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

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2024/2025.

ANÁLISIS DE REDES SOCIALES - 607594

Curso Académico 2024-25

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.

CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.

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.

CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.

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

CE1 - Adquisición de una formación sólida y rigurosa en temas avanzados de Estadística, Matemática Computacional, Modelos Estocásticos y Metodología de la toma de Decisiones aplicadas al tratamiento de la Información.

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.

CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.

CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.

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.

CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.

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

Método expositivo.
Clases prácticas

Estudio de casos.

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

- Desarrollar una comprensión sistemática de los fundamentos de la teoría de grafos y redes, y las aplicaciones de estas teorías en el ámbito de las Tecnologías de la Información.

- Tener 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.

- Modelar sistemas reales utilizando las teorías estudiadas.

- Comunicar de forma oral y escrita resultados avanzados.

- Tener la capacidad de emplear los métodos y modelos aprendidos en futura actividad investigadora.

Contenido

1. Introducción: grafos y redes

2. Estructura y modelización de redes sociales:
a) Introducción a la teoría de las redes sociales.
b) Medidas clásicas de centralidad.
c) Medidas clásicas de cohesión. Comunidades.
d) Medidas de centralidad y cohesión basadas en juegos cooperativos.

3. Segmentación de redes sociales:
a) Equivalencia estructural y segmentación por bloques.
b) Estructuras núcleo-periferia y núcleo-semiperiferia-periferia.
c) Segmentaciones regulares.
d) Grafos con signos. Equilibrio estructural. Clusterability.

4. Dinámica en redes sociales:
a) Introducción. Dinámica de/en redes.
b) Modelos de dinámica social en tiempo discreto.
c) Modelos de dinámica social en tiempo continuo.
d) Modelos de difusión en redes sociales.

Evaluación


(75%) Entrega de trabajos
(25%) Asistencia y participación activa

Bibliografía


A.-L. BARABÁSI (2016). Network Science. Glasgow: Cambridge University Press.

A. BARRAT, M. BARTHÉLEMY & A. VESPIGNANI (2008). Dynamical Processes on Complex Networks. New York, NY: Cambridge University Press.

B. BOLLOBÁS (1998). Modern Graph Theory. New York, NY: Springer-Verlag.

U. BRANDES & T. ERLEBACH, EDS. (2005). Network Analysis: Methodological Foundations. Berlin, Heidelberg: Springer-Verlag.

P.J. CARRINGTON, J. SCOTT & S. WASSERMAN, EDS. (2005). Models and Methods in Social Network Analysis. New York, NY: Cambridge University Press.

D. EASLEY & J. KLEINBERG (2010). Networks, Crowds, and Markets: Reasoning about a Highly Connected World. New York, NY: Cambridge University Press.

D. GÓMEZ, E. GONZÁLEZ-ARANGÜENA, C. MANUEL, G. OWEN, M. DEL POZO & J. TEJADA (2003). Centrality and power in social networks: A game theoretic approach. Mathematical Social Sciences, 46(1): 27-54.

D. GÓMEZ, E. GONZÁLEZ-ARANGÜENA, C. MANUEL, G. OWEN, M. DEL POZO & M. SABOYÁ (2008). The cohesiveness of subgroups in social networks: A view from game theory. Annals of Operations Research, 158: 33-46.

M.O. JACKSON (2010). Social and Economic Networks. Princeton, NJ: Princeton University Press.

C. KADUSHIN (2012). Understanding Social Networks: Theories, Concepts, and Findings. New York, NY: Oxford University Press.

D. KEMPE, J. KLEINBERG & E. TARDOS (2003). Maximizing the spread of influence through a social network. KDD '03: Proceedings of the 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining: 137-146.

M. NEWMAN (2018). Networks. New York, NY: Oxford University Press.

W. DE NOOY, A. MRVAR & V. BATAGELJ (2018). Exploratory Social Network Analysis with Pajek: Revised and Expanded Edition for Updated Software. New York, NY: Cambridge University Press.

S. WASSERMAN & K. FAUST (1994). Social Network Analysis: Methods and Applications. New York, NY: Cambridge University Press.

Otra información relevante


Profesor:

Nombre: Ricardo Riaza Rodríguez
Despacho: A-310, ETSI en Telecomunicación, UPM
E-mail: ricardo.riaza@upm.es

Estructura

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

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único25/02/2025 - 01/05/2025MARTES 19:30 - 21:00-JORGE GONZALEZ ORTEGA
JUEVES 16:30 - 18:00-JORGE GONZALEZ ORTEGA