-abril, 7: (1985). "Matrix Analysis". Section 7.3.
No. 14, 11-16, México, ISSN 0185- Cambridge University Press.
2760. 60. Horn, Roger A. y Johnson, Charles R
52. Gibbons, M. (1998). Pertinencia de la (1991). Topics in Matrix Analysis,
educación superior en el siglo XXI. Chapter 3. Cambridge University Press.
Conferencia Mundial sobre la educación 61. Janson, S., Luczac, T., y Rucinski, A.
Superior de la UNESCO. Octubre, Paris. (1999). Random Graphs. John Wiley ed.
53. Goldman, T., Péres-Mercader, J.(2006). New York.
Hierarchies in the large-scale structures 62. Jeong, H., Tombor, B., Albert, R.,
of the Universe. International Journal of Oltvai, Z. N., y Barabási, A. L. (2000).
Modern Physics. D 15(8):1199-1215. The large-scale organization of
Aug. metabolic networks. Nature 407 
54. Green, P. (1975) aplicaciones de 6804), 651-654.
marketing de MDS: Evaluación y 63. Jin, C., Chen, Q., y Jamin, S. (2000).
Inet: Internet topology generator.

72
 Technical Report CSE-TR-443- 70. Laherrère. J. (1996), Stretched
00(Department of Electrical Engineering exponential distributions in nature and
and Computer economy: Fat tails with characteristics
64. Jungnickel, D. (2005). Graphs, scales. Comptes Rendus Academ. Sci.
networks and algorithms. (2nd. Ed.): II(Paris), 322: 535.
Springer. 71. Lawrence, S., Giles, L.(1998). Searching
65. Karinthy, F.(1929). Chains. In the world wide web, Science,280: 98-
Everything is Different. Budapest. 100.
72. Lawrence, S., Giles, L.(1999).
Accessibility of information on the web.
66. Kim, B.J., Yoon, CH. N., Han, S. K., Nature 400: 107-109
Jeong, H.(2002). Path finding strategies 73. Liljeros, F., Edling, C. L.,Amaral, L. A.
in scale free-networks. Phys. Rev. E, N., Stanley, E. H., y Alberg,
65: 027103. Y.(2001).The web of human sexual
67. Krishnamurthy, V., Sun, J., Faloutsos, contacts. Nature, 411: 907-908.
M., y Tauro, S. (2003) Sampling 74. Limpert, E., Stahel, W. A., y Abbt,
Internet topologies: How small can we M.((2001, May). Log-normal distribution
go? International Conference on across the sciences: Keys and clues.
Internet Computing. Bio-Science 51: 5, 340-352
68. Kruskal, JB y Wish, M. (1978), 75. Lorentz, D.H., Orda, A., Raz, D., y
Multidimensional Scaling, Sage Shavit, Y. (2001). DIMAS technical
Universidad serie de documentos sobre report 2001-17(Center for Discrete
la aplicación cuantitativa en las Ciencias mathematics and Theorical Computer
Sociales, 07-011. Beverly Hills y Science, Rutgers University, Piscataway,
Londres: Sage Publications. NY.
69. Kuperman, M (1), y Abramson, G 76. Mandelbrot, B. B. (1983). The fractal
(2).(2004, Jan. 13). Complex structures geometry of nature. Freeman ed., New.
in generalized small worlds.1. Centro York.
Atómico Bariloche y Instituto Balseiro, 77. Mandelbrot, B. B. (1997). Fractals and
8400 S. C. de Bariloche, Argentina.2. scaling in finance: discontinuity,
Consejo Nacional de Investigaciones concentration, risk. Springer ed. New
Científicas y Técnicas, Argentina. York.

73
78. Mc.Uckstein, U. (2002, Nov.). Statistical networks. Prc. Natl. Acad. Sci. USA 98:
mechanics of complex networks. 404-409.
Institute for Theoretical Chemistry and 86. Newman, M. E. J. (2001b). Scientific
Structural Biology. University Vienna collaboration networks: I. Network
79. http://www.tbi.univie.ac.at/~ulim/. construction and fundamental results.
Wien. Phys. Rev. E 64 016031
80. Masuda, N., Konno, N.(2006). Multi- 87. Newman, M. E. J. (2001c). Scientific
state epidemic processes on complex collaboration networks: II. Shortest
networks. Jornal of Theoretical Biology, paths, weighted networks, and
243(1)63-65. centrally. Phys. Rev. E 64, 106132.
81. Mc Pherson, J. M. (1982). 88. 77.Newman, M. E. J., Barabási, A. L.,
Hypernetwork sampling: Duality and andWatts, D. J. (2006).The Structure
differentiation among voluntary and Dynamics of Networks. Princeton
organization. Social networks. 3. pp. University Press. Princeton y Oxford, p.
225-249. 1.
82. Mitzenmacher, M.(2001).A brief history 89. Newman, M. E. J., Watts, D. J., y
of generative models for power law and Strogatz, S. H. (2002). Random graph
lognormal distributions. In Proceeding models of social networks. Proc. Natl.
of the Thirty-Ninth Annual Allerton Acad. Sci. 99:2566-2572.
Conference on Communications, 90. OECD. ((1999). Measuring student
Control, and Computing, pages 189- knowledge and skills. A new framework
191. for assessment. Organization for
83. Medina, A., Matta, I., y Byers, J., Economic Co-operation and
(2000). On the origin of power-laws in Development.
Internet topologies. ACMSIGCOMM 91. OECD. Programme for International
Comput.Commun. Rev. 30, 18-28. Student Assessment. (2003). Problems
84. Mizruchi, M. S.(1982). The American solving for tomorrow’s world.
Corporate Network.1904-1974, Beverly Organization for Economic Co-operation
Hills, CA: Sage. and development.
85. Newman, M. E. J. (2001a). The 92. Ohtsuki, H., Nowak, M. A.(2006). The
structure of scientific collaboration replicator equation of graphs. Journal of
Theoret. Biol. 243(1): 86-97. Nov.

74
93. Osa, M.(2003). Solidarity and to incomes and internet file sizes: why
Contention: The networks of polish power laws are so common in nature?
opposition. Minneapolis: University of Available at
Minnesota Press. http://www.math.uvic.ca/faculty/reed/i
94. Pareto, V. (1896-1965). Cours ndex.htlm.
d’économie politique. Reprinted as a 101. Santos, F.C., Pacheco, J. M.,
volume of Ocurres Complètes (Droz- Lenaerts, T.(2006). Cooperation
Geneva). prevailswhen individuals adjust their
95. Price, D. J.(1965). Networks of scientific social ties. Plos Computational Biology.
papers. Science 149, pp. 510-515. 2(10).1284-1291.Oct
96. Rangel, E.(2002). Policies for 102. Schofield, A. (1998).
employment and higher education in Benchmarking in higher education: An
México in the 90’s: An absence? international review. Londres:
Ponencia presentada en el Pacific Circle Commonwealth Higher Education
Consortium 26th Annual Conference. Management Service.
May 1-3, Seoul, Korea, 103. Schwoon, M.(2006). Journal of
97. Rapoport, A., Horvath, W. J.(1961). A Evolutionary Economics. 16(4):435-472.
study of a large sociogram. Behavioral 104. SEP. (2001). Programa Nacional
Science, 6, pp. 279-291. de Educación 2001-2006. Secretaría de
98. Reed, J. W. (2001a). The Pareto laws of Educación Pública. Septiembre, ISBN:
incomes-an explanation and an 970-18-6213-9.
extension. Submitted. Available at 105. SEP. (2005). Aspectos
http//www.math.uvic.ca/faculty/reed/in financieros del sistema universitario de
dexhtlm. educación superior. Secretaría de
99. 88. Reed, J. W. (2001b). The double Educación Pública. Subsecretaría de
Pareto lognormal distribution-A new educación Superior e Investigación
parametric model for size distribution. Científica. Abril, México.
Available at : 106. SEP, IESALC, UNESCO.(2003).
http//www.math.uvic.ca/faculty/reed/in Informe nacional sobre la educación
dex.htlm. superior en México. Secretaría de
100. Reed, J. W., y Hughes, B. D. Educación Pública, Instituto
(2002). From gene families and genera Internacional Para la educación

75
 Superior en América Latina y el Caribe, Journ. Of Theoret. Biology. 243(1): 39-
Organización de las Naciones Unidas 47.Nov.
para la Educación, la Ciencia y la 114. Tangmunarunakit, H.,
Cultura. Octubre. México. Govindam, R., Jamin, S., Shenker, S., y
107. Smythe, R., y Mahmound, H. Willinger, W. (2001, June) Network
(1995). A survey of recursive trees. topologies, power laws, and hierarchy.
Theoretical Probability and Tech. Rep. 01-746, Computer Science,
Mathematical Statistics, 51: 1-27 University of Southern California.
108. Solomonoff, R., y Rapoport, 115. Torgerson, WS (1958). Teoría y
A.(1951) Conectivity of random nets. Métodos de Escala. Nueva York: Wiley.
Bulletin of MathematicalBiophysics, 13,
pp. 107-117. 116. Valverde, S., Cancho, S.F., y
109. Stamps, J., Lipnack, J. Sole, R. V. (2000). Scale-free networks
Revolution in networks: A general from optimal design. Europhysics
network theory for organizations. US. A Letters, preprint.
Theory-White Paper. Numb.3. 117. Wall, Michael E., Andreas
110. Stauffer, D., y Aharony, A. Rechtsteiner, Luis M. Rocha (2003).
(1992). Percolation theory. Taylor y "Singular value decomposition and
Francis.London. principal component analysis".
111. Stauffer, D., y Aharony, A.
(1994). Introduction to percolation 118. Walter, C. (1990). Lèvy-stable
theory. 2nd ed. (London; Bristol, PA: distributions and fractal structure on the
Taylor y Francis). Paris market: an empirical examination.
112. Szymansky, J. (1987). On a Proc. Of the first AFIR colloquium
nonuniform random recursive tree. (Paris, April 1990), vol. 3, pp.241-259.
Annal of Discrete mathematics. 333: 119. Wang, B., Tang, H. W.,Xiu, Z. L.,
297-306. Guo, C. H.(2006). Optimizing
113. Takeucho, F., Yamamoto, Synchronizability of scale-free
K.(2006).Effectivenessof realistic networksin geographical space. Chinese
vaccination strategies for contact Physics Letters. 23(11):3123-3126,
networksof variousdegree distributions. Nov. (abstract English translate).

76
120. Wasserman, S. y Faust, K. 127. Zepeda, E., Ranjeeta, G. (1999).
(2006). Social network analysis. Determinación del salario y capital
Methods and Applications. Cambridge humano en México: 1987-1993.
University Press, 14th printing, Chap. Economía, Sociedad y Territorio II:5,
121. Watts, D., Strogatz, S.((1999). Enero-Julio.
Small worlds: The dynamics of
networks between order and
randomness. Princenton University
Press.
122. Waxman, B. (1988). Routing of
multipoint connections. IEEE Journal of
Selected Areas in Communications, 6:
1617-1622.
123. Williams, B. (1986). The direct
and indirect role of higher education in
industrial innovations. What should we
expect? Minerva, 24, No.2/3, 145-171.
124. West, D. (2001). Introduction to
Graph Theory. Prentice Hall, 2nd ed.
Upper Saddle River.
125. Zannete, H. D. (2001, Oct.).
Dynamics of rumor propagation on
small-world networks. In arXIV: cond-
mat/0110324vl.
126. Zegura, E., Calvert, K.,
Donahoo, M. (1997, December). A
quantitative comparison of graph-based
models for Internet topology. IEEE/ACM
Transaction of Networking, 5(6): 770-
783.

77
78