BC-0506: Comunicao e Redes

Semana 4: Leis de Potncia

Santo Andr, 1T2010

Leis de Potncia
Distribuies de probabilidade
Leis de potncia e escalas logartmicas
Interpretando as leis de potncia

Parte 1: Introduo

A lei do 80/20
Vilfredo Pareto, importante economista italiano
Durante sua jardinagem:
80% das peras produzidas por 20% das rvores

Comeou a notar o padro em outras reas

80% das terras

20% da populao

80% dos lucros

20% dos funcionrios

80% dos problemas 20% dos clientes

80% das decises

20% de uma reunio

80% dos crimes

20% dos criminosos

A lei do 80/20
Existem outros cenrios em que a lei 80/20 no
diretamente aplicvel, mas temos algo prximo:
80% dos hyperlinks 15% das pginas
80% das citaes

38% dos cientistas

Utilizamos o termo lei de potncia para descrever

Duas variveis onde uma varia de acordo com
uma potncia da outra
f(x) = a xk + o(xk)

Sistemas complexos e leis de

potncia
Sistemas complexos so compostos por unidades que
interagem de forma no-linear.
Frequentemente possuem propriedades aderentes
s leis de escala ou leis de potncia
Uso de leis de potncia
Tentativa de construir um arcabouo terico para
o entendimento destes sistemas
Origem teorias da fsica, como a teoria do caos

Parte 2: Distribuies de
probabilidade

O Andar do Bbado
Descreve como a
aleatoriedade afeta as
nossas vidas e como as
pessoas costumam
ignor-la e mesmo
interpret-la
erroneamente (como
sorte ou azar, por
exemplo)

Varivel Aleatria
Mapeamento de um evento (resultado de um
experimento aleatrio) em um nmero
Exemplos:
X = estado do servidor: 1 ativo, 0 inativo
Y = nmero de pacotes IP por intervalo de tempo
Z = atraso estabelecimento conexo TELNET
Experimento: lanar um dado
A = valor facial
B = 0 valor 3 1 valor 4
C = 0 valor par 1 valor mpar
10

Variveis Discretas e Contnuas

Uma varivel aleatria discreta se o nmero de
resultados possveis finito ou pode ser contado
Variveis aleatrias discretas so determinadas por uma
contagem
-2

-1

Uma varivel aleatria contnua se pode assumir

qualquer valor dentro de determinado intervalo
O nmero de resultados possveis no pode ser listado
Variveis aleatrias contnuas so determinadas por uma medio
Nmero de resultados infinitos
11

Eventos independentes
Dois eventos so independentes a ocorrncia de
um no afeta a probabilidade do outro
A existncia ou no de relao de dependncia
pode modificar concluses de uma simulao
Eventos dependentes
Nmero de pacotes que chegam em um roteador
Nmero de pacotes descartados

Eventos independentes
Nmero de chamadas que chegam a um central telefnica
Durao das chamadas
12

Distribuio de probabilidade
Descreve a chance que uma varivel pode assumir
ao longo de um espao de valores
A soma de todas as probabilidades deve ser 1

Varivel discreta
Tabela especificando a probabilidade de que a
varivel assuma cada um dos valores possveis

Varivel contnua
Funo especificando a probabilidade de que a
varivel assuma um valor em cada um dos intervalos
possveis
13

Distribuio discreta de
probabilidade
Determina o comportamento de uma varivel
aleatria discreta,
discreta atribuindo probabilidades a
todos os possveis valores
Exemplo: varivel X (estado do servidor)
P[X=1] = p1
P[X=0] = p2
O conjunto {p1, p2} a distribuio de probabilidade
da varivel aleatria discreta X

14

Funo acumulada e densidade

No caso de variveis contnuas, define-se uma
funo de distribuio acumulada FX(x) que
determinada a probabilidade da varivel assumir
um valor menor ou igual a um determinado valor x
x

FX ( x) P ( X x) f X (u )du

onde, fX(x) a funo de densidade de

probabilidade ou somente densidade

15

Distribuio de Poisson
Parmetro: (mdia)

e x
P[ x]
, 0
x!
Utilizao:

Nmero de chegadas em um determinado tempo

Nmero de chamadas telefnicas em um tempo t
Nmero de conexes TCP em um tempo t

Exemplo:

X = nmero de conexes FTP por hora

Em determinado servidor = 3,5
P(X = 2) = 0,185
16

Distribuio de Poisson
0.25

Histogram of y

0.10

Density

0.15

0.20

= 10

0.00

0.05

Gerao: R
(http://www.r-project.org)

10

15

20

25

17

Distribuio Uniforme
Parmetros: a e b (limite inferir e superior)

1
f X ( x)
, a xb
ba
0, outros casos

Utilizao:
Varivel limitada sem informao adicional
Direo de movimentao de um usurio em um rede
celular
Distncia entre fonte e destino em uma rede
Probabilidade de um pacote conter um erro
18

Distribuio Uniforme
0.10

Histogram of y

a=0

0.00

0.02

0.04

Density

0.06

0.08

b = 10

10

19

Distribuio Exponencial
Parmetro: (mdia)
f X ( x) e x , 0, x 0

0, outros casos

Utilizao:
Tempos entre eventos sucessivos
Tempo entre chamadas telefnicas
Tempo entre requisies a um servidor TELNET
Tempo entre falhas de um equipamento
20

Distribuio Exponencial
0.08

Histogram of y

0.04
0.02
0.00

Density

0.06

= 10

20

40

60

80

100

120

21

Distribuio Normal (Gaussiana)

Parmetros: , (mdia e desvio padro)
1
x 2 / 2 2
f ( x)
e
, 0
2

Utilizao:
Aleatoriedade causada por vrias fontes
independentes agindo em conjunto
Erros em medies

22

Distribuio Normal (Gaussiana)

0.4

Histogram of y

0.2
0.1
0.0

D ensity

0.3

Normal Padro
=0
=1

-4

-2

23

Mdia ou valor esperado

A mdia denota o valor esperado de uma varivel
aleatria
Mdia distribucional
n

E ( X ) pi xi xf X ( x)dx
i 1

Mdia amostral (estimador)

1 n
x i 1 xi
n
24

Varincia e desvio padro

A mdia no d informao sobre disperso
Ex: conjuntos {5,10,15} e {0,10,20}, com mdia 10

Varincia e desvio padro medem a disperso

dos dados em relao mdia
Varincia amostral (estimador)
1 n
2
i 1 ( xi x ) 2
n
Desvio padro =
25

Distribuies gaussianas
Quando um estatstico
estuda certos dados, ele
utiliza uma ferramenta
indispensvel: um grfico
em forma de sino que
representa a distribuio
gaussiana ou normal dos
dados

26

Distribuies gaussianas
As distribuies gaussianas so definidas a partir de
uma funo densidade de probabilidades que se
escreve da seguinte forma:

onde x a varivel aleatria,

a mdia da distribuio, e
denomina-se desvio-padro.

27

Exemplo
Desejamos medir o comprimento de uma mesa, que ser
nossa varivel aleatria x.
Ao realizarmos N medidas sucessivas obtemos uma
estimativa do valor mdio por

tende ao valor de

a medida que N tende ao infinito

Dessa forma temos que:

Onde k uma constante

Ou seja, o desvio-padro nos d uma boa aproximao do

erro cometido na estimao da mdia
28

Teorema Central do Limite

Distribuies gaussianas so, supostamente, a
norma da natureza, cuja larga aplicabilidade
resulta do teorema central do limite :
Temos um grande nmero de eventos aleatrios
independentes, com mesmo valor esperado e
desvio padro
O conjunto de suas contribuies se aproxima da
distribuio normal, com mdia e varincia 2

29

Exemplo: Passeio aleatrio

Compostos por uma varivel xi pode assumir aleatoriamente
os valores s. Por exemplo:
Bbado tentando ficar em p (1D)
O caminho de um animal em sua caada (2D)
Trajetrias de molculas
de um gs (3D)
No caso unidimensional,
aps N passos, a posio
do bbado ser dada por:

30

Exemplo: Passeio aleatrio

Pelo teorema do limite central, como os passos xi:
so independentes
possuem desvio-padro finito
a funo densidade de probabilidade dada por:

ser gaussiana medida que N , mesmo que cada xi no

obedea distribuio normal

31

Parte 3: Leis de potncia e

escalas logartmicas

32

Leis de Potncia
Uma lei de potncia um tipo especial de relao
matemtica entre duas quantidades
Quando o nmero ou frequncia de um objeto ou
evento varia conforme a potncia de algum atributo
do objeto (ex.: o tamanho), diz-se que esse nmero
ou tamanho segue uma lei de potncia
Exemplo:
O nmero de cidades que tem uma certa
populao varia conforme uma potncia do
tamanho da populao

33

Lei de Potncias
Diversas distribuies, tanto de fenmenos naturais
quanto humanos, so compostos por:
Um grande nmero de fenmenos comuns
Um pequeno nmero de fenmenos raros

Estes fenmenos frequentemente apresentam

regularidades nas quais:
O tamanho P(x) de um evento pode ser
associado a alguma propriedade x do evento
atravs de uma simples escala, do tipo:
P(x) = a xk + o(xk)

34

Aplicaes da Regra 80-20

80-20 uma regra de ouro nos negcios; por exemplo,
"80% de suas vendas vm de 20% de seus clientes"
Matematicamente, quando algo compartilhado entre
um conjunto suficientemente grande de participantes
deve haver um nmero k entre 50 e 100%, tal que
k% desse conjunto utilizado por (100 - k)% dos
participantes
k pode variar de 50 (no caso da distribuio uniforme) para
cerca de 100 (quando um pequeno nmero de participantes
responsvel por quase todos os recursos)
No h nada especial sobre o nmero de 80% matematicamente, mas muitos sistemas reais tero esse nmero k em
algum lugar onde haver desequilbrio na distribuio
35

Regra 80-20 e Leis de Potncia

O Princpio de Pareto (80-20) uma ilustrao de uma
relao de leis de potncia, o que tambm ocorre em
fenmenos como incndios florestais e terremotos
Por ser auto-similar ao longo de um vasto leque de
magnitudes, produz resultados completamente
diferentes dos fenmenos de distribuio gaussianos
Este fato explica as frequentes quebras de
sofisticados instrumentos financeiros
So modelados no pressuposto de que uma relao
gaussiana adequado para, por exemplo, tamanhos
de movimento de mercado (aes)

36

Leis de potncia - exemplos

Um terremoto duas vezes maior quatro vezes mais raro. Se
esse padro vale para terremotos de todos os tamanhos
Dizemos que a distribuio "escala"
Leis de potncia tambm descrever outros tipos de
relacionamentos, tais como:
A taxa metablica de uma espcie e a sua massa corporal
(chamada lei Kleiber)
O tamanho de uma cidade e o nmero de patentes que
produz
O que isto significa que na relao no existe tamanho
tpico no sentido convencional
Leis de potncia so encontrados nos mundos naturais e
artificiais, e uma rea ativa de investigao cientfica
37

Definio
A lei de potncia uma relao polinomial que exibe a
propriedade de invarincia de escala. As leis de potncia
mais comuns relacionam duas variveis e tm a forma
onde

a e k so constantes
e o(xk) uma funo assintoticamente pequena

k normalmente chamado o expoente de escala

38

Escalando a funo
O reescalonamento do argumento da funo muda a
constante de proporcionalidade, mas preserva a
forma da funo

log(f(x)) = k.log(x) + log (a)

Esta expresso tem uma relao linear com a
inclinao k
Esta linha reta denominada assinatura da lei de
potncia
O reescalonamento de x produz apenas um
deslocamento da funo para cima ou para baixo

39

Frequncia de palavras (Zipf Law)

f(x) = x

Frequencia x Rank de palavras do

Browns English dictionary

log( f(x) ) = k. log(x)

40

Frequncia de palavras (Zipf Law)

41

Propriedade: Invarincia Escala

A principal propriedade das leis de potncia que as
tornam interessantes a sua invarincia escala
Dada a relao f(x) = a.xk, escalonando o argumento x
por um fator constante causa apenas um escalonamento
proporcional da prpria funo. Isto :

Um exemplo de invarincia escala so os fractais

Eles permanecem iguais no importando quanto nos
aproximamos ou distanciamos do grafo

42

Invarincia Escala (Fractais)

43

Aplicaes
Leis de potncia um tema de pesquisa ativa em
muitos campos da cincia, incluindo:
Fsica
Cincia da computao
Lingstica
Geofsica
Sociologia
Economia e muito mais.

46

A teoria Black Swan

Inventando por Nassim
Taleb, usada para explicar
a existncia e ocorrncia de
eventos raros tem altssimo
impacto e so dificlimos de
prever, de modo que caem
fora do que ns podemos
esperar
Algumas pessoas tentam
usar um modelo gaussiano
para lidar com problemas
tipicamente Black Swan e
por isso no conseguem
prev-los
47

Parte 4: Interpretando as leis

de potncia em redes e grafos

48

Distribuio de lei de potncia

Veremos atravs de uma comparao de
caractersticas entre uma mapa rodovirio e um
mapa de rotas areas

49

Distribuio de lei de potncia

No mapa rodovirio as cidades so os ns e as autoestradas conectando elas so as arestas
Esta uma rede razoavelmente uniforme: cada grande cidade
possui pelo menos uma conexo com o sistema se autoestradas, e no h cidades servidas por centenas de estradas.
A maioria dos ns so similares, grosseiramente com o mesmo
nmero de conexes

No mapa de rotas areas os ns so aeroportos

conectados entre si por vos diretos entre si
Existem alguns hubs, de onde vos partem para quase todos
os demais aeroportos. A grande maioria dos aeroportos so
pequenos, aparecendo como ns com no mximo poucos vos
conectando-os com um ou mais hubs. Portanto, poucos hubs
se conectam com muitos pequenos aeroportos
50

Distribuio de lei de potncia

Leis de potncia formulam matematicamente o
fato que em redes reais a maioria dos ns
possuem apenas poucos links e que estes
numerosos pequenos ns coexistem com poucos
grandes hubs ns com grande nmero de links
Nesse caso, no h ns com nmero de links prximo da mdia,
como visto nas redes aleatrias. Essa distribuio pelos
extremos de um grfico estatstico, com relao ao nmero de
links, leva ao conceito de redes sem-escala.

51

Distribuio de lei de potncia

A distribuio de uma rede aleatria segue curva tipo Sino, onde a
maioria dos ns possui o mesmo nmero de links
A distribuio de lei de potncia das redes sem-escala prediz que a
maioria dos ns tem poucos links mantidos juntos com hub
altamente conectados.

52

Rede de Alcane Mundial

World Wide Web (WWW)
A Web forma uma rede de informao, funcionando como um
servio da Internet

Pginas contm links para outras pginas

Algumas pginas so extremamente mais referenciadas do que
outras (grandes portais, por exemplo)
Algumas pginas referenciam uma quantidade enorme de
outras pginas (mecanismos de busca, como o Google)

53

Distribuio - WWW
Exemplo de Varivel
Aleatria
Nmero de links
(referncias) de cada
Pgina Web para outras
Pginas Web

Segue distribuio de uma

lei de potncia

54

Redes de Citaes de Artigos

Artigos citam outros artigos
Estrutura: alguns
pesquisadores publicam
muito mais e so muitos mais
citados do que outros
Ex. de varivel aleatria:
nmero de citaes,
recebidas ou realizadas por
cada artigo (ou autor);
numero de vrtices; etc.

distribuio de lei de potncia

55

Redes de Citaes de Artigos

Redes de Citaes so aciclicas pois os artigos
somente podem citar outros artigos que j tenham sido
escritos, mas no aqueles que ainda no foram
escritos.
Um estudo quantitativo de Alfred Lotkas, de 1926,
discobriu-se o que foi conhecido como Lei da
Produtividade Cientifica:
A distribuio do nmero de artigos escritos por
cientistas seguem uma lei de potncia.
Isto , o nmero de cientistas que tenham escritos
k artigos tem decaimento de k, sendo constante.
56

Redes de Citaes de Artigos

A rede formada por citaes foi discutida num artigo
de Price [1965], em que entre outras coisas, o autor
aponta pela primeira vez que ambas distribuies (indegree e out-degree) da rede, seguem as leis de
potncia
Muitos outros estudos de redes de citaes foram
realizadas desde ento, inclusive usando os recursos
cada vez melhores disponibilizadas em bancos de
dados de citaes

57

Conceituao: Grau da Rede - Degree

Grau da Rede - Degree: o nmero de arestas
conectadas a um vrtice
Note que o grau no necessariamente igual ao
nmero de vrtices adjacentes a um vrtice, pois
podem haver mais de uma aresta entre dois vrtices
quaisquer
Um grafo direcionado possui ambos tipos de grau: um
in-degree (grau de entradas) e um out-degree (grau
de sadas) para cada vrtice, que denotam o nmero
de arestas entrando e saindo, respectivamente.

58

Distribuies de Grau da Rede

Definimos pk como sendo a poro de vrtices da rede
que possuem grau k
Equivalentemente, pk a probabilidade que um vrtice
escolhido de maneira aleatria tenha um grau k
Um grfico de pk para qualquer rede pode ser formado
pela construo do histograma dos graus dos vrtices da
rede
Este histograma a distribuio de grau da rede
Num grafo aleatrio do tipo estudado por Erdos e Renyi [1959,
1960, 1961], cada aresta est presente ou ausente com
probabilidades iguais, e portanto a distribuio de grau so do
tipo binomial, ou Poisson no limite de grafos de grande tamanho
59

Distribuies de Grau da Rede

Redes do mundo real so na maioria dos casos
bem distintos dos grafos aleatrios nas suas
distribuies de grau
Longe de possuir uma distribuio de Poisson, os
graus de vrtices na maior parte das redes so
altamente inclinadas para a direita, significando
que suas distribuies possuem uma longa cauda
para a direita em valores que esto bem acima da
mdia

60

Histograma de Grau
A medio dessa cauda um pouco complicada. Embora
em uma teoria temos apenas que construir um
histograma dos graus, na prtica raramente tem-se
medies suficientes para conseguir boas estatsticas
na cauda, e histogramas diretos so geralmente
ruidosos
Existem duas formas aceitas para contornar este
problema
Uma delas construir um histograma no qual os tamanhos
das faixas aumentam exponencialmente com o grau. Por
exemplo, as primeiras faixas podem cobrir graus 1, 2-3, 4-7,
8-15, e assim por diante. O nmero de amostras em cada
faixa ento dividido pela largura da faixa para normalizar
a medio
61

Histograma de Grau
Esse mtodo de construo de um histograma
muitas vezes usado quando o histograma ser
traado com uma escala logartmica de grau, de modo
que as larguras das faixas vo parecer iguais.
Devido as faixas ficarem mais largas a medida que
vamos em direo cauda, os problemas com as
estatsticas so reduzidas, embora eles ainda
estejam presentes, numa certa medida, enquanto pk
decai mais rpido do que k-1, o que deve acontecer
caso a distribuio seja integrada

62

Funo distribuio acumulada

Uma maneira alternativa de apresentar os dados
dos graus dos vrtices construir um grfico da
funo de distribuio acumulada:

que a probabilidade que o grau seja maior ou

igual a k.

63

Funo distribuio acumulada

Tal grfico possui a vantagem de que todos os
dados originais esto sendo representados
Quando construmos um histograma convencional
por agrupamento de faixas, as eventuais
diferenas entre os valores de pontos de dados
que se enquadram na mesma faixa so perdidas
A funo distribuio acumulada no sofre deste
problema. A distribuio acumulada tambm
reduz o rudo na cauda

64

Funo distribuio acumulada

Na figura da pgina a seguir, apresentam-se
distribuies acumuladas de grau de rede, para
vrias redes j mencionadas anteriormente.
Conforme mostrado na figura, as distribuies
so de fato inclinadas para a direita. Muitas
delas seguem as leis de potncia nas suas caudas:
pk ~ k para um expoente constante .

65

Distribuies de Grau Acumuladas [Newman]

.

66

Exerccios
Para os grafos dados a seguir:
i) Calcule o grau de todos os vrtices do grafo (indegree e out-degree, para grafos direcionados)
ii) Calcule a mdia dos graus dos vrtices e o desvio
padro
iii) Calcule e esboce um histograma dos graus
iv) Calcule e esboce a distribuio acumulada das
probabilidade de grau

67

Grafos do exerccio
a)

c)

b)

d)

68

Exerccio a)
i. Graus:
1Gin= 2; 1Gout=1;

Calculo do desvio padrao

2Gin=2; 2Gout=3;

=Sqrt( (Soma(xi-)2)/(N-1) )

3Gin=1; 3Gout=1;
4Gin=1; 4Gout=2;
5Gin=2; 5Gout=1.

ii. Mdia:
Gin = 8/5 = 1.6
Gout = 8/5 = 1.6

Gin:
=Sqrt( ( (2-1.6)2+ (2-1.6)2+
(1-1.6)2+ (1-1.6)2)+ (2-1.6)2 ) /
4) = 0.55
in=0.55

Gout:
=Sqrt( ( (1-1.6)2+ (3-1.6)2+
(1-1.6)2+ (2-1.6)2)+ (1-1.6)2 ) /
4) = 0.89
out=0.89
69

Exerccio a)- iii. histograma

Nmero de ocorrncias de
cada grau

Gin
Gin=0: 0
Gin=1: 2 vezes
Gin=2: 3 vezes
Gin=2: 0

Gout
Gin=0: 0
Gin=1: 3 vezes
Gin=2: 1 vez
Gin=2: 1 vez

Grfico Histograma
histograma Gin

3
2
1
0

1.5

histograma Gout

3
2
1
0

1.5

2.5

70

Exerccio a)- iv. distribuio acumulada

calculo das
probabilidades
Gin:
p(1) = 2/5 = 0.4
P(2) = 3/5 = 0.6

Grfico Distribuio acumulada

1

0.5

Gout:
p(1) = 3/5 = 0.6
p(2) = 1/5 = 0.2
p(3) = 1/5 = 0.2

Dist.Cumulativa Gin

Dist.Cumulativa Gout

0.5

Errata: sempre inicia-se com valor 1, em p=0.

71

Exerccio b)
i. Graus:
S.Gin=0; S.Gout=2;
O.Gin=1; O.Gout=2;
P.Gin=2; P.Gout=1;
Q.Gin=1; Q.Gout=2;
R.Gin=2; R.Gout=1.
T.Gin=2; T.Gout=0

ii. Mdia:
Gin = 8/5 = 1.6 (=0.87)
Gout = 8/5 = 1.6 (=0.87)

iii.histograma
Gin e Gout:
G=0: 1 vez
G=1: 2 vezes
G=2: 3 vezes

iv. distrib. acumulada

p(0)=1/6
p(1)=2/6
p(2)=3/6
P(k)= {1, 5/6, 3/6, 0 }
72

Referncias
Barabasi, A.L., Linked: How Everything Is Connected
to Everything Else and What It Means for Business,
Science and Everyday Life, Plume, 2003.
Newman, M., The Structure and Function of Complex
Networks, Siam Review, Vol. 45, No 2, pp.167256,
2003.
Clauset, A.; Shalizi, C.R.; Newman, M., Power-law
distributions in empirical data, Siam Review, Vol. 51,
No 4, pp.661703, 2009.

73

Apndices

74

A Regra 80-20
O princpio de Pareto, tambm conhecido como a
regra 80-20, entre outros nomes, estabelece
que, para muitos eventos, aproximadamente 80%
dos efeitos (consequncias) so provenientes de
20% das causas. [3]
O economista italiano Vilfredo Pareto, que observou
em 1906 que 80% das terras na Italia eram
pertencentes 20% da populao, devenvolveu o
princpio pela observao de que 20% das vagens de
ervilha em seu jardim continham 80% das ervilhas.
[3] http://en.wikipedia.org/wiki/80-20_rule
75

Aplicaes da Regra 80-20

80-20 uma regra de ouro nos negcios; por exemplo,
"80% de suas vendas vm de 20% de seus clientes."
Matematicamente, quando algo compartilhado entre um
conjunto suficientemente grande de participantes, deve
haver um nmero k entre 50 e 100% tal que k% desse
conjunto utilizado por (100 - k)% dos participantes.
k pode variar de 50 (no caso da distribuio uniforme) para
cerca de 100 (quando um pequeno nmero de participantes so
responsveis por quase todos os recursos).
No h nada especial sobre o nmero de 80%
matematicamente, mas muitos sistemas reais tero esse
nmero k em algum lugar onde haver desequilbrio na
distribuio.
76

Regra 80-20 e Leis de Potncia

O Princpio de Pareto uma ilustrao de uma relao
de leis de potncia, o que tambm ocorre em
fenmenos como incndios florestais e terremotos.
Por ser auto-similar ao longo de um vasto leque de
magnitudes, produz resultados completamente
diferentes dos fenmenos de distribuio gaussianos.
Este fato explica s frequentes quebras de
sofisticados instrumentos financeiros, que so
modelados no pressuposto de que uma relao gaussiana
adequado para, por exemplo, tamanhos de movimento
de mercado (aes).
77

Atividade para Entregar

78

Atividade para Entrega

Uma rede de informao possui uma topologia representada por um grafo cuja matriz de
adjacncias dada a seguir.

Utilizando recursos computacionais, elabore uma programa para calcular: i) os graus in-degree e
out-degree de todos os vrtices do grafo; ii) a mdia dos graus dos vrtices e o desvio padro; iii)
o histograma dos graus; iv) a distribuio acumulada das probabilidade dos graus. Apresente o
resultado na forma de vetor. Esboce o grfico manualmente do histograma e da distribuio
acumulada.
Entregue o programa em arquivo, e os resultados e o grafico impressos.
Obs: Os custos das arestas no so usados.
79