Modelos de Conectividad Redes de mundo pequeño Carlos Aguirre Maeso Escuela Politécnica superior.

Slides:



Advertisements
Presentaciones similares
Caminos más cortos a partir de múltiples fuentes en un grafo
Advertisements

1.1 Contraste de Bondad de Ajuste para Datos Categóricos
TEMA 6: CONTRASTES NO PARAMÉTRICOS
Simulación Prof. Daniel Ramírez C..
AMPLIFICADORES CON MOSFET
Teoría del Conocimiento
KRUSKAL WALLIS Jorge Iván Betancur Marta Isabel Naranjo García
Convertidores A/D y D/A
8. Distribuciones continuas
7. Máquinas Estocásticas
PRUEBA DE HIPOTESIS LUIS FERNANDO TRUJILLO LEYDER JULIAN GOMEZ
TEORÍA GENERAL DE SISTEMAS
I Resumen Variable Aleatoria
La prueba U DE MANN-WHITNEY
KRIGING.
GEOESTADISTICA MULTIVARIADA
GeNie GeNie: entorno de desarrollo para la
II.2 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN UNIFORME O RECTANGULAR
Tests de permutaciones y tests de aleatorización
Recursos que se comparten en una red

Modelos de Conectividad
Tema Nº4.
GRAFOS HUGO ARAYA CARRASCO.
Grafos. Un Grafo G es un par de conjuntos (V, E), donde V es un conjunto no vacío de elementos llamados vértices o nodos y E es un conjunto formado por.
Teoria de grafos.-clase 4
Inferencia Estadística
Unidad VI: PRUEBAS DE HIPOTESIS
Trabajo presentado por: LUIS FERNANDO OBANDO ING
Cadenas de Markov de Tiempo Discreto
Modelos de Conectividad Descripción de Algunas redes reales. Carlos Aguirre Maeso Escuela Politécnica superior.
Semana de la Electrónica Facultad de Ciencias de la Electrónica BUAP Dr. Daniel Mocencahua Mora Alfonso M. Cuesta Hernández Métodos de planificación de.
PERT - CPM Integrantes Yanin Rivera Kevin Araya Carlos Murillo
Estadística Administrativa II

Variables Aleatorias Unidimensionales
Sesión 6: Campos de Markov
Redes Competitivas.
Distribución Normal Distribución Normal
Distribución binomial
Un número aleatorio es aquel obtenido al azar, es decir, que todo número tenga la misma probabilidad de ser elegido y que la elección de uno no dependa.
Inferencia Estadística
EL HEXÁGONO TRIGONOMÉTRICO
Modelos de Conectividad
Implementación Computacional de un Algoritmo de Búsqueda de una Solución Robusta a un Problema de Diseño de Red Investigador Anfitrión: Dra. Ada M. Álvarez.
Generación de Números Pseudoaleatorios
EL EXPERIMENTO CIENTÍFICO
Búsqueda P2P: Comunidades Semánticas
Sesión 3: Teoría de Grafos
Clase # 7: Análisis Conformacional (I)
8. Distribuciones continuas
Nociones Básicas de Análisis Estadístico de Muestras
Pruebas de hipótesis.
INAOE CURSO PROPEDEUTICO PARA LA MAESTRIA EN ELECTRONICA
Sesión 6: Campos de Markov. © L.E. Sucar: PGM - CAM2 Campos de Markov Introducción –Modelo de Ising Representación –Tipos de Modelos –Redes de Markov.
Cecilia Laborde González
Cadenas De Markov.
Escuela de Ciencias Basicas, Tecnología e Ingeniería
La distribución normal
HIPÓTESIS Y VARIABLES Delimita un estudio, dando una orientación definida a la búsqueda de la solución de un problema de investigación.
LA POLARIZACION DE LA LUZ
M.C. Meliza Contreras González
Matemáticas Discretas MISTI
Recorridos de grafos Segunda Parte M.C. Meliza Contreras González.
 La topología es la rama de las matemáticas dedicada al estudio de aquellas propiedades de los cuerpos geométricos que permanecen inalteradas por transformaciones.
TEMA I Teoría de Circuitos
Yulieth ariza Villarreal Estadística II. Historia La distribución de Student fue descrita en 1908 por William Sealy Gosset. Gosset trabajaba en una fábrica.
Santa Clara, 2013 Aplicación de Métodos Analíticos y Numéricos en el cálculo de asentamientos de cimentaciones superficiales en suelos friccionales. Autores:
Conclusiones: En este trabajo se ha demostrado que se pueden aplicar los algoritmos OCH al ajuste de los parámetros de un modelo borroso mediante la discretización.
AUTONOMÍA DE LOS PLANES DE ESTUDIO DE FORMACIÓN PROFESIONAL EN CENTROS PRIVADOS Y CONCERTADOS PRIMER AÑO DE EXPERIENCIA 01 de julio de 2016 Dirección General.
Transcripción de la presentación:

Modelos de Conectividad Redes de mundo pequeño Carlos Aguirre Maeso Escuela Politécnica superior

Redes de mundo pequeño ● En muchas redes reales se puede observar que – Los caminos medios entre nodos son cortos (del mismo orden de los de un grafo aleatorio). – Los nodos estan altamente clusterizados (del mismo orden que un grafo regular).

Redes de mundo pequeño ● En 1998 Watts y Strogatz (Nature, 1998) proponen un modelo de red dependiente de un paramétro p. ● Este modelo interpola entre un grafo regular y un grafo aleatorio.

Método de construcción (i) ● Se colocan inicialmente los nodos en un anillo y cada nodo se conecta con los 2k vecinos a izquierda y derecha. ● Para cada rama de este grafo, con probabilidad p se decide si la rama se modifica o no.

Método de construcción (ii) ● Si la rama se modifica, se elige un nuevo nodo al azar con probabilida uniforme. ● Se evitan ramas dobles y autoconexiones. ● Este proceso produce pNk atajos en el grafo.

Método de construcción (iii)

Sustrato inicial. ● Como sustrato inicial se suele tomar un grid monodimensional cumpliendo las siguientes condiciones. – N >> k >> log(N) – Cada nodo esta conectado con sus 2k vecinos a izquierda y derecha.

Sustratos bi-conexos. ● El modelo de red original de Watts y Strogatz tiene el mismo numero de componentes biconexas que los grafos regulares. ● Las redes reales suelen tener un numero mayor de componentes biconexas (redes de comunicaciones).

Sustratos bi-conexos.

● El modelo anterior permite crear redes de tipo Mundo-pequeño con un numero elevado de componentes bi-conexas. ● El sustrato inicial es un grafo regular pero con un numero elevado de componentes biconexas. ● Presenta una transicion a aleatorio similar a la de los anillos.

Sustratos dirigidos y ponderados. ● El modelo original de Watts y Strogatz no contempla la posibilidad de grafos con direccion y peso. ● Existen redes en la naturaleza donde aparecen la direccionalidad y el peso (redes neuronales, redes sociales, etc)

Sustratos dirigidos y ponderados.

Parámetros. ● El procedimiento de Watts y Strogatz sobre el sustrato inicial produce una transición en el comportamiento del camino carácteristico y del indice de clusterizacion. ● Ambos dos han de pasar de valores altos propios del grafo regular a valores pequeños propios del grafo aleatorio

Parámetros. ● En una malla monodimensional – L = N(N+k-2)/2k(N-1) = O(N) – C = 3(k-2)/2(k-1) = O(1) ● En un grafo aleatorio – L=O(log(N)) – C=0

Parámetros. ● Watts y Strogatz observaron que la transición en el comportamiento de los valores era diferente para el caso de camino caracteristico L y para el indice de clusterización C. ● El camino característico presentaba la transición de régimen mucho antes que el indice de clusterización

Parámetros.

● Cuando se consideran otros sustratos tales como grafos bi-conexos o grafos con dirección peso también se puede observar el mismo fenomeno en el comportamiento de C y L. ● Además las propiedades iniciales del grafo (bi- conectividad, dirección, peso) no se pierden durante la transición

Parámetros. Grafos bi-conexos

Parámetros. Grafos con dirección y peso

Parámetros. ● L no empieza a decrecer hasta que p > 1/Nk (es decir hasta que no aparece al menos un atajo). ● Por tanto, el valor de p para el cual se entra en la zona de mundo pequeño es dependiente de N y k.

Parámetros. ● Para una probabilidad fija p, existe un valor N' tal que L = O(N) si N N' ● Se puede demostrar el valor de p que para un valor fijo de N y k produce la transición de L es – p = 1/kN

Parámetros. ● Para el camino característico de puede demostrar que: ● Donde

Parámetros. ● Para el indice de clusterización se puede demostrar que:

Parámetros. ● La distribución del grado de los nodos debe pasar de una delta en el grado medio de cada nodo 2k a una distribución de Poisson.

Parámetros.

● La distribución espectral tambien sufre una transición en funcion de p.

Algunas redes de mundo pequeño