Introducción
Una red es una colección de objetos interconectados.
Un grafo es una colección de objetos (vértices o nodos) unidos por enlaces (aristas o arcos).
Los objetos se denominan comúnmente como actores, individuos, nodos o vértices; mientras que las conexiones entre ellos como enlaces, conexiones, aristas o arcos.
Las interacciones de las partes que constituyen un sistema conducen a comportamientos colectivos y propiedades a nivel global.
Estudiar redes es importante porque nos permite entender cómo las conexiones entre individuos configuran sistemas complejos como la dinámica de conflictos y alianzas, la difusión de ideas, y la propagación de epidemias, entre muchos otros.
Ejemplos
- Redes sociales on-line: e.g., Twitter.
- Redes laborales: e.g., red de colaboración entre instituciones de investigación.
- Redes biológicas: e.g., red de proteínas.
- Redes de personajes: e.g., Game of Thrones.
Y muchas más: redes semánticas, redes de información, redes de contagio, redes de transporte, redes de comercio, redes de corrupción, etc.
Datos relacionales
Los datos relacionales están constituidos por una colección de objetos, sus atributos y un conjunto de relaciones observadas entre ellos.
La presencia de variables diádicas (medidas sobre pares de individuos o díadas) es la característica distintiva de los datos relacionales.
Almacenar, gestionar, caracterizar, visualizar y modelar datos relacionales utilizando:
- Teoría de grafos.
- Modelos estadísticos.
- Algoritmos y procesos.
- Herramientas computacionales.
Tipos de redes
Redes no dirigidas y dirigidas
Una relación no dirigida (simétrica) tiene uno y solo un valor por díada.
Una relación dirigida (asimétrica) tiene dos valores por díada, i.e., un valor para cada miembro de la pareja.
Se dice que una red es una red no dirigida (grafo) si todas las relaciones en ella no están dirigidas, y se denomina red dirigida (dígrafo) en caso contrario.
Ejemplos de relaciones no dirigidas:
- Amistades de una red social on-line (e.g., Facebook).
- Cantidad de tiempo que personas pasan juntas.
Ejemplos de relaciones dirigidas:
- Amistades auto-informadas.
- Número de correos electrónicos enviados entre compañeros de trabajo.
Redes binarias y ponderadas
Una relación binaria (dicotómica) únicamente asume dos valores, ausencia o presencia de la relación.
Una relación ponderada (numérica) toma más de dos valores para caracterizar las relaciones entre las díadas.
Ejemplos de relaciones binarias:
- Presencia de un conflicto militar entre países.
- Presencia de una alianza estratégica entre compañías.
Ejemplos de relaciones ponderadas:
- Número de veces que congresistas apoyan un proyecto de ley juntos.
- Distancia geográfica entre ciudades.
Otros tipos de redes
Redes neuronales
Una red neuronal es un modelo computacional con varias capas de nodos, cuyo comportamiento está determinado por la forma en que se conectan los nodos y la ponderación de las conexiones.
Usualmente se utilizan para tareas de identificación, como el reconocimiento facial, el reconocimiento de voz y el procesamiento de lenguaje natural.
Ver por ejemplo:
- Ghatak, A. (2019). Deep learning with R. Springer.
- ¿Pero qué “es” una Red neuronal? de 3Blue1Brown.
Redes Bayesianas
Las redes Bayesianas son una clase de modelos gráficos que permiten una representación de las dependencias probabilísticas entre un conjunto dado de variables aleatorias por medio de un gráfico acíclico dirigido.
Ver por ejemplo:
- Scutari, M. & Denis, J. B. (2021). Bayesian networks: with examples in R. CRC press.
- Bayesian Networks de Bert Huang.
Software
Los paquetes igraph (R y Python) y NetworkX (Python) proporcionan herramientas versátiles para la visualización y el análisis de redes.
Más alternativas:
- R: statnet, network, sna, tidygrap, ggnet2, ggraph, networkD3.
- Python: Graph-tool, Networkit.
Fuentes de datos
Entre muchos otros repositorios:
Algunas referencias
La literatura sobre análisis y ciencia de redes es vasta, con aportes tanto teóricos como computacionales.
Los siguientes libros ofrecen una síntesis desde los fundamentos
matemáticos hasta la implementación práctica en R y
Python:
- Kolaczyk, E. D. y Csárdi, G. (2020). Statistical Analysis of Network Data with R (2nd ed.). Springer, Cham.
- Menczer, F., Fortunato, S. y Davis, C. A. (2020). A First Course in Network Science. Cambridge University Press, Cambridge.
- Newman, M. E. J. (2018). Networks (2nd ed.). Oxford University Press, Oxford.
- Al-Taie, M. Z. y Kadry, S. (2017). Python for Graph and Network Analysis. Springer, Cham.
- Barabási, A.-L. y Pósfai, M. (2016). Network Science. Cambridge University Press, Cambridge.
- Luke, D. A. (2015). A User’s Guide to Network Analysis in R. Springer, New York.