Escolar Documentos
Profissional Documentos
Cultura Documentos
Fagundes, R. L.∗
Mestrando em Física Estatítica
Sumário
1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Teoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1 Geometria fractal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.2 Box-counting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.3 Modelo de Soneira-Peebles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.4 Rede livre de escala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.5 Renormalização e fractalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4 Orientações para o relatório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1 Objetivos
O presente projeto tem os seguintes objetivos:
• Gerar uma rede geométrica livre de escala a partir do modelo de Soneira-Peebles (usando a classe Sonei-
raPeebles) e do mecanismo de ligação preferencial;
• Calcular a distribuição de grau de uma rede livre de escala e estimar o expoente da distribuição;
• Construir um relatório com uma breve discussão do assunto e dos resultados obtidos;
2 Teoria
2.1 Geometria fractal
Geometria fractal é uma ramo da matemática que estuda fractais, estruturas que exibem padrões similares
quando observados em diferentes níveis de detalhe. A auto-similaridade é a propriedade de que uma parte de
um objeto é similar ao objeto inteiro, Figura 2.1.
2.2 Box-counting
O método de contagem de caixas ou box-counting pode ser implementado realizando-se os seguintes procedi-
mentos:
• Construa um reticulado sobre o fractal consistindo de N (1 )2 caixas e determine o número N (1 ) de caixas
que são necessárias para cobrir o fractal;
• A cada contagem de caixas que sobrepõem o fractal, diminua a escala da caixa de modo a formar a
sequência de caixas N (1 )2 < N (2 )2 < · · · < N (n )2 ;
∗ renan_lucas@id.uff.br; https://github.com/renabridged.
1
2 2 Teoria
Fig. 2.1: Conjunto Julia é uma estrutura fractal gerada a partir de interações e números complexos. Este
conjunto pode ser derivado do conjunto de Mandelbrot, outra estutura fractal que exibe a propriedade
de auto-similaridade. Fonte: Introduction to Fractal Geometry Martin Churchill, 2004.
• Calcule os números correspondentes de caixas N (1 ), N (2 ) . . . , N (n ) necessários para cobrir o fractal;
• Construa um gráfico na escala log-log de N (n ) versus 1/n e interprete o coef. angular da reta como a
dimensão fractal do sistema.
Nesta construção temos que o número de caixas N (n ) necessário para cobrir o fractal na escala n cresce muito
rapidamente quando n −→ 0, isto implica que
ln N ()
df ∼ lim . (2.2)
−→0 ln(1/)
Esta é a definição mais comum na literatura de dimensão fractal.
• η é o número de pontos que se encontra dentro de um circulo de raio R/λ circunscrito em um circulo de
raio R R/λ;
De fato, multiplicando η por p(R/λ), temos o número de pontos N (λ) na escala λ, ou seja,
Fig. 2.2: Representação esquemática para a dedução da dimensão fractal usando a construção de Soneira-
Peebles.
Ademais, assumindo que os pontos N (λ) satisfaçam a hipótese de estruturas fractais, devemos ter N (λ) ∼
λ−df , logo
ln N (λ)
df ∼ . (2.4)
ln(1/λ)
Da geometria do problema, temos que
π(R/λ)2
p(R/λ) = = 1/λ2 (2.5)
πR2
então
ln(η/λ2 )
df ∼ (2.6)
ln(1/λ)
e, portanto,
ln η
df ∼ . (2.7)
ln λ
a qual define a dimensão fractal de uma estrutura a partir da sequência {ηn , λn }n∈N .
• Crescimento: inicia-se com m0 nós previamente ligados e a cada passo é adicionado um novo nó com
m ≤ m0 ligações [5];
• LigaçãoQ preferencial: Novos links tendem a se ligar com nós mais ligados, o que significa que a proba-
bilidade de um novo nó de se ligar com um nó i com grau ki é proporcional ki , ou seja,
Y ki
(ki ) = P . (2.8)
j kj
4 2 Teoria
Fig. 2.3: Representação topológica da internet do século XXI. Note os pontos mais claros da imagem, eles são
denominados de hubs por possuirem uma fração significativa dos links da rede. Este é um exemplo
real de uma rede livre de escala. Veremos neste projeto como estimar o expoente de escala de uma
rede semelhante. Em particular o expoente de escala da distribuição de grau da internet é γ = 3.42,
o que significa que ela é uma rede que se encontra no regime aleatório com a propriedade de mundo
pequeno. A.L. Barabási, Network science http://networksciencebook.com/.
2.4 Rede livre de escala 5
Com tais mecanismos, depois de t passos, existirão t + m0 nós com mt ligações. De fato, é conveniente
assumir que ki e t sejam variáveis contínuas
Q e que a taxa com que número de ligações ki do nó i varia seja
positiva e proporcional a probailidade (ki ), ou seja,
dki Y
= m (ki ) (2.9)
dt
onde o fator m é o número de links adicionados a rede por unidade de tempo. Assim, temos
dki ki
= mP . (2.10)
dt j kj
P
Lembrando que no instante t existem mt ligações, a soma j kj = 2mt onde o fator 2 significa uma contagem
e duplicidade dos links (os que “entram” e os que “saem”). Além disso, correções de primeira ordem podem ser
desconsideradas para t 1 , isto significa despresar a contagem dos links iniciais. Com isto, em mente, temos
dki ki
= −→ ki = Ct1/2 (2.11)
dt 2t
onde foram utilizados a separação de variáveis e integração. Se denotarmos o tempo da inserção de um nó por
ti e considerarmos a condição inicial ki (ti ) = m, é possível mostar que
1/2
t
ki (t) = m . (2.12)
ti
Este resultado nos diz que o número de links conectados ao nó i cresce com t1/2 .
Constudo, partindo da definição da função de probabilidade cumulativa, qual seja
m2 t
r.h.s = P ti > 2 (2.15)
k
Agora, lembrando que:
• existem m0 + t e um nó é adicionado a cada passo;
• o instante ti no qual o nó i é adicionado é dado por uma distribuição uniforme entre 0 e m0 + t;
• do último item, a função densidade de probabilidade p(ki ) é constante no intervalo [0, m0 + t] e é dada
por p(ki ) = 1/(m0 + t).
Destas condições, temos
m0 +t
m2 t
Z
P ti > = p(ki )dti
k2 m2 t/k2
Z 0 Z m0 +t
dti dti
= +
2
m t/k 2 m 0 + t 0 m 0+t
Z m0 +t Z m2 t/k2
1 1
= dti − dti (2.16)
m0 + t 0 m0 + t 0
m0 + t m2 t
= −
m0 + t (m0 + t)k 2
m2 t
= 1−
(m0 + t)k 2
6 2 Teoria
logo
m2 t
P [ki (t) < k] = 1 − . (2.17)
(m0 + t)k 2
Para obtermos p(k), usamos que
d
p(k) = P [ki (t) < k], (2.18)
dk
então
m2 t
d
p(k) = −
dk (m0 + t)k 2
m2 t d −2
= − (k ) (2.19)
m0 + t dk
2m2 t −3
= k
m0 + t
que para t 1, temos
p(k) ∼ k −3 . (2.20)
De modo geral, podemos escrever
p(k) ∼ k −γ . (2.21)
Renormalização ↔ Auto-similaridade
Auto-Similaridade
Propriedade de um sistema o qual possui auto-semelhança em todas as escalas (comprimento, tempo, etc.).
Exemplos: sistema sanguíneo, rede de ruas, etc.
Procedimento de renormalização em uma rede complexa:
1. Cobrir a rede inteira com caixas de tamanho (comprimento lateral) ;
2. Cada caixa é trocada por um único nó e dois nós são conectados se e somente se ao menos um link existe
entre duas caixas na rede original;
3. Aplica-se os passos 1 e 2 na rede renormalizada até se obter um único nó, fornecendo uma rede conectada
(todos os nós possuem links).
Considerando G uma rede livre de escala, então sua distribuição de probabilidade de grau é dada por
p(k) ∼ k −γ , (2.22)
onde p(k) é a probabilidade de encontrar um nó na rede G com grau k. Logo, a distribuição de probabilidade
de grau da rede renormalizada G0 é dada por
p0 (k) ∼ k −γ . (2.23)
Isto significa que uma rede livre de escala, possui uma distribuição de probabilidade de grau invariante por
renormalizações, em que o processo de renormalização pode ser entendido com sinônimo de transformação [1].
(k)
De fato, a sequência de redes k−vezes renormalizadas {G0n }n∈N , {G00n }n∈N , . . . , {Gn }n∈N , . . . possui o mesmo
expoente de escala γ.
Dados empíricos sugerem que plotando o grau k() de cada nó da rede renormalizada versus o grau kmax do
nó mais conectado da caixa correspondente de tamanho , é possível obter uma lei de escala linear
Fig. 2.4: Regimes do expoente de escala γ. hki é o número médio de ligações ou tendência central de k, hk 2 i é
o segundo momento associado ou variância de k em relação a média, hdi é o diâmetro médio da rede e
kmax é o número de ligações do maior hub da rede. Note que a maioria das redes reais livres de escala
possuem expoentes de escala no intervalo 2 < γ < 3 caracterizado pela propriedade de mundo ultra
pequeno. Uma rede tem a propriedade de mundo pequeno se tiver relativamente poucas conexões de
longa distância, mas tiver um comprimento de caminho médio pequeno em relação ao número total
de nós. 1) γ < 2 significa que o número de links que se conectam ao maior hub da rede cresce mais
rapidamente que o temanho da rede. 2) 2 < γ < 3 o número de links que se conectam ao maior hub da
rede cresce com o tamanho da rede. 3) γ > 3 indica que a distância média entre os nós converge para
a fórmula de mundo pequeno. Fonte: A.L. Barabási, Network science http://networksciencebook.com.
8 2 Teoria
onde s() é um fator de escala. Além disso, este fator s s (s < 1) escala com definindo um expoente dk
(dimensão fractal de distribuição de grau)
ln sn ()
dk = lim lim (2.26)
−→0 n−→0 ln(1/)
dk 0
N p(k) ∼ N ()p0 (k 0 ) (2.30)
dk
e impondo que k = kmax virá
−γ −γ N
N kmax ∼ N ()kmax s()−γ s() =⇒ ∼ s()−γ+1 =⇒ df ∼ (−dk )−γ+1 (2.32)
N ()
o que implica em df = −dk (−γ + 1) = dk (γ − 1) e, portanto,
df
γ =1+ . (2.33)
dk
Este resultados nos mostra que o expoente de escala γ pode ser explicado a partir da complexidade dos padrões
espaciais e geométricos da rede df e da complexidade dos padrões das conexões entre seus links dk . Quando
df = dk , temos o primeiro regime crítico A quando γ = 2, veja Figura 2.4 enquando df = 2dk temos o segundo
regime crítico B quando γ = 3. Note que a maioria das redes reais livres de escala possuem expoentes de escala
no intervalo 2 < γ < 3 caracterizado pela propriedade de mundo ultra pequeno.
Além disso, uma vez que
d1
N f
∼ , s() ∼ −dk (2.34)
N ()
é possível escrever
− ddk
N f
s() ∼ . (2.35)
N ()
Usando a expressão de γ resulta que − ddfk = 1
1−γ , logo
1
1−γ 1
1−γ
N k() N −1 1
s() ∼ =⇒ ∼ =⇒ kmax ∼ N 1−γ (2.36)
N () kmax N ()
9
Fig. 2.5: Principais statísticas de algumas redes livres de escala. N é o número de nós e L o número de links da
rede. Fonte: A.L. Barabási, Network science http://networksciencebook.com.
e, portanto,
1
kmax ∼ N γ−1 (2.37)
1
que nos diz que o hub com maior número de ligações escala com o tamanho da rede com expoente γ−1 . A
Figura 2.5 apresenta algumas redes livres de escala e algumas de suas principais estatísticas.
3 Métodos
• Classe Soneira-Peebles
• Classe FractalBox
1. Utilize a classe Soneira-Peebles para gerar os pontos de um fractal com determinada dimensão fractal. A
dimensão fractal é dada pela razão dos logarítimos dos últimos valores de η (número de pontos na última
camada) e de λ (fator de redução da última camada). Por exemplo, para gerar um fractal com dimensão
1.5, η = 8 e λ = 5. Sugestão: começe com com o mesmo número de pontos em cada camada e varie estes
valores para ver o que acontece.
2. Gerado os pontos do fractal, utilize a classe FractalBox para estimar a dimensão fractal desses pontos. A
dimensão fractal estimada é a mesma que escolheu usando os valores de η e λ na última camada? Qual o
erro relativo cometido? A dimensão fractal é maior o menor que o espaço onde os pontos estão embebidos?
Interprete este último resultado.
3. Depois de comparar a dimensão fractal escolhida e a estimada, agora é hora de gerar uma rede posicionada
com as mesmas coordenadas dos pontos obtidos do fractal.
5. Finalize o projeto elaborando um breve relatório com os pontos da seção 4 deste projeto. (Não esqueça
de incluir uma imagem da rede no relatório! Use a criatividade!)
• O que encontraram:
10 Referências
γ R2 df R2 dk
(γ ± σγ ) - (df ± σdf ) - (dk ± σdk )
– Quais os valores obtidos das dimensões fractais e do expoente de escala e seus respectivos erros e R2
?
– Qual o regime de escala da rede? Anômalo, mundo pequeno ou aleatório?
– A eq. (2.37) consegue predizer o valor de kmax ? Jutifique sua resposta;
• Imagens da rede e dos gráficos gerados;
• Tabela 1 com o expoente de escala γ estimado e as dimensões df e dk com as incertezas e os respectivos
coeficientes de determinação (R2 ) para γ de df .
• Breve discussão dos resultados encontrados;
• Conclusões,
• O que acharam do projeto (em poucas palavras).
Uma vez que
df
dk = → dk = dk (df , γ) (4.1)
γ−1
temos
s 2 2
∂dk ∂dk
σdk = σf2 + σγ2 . (4.2)
∂df ∂γ
Assim, como
∂dk 1 ∂dk df
= , =− (4.3)
∂df γ−1 ∂γ (γ − 1)2
temos
s
σf2 d2f σγ2
σdk = +
(γ − 1)2 (γ − 1)4
s
σf2 (γ − 1)2 d2f σγ2
= + (4.4)
(γ − 1)4 (γ − 1)4
s
σf2 (γ − 1)2 + d2f σγ2
=
(γ − 1)4
1 q
= σf2 (γ − 1)2 + d2f σγ2
(γ − 1)2
que a incerteza padrão da dimensão fractal da distribuição de grau dk (Verifiquem!).
Referências
[1] Molontay, R. Fractal Characterization of Complex Networks. MSc Thesis. Budapest Univer-
sity of Technology and Economics Institute of Mathematics Department of Stochastics. 2015.
https://math.bme.hu/∼molontay/Msc_MolontayR.pdf.
[2] Bunde, A. Havlin, S. Fractal in Science. Springer-Verlag. 1994.
[3] Barabási, A. L. Network Science. Cambridge University Press, 2016. http://networksciencebook.com/.
[4] P.J.E. Peebles, The fractal galaxy distribution, Physica D: Nonlinear Phenomena, Volume 38, Issues 1–3,
1989, Pages 273-278, ISSN 0167-2789, https://doi.org/10.1016/0167-2789(89)90205-4.
[5] D. H. Rothman. Modeling Environmental Complexity. Lecture notes for 12.086/12.58, MIT. 2014.
Referências 11
Fig. 4.1: Rede livre de escala gerada por mim. Dados obtidos a partir da simulação.
η λ dteo
f = ln η/ ln λ # interações γ R2 dsim
f R2 dk N hsteo ()i teo
kmax sim
kmax
9 4 1.58 500 (1.75 ± 0.39) 0.98 (1.59 ± 0.01) 1 (2.18 ± 1.10) 960 (2 ± 2) × 10−2 45 306
Fig. 4.2: (Esquerda) Pontos gerados pelo modelo de Soneira-Peebles ln η/ ln λ = 1.58. (Centro) Distribuição de
grau da rede livre de escala. (Direita) Dimensão fractal estimada.