Modello dei grafi casuali

Documenti analoghi
Metodi della conoscenza

Geometria per il TFA grafi e reti

Lezione n.14 Random Graphs, Small-Worlds, Scale-Free Networks Materiale didattico: Peer-to-Peer Systems and Applications Capitolo 6

Networks. From Barabasi's Link

ANALISI DELLE RETI SOCIALI Social Network Analysis

Reti Complesse Biologiche

Lezione n.15 Random Graphs, Small-Worlds, Scale-Free Networks Materiale didattico: Peer-to-Peer Systems and Applications Capitolo 6

Grafi aleatori e reti nel mondo reale

La matematica dei network struttura e dinamiche di informazione

Programma. I. Concetti base di teoria dei grafi e delle reti II. Modelli III. La rete come insieme di comunità

Dipartimento di Comunicazione e Ricerca Sociale Corso di Internet Studies. Anno accademico 2015/16 Francesca Comunello

POSHMAP. Il social network made in Italy dedicato alla moda. Sara Longo, Social Media Mining

La sfida della Social Network Analysis nel Disegno di Algoritmi. Marco Pellegrini Istituto di Informatica e Telematica del CNR

Lezione n.14 SCALE FREE NETWORKS 22/4/2008

Reti complesse Misurare le reti Grafi Casuali. Reti complesse. Reti e Misure. Matteo Dell Amico

LA TEORIA DELLE RETI APPLICATA ALLO STUDIO DELLE SIMBIOSI

Informatica e Interazione Uomo-Macchina

Lezione n.11 ANALISI DI RETI COMPLESSE 21/4/2009

Approssimazione efficiente del diametro in reti sociali di grandi dimensioni.

Lezione n.9 ANALISI DI RETI COMPLESSE

04/06/2010 Elaborazione dell informazione in campo tecnologico e sociale Everything touches everything Jorge Louis Borges Mafia Boy 7 Febbraio 2000 d.

CENTRALITA nella RETE

Lezione n.12 ANALISI DI RETI COMPLESSE 8/4/2008

Scuola superiore classi seconde e terze

ALGORITMI DI GENERAZIONE DI GRAFI CASUALI PER MODELLARE IL WEB OF TRUST - 1 -

Grafi aleatori: il modello di Erdős-Rényi

(Laboratorio di ) Sistemi Informa3ci Avanza3. Giuseppe Manco

Definizione della variabile c 2 Distribuzione della variabile c 2

Lezione n.7 DI RETI COMPLESSE

Grafi, Social Network e Ricerca su Web Prof. Maurizio Naldi

Guido Caldarelli2, Paolo De Los Rios3, Stefano Leonardi1 e Stefano Millozzi1 Giancarlo Casale e Ernesto Ricci

Alcuni concetti di Fisica delle Reti Complesse.

Introduzione ai network. Misael Mongiovì

Linguistica Computazionale

Topologie delle reti di telecomunicazione

Certificati dei problemi in NP

Metodi di analisi delle reti sociali applicati alle movimentazioni di animali per tracciare e prevedere l'andamento di una epidemia

RETI E AZIENDE IN RETE

«Sciente e Tecnologie dei Beni Culturali»

DISTRIBUZIONE ESPONENZIALE Nella forma più usuale la distribuzione esponenziale assume la forma: Le relazioni teoriche dei momenti sono:

Introduzione ai grafi. Introduzione ai grafi p. 1/2

Introduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.

Progetto e Ottimizzazione di Reti 2. Nozioni base di Teoria dei Grafi

DIFFUSIONE SU GRAFO (rete) E RIPOSIZIONAMENTO DI FARMACI SULLA BASE DELLA SIMILARITA DI STRUTTURA MOLECOLARE

Obiezioni all esperimento di Milgram (percentuale lettere arrivate), ripetizione dell esperimento in altri contesti.

Reti complesse modelli e proprietà

Probabilità mediante l'analisi combinatoria D n,k = Disposizioni di n oggetti a k a k (o di classe k)

Distribuzione Binomiale

Servizi e Strutture di Rete

Metodi e Applicazioni per Social Network. Presentazione progetto

Introduzione ai grafi. Introduzione ai grafi p. 1/2

Lezione n.9 ANALISI DI RETI COMPLESSE Materiale Didattico

Il fenomeno Small-World. Capitolo 20

Caterina Fenu, Giuseppe Rodriguez

P2p la teoria dei sistemi complessi per modellare reti p2p

Anno 1. Quadrilateri

Qualche nota sui metodi di link analysis

PROBABILITA. Distribuzione di probabilità

Lezione n.13 IL MODELLO DI KLEINBERG SYMPHONY 18/4/2008

OSTRUZIONI SUI GRAFI. Alcune ostruzioni per l esistenza di grafi con dato score 1) Vale il seguente lemma

Distribuzioni di probabilità

4c. Esercizi sul livello di Rete Instradamento in Internet

Lezione n.8 ANALISI DI RETI COMPLESSE Materiale Didattico

RETI DI TELECOMUNICAZIONE

CAPITOLO 1 INTRODUZIONE ALLE RETI COMPLESSE

Vedi: Probabilità e cenni di statistica

L analisi dei dati. Primi elementi. EEE- Cosmic Box proff.: M.Cottino, P.Porta

Richiami di Teoria dei Grafi. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

INFORMATICA AA Università degli Studi di Ferrara Facoltà di Scienze MM FF NN Corso di Laurea in «Scienze e Tecnologie per i Beni Culturali»

INFORMATICA. Prof. Giorgio Poletti Laurea Triennale in Economia a.a

SCHEDA DIDATTICA N 7

Networking e Reti IP Multiservizio

AMPL Problemi su Reti

Topologia dei circuiti

Network complessi e modelli. Rossano Gaeta Università degli Studi di Torino

Lista di esercizi 11 maggio 2016

Strumenti di indagine per la valutazione psicologica

Variabili casuali. - di Massimo Cristallo -

UNIVERSITÀ DEGLI STUDI ROMA TRE Corso di Studi in Ingegneria Informatica Ricerca Operativa 1 Seconda prova intermedia 17 giugno 2013

Complessità Computazionale

Teoria dei Grafi Elementi di base della Teoria dei Grafi

1 TEORIA DELLE RETI 1. 1 Teoria delle reti. 1.1 Grafi

Fondamenti teorici e programmazione

Tecnologie informatiche multimediali

Ottimizzazione Combinatoria Proprietà dei Grafi. Ottimizzazione Combinatoria

3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1

Data mining per le scienze sociali

algoritmi e strutture di dati

Lezione 17 Maggio 23

MEDIA aritmetica semplice (Gli indicatori di posizione)

AA Prof. V. Palladino. Undicesima lezione, seconda del secondo modulo

LABORATORIO DI PROBABILITA E STATISTICA Docente: Bruno Gobbi Corso di laurea in Informatica e Bioinformatica

arrivi in un tempo t è pari a λ*t, come si può ricavare dalla media su k della distribuzione di Poisson :

Laboratorio di Fisica I- Modulo I Anno Accademico 2018/2019 Esperienza di laboratorio n 3

Modulo di Statistica e Tecnologia (Dott. Giorgio Poletti

Cammini minimi per grafi molto grandi

Variabili aleatorie binomiali e di Poisson

Introduzione alla Teoria dei Grafi

Transcript:

RETI CASUALI

Modello dei grafi casuali Un grafo casuale è un grafo con N nodi connessi da n archi, scelti casualmente tra tutte le possibili combinazioni di collegamenti On Random Graphs, Erdos and Renyi, 1959.

Combinazioni Da un insieme di oggetti, le combinazioni sono le possibile associazioni di questi oggetti in gruppi di n membri Se volessimo combinare l insieme ABCDE in tutti i possibili gruppi di 3: ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

Combinazioni Da un insieme di oggetti, le combinazioni sono le possibile associazioni di questi oggetti in gruppi di n membri Se volessimo combinare l insieme ABCDE in tutti i possibili gruppi di 3: ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

Combinazioni Da un insieme di oggetti, le combinazioni sono le possibile associazioni di questi oggetti in gruppi di n membri Se volessimo combinare l insieme ABCDE in tutti i possibili gruppi di 3: 5 x 4 x 3 / 1 x 2 x 3 = 10 5 x 4 x 3 / 3! = 10

Combinazioni Da un insieme di oggetti, le combinazioni sono le possibile associazioni di questi oggetti in gruppi di n membri Se volessimo combinare l insieme ABCDE in tutti i possibili gruppi di 3: 5C3 = 10 5 C3 = 10

Proprietà grafi casuali Dato un grafo con N nodi, il numero di archi possibili equivale a N(N-1)/2 Dati N nodi e n archi, Il numero di grafi possibili equivale a [N(N-1)/2] Cn. Ad esempio 10C5 = 252 La costruzione di un grafo casuale può essere fatta semplicemente identificando N nodi e collegandoli tra di loro con una probabilità p [0, 1] Quindi il numero medio di archi sarà dato da n = [N(N-1)/2]p

Proprietà grafi casuali Erdos e Renyi studiarono diverse proprietà dei grafi notando come queste non emergano gradualmente ma non appena venga superata un certa soglia di p Studiarono quindi la p critica per cui il grafo acquisisce una proprietà q; una proprietà importante fu la topologia Se il numero di archi inserito era basso il grafo era costruito da diverse componenti non connesse tra loro e connettenti O(logN) nodi Ma per n = N/2 i cluster iniziano a connettersi e si ottiene un cluster gigante

Proprietà grafi casuali Grado medio di un grafo <k> Sarà dato dalla somma di tutti i gradi diviso per il numero di nodi Somma di tutti i gradi è [N(N-1)/2]*2 visto che conteremo un arco due volte Moltiplicato per p se il grafo è stato generato da un processo random Quindi N(N-1)p/N = N-1p approssimato a Np per N grande

Proprietà grafi casuali Coefficiente di clustering Ci Sarà dato dal numero n di archi esistenti tra i ki nodi adiacenti a i e il numero massimo di archi possibili tra essi Quindi 2ki(ki-1)p / 2ki(ki-1) che si semplifica in p Il coefficiente di clustering medio può essere calcolato o come media dei vari Ci, e sarà ancora uguale a p Oppure come somma di tutti gli archi esistenti fratto il numero massimo di archi possibili: ni / <ki>c2 che invece dipende da N

Proprietà grafi casuali Distribuzione dei gradi P(k) La distribuzione del grado ki è regolata da una legge binomiale con parametri N-1 e p k (N-1) Ck p (1- p) (N -1)-k con k [0, N-1] Segue una distribuzione poissoniana con apice in <k>

Proprietà grafi casuali Diametro d Il diametro di un grafo è la distanza massima tra ogni coppia dei suoi nodi Data una rete con un grado medio dei nodi pari a k, il numero dei nodi a distanza d da un dato nodo sarà circa <k> d Si può anche osservare il seguente rapporto: d = ln(n)/ ln(<k>) all aumentare di N il diametro cresce lentamente

Proprietà grafi casuali Cammino medio tra i nodi L Data dalla somma delle distanze minime di,j fratto il numero massimo di archi L = 2 di,j / N(N-1) Si usa la media armonica per non considerare i nodi non connessi

Modello del piccolo mondo Collective Dynamics of Small World Networks, Watts and Strogatz, 1998.

Proprietà piccolo mondo Cammino medio tra i nodi L Per p piccole, L(p) varia linearmente con la dimensione del sistema, avvicinandosi al comportamento di una rete regolare L = 2 di,j / N(N-1) Mentre per p grandi il comportamento sarà simile a quello di una rete casuale e la variazione è quindi logaritmica

Proprietà piccolo mondo Coefficiente di clustering C Sarà dato dal numero di archi esistenti tra i ki nodi adiacenti a i (mi) e il numero massimo di archi possibili tra essi Quindi 2 mi / ki(ki -1); per piccoli valori di p sarà simile a quello della rete regolare mi / ki(ki -1); per valori alti di p sarà simile a quello di una rete casuale e cioè p

Proprietà piccolo mondo Questo dimostra l esistenza di una rete i cui nodi con C alto e L basso

Proprietà piccolo mondo

Modello a invarianza di scala Barabasi, and Albert, Emergence of scaling in random networks, 1999.

Leggi di potenza Nella distribuzione di Poisson le ali della campana decrescono con velocità esponenziale, di conseguenza abbiamo l assenza di nodi altamente connessi Questo significa che molti nodi con poche connessioni coesistono con pochi nodi altamente connessi In formula, Barabasi ha stabilito empiricamente che la distribuzione dei gradi P(k) decade esponenzialmente all aumentare del grado k -γ P(k) k

Leggi di potenza Una topologia modellata in base ad una legge di potenza non può essere spiegata coi modelli per reti casuali e piccolo mondo La costruzione non è dinamica La creazione di collegamenti è casuale

Dinamica di crescita Barabasi e Albert propongono un modello per descrivere la dinamica di evoluzione della rete, di modo che la sua topologia sia conforme con la legge di potenza Introducono quindi la nozione di collegamento preferenziale La probabilità Π che un nuovo nodo j si connetta al nodo i, è proporzionale al grado ki di i Π(ki ) = ki / kj

Dinamica di crescita

Reti con legge di potenza

Dinamica di crescita

Cammino medio e clustering Cammino medio tra i nodi più breve rispetto a quello di una rete casuale Hanno un coefficiente di clustering cinque volte maggiore rispetto a quello dei grafi casuali

I ricchi si arricchiscono? Nelle reti reali non solo i nodi più vecchi si arricchiscono di collegamenti Per spiegare questo è stato introdotto il modello a fitness, Bianconi e Barabasi (2001) La fitness è un valore intrinseco del nodo che lo rende capace di competere anche partendo con poche connessioni Πi = fi ki / fi kj

Bowtie

Peculiarità del WWW La rete delle risorse accessibili nel WWW ha però una sua peculiarità gli archi non sono simmetrici i link sono dei collegamenti unidirezionali esistono quindi risorse che hanno solo link in entrata e risorse che hanno solo link in uscita Per questo i motori di ricerca non riescono a indicizzare l intero WWW