Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV
Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
Pourquoi s intérésser aux réseaux sociaux? Une catégorie très générale et très fréquente des situations d interaction économiques et sociales Joue un rôle dans les comportements des agents et dans les issues individuelle et collective de leurs interactions.
Pourquoi s intérésser aux réseaux sociaux? Une catégorie très générale et très fréquente des situations d interaction économiques et sociales Joue un rôle dans les comportements des agents et dans les issues individuelle et collective de leurs interactions.
Familles florentines et influence
Collaborations scientifiques
Information et internet
Relations amicales et origine ethnique
Romances Introduction
L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
Evaluation pour M2-R Economie Applique Choix d un article de recherche qui doit être présenté et discuté dans un document.
Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
Sections : Introduction L expérience de Milgram Les réseaux aléatoires 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
Les petits mondes L expérience de Milgram Les réseaux aléatoires
Les petits mondes L expérience de Milgram Les réseaux aléatoires
Les petits mondes L expérience de Milgram Les réseaux aléatoires 64 essais ont atteint la cible et, cela a pris en moyenne 5.2 intermediaires et maximum de 12. La légende des six degrés de séparation est née!
Les petits mondes L expérience de Milgram Les réseaux aléatoires 64 essais ont atteint la cible et, cela a pris en moyenne 5.2 intermediaires et maximum de 12. La légende des six degrés de séparation est née!
Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
L expérience de Milgram Les réseaux aléatoires Mesures globale de distance moyenne La distance moyenne (des agents sur leur composant) : i j i d (g) = d (i, j) 1 {i g j } # {i, j i j N, i g j }.
Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de 150.000 sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de 150.000 sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de 150.000 sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de 150.000 sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).