2026-1

Laboratorios

8 laboratorios reproducibles en Python para convertir preguntas relacionales en grafos auditables, métricas interpretables, modelos nulos y evidencia comunicable. Los notebooks complementarios profundizan decisiones metodológicas que suelen cambiar la interpretación de una red.

8 labs 3 complementarios Python · NetworkX Google Colab

Lab

Cómo usar los notebooks

Usa Colab para ejecutar el notebook en navegador, o GitHub para revisarlo como artefacto reproducible. Los complementarios separan el procedimiento técnico de sus supuestos: proyecciones, modelos nulos y estabilidad de comunidades.

Construcción de grafos con NetworkX, carga desde archivos de texto y auditoría inicial de grado, conectividad, duplicados, self-loops y consistencia de la representación.

NetworkX Fundamentos

Construcción de grafos bipartitos, proyecciones 1-mode y cuantificación de sesgos. Aplicación en datos de compras públicas (empresa–organismo).

Bipartitas Proyecciones 1 complementario

Recurso interactivo Abrir

Grado, betweenness, closeness y eigenvector como familias de features. Construcción de un feature store por nodo y análisis de sensibilidad frente a pesos, umbrales y ventanas de observación.

Centralidades Feature Store

Erdős-Rényi, Watts-Strogatz y Barabási-Albert como baselines explícitos. Comparación de clustering, distancias y distribuciones de grado para separar señal estructural de artefactos.

Modelos Nulos Inferencia 1 complementario

Leiden y Louvain con análisis de estabilidad, k-core y core-periphery. Aplicación en compras públicas para distinguir segmentos, dependencias y límites de interpretación.

Comunidades Louvain · Leiden 1 complementario

Recurso interactivo Abrir

Simulación SIR/SIS y comparación de intervenciones aleatorias, por grado y por k-core. Umbrales, heterogeneidad y rol de la estructura en velocidad y alcance de la propagación.

Difusión SIR · SIS

Recurso interactivo Abrir

Rewiring y permutation tests sobre modularidad. Evaluación sin leakage en grafos y checklist ético para inferencia, privacidad y comunicación responsable.

Inferencia Ética

Node embeddings vs. GNN. Casos industriales en fraude, recomendación y bioinformática. Criterios para no usar GNN y pautas de evaluación para evitar leakage relacional.

GNN Embeddings ML

Notebooks complementarios

profundización práctica por unidad

U2 Bipartitas

Proyecciones bipartitas

Ejercicios adicionales para construir redes bipartitas desde datos tabulares y comparar sus dos proyecciones sin perder de vista los sesgos por nodos de alta actividad.

GitHub Colab

U4 Modelos nulos

Replicación de modelo nulo bipartito

Replica la lógica inferencial de Lyra et al. para co-bidding firma-firma usando Jaccard centrado, randomizaciones bipartitas y comparación contra un baseline explícito.

GitHub Colab

U5 Comunidades

Comunidades en redes tradicionales

Workflow con Karate Club y Les Misérables para estabilidad, sensibilidad a resolution, representación ponderada/no ponderada y contraste Louvain/Leiden.

GitHub Colab