Documentos de Académico
Documentos de Profesional
Documentos de Cultura
___________________________________________________
CONSEJO DIRECTIVO
2016 - 2018
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
Ing. José Antonio Esteva Maraboto Dr. Carlos Alfonso García Ibarra
Secretario Tesorero
TEORÍA DE GRAFOS
Una Introducción Histórico-Técnica
_________________________________________________________________
1
2
Prólogo de las ciencias, puesto que aunque en sus
inicios
Teoría de grafos. Una introducción
histórica-técnica
3
4
Origen del concepto de grafo una cadena de tan sólo cinco personas
conocidas.
La historia de los grafos se remonta al año de
1736, cuando el famosísimo matemático Euler Por otro lado, Solomonoff y Rapoport
se interesó en un acertijo llamado el problema (1951), presentaron el primer estudio
del puente Königberg. Dicho acertijo fue sistemático de lo que ahora conocemos como
resuelto por Euler utilizando un grafo, que es grafo aleatorio y además demuestra una de las
un objeto matemático que consiste de puntos, propiedades más cruciales de este modelo
también llamados nodos o vértices, y líneas, estableciendo que conforme la relación del
también llamadas ejes o uniones. A la número de ejes con el número de vértices en
resolución de este problema se le llamó el un grafo se incrementa, el grafo alcanza un
primer teorema de la teoría de grafos, la cual punto donde experimenta un cambio abrupto
ha sido considerada desde entonces como el desde una colección de vértices desconectados
principal lenguaje matemático para describir las hasta un estado conectado en el cual, el grafo
propiedades de cierto conjunto de elementos contiene un componente gigante. Estos
discretos llamados vértices y un conjunto de autores definen una cantidad denominada
conexiones llamados ejes que unen a los conectividad débil que representa el número
elementos, donde las conexiones pueden ser esperado de vértices alcanzable a través del
casi cualquier cosa, por ejemplo, gente y sus grafo desde un vértice elegido al azar. En la
amigos, computadoras y líneas de actualidad, dicha conectividad débil se
comunicación, químicos y sus reacciones, considera como el tamaño promedio del
artículos científicos y citas, etc. componente del grafo. Los resultados de estos
autores condujeron a la conclusión de que este
Debe mencionarse una publicación hecha de
tamaño promedio componente depende
1929, que describe, aunque como ciencia
crucialmente del grado medio “a”, el cual es
ficción, una de las verdades fundamentales
nuevamente el número de ejes conectados a
sobre la estructura de los grafos que ha sido
un vértice y demostraron que para a < 1, el
base de gran cantidad de investigaciones
grafo se descompone en muchas pequeñas
científicas en este campo, el concepto conocido
islas todas separadas entre sí y para a > 1 se
como efecto mundo pequeño o seis grados de
forma un componente gigante que contiene
separación. Karinthy, en ese trabajo pionero,
una fracción finita de todos los vértices en el
demostró que es posible conectar al ganador
grafo.
de un premio Nobel consigo mismo mediante
5
Continuando con la evolución histórica La teoría de grafos tiene su origen
de los grafos, debemos mencionar ahora los histórico con el problema de los siete puentes
trabajos de Erdös y Rényi. (1959, 1960, 1961), de Königsberg (Prusia oriental en el siglo XVIII
aclaramos que aunque Rapoport y Solomonoff -ciudad natal de Kant- y actualmente,
(1951) dieron la mayoría de los resultados de Kaliningrado, provincia rusa) es un célebre
los grafos al azar, Erdös y Rényi (1959) problema matemático que fue resuelto por
redescubrieron estos resultados sin haber leído Leonhard Euler en 1736 y dio origen a la
a Solomonoff y Rapoport (1951) y es así Teoría de los grafos, planteado de la manera
como a Erdös y Rényi (1959) se les atribuye el siguiente:
descubrimiento de los grafos aleatorios. Dos islas en el río Pregel que cruza
Königsberg se unen entre ellas y con la tierra
Definición básica de grafo. firme mediante siete puentes. ¿Es posible dar
Como se mencionó, el trabajo de Euler un paseo empezando por una cualquiera de las
sobre los puentes de Königsberg es cuatro partes de tierra firme, cruzando cada
considerado como uno de los primeros puente una sola vez y volviendo al punto de
resultados de la teoría de grafos, en 1736. partida?
También se considera uno de los primeros
resultados topológicos en geometría (que no
A
depende de ninguna medida). Este ejemplo
ilustra la profunda relación entre la teoría de
grafos y la topología. C
ISL
A
6
terminando en el punto de partida sin repetir Los grafos son modelos matemáticos
las líneas? que permiten expresar de forma visual, sencilla
y efectiva, las relaciones que existen entre
elementos de muy diversa índole. Se dice que
A
un grafo simple está formado por dos
conjuntos: Un conjunto de puntos llamados
ISLA vértices o nodos y un conjunto de pares de
C
vértices que se llaman uniones o arcos y que
indican cuáles nodos están relacionados entre
sí. Entonces, podemos definir a los grafos
B
como un conjunto de nodos con enlaces entre
Figura 3 Grafo de los puentes de Königsberg.
ellos, denominados uniones o arcos. Asimismo,
Euler demostró que no era posible ya decimos que en un grafo simple entre dos
que el número de líneas que inciden en cada nodos, sólo existe un arco y agregamos que en
punto no es par (condición necesaria para caso de la existencia de más de un arco, existe
Figura 4. Mapa de Königsberg de la época de Euler. cada uno, cuatro nodos enlazados a estos
El cual muestra dónde se encontraban los siete
puentes que inspiraron a Euler a introducir un
últimos y la figura de la extrema derecha
grafo, creando con esto la teoría de grafos. muestra un grafo complejo, la cual integra
como nodo central con características de alta
7
conectividad y en una posición relevante con iv) Sub-grafo. Un sub-grafo es un
respecto a los demás nodos. 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.
Figura 5. Desarrollo de grafos múltiples a partir de
un nodo sencillo. En este caso, el primer nodo de la vii) Grafo no plano. Es un grafo donde no
izquierda se convierte en un hub. Stamps y
hay vértices en la intersección de al menos
Lipnack (2004-2005).
dos ejes. Esto implica una tercera dimensión
en la topología del grafo pues existe la
Glosario básico de la Teoría de
posibilidad de tener un movimiento pasando
Grafos
a través de otro movimiento. Un grafo no
Una vez definido lo que entendemos plano tiene potencialmente muchos más
por un grafo, vamos a mencionar los términos enlaces que un grafo plano.
principales de esta teoría. Podemos afirmar viii) Conexión. Un conjunto de dos nodos
que los siguientes elementos son donde cada nodo está unido al otro.
fundamentales para entender la teoría de ix) Trayectoria. Una secuencia de uniones
grafos: dirigidas en la misma dirección. Para que
exista una trayectoria entre dos nodos, debe
i) Grafos. Un grafo G es un conjunto de ser posible recorrer una secuencia
vértices (nodos) v conectados por ejes ininterrumpida de uniones.
(enlaces) e. En consecuencia G = (v, e). x) Cadena. Es una secuencia de uniones que
ii) Vértice (nodo). Un nodo, v, es un punto tienen una conexión en común con otra, sin
terminal o un punto de intersección de un importar la dirección.
grafo. xi) Ciclo. Se refiere a una cadena donde el
iii) Eje (enlace). Un eje o enlace, e, es la unión nodo inicial y el final es el mismo y que no
entre dos nodos. El enlace (i, j) tiene utiliza la misma unión más de una vez en un
extremidad inicial i, y extremidad terminal j. ciclo.
8
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:
10
con las interacciones de los productores y los
consumidores.
genoma humano pueden ser tratados como determinada esté conectado a otro número,
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)
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 10. Modelo de red de mundo pequeño. posibilidades de comunicación entre los dos
nodos.
Por su parte, Barabási (2002), ha
trabajado con otros sistemas conocidos como Por otra parte, existen redes con un
“escala libre” que son redes no homogéneas enorme número de nodos y diámetros muy
donde k decae en forma exponencial. Barabási pequeños. Respecto a este fenómeno,
(2002), ha encontrado que existen infinidad de Lawrence y Giles (1998, 1999), estudiando la
ejemplos que se comportan de acuerdo a este red de internet encontraron que en ese
tipo de redes, es decir, con el mismo patrón entonces, ésta tenía cerca de un billón de
topológico. 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.
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.
15
Figura 15. Representación de una red aleatoria Figura 17. Red de escala invariante con nodos de
donde no se distinguen nodos que se destaque por alta conectividad (hubs).
su alta conectividad.
Figura 16. Red de escala invariante con nodos de propone la hipótesis de que los nuevos nodos
alta concentración de conectividad.
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
16
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 amplio mundo de la web (Adamic, 1999), la
grafo invariante libre de escala se define como Internet. Faloutsos et al. (1999), ciertas
un grafo conectado o red con la propiedad de trayectorias biológicas. Barabási et al. (2000) y
que el número de enlaces k originado a partir algunos grafos sociales. Aiello (2000);
de un nodo raíz muestra una ley exponencial Newman, Watts, y Strogatz (2002.); Liljeros et
de distribución dada por la ecuación (2): al. (2000); Barabási (1999), son ejemplos de
esta clase de grafos. Dentro de este contexto
P (k) aprox.= k ………………….. (2)
-γ
vemos que todos estos fenómenos tienen en
común el hecho de ser grafos, donde los
El modelo ER se compara con otros
conceptos de interacción de relación entre
modelos de grafos mediante las distribuciones
elementos son pilares básicos para estructurar
de conectividad, donde se considera que la
una explicación racional de nuestro entorno.
probabilidad de que un vértice tenga k ejes,
Así, basándose en los descubrimientos de los
sigue la distribución de Poisson dada por la
pioneros de la teoría de grafos, {Euler y
ecuación (3):
Cauchy, Hamilton, Cayley, Kirchof, y Pólya y
18
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
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):
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).
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:
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
22
grupos de trabajo, departamentos de una social. Al centrarse en la relación que hay entre
empresa, países, etc., y los arcos representan los actores (o grupos de actores) y no en las
la relación existente entre ellos; tal como características de los mismos. Los procesos de
intercambio financiero, amistad, tránsito de empleo, tránsito de alumnos entre
personas, etc., el objetivo de estudio principal universidades, intercambio de algún tipo de
de estas redes se encuentra en la relación información entre grupos de personas pueden
entre los nodos y su consecuencia. ser ejemplos de la aplicación de estudio de
este tipo de redes.
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).
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.
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: Una red centralizado tendrá muchos de sus
El grado de una persona está cerca de vínculos dispersos en torno a uno o varios
todas las demás personas en una red (directa o nodos, mientras que una red descentralizada
indirectamente). En él se refleja la capacidad es aquella en la que hay poca variación entre
de acceso a la información a través de la "vid" los n vínculos que cada nodo posee.
(agrupación) de los miembros de la red. De
Coeficiente de agrupamiento:
este modo, la cercanía es la inversa de la suma
Una medida de la probabilidad de que
de las distancias más cortas entre cada
individuo y cada otra persona en la red. dos socios de un nodo estén asociados a sí
El grado en que un nodo contribuye a la cohesión. Los grupos son identificados como
suma de flujo máximo entre todos los pares de "camarillas" si cada actor está directamente
tengan una alta puntuación contribuyendo respuesta se conocen una a otra / proporción
más a la puntuación del nodo en cuestión. de vínculos entre una nominación individual.
Nivel global de densidad es la proporción de
Centralización: uniones en una red, relativa al número total
La diferencia entre el n de enlaces para posible (redes escazas contra redes densas).
cada nodo dividido entre el máximo posible
suma de las diferencias.
Longitud del camino:
29
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: Inspirados por la sociología de Simmel (1950)
Se refiere a la medida en que los (Berlín, 1 de marzo de 1858 – Estrasburgo, 28
actores tienen un conjunto común de vínculos de septiembre de 1918, filósofo, sociólogo y
con otros actores del sistema. Los actores no ensayista alemán.), los grupos de gente que se
necesitan tener ninguna relación el uno al otro reúnen alrededor de una o más organizaciones
ser estructuralmente equivalentes. y eventos son llamados grupos sociales.
Agujeros estáticos que pueden ser dirigidas, tal como la selección de un amigo, o
estratégicamente ocupados por un nodo y entre otras entidades sociales tales como
otros puntos. Se relaciona con las ideas de relaciones entre universidades o países. Cabe
capital social: si se enlaza a dos personas que hacer notar que no se trata exclusivamente de
31
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.
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
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
33
En una red modo uno cada vértice el número de actores, esto es N = {n1, n2, ....
puede ser relacionado con cualquier , ng} y sea M el número de eventos, esto es M
otro. = {m1, m2, .... , mh}. Sea además L un
En una red modo dos, los vértices son conjunto de líneas dado. Entonces, si N y M
divididos en dos conjuntos y solo se son dos conjuntos de nodos, decimos que un
relacionan con vértices del otro grafo social de afiliación está definida como:
conjunto.
G=N+M+L ----------- (6)
En la descripción de red modo – dos,
debemos distinguir entre actores y eventos, Donde el ni - ésimo nodo en N estará
porque las medidas simples para actores y afiliado al mk - ésimo nodo en M si ambos
eventos tienen diferente significado. Existen están conectados por la línea L, es decir, si
otras consideraciones: Algunas estructuras ambos nodos son adyacentes. Se dice además
indican que deben ser calculadas de diferente que todas las conexiones entre nodos (1) y las
manera para redes modo – dos. no conexiones (0) forman la matriz A o matriz
de afiliación. Por otro lado a la matriz cuadrada
Las técnicas usadas para analizar redes
que contiene tanto conexiones (afiliaciones)
modo – uno no pueden ser las mismas para
como no conexiones (no afiliaciones) se le
redes modo dos sin alguna modificación previa.
conoce como socio-matriz, de acuerdo con la
Las técnicas especiales para redes modo - dos
figura 29 donde se presenta una red de
tienen complicación en su aplicación por lo que
afiliación de dos tipos de nodos en la tabla dos
se plantea una práctica que es común: La
se muestra la matriz de afiliación asociada a
solución que se acostumbra es cambiar las
esta red.
redes modo – dos a redes modo – uno, las
cuales pueden ser analizadas con las técnicas Consideremos,
estándar. Podemos crear redes modo – uno de aij = 1 si el actor i está afiliado con el evento j
redes modo – dos: Una red de eventos aij = 0 de otra forma
interconectados y una red de actores que son Donde cada hilera de A describe la
miembros de una misma organización o afiliación o no afiliación de cada actor con cada
atienden eventos comunes. evento y cada columna describe a los
34
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 afiliación Esta matrices son de orden g x g para redes
también puede ser representada por un grafo uni-modales. Hay una hilera y una columna por
bipartito, el cual es un grafo donde los nodos cada nodo y si los nodos ni y nj son
pueden ser particionados en dos subconjuntos adyacentes, entonces el elemento xij es igual a
y todas las líneas están entre pares de nodos 1 y cero de lo contrario. Además, si una línea
perteneciendo a diferentes subconjuntos. A su de unión está presente, ésta se dirige desde el
vez, este grafo bipartito puede ser nodo ni hasta el nodo nj y viceversa.
representada como una socio-matriz, que es
La segunda matriz utilizada para
una matriz que tiene g + h hileras y g + h
presentar la información de un grafo se llama
columnas, es decir, por una matriz cuadrada.
matriz de incidencia, I. Esta matriz registra la
Dicha socio-matriz se forma tomando en
incidencia entre uniones y nodos. La matriz de
consideración la tabla 2, donde los nodos
incidencia tiene como hileras a los nodos y
representados tanto en columnas como en
como uniones las columnas, por lo tanto si
renglones se integran en uno solo formando
existen n nodos y L líneas, la matriz es de
con esto una matriz cuadrada llamada socio-
orden g x L. Hay una hilera por cada nodo y
matriz (ver tabla 3).
una columna por cada línea y si un nodo se
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
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.
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
36
encontraron que la evolución de estrategias parámetros espaciales y sociales. Los grafos
individuales en ciertos peces forman una también se aplican a la medición de distancias
estructura de grafo la cual constituye el geográficas, como lo aseveran Wang, Tang,
mecanismo clave para sustentar la cooperación Xiu, y Guo (2006) quienes investigaron la
dentro de otra red social de dichos peces. Por relación entre la estructura y el grado de
su parte, Takeucho y Yamamoto (2006), sincronización de redes de escala invariante en
definen una red de contacto que modela a la el espacio geográfico, encontrando que cuando
transmisión de enfermedades infecciosas en el grado de sincronización de los nodos
cierta colonias de individuos a través de nodos aumenta, se incrementan las distancias
individuales que se conectan cuando dichos geográficas.
individuos entran en contacto. Dichos nodos
del grafo de contacto serían los potenciales Asimismo, en las ciencias astrofísicas,
diferenciales de replicación sobre grafos que Mercader (2006), quienes estudiaron las
sirven para conectar las diferentes estrategias. relaciones comunes que existen entre las
diferentes estructuras propuestas para nuestro
En cuanto a economía se refiere, universo y encontraron que los tamaños y
Schwoon (2006) sugiere que los impuestos masas de las estructuras conocidas forman
pueden impactar en la elección de ciertas glóbulos en el espacio y estos a su vez racimos
tecnologías para la construcción de motores de galaxias, formando así redes jerárquicas.
para automóviles, y toma como nodos los Otro ejemplo de la gran diversidad y
impuestos y la forma en que estos se conectan aplicaciones de los grafos, lo encontramos en
con los posibles consumidores de automóviles medicina, específicamente en neurología,
así como con los productores de los mismos, donde Bassett y Bullmore (2006) aplican el
formando un grafo. También en lo que se modelo de topología de “el mundo es un
refiere a la Internet se tienen publicaciones pañuelo” a la anatomía del cerebro humano,
actuales, así Agarwal, Bera y Claramunt (2006) encontrando redes funcionales a partir de un
investigan a las comunidades “amplio mundo estudio que combina electroencefalogramas y
de la web” y modelan un grafo en base a magneto encefalogramas. Cabe mencionar que
37
estas y multitud más de referencias interpretación es distinto del análisis e
actualizadas a diciembre del 2006 no muestran interpretación de las redes modo-uno y existe
ninguna aplicación de la teoría de grafos a la para ello un conjunto especial de métodos para
pertinencia de la educación superior y el su análisis (Wasserman y Faust, 1994). Entre
entorno económico ni en el Estado de las propiedades importantes de las redes de
Querétaro, ni en México, ni en el mundo. afiliación que requieren métodos especiales e
interpretación especial están:
Un tipo especial de redes sociales del Las redes de afiliación son modo-dos.
modo-dos son las redes de afiliación que Las redes de afiliación consisten
representan la afiliación de un conjunto de subconjuntos de actores son
actores con un conjunto de ocasiones sociales simplemente pares y actores.
o eventos, se le puede registrar a esta Las conexiones entre miembros de uno
información como datos de la red de afiliación de los modos está basado en el
o medidas sobre una variable de afiliación establecimiento de las uniones a través
(Wasserman y Faust, 1994). del segundo modo.
Este tipo de redes modo-dos también se Las redes de afiliación permiten un
le llama red de membresía Breiger (1990) o estudio dual de la perspectiva de los
híper red según McPearson (1982), y la actores y los eventos.
relación de afiliación también ha sido referida Los métodos para estudiar las redes de
como relación de participación de acuerdo a afiliación modo-dos están menos desarrollados
Freeman y White (1993). que los métodos para estudiar las redes de
modo-uno.
Las redes de afiliación difieren de
importantes tipos de formas de las redes Tiene su fundamento en la importancia
actores y son simples uniones entre parejas de reconocido como el iniciador de las primeras
actores. Ésas características de las redes de teorías sociales en las implicaciones teóricas de
38
cuales él llamó círculos sociales. Una gran sucesivamente. Similarmente, cuando una
forma de simplificar su argumento es que la persona o un número de personas participan
afiliación de grupos múltiples por ejemplo con en más de un evento las uniones están
familias, grupos ocupacionales son establecidas entre los eventos (Sonquist y
fundamentales en la definición de la identidad Koening, 1975). El traslape en la membresía de
social de los individuos. Argumentó que los grupos permite la información entre grupos y
individuos están predeterminados quizás la coordinación de acciones de los
psicológicamente en el sentimiento de los grupos (Breiger 1990 y 1991; McPearson
grupos y es ahí donde logra su afiliación con 1982).
ellos.
Las redes de afiliación son Ya que las redes de afiliación son
especialmente usadas para estudiar las diferentes de las redes sociales se requiere dar
cual define los eventos en redes de afiliación y (n1, n2, n3,…,ng) como el primer modo de redes
puede ser colecciones de individuos quienes su tipo modo-dos. En redes de afiliación tenemos
39
sucesivamente. Cuando no hay ambigüedad, cuales son sus miembros. Así, hay dos caminos
podemos también decir que los actores complementarios para observar las redes de
pertenecen o pertenecieron o son miembros de afiliación: como actores unidos a los eventos, o
un evento dependiendo de una aplicación como eventos unidos por los actores. Una
particular. Como hemos notado, las redes de declaración formal de dualidad de relación
afiliación integran información acerca de su entre actores y eventos fue dada por una
conjunto de actores quienes participan en las publicación de Breiger (1974).
mismas actividades sociales. Desde actividades
que usualmente contienen algunos actores Analíticamente, la dualidad en una red
hasta simplemente pares de actores, una red de afiliación significa que podemos estudiar las
de afiliación obtiene información sobre uniones entre actores por las uniones entre los
colecciones de actores que son una gran eventos o ambas.
cantidad de pares. Así, las redes de afiliación
no pueden ser analizadas completamente Por ejemplo en el en el análisis modo
observando pares o diadas de actores o uno nos enfocamos a las uniones entre dos
eventos (Wasserman y Faust, 1994). actores, que tienen una unión si ambos están
afiliados con el mismo evento. Enfocando los
Otra importante propiedad de las redes eventos, dos eventos tienen la misma unión si
de afiliación es la dualidad, entre los actores y uno o más actores están afiliados con ambos
los eventos. Haciendo énfasis de esta eventos. Cuando nos enfocamos a uniones
propiedad Breiger (1990, 1991) se refiere a entre actores, nos referimos a la relación entre
tales redes, como redes duales. En la literatura los actores como un co-miembro, o co-
más general el término dualidad es usado de concurrencia.
manera diferente algunas formas son
imprecisas, las formas se refiere a la relación Cuando nos enfocamos sobre uniones
complementaria entre dos tipos de entidades. entre eventos nos referimos a la relación entre
Así, la dualidad en las redes de afiliación se los eventos como un traslape o enlace de
refiere específicamente a la alternativa y a una eventos. Algunas ocasiones ambas formas de
importante igualdad de perspectivas por las modo uno están referidas como relaciones de
cuales los actores están unidos uno al otro por co-ocurrencia (Freeman,1987).
sus afiliaciones con eventos y al mismo tiempo
los eventos están unidos por los actores los
40
Esas uniones de modo-uno, entre los individuos son más probables de ocurrir.
actores o entre eventos se derivan de los Tercero, se puede ver la interacción entre los
datos de afiliación y pueden ser estudiados actores y los eventos como un sistema
usando métodos para analizar redes modo- completo.
uno.
El primero, quizá el más común, es la
Así, muchas veces es más interesante motivación para estudiar redes de afiliación y
analizar ambos modos simultáneamente, para constituye una unión directa, así entre los
estudiar la relación entre los actores y los actores hasta los miembros en los eventos, o
eventos por los cuales ellos están afiliados. Tal entre los eventos a través de los miembros
análisis modo-dos estudia los actores y los comunes.
eventos y la relación entre ellos al mismo
tiempo.
Segundo, algunas investigaciones han
En resumen, las redes de afiliación son tratado la filiación de pares entre actores.
relaciones de tres formas: Primero ellas Kadushin (1982), nota que el patrón de
muestran cómo los actores y los eventos están influencia del flujo entre las líneas de los
relacionados con cada uno de ellos; segundo, círculos sociales. Así la filiación de individuos
los eventos crean uniones entre actores; y con grupos sociales da la oportunidad de
tercero, los actores crean uniones entre los influencia interpersonal. Similarmente, en su
eventos. discusión McPearson (1982) menciona que se
puede ver miembros cara a cara en las
De acuerdo con lo mencionado por organizaciones como grupos con una gran
Wasserman y Faust (1994); dado un amplio probabilidad de contacto.
rango de aplicaciones, podemos notar tres
relaciones primarias para estudiar las redes de Comúnmente la membresía se da en
afiliación. Primero, se argumenta que las los grupos pares y uniones en relaciones
afiliaciones individuales con eventos dan sociales de amistad.
uniones directas entre los actores entre los
eventos. Segundo, otros autores argumentan Para estudiar redes de afiliación se
que en los mismos eventos sociales se dan requiere modelar la relación entre actores y
condiciones bajo las cuales las uniones entre eventos. Es importante observar la afiliación
41
de actores con eventos, y membresía de La representación más sencilla de una
eventos como algo completo. red de afiliación es la matriz que registra las
afiliaciones de cada actor con cada evento.
Hay pocos métodos para estudiar Esta matriz la cual se llama matriz de afiliación,
actores y eventos simultáneamente. A = {aij}, registra para cada actor, los eventos
Cada uno de las tres relaciones implica con los cuales los actores están afiliados. Es
diferencias importantes enfoque para analizar equivalente registrar cada evento al cual los
los datos y modelarlos. actores están afiliados. La matriz A es la socio-
matriz modo-dos en la cual los renglones
La primera motivación podría permitir registran los actores y las columnas registran
un estudio de las redes modo-uno de uniones los eventos. Dado que hay g actores y hay h
entre pares de actores implicados por sus eventos, A es una matriz g x h. Habrá un
afiliaciones con los eventos, o la red modo-uno registro de 1 en la celda (i, j) si el renglón i del
de uniones entre pares y eventos implicando actor está afiliado una columna j del evento y
los actores que ellos tienen como punto registro de 0 si el renglón del actor i no está
común, la segunda motivación implica que la afiliado con la columna del evento j.
investigación tiene medidas en una red de
afiliación y la relación modo-uno de pares entre Algunas propiedades son: Dado que los
actores o incrementos y esas uniones puede 1’s en los renglones de los eventos con los
ser más probables y ocurrir a lo largo de las cuales los actores están afiliados, entonces el
líneas definidas por las afiliaciones. La tercer total de los renglones marginales de A {aij}, es
motivación podría analizar ambos modos igual al número de eventos con los cuales cada
simultáneamente y enfocarse a las uniones actor está afiliado. Si el total de los renglones
entre ellos. marginales es igual a cero, significa que el
actor no atendió cualquiera de los eventos, y si
Wasserman y Faust (1994), definen que el total de los renglones marginales es igual a
la matriz que registra las afiliaciones como un h del número total de eventos, significa que los
conjunto de actores asociado con un conjunto actores atienden a todos los eventos.
de eventos. Describe la representación teórica Similarmente el total de las columnas
de grafos de redes de afiliación, se incluyen marginales, {a+j}, es igual al número de
grafos bipartitos e híper-grafos. actores con los cuales está afiliado cada
evento. El total de la columna marginal es igual
42
a cero cuando ese evento no tiene actores renglones y g + h columnas. Hay un registro
afiliados con él, y un total de la columnas de un 1 en la (i, j) celda si el actor del renglón
marginal igual a g significa que todos los “está afiliado con” el evento de la columna o si
actores están afiliados con ese evento. el evento del renglón “tiene como miembro” al
actor de la columna.
Una red de afiliación puede ser
representada por un grafo bipartito. Un grafo Los primeros g renglones y columnas
bipartito es un grafo en el cual los nodos registran actores y los h renglones y columnas
pueden dividirse en dos subconjuntos, y todas registran eventos, la socio-matriz tiene su
las líneas entre los pares no pertenecen a forma general como:
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, La sub-matriz superior izquierda g x g y
cada modo de la red constituye un subconjunto la sub-matriz inferior derecha están integradas
separado de nodos en el grafo bipartito. Dado por ceros indicando que no hay afiliación entre
que hay g actores y h eventos, hay g + h los g actores (de los primeros g renglones y
nodos en el grafo bipartito, las líneas en el columnas) o entre los h eventos (los últimos h
grafo bipartito representan la relación de renglones y columnas). La sub-matriz superior
“quien está afiliado con quien” (desde la derecha es una matriz A de afiliación g x h
perspectiva de los actores), o quien tiene “una indicando “está afiliado con” uniones de
membresía” (desde la perspectiva de los renglones de actores con columnas de eventos.
eventos). Dado que los actores están afiliados La sub-matriz inferior izquierda h x g es la
con los eventos y los eventos con los actores transpuesta de A, denotada por A’ indicando si
como miembros, todas las líneas en el grafo cada renglón de evento incluye o no a cada
bipartito están entre los nodos representando columna de actor.
actores y los nodos que están representando Los nuevos grafos bipartitos han sido
eventos. usados para representar redes de afiliación
Wilson (1982) y han sido generalizados a
El grafo bipartito también puede grafos bipartitos por Fararo y Doreian (1984).
representarse como un socio-matriz. La socio-
matriz para el grafo bipartito tiene g + h.
43
Las aplicaciones sustantivas de las Se define xijN como el número de
redes de afiliación en la mayoría de las veces, eventos con los cuales actores i y j están
se enfoca sobre uno de los modos ya sea los afiliados. N indica que las uniones sobre estas
actores o los eventos. El análisis modo-uno de relaciones están entre los actores en N. Se
actores o de eventos usa matrices derivadas de puede ver que xijN toma los valores de un
la matriz de afiliación A, o usa grafos definidos mínimo de 0, si los actores i y j no están
por esas matrices modo-uno. afiliados con los mismos eventos, a un máximo
de h, si los actores i y j están afiliados con
El análisis modo-uno requiere todos los eventos. Por lo tanto, esta cuenta es
“procesar” los datos de las redes de afiliación simétrica; xijN = xjiN.
dando a las uniones entre pares de entidades
en modo uno sobre las uniones que implican el Se puede expresar cada valor de xijN
segundo modo. Esas relaciones modo uno son como el producto de los renglones
no direccionales y valuadas. (Wasserman y correspondientes A:
Faust,1994). xijN ---------(7)
44
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)
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).
46
Tamaño de eventos. Uno puede de las uniones entre los actores o entre los
también estar interesado en el tamaño de los eventos, primero se considera estos pares de
eventos. El tamaño de cada evento está dado uniones antes de definir y discutir la densidad
por el total de la columna A o los registros de las redes modo-uno derivadas de una red
sobre la diagonal principal de XM así, a+j = de afiliación.
, aij = xjjM. Dado el número de actores
afiliados con el evento j. El tamaño de un En estudios de traslape entre eventos
representativo del evento en el grafo bipartito. traslapes de las uniones entre los eventos, es
en parte, una función del número de eventos
Se puede considerar el tamaño del en los cuales los actores pertenecen. De una
actores en cada evento está calculado como: uniones entre los actores es en parte, una
función del tamaño de los eventos
(McPearson,1982).
, -- (12)
47
general, un evento con a+j miembros crea a+j( relación valuada, la densidad es interpretada
a+j-1)/2 uniones entre parejas de actores. Así como el promedio de los valores de las
la consideración de membresía para la uniones. Consideremos primero las relaciones
influencia de los actores, el número de uniones valuadas.
entre eventos y el tamaño de los eventos tiene La densidad de un grafo valuado es el
una influencia en el número de uniones entre promedio de los valores asignados a las líneas
los actores. en el grafo. Para la relación de co-membresía
definida para los actores la densidad, denotada
McPearson (1982) discuten como las por Δ(N) (el subíndice N indica que es la
diferencias en los tamaños de organizaciones densidad de las uniones entre los actores en
de hombres y mujeres voluntarios influyen en N), está calculado por:
la diferencia entre hombres y mujeres en el
potencial para establecer redes útiles de
, -------- (13)
contactos.
Donde i ≠ j.
Consideremos la densidad de las
uniones de las redes modo uno de actores de El valor de Δ(N) para la relación de co-
co-membresía y eventos traslapados. El cálculo membresía puede ser interpretado como el
y la interpretación de la densidad para redes número medio de eventos a los cuales los
de afiliación es la siguiente. Dado que la co- pares pertenecen.
membresía y relación de traslapes son Los valores de Δ(N) se encuentran en el
inicialmente evaluados consideraremos la rango de 0 a h.
densidad de la relación valuada y la densidad
de la relación dicotómica que puede ser Para la relación de traslape entre
derivada, considerando simplemente si las eventos la densidad Δ(M) (donde el subíndice
uniones están presentes o ausentes. indica la densidad entre los eventos en M)
está definido como:
En este caso, la densidad de las
---------- (14)
relaciones es la media de los valores de los
pares y uniones. Por una relación dicotómica,
Donde k ≠ l. El valor de para la
la densidad es interpretada como la proporción
de uniones que están presentes. Para una 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
potencial de información, La conectividad si hay una línea entre ellos, y ellos son
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
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
49
dos actores son alcanzables a través de un conectada en el grafo de traslapes entre
camino largo. Si dos actores atienden el mismo eventos (si ningún evento está vacío).
evento, entonces ellos son alcanzables por un
camino de longitud 2. Podemos también Así, todas las redes de afiliación que
considerar el alcance por la vía de caminos están conectadas en el grafo de traslapes entre
largos. Los actores quienes no están afiliados eventos están conectadas en el grafo de co-
con el mismo evento puede también ser membresías entre actores (si cada actor
alcanzables, pero a través de un camino un pertenece al menos a un evento).
longitud mayor que 2.
Estudiando la conectividad de las redes
Se puede estudiar el alcance a través de afiliación, tenemos que considerar si existe
de pares de nodos (incluyendo actores y o no caminos entre pares y actores y o
eventos) analizando el grafo bipartito. eventos. Podemos considerar el valor o solidez
de un camino estudiando el número de
Estudiando redes de afiliación se puede divisiones de la membresía (para actores) o el
analizar la socio matriz (g + h) x (g + h) número de divisiones para miembros (para
representando el grafo bipartito y ver si todos eventos). Observando la relación de valores de
los pares de nodos (actores y eventos) son la co-membresía y yo el traslape nos permite
alcanzables. Si también, las redes de afiliación considerar sub grupos cohesivos entre redes
están conectadas. Uno puede estudiar el modo uno y estudiar las partes de la red de
diámetro de la red de afiliación. El diámetro de afiliación que están más fuertemente
una red de afiliación es la longitud del camino conectadas.
más largo entre cualquier par de actores y o
eventos. Un grupo es un sub-grafo máximo
completo de tres o más nodos. En un grafo
Considerando la conectividad y el valuado podemos definir un grupo en el nivel C
alcance enfocado sobre la matriz y afiliación A, como un sub-grafo máximo completo de tres o
y las socio matrices XN y XM. Breiger (1974), más nodos los cuales son adyacentes al nivel
demostró que cualquier red de afiliación que C. Esto es, todos los pares de nodos tienen
está conectada en el grafo de una co- líneas entre ellos con valores que son mayores
membresía entre actores está necesariamente o iguales a C. así sucesivamente
50
incrementando el valor de C podemos localizar o en la relación valuada de modo-uno de
más subgrupos cohesivos. traslape de eventos. En un grafo valuado los
nodos representan los actores y los valores
Para la relación de co-membresía para señalados a las líneas son el número de
actores, un grupo en el nivel C es un sub-grafo eventos distribuidos por actores adyacentes.
en el cual todos los pares de actores se dividen
en miembros no menor que c eventos. Para la Podemos usar la definición del valor de
relación de traslape para eventos, un grupo en un camino para definir la conectividad de pares
el nivel C es un sub-grafo en el cuarto los de actores en un grafo valuado. Dos nodos
pares de eventos se dividen al menos en C están conectados en C (o alcanzables en el
miembros. Es importante enfatizar que a pesar nivel C) si hay un camino entre ellos en el cual
de que un grupo en una relación de con todas las líneas tienen un valor no menor a C,
membresía para actores (o una relación de podemos localizar entonces subconjuntos de
traslape para eventos) consiste de un actores que están completamente alcanzables
subconjunto de actores (o eventos) y la en el nivel C.
interpretación de tales grupos es limitada a
propiedades de pares de actores (o eventos). Análisis de correspondencia
51
sucesivamente. La historia del análisis de entidades del modo uno, indica las
correspondencia es discutido en algunos foros localizaciones para el otro modo. La matriz de
académicos, entre los que se destacan como la red de afiliación A, es una tabla que registra
tratamientos generales son Nishisato (1980), la presencia de los actores y los eventos. La
Greenacre (1984), y Weller y Romney (1990). meta del análisis de correspondencia es asignar
El análisis de correspondencia y los enfoques un registro a cada una de las entidades en
relacionados a éste han sido usados por cada uno de los nodos, y escribir óptimamente
algunos investigadores para estudiar las redes la correlación entre los dos modos. Se puede
sociales {Faust y Wasserman (1993); estudiar estos registros y ver la similitud entre
Kumbasar, Romney n.d.; Levine (1972)}. las entidades modo-uno, y la localización de
una entidad en modo uno en relación a todas
Se pueden describir algunas de las las entidades de otro modo. Uno puede
motivaciones de la interpretación del promedio también estudiar la dimensión de los datos
recíproco, ya que es uno de las observándolos en cómo algunos conjuntos de
interpretaciones más naturales de las redes de registros son necesariamente reproducidos en
afiliación. Este enfoque es ampliamente usado los datos originales. También, se observa que
en ecología para describir la distribución de las estos registros tienen propiedades geométricas
especies a través del número de localizaciones. que permiten desplegar gráficamente la
En este campo la meta es describir las correlación entre las entidades en el modo dos.
localizaciones (sitios) en términos de la
distribución de las plantas o animales que Más específicamente, el análisis de
están presentes, y simultáneamente describir correspondencia de los datos de las redes de
plantas o animales en términos de su afiliación resultan en la asignación de registros
distribución a través de su localización. (Ver de los g actores en N y cada uno de los h
ejemplo, Greenacre’s (1981). La derivación del eventos en M, y la inercia principal en
análisis de correspondencia que es apropiado sumando el grado de correlación entre los los
para tareas de interpretación, depende del registros de los actores y los registros de los
peso centrado, o el método de porcentaje eventos. Entonces será posible usar los
recíproco (Hill (1982)). registros para desplegar los actores en
términos de los eventos en los cuales están
Comenzamos con dos formas, la matriz afiliados, o desplegar cada evento en términos
modo-dos que registra las incidencias de las de los actores quienes están afiliados con ellos.
52
El registro que es asignado a un actor es conjuntos de registros (o dimensiones) donde
proporcional al promedio del peso de los el número de dimensiones dependen del
registros asignados a los eventos con los número de renglones y columnas en la matriz
cuales los actores están afiliados, o los que está siendo analizada. Sea W = MIN {(g-
registros asignados a los eventos son 1),(h-1)}. El número de dimensiones
proporcionales al promedio del peso de los resultantes de un análisis de correspondencia
registros de los actores quienes están afiliados es menor o igual a W.
con los eventos. Esto permite localizar a cada La matriz de la red de afiliación, A=
actor en un espacio definido por los eventos {aij}, es una matriz g x h que registra la
con los cuales está afiliado, o localizar cada filiación de cada actor con cada evento. El
evento en un espacio definido por los actores análisis de correspondencia de A resulta en
que lo incluyen. tres conjuntos de información:
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
ήkuik =
(17)
(16)
ήkvjk =
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
estándar. Combinando
55
(20) Es común usar los registros del análisis
de correspondencia al despliegue gráfico, por
En otras palabras, el registro asignado a
los puntos de los renglones y los puntos de las
un actor, un es el promedio del peso de los
columnas. Estudiar los dos modos juntos
registros asignados a los eventos, los que
usando la interpretación del promedio
el actor está afiliado, donde los pesos son las recíproco se grafican los puntos para las
frecuencias de las celdas de la matriz de entidades usando las principales coordenadas
afiliación, , dividido por el total de los y puntos para las entidades en el otro modo
renglones apropiados, . usando las coordenadas principales.
Se pueden usar los registros para Así, se usarán las coordenada estándar
localizar a cada actor individual en un espacio para los actores ( ’s) y las coordenadas
definido para los eventos. Así, s puede principales a los eventos (las ‘s) y las
expresar un registro escalado dado a la coordenadas estándar para los eventos (las
columna en las coordenadas principales en ‘s) y las coordenadas principales para los
términos de la colección de registros de actores (las u ‘s).
renglón y coordenadas estándar:
(21)
Escalamiento de una matriz de
Usando esta escala, de los registros proximidad
asignados dados a los eventos es el promedio
Escalamiento multidimensional (MDS)
del peso de los registros asignados a los
es un conjunto de estadísticas relacionadas con
actores quienes están afiliados con los eventos.
las técnicas utilizadas a menudo en la
visualización de información para explorar las
Podemos trasladar (re-escalonar) de
similitudes o diferencias en los datos. MDS es
una escala de registro de renglones y/o
un caso especial de ordenación. MDS un
columnas, usando las siguientes ecuaciones:
algoritmo comienza con una matriz de punto
de partida similitudes, entonces asigna una
(22)
ubicación de cada elemento en un bajo-
dimensional del espacio, adecuado para la
representación gráfica o la visualización en 3D.
56
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). Los vectores u y v son llamados
vectores singular izquierdo y singular derecho
La matriz V contiene un conjunto de para σ respectivamente.
“entrada” orthonormal o "analizando" las Para cualquier valor de descomposición
direcciones del vector de base para M.
La matriz U contiene un conjunto (25)
orthonormal "rendimiento" de las direcciones
del vector base para M. Las entradas de la diagonal de Σ son
necesariamente iguales a los valores singulares
La matriz Σ contiene los valores de M. las columnas de U y V son vectores
singulares los cuales pueden ser pensados singulares izquierdo y derecho respectivamente
como escalamiento “ganancia de control” para para los valores singulares correspondientes.
los cuales cada entrada correspondiente es
multiplicada por una salida correspondiente. Consecuentemente, el estado del teorema
es:
Una convención común es ordenar los valores Una matriz m x n tiene al menos un un
Σi,i a valores no crecientes. En este caso, la valor singular diferente p = min (m,n).
matriz diagonal Σ es determinada por M Siempre es posible encontrar una base
(aunque el matrices U y V no lo son). unitaria para Km que consiste de
vectores singulares izquierdos de M.
Ciertos lenguajes de programación, Siempre es posible encontrar una base
como R, usan una notación en el cual para p = unitaria para Kn que consiste de
min (m, n), U es m-por-p, Σ es p-por-p, y V es vectores singulares de M.
n-por-p (Wall, Rechtsteiner, y Rocha, 2003).
Un valor singular para el cual podemos
Un número real no negativo σ es un encontrar dos vectores singulares izquierdos (o
valor singular para M. si y sólo si existe un derechos) que no son linealmente
vector de longitud unitaria u en Km y v en Kn la independientes son llamados degenerados.
que
Los valores singulares no degenerados
(24) siempre tienen vectores únicos izquierdo y
59
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).
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
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.
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
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
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
64
Las matrices adyacentes de redes que En el segundo paso se seleccionan los
contienen estructuras equivalentes tienen una tipos de blocks que están permitidos a ocurrir y
característica muy remarcada nombrando a sus opcionalmente la localización de la imagen de
blocks si están completos o vacíos (block nulo), la matriz donde ellos pueden ocurrir. En el caso
si no prestamos atención a las celdas de la de la estructura de equivalencia, por ejemplo,
diagonal. Éste resultado del de estructuras nos permitimos completar sólo si los bloques
equivalentes que significan vértices que tienen están vacíos a ocurrir y esperamos un bloc
idénticos renglones y columnas. Un block completo (el centro) y un bloc vacío (la
modelo asigna a los vértices de una red, las periferia) entre la diagonal.
clases y sus especificaciones los tipos
permitidos de relación entre clases. Finalmente, el cálculo del particiones de
los vértices dentro de un número específico de
La imagen de una matriz es el último clase acorde a condiciones específicas por el
ingrediente que necesitamos para definir un modelo y si es necesario, la imagen de la
block modelo. Un block modelo para una red matriz final para el modelo. En este tercer
consiste de particiones y la imagen de una paso, el bloc modelo se completa.
matriz. Las particiones asignan a los vértices
clases de equivalencia y dividen la matriz Como se describe, blocks modelos
adyacente de la red en bloques. La imagen de consisten de tres pasos. En los primeros dos
la matriz específica los tipos de relación dentro pasos la imagen de la matriz es especificada: el
y entre las clases porque dice cuáles son los número de clases o los tipos de blocks o
tipos de Block que están permitidos y donde relaciones dentro de y entre clases que son
pueden ocurrir. permitidas. El cálculo del blocks modelo
completo por la búsqueda de las particiones
En general un block modelo consiste de de vértices dentro de clases que se oponen a la
tres pasos (Nooy, Mrvar, y Batagelj, 2005). hipótesis de la imagen de la mejor matriz. En
algunas imágenes de matrices, es posible
El primer paso, se especifica el número seleccionar una la cual es la mejor. El registro
de clases en la red, por ejemplo, dos clases o de error se muestra como la imagen de la
posiciones si se crea una hipótesis de una matriz seleccionada ajustada a la red.
estructura simple centro periferia.
65
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
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