Sunteți pe pagina 1din 8

Comunicao e Redes Resumo 1

Verso 0 de 15 de junho de 2011, por Luis Andrade Neto ( luis.neto@aluno.ufabc.edu.br), baseado nos slides do professor Rogrio P. de O. Neves

Aula 1: Sistemas Complexos


Definio
No existe uma definio cimentada do que um sistema complexo, mas h alguns pontos de sobreposio entre as mais comuns: Grande nmero de agentes; Inter-relao e interao entre componentes; Comportamentos no-lineares; Apresenta caractersticas que no so deduzveis a partir da observao de suas partes.

Caractersticas
As ligaes so dinmicas; Possibilidade de aninhamento (i.e. uma rede complexa dentro da outra); Produo de fenmenos emergentes (i.e. que s aparecem quando voc analisa a rede como um todo, in loco, por serem resultado da interao entre os componentes); Relacionamentos no-lineares (i.e. o efeito pode no ser proporcional causa); Possibilidade de retroalimentao ou feedback (i.e. a sada de um sistema direcionada para sua entrada).

As redes so estudadas por um campo da cincia chamado Teoria dos Grafos. Exemplos de redes: Internet, redes sociais, redes neurais, redes metablicas, teias alimentares, redes de distribuio e redes de citaes entre artigos.

Aula 2: Introduo aos Grafos


As Sete Pontes de Knigsberg
Leonhard Euler foi desafiado a encontrar uma soluo para o seguinte problema: Duas ilhas e duas partes do continente so ligados por sete pontes. Saindo de uma das ilhas (ou do continente), percorra todas as pontes apenas uma vez e retorne ao seu ponto de origem. Euler determinou que este problema insolvel, pois para cada ponte de ida, tem que haver uma de volta. Como o nmero de pontes de Knigsberg era mpar, seria impossvel no deixar de passar por uma das pontes ou no repetir ponte. Para chegar a essa concluso, Euler simplificou o problema de forma que as ilhas e o continente fossem representados por 4 pontos e as pontes, por ligaes entre esses pontos. Isto um grafo! Os pontos so chamados vrtices; As ligaes entre eles so as arestas.

Definies de grafos
Cada grafo pode ser expresso por um par ordenado G=(Vrtices, Arestas); Pseudografo ou multigrafo: pode conter loops (i.e. uma conexo que volta para o mesmo lugar de onde partiu) e mltiplas arestas entre dois vrtices; o Grafo simples: no contm nenhum desses dois elementos; Grafo direcionado: leva em conta a direo do movimento entre as arestas; o Grafo no-direcionado: no leva isso em conta; Grafo ponderado: leva em conta diferentes valores (pesos) para as arestas; o Grafo ponderado: todas as arestas tm um mesmo valor;

Propriedades de um grafo
Ordem: nmero de vrtices; Tamanho: nmero de arestas; Dimetro: o maior entre os caminhos mais curtos entre um par de vrtices; Conectividade: o Dos vrtices: nmero mnimo de vrtices que devem ser removidos para quebrar o grafo em 2; o Das arestas: nmero mnimo de arestas que devem ser removidas para desconectar o grafo; Grafo planar: a representao de um grafo onde no h sobreposies de arestas;

Modelagem usando grafos


) Nmero de rotas possveis envolvendo x cidades: ( ) ( Fluxo mximo em um grafo direcional ponderado (problema da tubulao de esgoto): 1. Um tubo de baixa capacidade (i.e. uma aresta com baixo valor) um gargalo; 2. Quando um vrtice recebe mais gua do que o cano que leva at o prximo vrtice pode carregar, a gua poder fluir por outros dutos at chegar ao seu destino. Organizao de arquivos em um computador o Estrutura em rvore (i.e. uma aresta pode ter vrias filhas, porm apenas uma aresta me);

Listas de Adjacncias, Matrizes de Adjacncias e Matrizes de Incidncia


Lista de Adjacncias 1. Listar cada um dos vrtices do grafo; 2. Listar cada conexo de cada um desses vrtices. Exemplo: Adj[1] = {2, 5, 7} Adj[2] = {1, 3, 6} Adj[3] = {2, 4, 6} Adj[4] = {3, 5, 7} Adj[5] = {1, 4, 7} Adj[6] = {2, 3, 7} Adj[7] = {1, 4, 5, 6}

Matriz de Adjacncias Cada vrtice representado por uma linha e uma coluna. A matriz de adjacncias A, portanto, quadrada. Se, por exemplo, em um grafo direcional h conexo do vrtice 4 para o 7, ento a clula A(4,7) da matriz recebe o valor 1. Quando o grafo no-direcional, o valor 1 tambm aplicado em A(7,4). Exemplos: 1 0 1 1 0 1 0 0 1 0 1 1 0 0 1 0 1 0 0 1 0 1 1 0 1 0 0 1 1 1 1 0 0 1 0 1 0 1 1 0 0 1 0 1 1 0 1 1 0 1 esquerda, um grafo no-direcional. direita, um grafo direcional. Repare que a matriz da esquerda simtrica, enquanto a da direita no . Matriz de Incidncia As linhas da matriz representam vrtices e as colunas, as arestas. Em um grafo direcional, a aresta nmero 5, indo do vrtice 3 para o vrtice 2, seria representada na matriz de incidncia assim:

Aresta 1
Vrtice 1 Vrtice 2 Vrtice 3 Vrtice 4 Vrtice 5 Vrtice 6 0 -1 0 0 +1 0

Aresta 2
+1 0 0 0 0 -1

Aresta 3
0 0 0 0 -1 0

Aresta 4
-1 0 +1 0 0 0

Aresta 5
0 +1 -1 0 0 0

Aresta 6
0 0 0 -1 0 +1

Aresta 7
0 0 0 +1 0 -1

O vrtice aonde a aresta chega recebe o valor +1, o vrtice de onde ela parte recebe -1, e o resto da coluna recebe zeros.

Aula 3: Algoritmos
Caminho
Um caminho pode ser descrito como do vrtice 6 (origem), v para o vrtice 4, depois para o vrtice 1 e chegue no vrtice 2 (trmino). Caminho mnimo o menor entre dois vrtices (em grafos ponderados, considere o valor do vrtice). Passeio o caminho onde os vrtices podem ser repetidos. Comprimento o nmero de termos da sequncia menos 1. No caminho do exemplo acima, o comprimento 3. Distncia entre vrtices o comprimento do caminho mnimo entre eles.

Busca em grafos
Um algoritmo que examina todos os vrtices e arestas de um grafo. Busca em profundidade (in-depth) 1. O algoritmo pesquisa o primeiro vrtice (origem); 2. A primeira aresta que parte deste vrtice explorada, levando a outro vrtice; 3. O passo 2 repetido at que alcanado um beco sem sada no grafo; 4. Quando isso acontece, o algoritmo volta para o ltimo vrtice e tenta descobrir uma nova aresta; 5. Quando h uma nova aresta, os passos 2 e 3 so repetidos. Quando no h, o passo 4 repetido... 6. ...at que no restem mais vrtices a explorar.

Busca em largura (in-width) 1. O algoritmo coloca o primeiro vrtice (origem) na fila de pesquisa; 2. Ele faz a lista de adjacncias do vrtice que est sendo atualmente pesquisado, colocando os vizinhos que no foram j varridos na fila de pesquisa; 3. Todos os vrtices adjacentes so pesquisados de acordo com a ordem da fila; 4. Os passos 2 e 3 so repetidos at que todos os ns do grafo tenham sido pesquisados.

Algoritmos de caminhos mnimos


Algoritmo de Dijkstra 1. O algoritmo calcula todas as distncias entre o vrtice atual e seus adjacentes no visitados; 2. Quando todos os vrtices adjacentes tiverem suas distncias determinadas, marque o atual como visitado; 3. Passe para o vrtice no visitado com menor distncia e repita o processo. Algoritmo de Floyd-Warshall Um algoritmo que modifica a matriz de adjacncias do grafo, mas funciona de forma parecida com Dijkstra. mais aconselhvel quando necessria uma matriz de caminhos mnimos (em vez de um vetor, como no algoritmo de Dijkstra).

Aula 3: Leis de Potncia


Princpio de Pareto (lei do 80/20) nem sempre seguida risca, mas costuma-se ter algo prximo; Lei de potncia: duas variveis onde uma varia de acordo com a potncia da outra; Formato das leis de potncia: ( ) ( ). k) uma funo assintoticamente pequena, k chamado de expoente da escala; a e k so constantes, o(x Leis de potncia so invariveis escala (i.e. um escalonamento de x produz um escalonamento proporcional da funo); As leis de potncia deram origem a teorias da fsica como a Teoria do Caos.

Distribuies de probabilidade
Varivel aleatria: mapeamento de um evento aleatrio em um nmero; Varivel discreta: o nmero de resultados possveis finito ou pode ser contado; Varivel contnua: pode assumir qualquer valor dentro de um dado intervalo; Eventos independentes: a ocorrncia de um no afeta a probabilidade do outro; Distribuio de probabilidade: descreve a chance que uma varivel pode assumir ao longo de um espao de valores.

Funo acumulada e densidade


Funo acumulada: no caso de variveis contnuas, determina a probabilidade da varivel assumir um valor menor ou igual a um determinado valor x: ( ) Densidade do valor x = Fx(x). ( ) ( )

Distribuio Uniforme
Parmetros: a (limite inferior) e b (limite superior) ( )

Distribuio Exponencial
Parmetro: (mdia)

( )

Distribuio Normal (Gaussiana)


Parmetros: (mdia) e (desvio-padro) ( )
( )

Mdia, valor esperado, varincia e desvio padro


Mdia distribucional ( ) Mdia amostral (estimador) Varincia ( Desvio padro Raiz quadrada da varincia. ) ( )

Teorema central do limite


Temos um grande nmero de eventos aleatrios independentes, com mesmo valor esperado e desvio padro; O conjunto de suas contribuies se aproxima da distribuio normal.

Escalonamento de funes de lei de potncia


A constante de proporcionalidade alterada, mas a forma geral da funo permanece parecida ( ) com . Esta reta chamada de assinatura da lei, e tem relao linear com a inclinao k. Alterao da varivel x s desloca a funo pra cima ou pra baixo.

Grau da rede
O grau da rede definido como o nmero de arestas conectadas a um vrtice. In-degree (grau de entradas): nmero de arestas entrando; Out-degree (grau de sadas): nmero de arestas saindo.

Uma boa maneira de apresentar os graus de vrtices num grfico de frequncia acumulada:

Aula 4: Grafos aleatrios e redes de mundo pequeno (small world)


Grafos aleatrios
Dado um nmero v de vrtices, o nmero mximo a de arestas dado pela equao a = ( v 1 ) / 2 e o nmero mnimo m de arestas dado por m = v 1.

Conceito de grafos aleatrios Dado um grafo de v vrtices, iniciar a colocao aleatria de arestas entre pares de vrtices de forma aleatria, sem repetio. Sero formados subgrafos. Quando todos os vrtices se conectam a um nico grafo, o arranjo passa a ter um conjunto de propriedades: Quando o nmero de conexes aumenta, os subgrafos so ligados, criando grupos cada vez menores; Quando a mdia de conexes por vrtice supera 1, surge um nico grafo que liga todos os vrtices.

Experimento de Milgram: Small World Experiment


Dois alvos, pessoas normais, foram escolhidos e dois locais foram eleitos como origens; 42 cartas foram liberadas pelo professor; Instrues: repasse essa carta a algum que voc conhea pessoalmente e que talvez conhea essa pessoa ou algum que possa saber como fazer esta carta chegar ao seu destino; Menor caminho = 2 pessoas, maior = 12, mdia = 5,5. Da vem a frase dos seis graus de separao; Este experimento foi o ponto de partida das teorias de redes de mundo pequeno; Em 2001, o professor Watts repetiu o experimento em escala mundial, com mdia = 6.

Efeito Mundo Pequeno


( Onde: l = distncia mdia entre todos os pares de vrtices do grafo no-direcionado; dij = menor caminho entre os vrtices i e j; [ n * ( n 1 )] /2 = nmero total de arestas (mximo de todas as combinaes) do grafo. )

Se o nmero de vrtices dentro de uma distncia r de um vrtice cresce exponencialmente com r, ento o valor de l crescer de acordo com log n. A rede considerada como tendo efeito mundo pequeno se o valor de l escala logaritmicamente (ou menos) com o tamanho da rede. Todas as redes que seguem lei de potncia tm o valor de l crescendo no mximo a [ log n / log ( log n ) ].

Gerao de redes de mundo pequeno


A maioria dos vrtices no vizinho dos outros vrtices; A maioria dos vrtices pode ser alcanada de qualquer outro vrtice atravs de poucas arestas. Experimento de Granovetter: a maioria das pessoas conseguiu emprego atravs de um conhecido (em vez de um amigo); As ligaes fortes (amigos) fecham sobre si mesmas (i.e. sempre o mesmo grupo de conhecidos), enquanto laos fracos (conhecidos) participam de crculos diferentes de amizades, o que propicia maior disseminao de informaes;

Clusterizao (Agrupamento)
Um cluster um grupo de arestas num grafo que, entre si, tem muitas ligaes, mas possui poucos vrtices indo para outros grupos. O coeficiente de clusterizao C definido pela frmula:

Um tringulo um grupo de vrtices { 1, 2, 3 } que tem ligaes entre si, i.e. 1-2, 2-3, 3-1. Uma tripla conectada um grupo de vrtices { 4, 5, 6 } que tem arestas ligadas aos pares, i.e. 1-2, 2-3.

O coeficiente pode ser entendido como a probabilidade mdia de dois vrtices que so vizinhos de um mesmo outro vrtice, tambm sero vizinhos (i.e. voc tem 3 vrtices, dois deles so vizinhos; esta a probabilidade de algum desses dois ser vizinho do terceiro vrtice). O coeficiente varia entre 0 e 1.

Paul Erds Rede de Colaborao de Artigos Cientficos Erds foi o segundo matemtico mais prolfico da histria, s perdendo para Euler, tendo 507 coautores em seus papers. O nmero de Erds do prprio Paul Erds zero, por ele ser o vrtice de partida. Algum que colaborou com ele recebe o ndice 1, algum que trabalhou com outra pessoa com ndice 1 recebe o ndice 2, e assim vai.

Aula 5: Redes sem escala (scale-free)


Poucos hubs tm muitas conexes, enquanto muitos ns tm poucas conexes (para os hubs, na maioria das vezes). A probabilidade de um grafo j densamente ligado absorver um novo msico na Orquestra Sinfnica do Estado de So Paulo (OSESP) maior do que tipo, a probabilidade deste n solitrio se conectar as amizades e inimizades. Todos os ns so equivalentes (i.e. no tem tratamento especial para certos ns). Alguns ns (especialmente hubs) sero mais requisitados que outros;

Modelo A (Albert-Lzl Barabsi)


Cada n possui duas arestas; Os ns aos quais o novo n se conecta so tambm aleatrios; Os primeiros ns sero os mais bem conectados.

Modelo B
Nmero fixo de ns, nenhuma aresta; A cada instante, um n selecionado aleatoriamente e conectado com probabilidade dada pela funo:
( )

Elimina o processo de crescimento; O nmero de ns constante durante a evoluo da rede (i.e. este modelo apenas analisa as conexes entre os ns).

Caractersticas gerais das redes sem escala


Crescimento Para cada perodo, adiciona-se um novo n rede; Essa etapa enfatiza que as redes se compem de um n por vez. Conexo preferencial Pressupe-se que cada novo n se conecte aos existentes com dois enlaces; A probabilidade de que se escolha um dado n proporcional ao nmero de links que o n escolhido possui.

Hubs e leis de potncia no modelo sem escala


Ns mais antigos tm mais tempo para adquirir enlaces; Novos ns preferem se conectar aos que tm mais conexes, levando mxima ricos ficam mais ricos; Na ausncia de crescimento, volta-se aos modelos estticos, incapazes de gerar leis de potncia.

Problemas do modelo sem escala


Novos links podem surgir do nada quando se cria um link interno entre dois ns antigos; Assim como links podem desaparecer, desconectando toda uma rede de ligaes.

Fator idade
Alguns trabalhos acrescentaram o fator idade ao modelo sem escala, p. ex., quando atores se aposentam, param de conseguir novos links (filmes), o que torna hubs grandes menos frequentes; Outras pesquisas abordaram a possibilidade de, com a idade, os vrtices perdiam progressivamente a capacidade de atrair novas arestas, o que no destrua a lei de potncia, apenas a alterava; Outros papers descobriram que a conexo a um n no simplesmente proporcional ao nmero de links que ele possui, mas obedeceria a alguma funo mais complicada. Tais efeitos poderiam destruir a lei de potncia que caracteriza a rede.

Teoria de redes em expanso


Valoriza os mecanismos que moldam a evoluo da rede; O modelo sem escala teria sido abandonado se vrias redes complexas importantes segue tal modelo.

Robustez
Redes sem escala so muito resistentes a falhas, porque os hubs so poucos e a chance de qualquer n ser atingido a mesma (i.e. na maior parte das vezes, as falhas ocorrero em ns pouco importantes); At 80% dos ns podem ser removidos aleatoriamente sem desconectar a rede; Esta caracterstica deixa a rede muito vulnervel a falhas em ns especficos (hubs).