Redes de 2 modos en Pajek (2/3)

El análisis de la red de 2 modos usando Pajek - Parte 2
 Intan Dzikria - My Life, My Dreams



Antes de la Parte 1, doy alguna introducción acerca Pajek y cómo cambiar de red de 2 modos en el segmento 1-modo antes de hacer la red simplificada. Por lo tanto, en esta parte, te voy a mostrar cómo hacer la centralidad.

La centralidad es un concepto clave en el análisis de redes sociales. Se utiliza comúnmente para medir la importancia o el poder de un nodo. El concepto se basa en el supuesto de que la posición de un nodo afecta a su influencia a los otros nodos en las redes.

Para hacerlo más simple, si usted tiene un amigo que tiene más amigos que usted y su / su posición en la red es influyente, podría ser posible que si él / ella haga algo, la gente va a la gente. Es sólo el ejemplo.



Hay varias centralidades, que son:

1. Centralidad de grado 

Significa que es más importante el que reúnen más amigos, él / ella tiene más influencia.
Ejemplo: Hay una noche de baile y necesito ayuda de mis amigos. Sólo los verdaderos amigos que vendrán a ayudar

2. Centralidad de proximidad 

Significa que el que tiene en promedio relación más estrecha con toda otra persona es más importante.
Ejemplo: Si hay un voto para el presidente la organización escolar, que favorecen la califican vienen también de amigos indirectos.

3. Centralidad de intermediación

Significa el que es más capaz de invitar a más (a través de múltiples canales).
Ejemplo: Si hay un baile de graduación, el que invita capaz de niñas más caliente es más importante.

4. Centralidad de Bonacich y la centralidad Alfa

Significa que sus amigos están en realidad son bastante importantes a su vez
Ejemplo: Si hay una gran pelea en la escuela entre dos personas. Pero el único que puede escapar es el que tiene mayor relación con el maestro.

Aquí sólo quiero mostrar cómo medir el grado, grado ponderada, la intimidad y la centralidad de intermediación en la red utilizando Pajek.

Abrir su red simplificada como te dije antes en la Parte 1.




Pero si se piensa que es complicado, se puede simplificar de nuevo. Mi red se ha vuelto como este




A continuación, realice la Centralidad con realizar esta acción:
Network - Create Vector - Centrality - Degree - All (degree centrality)
Network - Create Vector - Centrality - Weighted Degree All (weighted degree centrality)
Network - Create Vector - Centrality - Closeness - All (closeness centrality)
Network - Create Vector - Centrality - Betweenness (betwenness centrality)



Para dibujar la red tiene que hacer clic en Draw - Network + First Vector
Se puede ver aquí en los resultados entre uno y otro centralidad son diferentes en función de qué método centralidad que queremos saber.

Centralidad de grado 

Centralidad ponderada de grado 

Centralidad de cercanía 

Centralidad de intermediación 

Pero después de ver los dibujos, ¿cómo podemos saber la centralidad o la gente mayor influencia en la red? Usted tiene que exportar los resultados usando este comando Herramientas - Exportar a archivo delimitado por tabuladores - vector de corriente - Guardar archivo



Los archivos guardados son archivos .txt que puede abrir el Bloc de notas.



Para hacerlo más fácil, puede pasar los resultados a Excel y ordenar los resultados para cada carácter central de más alto grado en el grado más bajo. Se puede ver en la imagen siguiente de que los resultados que se muestran las personas que tiene una alta influencia en la red son los que tiene el color amarillo (16 personas). Pero ¿por qué el resultado de la centralidad de intermediación es diferente?



En realidad se puede conectar este resultado en lo que significa cada centralidad. Vamos a romper para cada central.

1. Centralidad de grado y centralidad ponderada de Grado 

Si hay una noche de graduación en la escuela, los verdaderos amigos vendrán a ayudar. Por lo tanto, en este caso 16 personas en el color amarillo son las personas que más probablemente ayudan a sus amigos que lo necesitan.

2. Centralidad de proximidad 

Si hay un voto para el presidente la organización escolar, que favorecen la califican vienen también de amigos indirectos. Por lo tanto, en este caso, si usted es uno de los candidatos, se puede pedir a estas 16 personas a pedir a sus amigos a ver usted.

3. Centralidad de intermediación (betweenness)

Si hay un baile de graduación, el que invita capaz de niñas más caliente es más importante. Pero, en este caso el grado de todas las personas son 0. Creo que nadie puede invitar a niñas / niños calientes jajaja

Pero debido a que el caso es sobre los estudiantes y sus sueños en el futuro, puede conectar el resultado en algo en el futuro. Como por ejemplo, pueden ser socio de la unión. Por ejemplo, debido a Justin Bieber y Norma son los más probable es que tenga la misma preferencia en sus sueños para el futuro, que puede ser socio de la unión, ya que pueden influir en los demás.

Densidad de red: ¿Qué es y cómo se calcula?

¿Qué es densidad de red – y cómo la calculamos?

Por Gideon Rosenblatt

En los próximos artículos, vamos a estar hablando de la importancia de la "densidad de la red" como una medida de la salud y la eficacia de la red. Creo que la densidad de la red tiene ramificaciones importantes para el negocio trabaja manera y por hacer del mundo un lugar mejor.

Para entender mejor lo que es, este artículo le mostrará cómo calcular fácilmente la densidad de la red. El objetivo no es conseguir que el cálculo de la densidad de la red de Facebook Conecta - Aunque es probable que podría si quisiera. No, la idea es tomar sólo unos minutos para entender este cálculo fácil, como una manera de darle una sensación más intuitiva por lo que la densidad de la red es. Con eso, se le mejor posición para aplicar realmente este concepto importante en su trabajo.

¿Qué es densidad de red?

Primero algunas definiciones rápidas. En una red, las cosas que están conectados generalmente se llaman "nodos". Un nodo puede ser una persona, un ordenador, o incluso un poco de texto con hipervínculos. Las conexiones entre los nodos se denominan a veces "conexiones" y, a veces llamados "enlaces" -, pero no deja de ser la misma cosa.
"Densidad de red" describe la parte de los conexiones potenciales en una red de conexiones que son reales. Una "conexión potencial" es una conexión que podría existir entre dos "nodos" - independientemente de si es o no realmente hace. Esta persona podría conocer a esa persona; este equipo puede conectarse a esa. Sea o no lo hacen conectar es irrelevante cuando se está hablando de una posible conexión. Por el contrario, una "conexión real" es la que realmente existe. Esta persona hace conocer a esa persona; este equipo está conectado a aquél.

Un par de ejemplos podría ayudar. En una reunión de la familia, las conexiones reales entre las personas son muy numerosos - que incluso puede ser un cien por ciento de todas las relaciones posibles en la habitación. Por el contrario, las conexiones reales entre las personas en un autobús público - el número de personas que se conocen entre sí - es probable que sea bastante bajo en relación con todas las posibles relaciones allí.

Una reunión de la familia tiene una alta densidad de la red, pero un autobús público tiene una baja densidad de la red.

Calculando densidad de red:

Por lo tanto, aquí es cómo se calcula la densidad de la red. En la tabla a continuación, "PC" es "posibles relaciones" y "n" es el número de nodos de la red. No deje que los números lo bloqueen; en realidad son bastante sencillos:

En la tabla anterior, los ejemplos "A" y "B" ilustran los casos en que el número de conexiones reales entre los nodos es exactamente el mismo que el número de conexiones posibles. No se puede sacar nuevas líneas para conectar estos nodos; todos están ya conectados. Son perfectamente "densa".
Ahora echa un vistazo a ejemplo C. Al igual que el ejemplo B, hay tres nodos. Pero en este caso, dos de los nodos (los superior e inferior) no están conectados entre sí. Esta pequeña red está perdiendo una de sus conexiones potenciales, y como resultado, su densidad de la red se reduce a dos fuera de tres, o 66,7%.
Para escalar las cosas con un poco más grande ejemplo, supongamos que una tienda de comestibles tiene una red de clientes con un centenar de personas en ella. El número total de conexiones posibles entre estos clientes es 4,950 ( "n" multiplicado por "n-1" dividido por dos). Así pues, si, de esas conexiones potenciales, sólo hay 495 conexiones reales, la densidad de la red sería 10%. Si el número de conexiones reales fueron 2.475, entonces la densidad de la red sería 50%.
Hay que ir. Ahora ya sabe cómo calcular la densidad de la red. A continuación, vamos a ver por qué es importante para la salud y la eficacia de las redes, y por qué una mayor densidad de la red es probablemente bueno para los negocios y para la sociedad.

The Vital Edge

Redes de personajes literarios

El análisis de las redes sociales de la literatura del siglo 19 al 20
Derek Greene's Home


El proyecto de investigación Nation, Genre and Gender ("Nación, Género y Género") en la UCD está creando un corpus digital grande de novelas irlandeses e ingleses a partir del período 1800-1922. Nuestro objetivo es comparar el género, el género y la nacionalidad del autor o el ajuste en la conformación de las estructuras sociales en la ficción, sobre la base de las ideas de los investigadores como Franco Moretti que han abogado el enfoque de "lectura distante" para el estudio de la literatura desde una perspectiva a nivel macro. Como parte de esto, estamos viendo cómo las técnicas de Análisis de Redes Sociales (ARS), a menudo se aplican a las redes en línea como Twitter y Facebook, se puede aplicar para proporcionar una nueva perspectiva sobre los textos literarios. Una serie de trabajos recientes interesante ha mirado en el análisis de la ficción de esta manera, a partir de la mapeo de las tragedias de Shakespeare a visualizar el universo de los cómics de Marvel. En nuestro caso, estamos interesados ​​en la exploración de las estructuras sociales en la literatura del siglo 19 y 20. A continuación voy a describir cómo vamos desde el texto original de una novela como Oliver Twist de Charles Dickens a una visualización de la red social definitiva

Corpus de anotación

El primer paso del proceso de análisis consiste en la anotación de las novelas, en los estudiosos de la literatura del Instituto de Humanidades de UCD identifican las referencias de caracteres en el texto de cada novela, como recuperada en el Proyecto Gutenberg. El proceso de anotación en sí consiste en un número de pasos. En primer lugar, un diccionario carácter se construye, que incluye una única entrada para cada carácter único en la novela, con su nombre definitivo y una lista completa de todos sus alias. Por ejemplo, el personaje de Bill Sikes en Oliver Twist se conoce por varios alias, incluyendo "Mr. Sikes "," William Sikes ", y" el asesino ". También se van registrando personajes con atributos tales como el género, la clase, la ocupación y la religión. Esta tarea se lleva a cabo no sólo para los personajes principales, sino también para los personajes secundarios que componen la sociedad en general de la novela. Una vez que el diccionario se ha recopilado, todas las instancias de los alias de un personaje en la novela de texto se reemplazan con su nombre definitivo.

Construcción de la red

Una vez que una novela se ha anotado, creamos redes de caracteres detallados para conocer mejor la sociedad de la novela. Un nodo se crea para cada carácter en el diccionario de personaje de la novela. Luego tokenise cada capítulo en el texto anotado previamente de la novela, y el recuento de todos los co-ocurrencias de pares de nombres definitivos de caracteres. Tenga en cuenta que utilizar todas las co-ocurrencias en lugar de considerar sólo la conversación directa entre un par de caracteres, ya que esto nos permite capturar una amplia variedad de tipos de interacciones y asociaciones entre los personajes. entonces se crea una red de carácter ponderado para el capítulo, donde existe una arista entre un par de caracteres, si ellos co-produjeron al menos una vez durante el capítulo. El peso en el borde corresponde al número de co-ocurrencias entre el par. Un ejemplo de una pequeña red de caracteres para el Capítulo 6 de Oliver Twist se muestra a continuación. Un borde más grueso indica que eso es dos personajes co-produjeron con mayor frecuencia en ese capítulo.



Una vez que hayamos procesado cada capítulo, se construye una red de carácter general para toda la novela mediante la combinación de las redes de todos los capítulos. En esta red global, el peso en un borde corresponde al número total de co-ocurrencias entre el par a través de todos los capítulos.

Visualización de la red

Realmente visualizar las redes de caracteres resultante, usamos la herramienta de código abierto Gephi, aplicando una fuerza dirigida diseño. Un número de diferentes redes de ejemplo se muestran a continuación para cuatro conocidas novelas de Charles Dickens, Bram Stoker, de Arthur Conan Doyle, y James Joyce, respectivamente. En cada caso, mostramos los 20 mejores personajes más destacados, según la clasificación de su grado ponderada (es decir, la suma de los pesos de las aristas conectadas a ellos). El tamaño y el color de cada nodo también es proporcional al grado ponderado.

Análisis mas extenso

En representación de obras literarias en forma de red nos permite explorar los textos de autores como Joyce y Dickens de una manera que es independiente del lenguaje y nos dan una visualización "ojo de pájaro" que es accesible para los no expertos. También nos permite beneficiarnos de las investigaciones existentes, en áreas tales como la detección de la comunidad y el análisis de redes ego, lo que podría proporcionar nuevas herramientas en la práctica de la lectura distante. Mediante la adición de información de atributos, como el género y la clase, a los nodos y aristas, también podemos hacer comparaciones interesantes entre las novelas de diferentes autores y géneros. Nuestro objetivo es utilizar estas redes de caracteres para explorar y poner a prueba una serie de hipótesis literarias existentes, y también hacer estas novelas más accesible a los estudiantes e investigadores.

Modularidad en redes genéticas de proteínas

Significado biológico de estructuras modulares en las redes de proteínas
Categoría: Ingeniería Genética
 

 Personas de Investigación: Jianzhi Zhang y Zhang Jianzhi

Lugar: Edificio 2019 Kraus de Ciencias Naturales, Universidad del Norte 830, Ann Arbor, MI 48109 a 1048, t: 734.615.4917 // f: 734.763.0544, Estados Unidos

Detalles

Importancia biológica de estructuras modulares en las redes de proteínas

Es fácil observar que muchas redes de forma natural se dividen en comunidades o módulos, donde los enlaces dentro de los módulos son más fuertes y más denso que esos módulos en todo - como la forma en que las personas de la misma edad tienden a interactuar más entre sí que con personas de diferentes edades grupos. Se cree ampliamente que las redes dentro de las células son modulares, de la misma manera. Dres Zhi Wang y Zhang Jianzhi, de la Universidad de Michigan, ahora investigan estas propiedades modulares y concluyen que puede ser sólo un subproducto de la evolución al azar, y no es funcional en absoluto.

Se cree que los módulos de redes celulares que se formen de una manera que refleja la relativa independencia y la coherencia de las distintas unidades funcionales en una célula - cada módulo tiene una función. Esta investigación, publicada en la revista de acceso abierto PLoS Computational Biology, sugiere ahora que los módulos estructurales en la red de interacción proteína-proteína de levadura pueden haberse originado como un subproducto evolutivo sin mucha importancia biológica.

Hay poca evidencia de que los módulos estructurales descritas previamente se corresponde en absoluto a las unidades funcionales. Parece que los análisis anteriores pueden haber creado incluso algunos de estos módulos a través de las técnicas usadas para investigar las propiedades de la proteína. Refutar los estudios anteriores, los autores muestran ahora mediante simulación por ordenador que pueden surgir estructuras modulares durante el crecimiento de la red a través de un modelo simple de la duplicación de genes, sin preferencia de selección natural para la modularidad.

Resumen del autor

Muchas redes complejas se dividen de forma natural en las comunidades o módulos, en los enlaces dentro de los módulos son mucho más densos que los del otro lado módulos. Por ejemplo, los individuos humanos que pertenecen a los mismos grupos étnicos interactúan más entre ellos que los de diferentes grupos étnicos. Las funciones celulares también se organizan de una manera altamente modular, donde cada módulo es un objeto discreto compuesto de un grupo de componentes estrechamente vinculados y realiza una tarea relativamente independiente. Es interesante preguntarse si esta modularidad en la función celular surge de la modularidad en redes de interacción molecular, tales como la red de regulación transcripcional y redes (IPP) de interacción de proteínas. Analizamos la red de levadura PPI y demostrar que sí es significativamente más modular que las redes reconectados al azar. Sin embargo, encontramos poca evidencia de que los módulos estructurales corresponden a las unidades funcionales. También somos capaces de observar cualquier conservación evolutiva entre la levadura, moscas, y módulos de nematodos PPI. A continuación, muestran mediante simulación por ordenador que pueden surgir estructuras modulares durante el crecimiento de la red a través de un modelo simple de la duplicación de genes, sin que la selección natural para la modularidad. Por lo tanto, parece que los módulos estructurales de la red PPI pueden haberse originado como un subproducto evolutivo sin mucha importancia biológica.


Acerca de Investigadores:
Jianzhi Zhang y Zhang  jianzhi
Departamento de Ecología y Biología Evolutiva,
Universidad de Michigan,
Ann Arbor,
Michigan,
Estados Unidos de América

Financiado-
Este trabajo fue apoyado en parte por subvenciones de investigación de los Institutos Nacionales de Salud y la Universidad de Michigan para JZ.


1. Un ejemplo de una red de pequeño mundo con una estructura modular (A) y su red aleatoriamente recableada (B)

2. La modularidad del levadura PIC y Redes PEC comparadas con la de sus redes de recableado al azar, y la similitud de composiciones de módulos entre PIC y Redes PEC edn comparación con redes recableadas al azar


3. Red PPI Representaciones de complejos de proteínas

4. La falta de correspondencia evidente entre los módulos estructurales y unidades funcionales

ARS 101: Clausura triádica

Grafos para bases de datos para principiantes: Teoría de grafos y modelado predictivo

Conexión de nodos en una base de datos gráfica es fundamentalmente diferente de llenar una tabla con datos. Si usted es nuevo para representar gráficamente las bases de datos: Lee esto.

por Joy Chao ·- DZone

Los grafos están en todas partes, desde que ilustra las conexiones entre los caracteres de Juego de Tronos hasta el seguimiento de las interacciones intermediarios cientos de miles de servidores en una red pública.

A lo largo de esta serie blog, hemos hablado mucho sobre los detalles prácticos de trabajo con las bases de datos del gráfico. Ahora es el momento para hablar de la teoría de grafos, con su una aplicación mucho más práctico para la vida cotidiana.

Como un campo más desarrollado, la teoría de grafos nos ayuda a ganar la penetración en nuevos dominios. En combinación con las ciencias sociales, hay muchos conceptos que se pueden utilizar sin rodeos para obtener información de los datos del gráfico.

En este serie del blog “Graph Databases for Beginners”, hemos discutidos sobre why graphs are the future, why data relationships matter, the basics of data modeling, data modeling pitfalls to avoid,why a database query language matters, why we need NoSQL databases, ACID vs. BASE, a tour of aggregate stores, other graph data technologies, native versus non-native graph processing and storage, y algoritmos de búsqueda en grafos.
En el post de la semana pasada, hemos explicado los mecanismos transversales de menor nivel de algoritmos de grafos. Si usted no ha leído todavía, yo recomendaría hacerlo con el fin de entender mejor el orden superior de los análisis que vamos a discutir. Ahora vamos a echar un vistazo a algunos de los conceptos clave de la teoría de grafos social.

Las clausuras triádicas

Una de las propiedades más comunes de grafos sociales es el de clausuras triádicas. Esta es la observación de que si dos nodos están conectados a través de un camino con un tercer nodo mutuo, hay una mayor probabilidad de que los dos nodos se conviertan conectado directamente en el futuro.

En un entorno social, una clausura triádica sería una situación en la que dos personas con un amigo en común tienen una mayor probabilidad de encontrarse entre sí y convertirse en conocerse.

La propiedad de la clausura triádica es más probable que se confirmó cuando un gráfico que tiene un nodo A con una fuerte relación con otros dos nodos, B y C. Esto da a continuación, B y C Una probabilidad de una relación, ya sea débil o fuerte. Aunque esto no es una garantía de una relación potencial, que sirve como un indicador predictivo creíble.

Vamos a echar un vistazo a este ejemplo.





Por encima de una jerarquía organizativa en Alice maneja tanto Bob y Charlie. Esto es bastante extraño, ya que sería poco probable que Bob y Charlie sean no conocerse mientras que comparte el mismo administrador.

Tal como es, hay una gran posibilidad de que terminarán trabajando juntos debido a la propiedad de clausura triádica. Esto creará una relación cualquiera WORKS_WITH [Trabaja_con] (fuerte) o (débil) PEER_OF [Es_par_de] entre ellos dos, cerrando el triángulo - por lo tanto el término clausura triádica.

Balance estructural

Sin embargo, otro aspecto a considerar en la formación de clausuras triádicas estables es la calidad de las interacciones existentes en el grafo. Para ilustrar el concepto siguiente, asumen que la relación MANAGES [DIRIGE A] es algo negativo, mientras que las relaciones PEER_OF y WORKS_WITH son más positivas.

Basado fuera de la propiedad de clausura triádica, podemos suponer que podemos llenar la tercera relación con cualquier etiqueta, como todo el mundo que tiene gestionar entre sí como en la primera imagen de abajo o la situación extraña en la segunda imagen a continuación.





Sin embargo, se puede ver cómo esas situaciones incómodas de trabajo estarían en realidad. En la segunda imagen, Charlie encuentra a sí mismo tanto el par de un jefe y un compañero de trabajo. Sería difícil para Bob a encontrar la manera de tratar a Charlie - como un compañero o compañera de trabajo como el de pares de su jefe?

Tenemos una preferencia innata por la simetría estructural y estratificación racional. En la teoría de grafos, esto se conoce como equilibrio estructural.

Una clausura triádica estructuralmente equilibrado está hecha de relaciones de todos los sentimientos fuertes y positivos (tales como el primer ejemplo de abajo) o dos relaciones con los sentimientos negativos y una única relación positiva (segundo ejemplo).




Aprender a utilizar los conceptos de la teoría de grafos sociales y modelos de predicción para entender los datos conectados

Las clausuras equilibradas ayudan con el modelado predictivo en los grafos. La simple acción de búsqueda de posibilidades para crear cierres equilibradas permite la modificación de la estructura gráfica para el análisis de predicción precisa.

Los puentes locales

Podemos ir más allá y obtener una perspectiva más valioso en el flujo de las comunicaciones de nuestras organizaciones examinado puentes locales. Estos se refieren a un empate entre dos nodos en los extremos del puente local no están conectados de otro modo, ni comparten los vecinos comunes. Se puede pensar en puentes locales como las conexiones entre dos grupos distintos de los grafos. En este caso, uno de los lazos tiene que ser débil.

Por ejemplo, el concepto de vínculos débiles es relevante en algoritmos para la búsqueda de empleo. Los estudios han demostrado que las mejores fuentes de empleo provienen de conocidos más flexibles, más que amigos cercanos. Esto se debe a los amigos más estrechos tienden a compartir una visión del mundo similar (están en el mismo componente del grafo) pero los amigos más flexibles a través de un puente local son en una red social diferente (y están en un grafo de un componente diferente).





En la imagen de arriba, Davina y Alice están conectadas por un puente local, sino que pertenecen a diferentes componentes del grafo. Si Davina fueron a buscar un nuevo trabajo, que sería más probable encontrar una recomendación éxito de Alicia que de Frances.

Esta propiedad de los puentes locales son débiles es algo que se encuentra a través de grafos sociales. Como resultado, podemos hacer los análisis predictivos basados ​​en puente locales derivada empíricamente y fuertes nociones de clausuras triádicas.

Conclusión final

Si bien los grafos y nuestra comprensión de ellos tienen su origen en cientos de años de estudio, seguimos encontrando nuevas maneras de aplicar a nuestra vida personal, social y de negocios. La tecnología actual ofrece otro método para la comprensión de estos principios en la forma de grafos de base de datos moderna.

Como hemos visto a lo largo de la serie "Grafos de bases de datos para principiantes" del blog, simplemente hay que entender cómo aplicar algoritmos de teoría de grafos y técnicas de análisis con el fin de lograr nuestros objetivos. Tome una mirada retrospectiva a los demás puestos de esta serie y obtendrá las habilidades que necesita para aprovechar el poder de los gráficos.

ARS 101: Asortatividad (2)

Asortatividad


La asortatividad es la preferencia de los nodos de una red por unirse a otros que le son similares en alguna característica. A pesar de que la medida específica de similitud puede variar, los teóricos de redes frecuentemente estudian la asortatividad en función del grado de los nodos.1 Esta característica sirve para aproximar los modelos de redes complejas al comportamiento de muchas redes reales.

Frecuentemente se encuentran correlaciones entre los nodos de redes que tienen grado similar. Además, en las redes sociales, los nodos con alta conectividad tienden a conectarse a otros que tiene un grado alto. Esta tendencia se denomina asortatividad. Por otro lado, las redes tecnológicas y biológicas tiende a mostrar comportamiento disortativo ya que los nodos con alto grado tienden a conectarse con los nodos de bajo grado.2



Redes libres de escala para los diferentes grados de asortatividad: (a) A = 0 (la red no correlacionada), (b) A = 0,26, (c) A = 0,43, donde A indica r (coeficiente asortatividad, tal como se define en este sub- seccion 3]

Midiendo la asortatividad

La asortatividad se presenta como la correlación entre dos nodos. Sin embargo, existen diferentes formas de medir dicha correlación. Las medidas más utilizadas son el coeficiente de asortatividad y la conectividad. Estas medidas se detallan más ampliamente a continuación

Coeficiente de asortatividad

El coeficiente de asortatividad se trata del coeficiente de correlación de Pearson de los grados entre dos pares de nodos conectados.2 Valores positivos de r indican que existe una correlación entre nodos con grado similar, mientras que un valor negativo indica correlaciones entre nodos de diferente grado. En general, r toma un valor comprendido entre -1 y 1. Cuando r = 1, se dice que la red es totalmente asortativa, cuando r = 0 la red es no asortativa y cuando r = -1 la red es disortativa.

El coeficiente de asortatividad viene dado por

Aplicación

Las propiedades de asortatividad son útiles en el campo de la epidemiología porque pueden ayudar a comprender la propagación de enfermedades. Por ejemplo, eliminar una porción de los nodos de una red puede corresponder a curar, vacunar o poner en cuarentena células. Desde que se demostró que las redes sociales son asortativas, se sabe que enfermedades dirigidas a individuos con alto grado tienden a propagarse a otros individuos altamente conectados, por ejemplo las enfermedades de transmisión sexual en una red de contactos sexuales. Alternativamente, dentro de las redes celulares, como las redes biológicas son altamente disortativas, las estrategias de vacunación dirigidas a los nodos con alto grado pueden detruir rápidamente la epidemia.

Patrones de mezcla selectivo de las redes reales 

Fig. 3:. Tamaño N y el coeficiente r de asortatividad por varias redes [2]

Los patrones selectivo de una variedad de redes del mundo real se han examinado. Por ejemplo, la Fig. 3 enumera los valores de r para una variedad de redes. Tenga en cuenta que las redes sociales (las primeras cinco entradas) tienen mezcla selectivo aparente. Por otro lado, las redes tecnológicas y biológicas (las medias de seis entradas) todos parecen ser disasortativas. Se ha sugerido que esto es porque la mayoría de las redes tienen una tendencia a evolucionar, a menos que se limite de otra, hacia su estado de máxima entropía, que es por lo general disasortativa. [9]

La tabla también tiene el valor de r calculado analíticamente por dos modelos de redes:

• el gráfico aleatoria de Erdös y Rényi
• Modelo BA (modelo Barabási y Albert)

En el modelo de sala de emergencia, ya que los bordes se colocan al azar sin tener en cuenta el grado de vértice, se sigue que r = 0 en el límite de tamaño grande gráfico. Curiosamente, el modelo BA libre de escala también posee esta propiedad. Para el modelo de BA en el caso especial de m = 1 (donde cada nodo de entrada se une a sólo uno de los nodos existentes con una probabilidad grado proporcional), tenemos   a medida que  en el límite de un N grande. [2]


Wikipedia
Wikipedia

Redes de 2 modos en Pajek (1/3)

El análisis de la red de 2 modos usando Pajek - Parte 1
 Intan Dzikria - Blog My Life, My Dreams




Este semestre tengo que aprender algo interesante llamado análisis de redes sociales. Al principio pensé que se siente red social un poco las cosas, por ejemplo, Facebook, Twitter, etc. Pero, en realidad son página web de redes sociales y un caso de análisis.

Déjeme decirle algo simple de pensar. Usted tiene amigos en Facebook ¿verdad? Y su amigo tienen amigos en común con usted, y sus otros amigos también. Estos pueden construir una red, llamada red social. Esta red puede tener muchos beneficios del tipo, por ejemplo, que son sus amigos que tienen mayor influencia en la red, así que si hay cualquier caso se puede pedir que le digan a sus amigos.

Hay dos tipos de red, 1-modo y la red de 2-modos. La red de 1-modo sólo tiene 1 caso / actor. Por ejemplo, tus amigos de la red sólo tienen el nombre de sus amigos allí. Sin embargo, la red de 2 modos tiene 2 variables, por ejemplo, el nombre de sus amigos y sus aficiones.

En este artículo, te voy a mostrar cómo analizar la red de 2 modos. En este artículo se compone de varias partes que son la forma simplificar una red, encontrar centralidad, y hacer un agrupamiento.

Hay muchos programas de análisis de redes sociales, sino porque acabo de aprender acerca de este software, Pajek, voy a utilizar este software en su lugar. Pajek es un software gratuito que se puede descargar aquí.

En primer lugar, Abra su Pajek y haga clic en File - Pajek Project File - Read para leer su archivo .paj
Si usted no tiene .paj presentar también se puede abrir el fichero con .net clic en File - Network - Read



Después de abrir el archivo, se abrirá una ventana Informe que muestra todo lo que has hecho usando Pajek. Una especie como una ventana de registro.




En segundo lugar, Dibuje su red con hacer clic en Draw - Network



Su red se mostrará en la ventana de dibujo. Se puede cambiar el dibujo con varias algoritmo proporcionado en el Pajek. Sólo cliqueé en la Layout - Energy - Kamada Kawai - Free o Layout Enegery - Fruchterman Reingold - 2D



Otro dibujo será así. Cada vez que hizo el algoritmo de dibujo, se muestran distintos resultados.



Por lo tanto, debido a que es una red de 2 modos, hay que hacerlo en el segmento 1-mode primero antes de continuar su posterior análisis. Porque va a mostrar resultado más amplio de 2 variables (actor y eventos).

Tercero, cambio el 2-mode al 1-mode network con 
Network - 2 Mode Network - 2 Mode to 1 Mode - Rows (establece la proyección de los eventos)
Network - 2 Mode Network - 2 Mode to 1 Mode - Column (establece la proyección de los actores)

La diferencia entre filas y la columna se encuentra en la proyección. Así, por ejemplo, aquí tengo una red que los actores son el nombre de los estudiantes en la clase y los eventos son los sueños. Viceversa.



Después de que el cambio en el segmento 1-modo, si elijo la proyección caso, el dibujo sólo se muestra la proyección de los estudiantes.



Pero, si elijo la proyección actor, el resultado es sólo los sueños de los estudiantes.



En cuarto lugar, simplificar la red

Vamos a ver la proyección de eventos en lugar porque es más complicada que la proyección actor. Debido a que es demasiado complicado lo que queremos es hacer que sea más sencillo, pero ¿cómo?

Tenemos que saber primero el valor de cada línea. El significado de esto es que una persona puede tener más de 2 sueños, ¿verdad? pero maestra pidió a los estudiantes a elegir sus sueños no más de 4. Así, disponemos de red que muestra la elección de los estudiantes entre 2 hasta 4 opciones. Y si queremos hacer la red más simple, le toca a nosotros el grado mínimo de la red.

Está bien, por ejemplo, que quieren eliminar las líneas que menor que 3. Es decir, la red sólo se muestra a los estudiantes que tienen 3 y 4 opciones de sueños.

Para ello, lleve a cabo esta acción en el Pajek. Haga clic en Network - Create New Network - Transform - Remove - Lines with Value - Lower Than



Una pequeña ventana pop-up e insertar el valor de umbral. El mío es 3. Por lo tanto, me escriba 3 en el cuadro. A continuación, haga clic en OK. Habrá otra ventana aparecerá, pero basta con hacer clic en Ok.



Cuando dibujo la red, que será como esta. Usted puede ver que hay varios vértices o mis amigos en la clase que no tienen línea o enlazar con otros vértices, ¿verdad? Queremos hacer de la red simple, ¿por qué no lo reducimos?



Para reducir los vértices que no tienen vínculos, usted tiene que realizar esta Network - Create New Network - Transform - Reduction - Degree - All

Grado en que aquí es el número de enlaces a los vértices. Por ejemplo, en este caso, el grado mínimo que quiero en mi red es 1. Debido a Sherry y Pietsia tienen 0 grados, serán retirados de la red.



Introducir el grado mínimo que desee, por mí Quiero 1. Habrá otra ventana que se pop-up y haga clic Yes.



Cuando dibujo la red, los vértices que tienen de 0 grados es ya no existen en la red.



Para ver el número de línea, puede hacer clic en Options - Lines - Mark Lines - With Values en la ventana de dibujo.




En quinto lugar, guarde su Red

Por último, no se olvide de guardar su red simplificada para su posterior análisis como para la agrupación, ya que no desea llevar a cabo las mismas acciones de vez en cuando, ¿verdad?

Para guardar su red, se puede hacer clic en el botón Guardar en las Redes section.or haga clic en File - Network - Save..

Voy a ir a la siguiente parte del tutorial Pajek. Si usted tiene alguna pregunta sobre esta parte, por favor, comentario a continuación. :)

Espero que este post ayuda. ^^

Se puede ver la siguiente parte de este enlace