Introduccin a las redes complejas

En la actualidad las redes complejas se estudian por su relacin con muchos campos de
la ciencia. Sin duda, muchos sistemas en la naturaleza se pueden describir por medio de
redes complejas, que topolgicamente son grafos (estructuras matemticas formadas
por nodos (o vrtices) conectados por enlaces (o aristas)) a los que se agregan algunas
caractersticas dinmicas que hacen necesario estudiarlos desde varios puntos de vista.

Los ejemplos de la presencia de las

redes complejas en la vida real son numerosos; por ejemplo, Internet es una red de
routers o dominios conectados por lneas fsicas, la World Wide Web es una red de sitios
web conectados por hiperenlaces, el cerebro es una red de neuronas conectados por
medio de las sinapsis, una organizacin es una red de personas con diversos tipos de
conexiones entre ellas, la economa mundial es una red formada por las economas
nacionales, que a su vez son redes de mercados, y stos son redes de productores y
consumidores que interactan, las redes alimentarias y las rutas metablicas pueden ser
representadas por redes, as como las relaciones (semnticas o sintcticas) entre las
palabras de un idioma, los temas en una conversacin, e incluso las estrategias para
resolver un problema matemtico o las redes culturales en las que se mueven los objetos
e ideas generadas por el hombre. Hasta aqu nos quedaramos con la representacin de
estos sistemas por medio de la estructura de grafo matemtico, pero si consideramos por
ejemplo las enfermedades que se transmiten a travs de redes sociales, los virus
informticos que en ocasiones se extienden a travs de la Internet, o la energa que se
distribuye a travs de las redes de transporte, nos damos cuenta de que, junto a esa
estructura organizativa en forma de grafo es importante conocer la dinmica que se
produce en el flujo de informacin a travs de ella, o incluso la dinamica que se puede
producir en la evolucin temporal de dicha estructura, que a menudo no es fija ni en el
conjunto de nodos que interviene ni en las conexiones que se producen entre ellos.
La ubicuidad de las redes complejas, es decir, su aparicin con caractersticas
similares en muchas reas de conocimiento, ha llevado de forma natural al
establecimiento de un conjunto de problemas de investigacin, comunes e importantes
en todas esas reas, relativos a la forma en que la propia estructura de la red facilita y
limita los comportamientos dinmicos de la misma, y que en gran medida han sido
descuidados en los estudios de las disciplinas tradicionales, posiblemente por la
ausencia de una teora matemtica que permitiera abordarlos y la incapacidad tcnica de
almacenar y manipular las grandes cantidades de datos asociadas a cada una de esas
redes. Algunas de estas preguntas para redes concretas son: cmo interviene la
estructura de las redes sociales en la transmisin de una enfermedad? Cmo se
propagan fallos en cascada a travs de una red de transmisin de energa o de una red
financiera global? Cul es la arquitectura ms eficiente y robusta para una organizacin
particular bajo un entorno cambiante e incierto?

Durante ms de un siglo, el modelado de muchos de

estos procesos y sistemas se ha realizado bajo la suposicin implcita de que los
patrones de interaccin entre los elementos del sistema podan ser representados por
medio de una estructura regular al estilo de un retculo eucldeo. A finales de 1950, dos
matemticos, Erds y Rnyi (ER), hicieron un gran avance en la teora matemtica
clsica de grafos que revolucionara la forma en que se pueden modelar estos problemas
describiendo una red con topologa compleja por medio de un grafo aleatorio,
estableciendo los fundamentos de la teora de redes aleatorias. Aunque la intuicin
indica claramente que muchas redes complejas de la vida real no son ni totalmente
regulares ni completamente aleatorias, el modelo ER fue el nico enfoque sensato y
riguroso que domin el pensamiento de los cientficos acerca de las redes complejas
durante la segunda mitad del siglo XX.
En los ltimos aos, gracias a la automatizacin del proceso de adquisicin de datos y a
las herramientas computacionales generadas para el tratamiento posterior de estos datos,
se tiene capacidad para trabajar sobre grandes bases de datos relativas a muchas y
variadas redes complejas. Adems, el acceso pblico a esta enorme cantidad de datos ha
estimulado un gran inters por tratar de descubrir las propiedades genricas de los
diferentes tipos de redes complejas a las que podemos acceder. En este sentido, los
descubrimientos del efecto de mundo pequeo y la caracterstica de libre de escala de
la mayora de las redes complejas han sido especialmente significativos y supusieron un
avance ms en el estudio de estas redes.

En 1998, con el fin de describir la transicin de una red

regular en una red aleatoria, Watts y Strogatz (WS) introdujeron el concepto de red de
mundo pequeo. Debe notarse que el fenmeno de mundo pequeo es de hecho muy

comn, y nada alejado de nuestras experiencias diarias. A menudo, poco despus de

conocer a un extrao, uno se sorprende al descubrir que tenemos un amigo comn con
l, de modo que es habitual la expresin: "Qu pequeo es el mundo!". Un experimento
que se realiz hace ms de 40 aos dio lugar al llamado "principio de los seis grados de
separacin", sugerido por el psiclogo social Milgram a finales de 1960, y que
establece que entre cualesquiera dos personas del mundo hay una media de 6
conexiones de amistad, independientemente de lo lejanas que estn dichas personas.
Aunque este punto sigue siendo controvertido, el patrn del mundo pequeo ha
demostrado estar presente en muchas redes reales. Una caracterstica importante y
comn al modelo de redes aleatorias (ER) y al de mundo pequeo (WS) es que la
funcin de distribucin de grados tiene un mximo en el valor medio del grado y decae
exponencialmente, lo que quiera decir que casi todos los nodos de la red tienen el
mismo nmero de conexiones. Por ello, es comn denominar a estos tipos de redes de
manera conjunta como redes exponenciales o redes homogneas.

Otro descubrimiento fundamental en el mbito de las redes

complejas, y que supuso un hito al reconocer de qu forma podamos enfrentarnos a
ellas, fue la observacin de que muchas son libres de escala, es decir, la funcin de
distribucin de grados sigue una ley de potencias, que es independiente de la escala de
la red. A diferencia de una red exponencial, una red libre de escala es no homognea: la
mayora de los nodos tienen muy pocas conexiones y, hay unos pocos nodos que tienen
muchas, de forma que los nodos no se agrupan alrededor de un valor medio
caracterstico.

Algunos conceptos bsicos

Aunque se han propuesto e investigado en las ltimas dcadas muchas medidas
cuantitativas de redes complejas, hay tres conceptos que juegan un papel clave: la
longitud media de los caminos, el coeficiente de clustering, y la distribucin de
grados. Debido a la imposibilidad de manejar la informacin de las redes de una forma
individual para los nodos, era necesario definir algunas medidas globales que
permitieran caracterizar las redes con el fin de poder comparar la similitud entre ellas,
as como la adecuacin de los diversos modelos matemticos con las redes reales que
pretende modelar. De hecho, el intento inicial de Watts y Strogatz en su trabajo de redes
de mundo pequeo fue la construccin de un nuevo modelo matemtico que permitiera
construir redes con longitudes medias de caminos pequeas, tal y como ocurre en los
grafos aleatorios, y que tuvieran un coeficiente de clustering relativamente alto, como
ocurre con las redes regulares. Por otro lado, la generacin de modelos que creen redes
libres de escala se basa en la observacin de que las distribuciones de grado de muchas
redes reales siguen una forma similar a una ley de potencias. Ha de indicarse que,
debido a la alta complejidad de las redes reales, no se han encontrado todava
caracterizaciones completas de las mismas, es decir, en la actualidad todava no
disponemos de un conjunto de medibles que caractericen por completo a cada red

(algo as como un cdigo gentico que nos permita con absoluta precisin establecer
comparaciones entre ellas).

Longitud promedio de los caminos

El conjunto de definiciones
relacionadas con la medicin de distancias internas que necesitamos son:

La distancia dij

entre dos nodos (i y j

) se define como el nmero de enlaces del camino ms corto que los conecta.
El dimetro, D
, de la red se define como la mxima distancia entre cualesquiera par de nodos
de la red.
La longitud promedio, L

, se define como la media de las distancias entre todos los pares de nodos, es
decir, la separacin tpica entre pares de nodos.
A medida que se tenan ms datos de redes complejas reales se constat que la longitud
promedio de los caminos de la mayora de ellas era relativamente pequea, incluso en
los casos en que estos tipos de redes tuvieran muchos menos enlaces de los posibles que
se podran dar (a menor cantidad de conexiones en el mundo, parece claro que haya que
hacer recorridos ms largos para poder llegar de un nodo a otro). Esta caracterstica es
lo que se llam efecto de mundo pequeo, y de ah el nombre de redes de mundo
pequeo que intentan modelarlo.

Coeficiente de Clustering

En tu red de amigos es muy posible que los amigos de tus amigos sean
tambin amigos tuyos. Esta propiedad se refiere a la agrupacin (o clustering, por su
nombre en ingls) de la red. Ms precisamente, podemos definir un coeficiente de
clustering C
como la proporcin media de pares de vecinos de un nodo que tambin son vecinos
entre s.
Supongamos que un nodo i
de la red tiene ki vecinos (o enlaces). Es evidente que, a lo sumo pueden existir

ki(ki1)/2 enlaces entre ellos (y esto solo ocurre si todos estn conectados entre s).
El coeficiente de clustering, Ci, del nodo i se define entonces como la proporcin entre,

Ei, el nmero de enlaces que de verdad existen entre los vecinos de i

, y la mxima cantidad posible, es decir:

Ci=Eiki(ki1)/2
El coeficiente de clustering de la red ser la media de los coeficientes de clustering de
todos sus nodos. Obviamente, C1
y solo tomar el valor 1 en el caso de que la red sea completa (es decir, aquella que
tiene todas las posibles conexiones entre todos sus nodos). En una red completamente
aleatoria de N nodos se puede probar que C1/N, un valor que sera muy pequeo en
la mayora de las redes reales, que tienen un nmero muy elevado de nodos. Sin
embargo, se ha constatado numricamente que la mayora de las redes reales tienen

tendencia a la agrupacin, en el sentido de que sus coeficientes de clustering son mucho

mayores que O(1/N), a pesar de ser significativamente menores que 1
, de donde podemos inferir que la mayora de las redes complejas reales no son ni
aleatorias ni completas.

Distribucin de Grados
La ms simple, y quizs tambin la ms usada, caracterstica individual de un nodo es
su grado. El grado, ki
, de un nodo i se define generalmente como el nmero total de sus conexiones. El
promedio de los grados de los nodos de una red se llama grado medio de la red, y se
denota por k
.
La distribucin de grados de los nodos en una red viene dado por la funcin de
distribucin P(k)
, que es la probabilidad de que un nodo seleccionado al azar tenga exactamente k
enlaces. Una red regular tiene una distribucin de grados muy simple, porque todos los
nodos tienen el mismo nmero de enlaces, por lo que su grfica vendra representada
por una distribucin de tipo delta (es decir, la funcin se anula para todos los posibles
grados, menos para el grado que tienen todos sus nodos, donde se alcanza el valor 1).
Cualquier aleatoriedad en la red ampliar la forma de este pico, y en el caso lmite de
una red completamente aleatoria, la distribucin de grados sigue una distribucin de
Poisson, donde la forma de la distribucin cae de manera exponencial a medida que nos
alejamos del valor mximo, k. Debido a este descenso exponencial, la probabilidad de
encontrar un nodo con k enlaces se convierte en insignificante para k>>k
.

En los ltimos aos, muchos resultados empricos muestran que en la mayora de las
redes reales de gran escala el grado de distribucin se desva significativamente de la
distribucin de Poisson. En particular, para muchas redes el grado de distribucin se
describe mucho mejor por una ley de potencias de la forma P(k)k
. Esta distribucin cae de forma ms gradual que una exponencial, lo que permite la
existencia de algunos nodos de grado muy alto. Debido a que estas leyes de potencia no
se concentran alrededor de una media (escala), es por lo que se llaman libres de escala.

Modelos de Redes Complejas

Medir algunas propiedades bsicas de una red compleja, como las que hemos definido
en el apartado anterior, es el primer paso para comprender su estructura. El siguiente
paso es, entonces, desarrollar un modelo matemtico de la red que proporcione una
topologa con propiedades estadsticas similares a las reales, obteniendo una plataforma
en la que sea posible aplicar diversos mtodos matemticos para analizar
comportamientos generales de redes similares.

Redes regulares

Intuitivamente, una red completa tiene la menor longitud de camino

promedio (L=1
ya que todos los nodos estn conectados) y el mayor coeficiente de clustering (C=1).
Aunque el modelo de red completa captura las propiedades de mundo pequeo y alto
clustering de muchas redes reales, es fcil darse cuenta de sus limitaciones: una red

completa con N nodos tiene N(N1)/2 enlaces, mientras que la mayora de las redes
reales de gran escala parecen tener un nmero de enlaces de orden O(N) en lugar de

O(N2)
.

De forma menos extrema, podemos considerar las redes regulares de

grado k, que son aquellas en las que todos los nodos tienen el mismo grado, que tienen
una cantidad lineal de enlaces si k<<N
, un alto coeficiente de clustering, y una longitud promedio alta.

Redes aleatorias
En el extremo opuesto del espectro de una red totalmente regular estn las redes
completamente aleatorias, que como notamos al principio de este texto, fueron
estudiadas por Erds y Rnyi (ER) a finales de las dcada de los 50.
Supongamos que tenemos un gran nmero de nodos (N>>1
) y que con una cierta probabilidad p (la misma siempre), se conecta cada par de nodos
con un enlace. El resultado es un grafo aleatorio ER con N nodos y aproximadamente

pN(N1)/2
enlaces.

El objetivo principal de la teora de redes aleatorias es determinar para qu valores de

aparecern propiedades especficas en la red. Un resultado sorprendente que se obtuvo

fue que algunas de las propiedades importantes podan aparecer de repente, es decir, que
si poco a poco modificbamos el valor de p
las redes obtenidas verificaban esa propiedad, y de repente, para un intervalo muy
pequeo de variacin el comportamiento de las redes obtenidas era completamente
distinto... es lo que se conoce como una transicin de fase, en donde el cambio de la
propiedad medida no es lineal en el cambio del parmetro.
Por ejemplo, una propiedad de este tipo es la de la conectividad global, que se puede
medir por medio del tamao de la componente conexa ms grande (la componente
gigante): ER mostraron que si la probabilidad p
es superior a un determinado umbral, pc(lnN)/N, prcticamente todo el grafo est
conectado (se puede llegar de un nodo a otro por medio de los enlaces), y por debajo de
dicho umbral la conectividad era sensiblemente inferior (casi desconectado), en contra
de la intuicin que parece decirnos que a medida que incrementamos la probabilidad de
conexin, p
, aumenta proporcionalmente la conectividad global de la red.

El grado medio de una red aleatoria es

k=p(n1)pN
, y la longitud del camino promedio es Lln(N)/k, por lo que, debido a que lnN
crece lentamente en funcin de N, la longitud del camino promedio se mantiene
bastante bajo incluso en una red con muchos nodos. Este aumento logartmico de la
longitud del camino promedio con el tamao de la red es un efecto tpico de mundo
pequeo. Por otro lado, en una red aleatoria el coeficiente de clustering es

C=p=k/N<<1, lo que significa que si tiene muchos nodos apenas mostrar

clusterizacin. De hecho, como ya vimos en el apartado anterior, para un valor de N
muy grande, las redes aleatoria ER son redes casi homogneas, donde la conectividad
sigue aproximadamente una distribucin de Poisson.

Redes de Mundo Pequeo

Como hemos comentado, las redes regulares tienen el efecto de clusterizacin, pero no
el de mundo pequeo en general. Por otro lado, los grafos aleatorios muestran el efecto
de mundo pequeo, pero no el de clusterizacin. Por tanto, no debe sorprendernos ver

que estos modelos no reproducen algunas caractersticas importantes de muchas redes

reales. Despus de todo, la mayora de las redes del mundo real no son ni enteramente
regulares ni totalmente aleatorias.
Con el fin de describir la transicin de una red regular en una aleatoria y disponer de un
modelo que mezcle las propiedades deseadas que tienen ambos modelos, Watts y
Strogatz introdujeron un interesante modelo de red de mundo pequeo. Las redes del
modelo WS pueden ser generadas siguiendo el siguiente algoritmo:
1. Se comienza por una red regular de N
nodos.
Se selecciona cada enlace al azar con probabilidad p
1

y se reconecta uno de sus extremos con cualquiera de los otros nodos de la red.

Este proceso introduce pNK/2

enlaces de largo alcance que conectan nodos que de otra forma estaran en diferentes
vecindarios. Tanto el comportamiento del coeficiente de clustering C(p) como de la
longitud del camino promedio, L(p), pueden considerarse como una funcin de la
probabilidad de reconexin, p
.

Partiendo de un reticulo regular en forma de anillo, sabemos que C(0)3/4

, pero L(0)N/2K>>1. Se ha comprobado que para una pequea probabilidad de
reconexin, cuando las propiedades locales de la red son todava casi las mismas que las
de la red regular original, el coeficiente de cluesterizacin no difiere excesivamete, es
decir, que C(p)C(0), pero que la longitud del camino promedio cae rpidamente y
est en el mismo orden que el de las redes aleatorias, es decir, L(p)>>L(0)

. Este resultado es bastante natural: por una parte, basta hacer varias reconexiones
aleatorias para disminuir la longitud del camino promedio significativamente, pero por
otra parte, unas pocas reconexiones no pueden cambiar de manera crucial el valor de
clusterizacin local de la red.
Este modelo de mundo pequeo WS tambin se puede ver como una red homognea en
la que todos los nodos tienen aproximadamente el mismo nmero de enlaces. En este
sentido, es similar al modelo aleatorio ER. Se han realizado algunas variantes sobre la
misma idea, una de ellas fue la propuesta por Newman y Watts, en la que no se rompen
conexiones, sino que solo se aaden conexiones entre nodos lejanos con probabilidad p
. Si p=0, tenemos la red original, y si p=1 se convierte en una red completa. El
modelo NW es algo ms fcil de analizar que el modelo de WS original, ya que no
produce grupos aislados al mantener los enlaces originales. Para valores de p
suficientemente pequeos y N
suficientemente grandes, el modelo NW es esencialmente equivalente al modelo de WS.
En la actualidad, estos dos modelos se denominan comunmente modelos de mundo
pequeo.
Los modelos de mundo pequeo, tienen sus races en las redes sociales no virtuales,
donde la mayora de la gente es amiga de sus vecinos fsicos inmediatos, por ejemplo
los vecinos en la misma calle o compaeros en la misma oficina. Por otro lado, muchas
personas tienen un par de amigos que estn lejos, en la distancia, como amigos de otros
pases, que estn representados por las conexiones de largo alcance creadas por el
procedimiento de reconexin que hemos visto.

Modelos libres de escala

Como hemos comentado, una caracterstica comn de las redes aleatorias y los modelos
de mundo pequeo es que la distribucin de grados es homognea, con un pico en el
valor promedio y con un decaimiento exponencial. Sin embargo, se ha comprobado que
las redes complejas de gran tamao son libres de escala y sus distribuciones de grado
siguen una ley de potencias.
Para explicar el posible origen de esta distribucin de grados Barabsi y Albert (BA)
propusieron otro modelo argumentando que muchos modelos actuales no tienen en
cuenta dos atributos importantes de la mayora de las redes reales:
Las redes reales son abiertas y tienen una dinmica que aade continuamente
nuevos nodos a la red, pero los otros modelos son estticos en el sentido de que,
si bien los enlaces se pueden aadir o reordenar, el nmero de nodos es
constante durante todo el proceso de formacin.
Tanto las redes aleatorias como los modelos de mundo pequeo suponen
probabilidades uniformes en el momento de la creacin de nuevos enlaces, algo
que no es realista. Intuitivamente, las pginas web que ya tienen muchos enlaces
(como la pgina de inicio de Google) tienen ms probabilidad de adquirir an
ms enlaces; un nuevo artculo es ms propenso a citar un artculo ya
reconocido, y por tanto ste ser mucho ms citado que otros menos
reconocidos.

El modelo BA sugiere que dos ingredientes principales de la auto-organizacin de una

red en una estructura libre de escala son el crecimiento y el enlace preferencial. El
esquema de generacin de un modelo libre de escala por BA es el siguiente:
1. Crecimiento: comenzarmos con un nmero pequeo (m0
) de nodos; en cada unidad de tiempo, se introduce un nuevo nodo y se conecta a

mm0
de los nodos ya existentes.
Enlace preferencial: La probabilidad, i, de que un nuevo nodo se conecte al nodo

i (uno de los nodos ya existentes) depende del grado, ki, de ste: i=ki/jkj
1

Tras t
pasos, el algoritmo da como resultado una red con N=t+m0 nodos y mt enlaces, y se
obtiene una red libre de escala: la forma de la distribucin de grados no cambia con el
tiempo, es decir, no cambia debido a un aumento de la escala de la red. La distribucin
de grados sigue una ley de potencias con exponente -3, es decir, la probabilidad de
encontrar un nodo con k enlaces es proporcional a k3
.

Los resultados numricos muestran que, en comparacin con una red aleatoria con el
mismo nmero de nodos y el mismo grado medio, la longitud del camino promedio del
modelo libre de escala es algo menor, y sin embargo el coeficiente de clustering es

mucho mayor. Esto implica que la existencia de unos pocos nodos con grado alto
desempea un papel clave en acercar los nodos entre s.
El modelo BA es un modelo minimalista que captura los mecanismos responsables de la
distribucin de grados que sigue una ley de potencias, aunque tiene algunas limitaciones
evidentes cuando se compara con algunas redes del mundo real, lo que ha provocado
que se haya intensificado la bsqueda de otros modelos evolutivos que superen estas
limitaciones.

Vulnerabilidad de las redes libres de escala

Un fenmeno interesante de las redes complejas libres de escala (y de muchas redes
complejas en general) es su robustez frente a fragilidad. Vamos a ilustrarla por medio
del siguiente caso:

Vamos a suponer que comenzamos con

una red grande y conectada, y que en cada unidad de tiempo eliminamos un nodo al azar
(la eliminacin del nodo implica la eliminacin de todas sus conexiones, lo que altera
algunos de los caminos entre los nodos restantes). Si haba mltiples caminos entre dos
nodos i
y j, la eliminacin de uno de los nodos que forma parte de uno de esos caminos puede
suponer que la distancia entre ellos, dij
, se incrementar, lo que, a su vez, puede causar el aumento de la longitud del camino
promedio de toda la red. En el peor de los casos, si inicialmente haba un solo camino
entre esos dos nodos, la interrupcin de este camino en particular significara que los
dos nodos quedaran desconectados (pudiendo pasar de una red conexa a una formada
por islas desconectadas entre s).
Se considera que la conectividad de una red es robusta (o tolerante a borrados) si
tras la eliminacin de muchos de sus nodos sigue conteniendo una componente
conexa gigante. Las redes libres de escala verifican esta propiedad, mostrndose
robustas frente a eliminaciones aleatorias.
Sin embargo, la mala noticia es que la mayora de las redes libres de escala son muy
sensibles a eliminaciones dirigidas, no aleatorias, basta eliminar una proporcin muy
baja de nodos especficos (por ejemplo, aquellos de grado alto, los concentradores) para
que la red quede completamente dividida y muy dispersa. Este ltimo hecho indica que
la red es muy frgil. Esta fragilidad tiene sus raz en la naturaleza extremadamente no
homognea de la distribucin de grados de las redes libres de escala.