• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2023/2024.

ANÁLISIS DE REDES SOCIALES - 607594

Curso Académico 2023-24

Datos Generales

SINOPSIS

COMPETENCIAS

Generales

CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.

CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.

CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas.

CG5 - Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matemáticamente.

CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales

CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos.

CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas

CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.

CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.

CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así como manejo, gestión y análisis de grandes bases de datos.

ACTIVIDADES DOCENTES

Clases teóricas

50%
Clases prácticas

50%

Presenciales

1,35

No presenciales

1,55

Semestre

2

Breve descriptor:

Las redes complejas y, en particular, las redes sociales pueden modelarse mediante grafos o digrafos. Tras una introducción a los aspectos más clásicos de la disciplina (centralidad, medidas de cohesión, etc.) se estudiarán diversos problemas de segmentación en redes sociales y varios modelos de dinámica social, tanto en tiempo discreto como continuo y en contextos deterministas y también estocásticos. Algunos ejemplos de los problemas que se tratarán en la asignatura son la existencia de diferentes equivalencias posicionales en grafos, la clasificación bajo isomorfismo de redes multimodo de orden bajo para la definición de estructuras núcleo-periferia o núcleo-semiperiferia-periferia, aspectos de enumeración, teoremas de clusterability en grafos con signos, procesos de difusión en redes sociales o diferentes propiedades asintóticas de algunos modelos de dinámica social (modelos del votante y de Holme-Newman, modelo de Axelrod, protocolos de consenso y de consenso bipartito, etc.).

Objetivos

- Los estudiantes habrán desarrollado una comprensión sistemática de los fundamentos de la teoría de grafos y redes.

- Tendrán la capacidad de formular y analizar juegos cooperativos y sistemas dinámicos con soporte en una red, y de aplicar estas teorías al estudio de redes sociales.

- Sabrán modelar sistemas reales utilizando estas teorías.

- Sabrán comunicar oralmente y por escrito resultados avanzados en estos ámbitos.

- Sabrán emplear los métodos y modelos de esta disciplina en su futura actividad investigadora.

Contenido

1. Introducción: grafos y redes

2. Estructura y modelización de redes sociales:

   2.1 Introducción a la teoría de las redes sociales

   2.2 Medidas clásicas de centralidad

   2.3 Medidas clásicas de cohesión. Comunidades

   2.4 Medidas de centralidad y cohesión basadas en juegos cooperativos

3. Segmentación de redes sociales:

   3.1 Equivalencia estructural y segmentación por bloques

   3.2 Estructuras núcleo-periferia y núcleo-semiperiferia-periferia

   3.3 Segmentaciones regulares

   3.3 Grafos con signos. Equilibrio estructural. Clusterability

4. Dinámica en redes sociales:

   4.1 Introducción: dinámica de/en redes

   4.2 Modelos de dinámica social en tiempo discreto

   4.3 Modelos de dinámica social en tiempo continuo

   4.4 Modelos de difusión en redes sociales

Evaluación


Entrega de trabajos: 75%
Asistencia y participación activa en clase: 25%

Bibliografía


A.-L. Barabási, Network Science, Cambridge University Press, 2016.

A. Barrat, M. Barthélemy, A. Vespignani, Dynamical Processes on Complex Networks, Cambridge, 2008.

B. Bollobás, Modern Graph Theory, Springer, 1998.

U. Brandes, T. Erlebach (eds.), Network Analysis. Methodological Foundations, Springer, 2005.

P. J. Carrington, J. Scott, S. Wasserman (eds.), Models and Methods in Social Network Analysis, Cambridge, 2005.

D. Easley and J. Kleinberg, Networks, Crowds and Markets, Cambridge Univ. Press, 2010.

D. Gómez, E. González-Arangüena, C. Manuel, G. Owen, M. del Pozo, J. Tejada, Centrality and power in social networks: a game theoretic approach, Mathematical Social Sciences 46 (2003) 27–54.

D. Gómez, E. González-Arangüena, C. Manuel, G. Owen, M. del Pozo, J. Tejada, M. Saboyá, The cohesiveness of subgroups in social networks: A view from game theory, Annals of Operations Research 158 (2008) 33-46.

F. Harary, On the notion of balance of a signed graph, Michigan Math. J. 2 (1953) 143-146.

F. Harary, Graph Theory, Addison-Wesley, 1969.

F. Harary and E. M. Palmer, Graphical Enumeration, Academic Press, 1973.

M. O. Jackson, Social and Economic Networks, Princeton, 2011.

C. Kadushin, Understanding Social Networks, Oxford, 2012.

D. Kempe, J. Kleinberg, É. Tardos, Maximizing the spread of influence through a social network, Proc. 9th ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, 137-146, 2003.

M. E. J. Newman, Networks: An Introduction, Oxford, 2010.

W. de Nooy, A. Mrvar, V. Batagelj, Exploratory Social Network Analysis with Pajek, Cambridge, 2011.

S. Wasserman, K. Faust, Social Network Analysis: Methods and Applications, Cambridge, 1994.

T. Zaslavsky, Signed graphs, Discrete Appl. Mathematics 4 (1982) 47-74.

Otra información relevante


Profesor:

Nombre: Ricardo Riaza Rodríguez
Despacho: A-310, ETS Ingenieros de Telecomunicación, UPM
Correo electrónico: ricardo.riaza@upm.es
Teléfono: +34 91 0672287

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único27/02/2024 - 02/05/2024MARTES 19:30 - 21:00-JORGE GONZALEZ ORTEGA
JUEVES 16:30 - 18:00-JORGE GONZALEZ ORTEGA