Nodos (Vértices)

Son los puntos o elementos individuales que conforman el grafo. Representan las entidades o ítems de interés en el problema que se está modelando.

Ejemplos: personas en una red social, ciudades en un mapa o páginas web en Internet.

Adicionalmente, las aristas pueden tener

pesos (o ponderaciones), que son valores numéricos asignados para representar alguna magnitud o costo asociado a esa conexión, como la distancia entre dos ciudades, el tiempo de viaje, el costo de una conexión de red o la intensidad de una relación

Representan la "fuerza", el "costo", la "distancia" o alguna otra métrica de la conexión entre dos nodos.

Ejemplos: el tiempo o la distancia de una ruta entre ciudades, el costo de una llamada telefónica, la frecuencia de interacción en una red social.

En un grafo no dirigido, las aristas representan conexiones bidireccionales, es decir, si existe una arista entre el nodo A y el nodo B, la relación va en ambas direcciones (de A a B y de B a A) sin distinción de sentido.

No hay una "dirección" específica en la relación.

Ejemplo: Una amistad en una red social (si A es amigo de B, B es amigo de A).

• Un grafo ponderado es cualquier grafo (dirigido o no dirigido) cuyas aristas tienen un "peso" o valor asociado.

Estos pesos pueden representar costos, distancias, tiempos, capacidades o cualquier otra magnitud relevante para la conexión entre los nodos.

Ejemplo: Un mapa de carreteras donde el peso de cada arista es la distancia en kilómetros entre dos ciudades, o una red de telecomunicaciones donde el peso es el costo de una conexión

En contraste, en un grafo dirigido (o digrafo), las aristas tienen una dirección específica, lo que significa que la relación va solo en un sentido.

Una arista de A a B no implica automáticamente una arista de B a A.

Ejemplo: Calles de sentido único en una ciudad, seguidores en redes sociales (yo sigo a alguien, pero esa persona no necesariamente me sigue a mí), o enlaces web (una página enlaza a otra, pero no viceversa).

• ¿Qué modela? En este escenario, cada almacén, centro de distribución o punto de entrega (clientes) se representa como un nodo en el grafo. Las carreteras o rutas posibles entre estos puntos son las aristas.

• ¿Qué son los pesos? Los pesos en las aristas pueden ser la distancia física, el tiempo estimado de viaje (considerando el tráfico), el costo del combustible, o incluso factores como la capacidad de carga del camión.

• ¿Cómo se optimiza? Los algoritmos de grafos (como el algoritmo de Dijkstra para la ruta más corta o algoritmos de ruteo de vehículos) se aplican para encontrar la secuencia óptima de visitas para un camión o una flota. El objetivo es minimizar la distancia total recorrida, el tiempo de entrega o el costo operativo, asegurando que todas las entregas se realicen eficientemente. Esto es crucial para empresas como Amazon, UPS o cualquier servicio de paquetería

¿Cómo funciona?

Para grafos no dirigidos: A[i][j] = 1 si hay una arista entre i y j, y 0 en caso contrario. La matriz es simétrica (A[i][j] = A[j][i]).

Para grafos dirigidos: A[i][j] = 1 si hay una arista de i a j, y 0 en caso contrario. La matriz no tiene por qué ser simétrica.

Para grafos ponderados: En lugar de 1, la celda A[i][j] almacena el peso de la arista entre i y j, y 0 (o infinito, según la convención) si no hay arista.

Ventajas: Facilita la comprobación rápida de la existencia de una arista entre dos nodos y la identificación de aristas paralelas. Útil para grafos densos (con muchas aristas).

Desventajas: Consume mucha memoria para grafos dispersos (con pocas aristas), ya que la mayoría de las celdas serán cero.

¿Cómo funciona?

Para grafos no dirigidos: B[i][j] = 1 si el nodo i es un extremo de la arista j, y 0 en caso contrario.

Para grafos dirigidos: B[i][j] = 1 si el nodo i es el punto de partida de la arista j, -1 si es el punto de llegada, y 0 si no está relacionado con la arista.

Ventajas: Es útil para identificar rápidamente las aristas incidentes a un nodo y para manejar grafos con múltiples aristas entre los mismos dos nodos.

Desventajas: Puede ser menos intuitiva para operar directamente y también puede ser densa en memoria para grafos muy grandes.

Esta es la alternativa más popular a las matrices para grafos dispersos (con pocas aristas). Consiste en un array (o un diccionario/mapa) de V listas. Por cada vértice i, hay una lista que contiene todos los vértices adyacentes a él.

Usando el mismo ejemplo gráfico (A, B, C, D):

• A -> [ B, C ]

• B -> [ A, C ]

• C -> [ A, B, D ]

• D -> [ C ]

Para grafos ponderados, la lista no solo almacena el vértice adyacente, sino también el peso de la arista, usualmente como un par (vértice, peso).

• Conectividad: Este concepto se refiere a cómo de "unidos" están los vértices en un grafo. Un grafo con alta conectividad significa que hay muchas formas de llegar de un vértice a otro.

• Grafo Conexo: Un grafo es conexo si existe un camino entre cualquier par de vértices. Es decir, no hay ninguna parte del grafo que esté aislada del resto.

• Componentes Conexas: Si un grafo no es conexo, se puede dividir en "trozos" que sí lo son. Cada uno de estos subgrafos conexos se llama componente conexa.

Imagina que estás en un laberinto y sigues un camino hasta el final; si no es la salida, vuelves al último cruce y pruebas otro camino.

Uso: Es útil para encontrar componentes conectadas, detectar ciclos o en topología. Utiliza una estructura de datos de tipo Pila (LIFO - Last In, First Out).

Uso: Es ideal para encontrar el camino más corto en grafos no ponderados. Utiliza una estructura de datos de tipo Cola (FIFO - First In, First Out).

• Enfoque en las aristas: Un grafo es euleriano si se puede encontrar un circuito que recorra cada arista exactamente una vez y regrese al punto de partida. A este se le llama circuito euleriano.

  
  

• Condición clave: Un grafo conexo es euleriano si y solo si todos sus vértices tienen grado par. Si tiene exactamente dos vértices de grado impar, tendrá un camino euleriano (recorre todas las aristas una vez, pero no termina en el inicio).

  
  

• El origen: Este problema se origina con el famoso problema de los Siete Puentes de Königsberg, resuelto por Leonhard Euler.

  
  

Grafo Hamiltoniano

• Enfoque en los vértices: Un grafo es hamiltoniano si se puede encontrar un ciclo que visite cada vértice exactamente una vez (excepto por el regreso al vértice inicial). A este se le conoce como ciclo hamiltoniano.

• Sin condición simple: A diferencia de los grafos eulerianos, no existe una condición simple y necesaria para determinar si un grafo es hamiltoniano.

La gran diferencia:

• Euleriano: Se enfoca en recorrer TODAS las aristas.

• Hamiltoniano: Se enfoca en visitar TODOS los vértices.

1. Paso 1: Verificación. Comprueba que el grafo es conexo y todos sus vértices tienen grado par. Si no, el algoritmo no se puede aplicar.

2. Paso 2: Punto de Partida. Elige cualquier vértice como tu punto de inicio. Será tu vértice_actual.

3. Paso 3: El Recorrido (Bucle Principal). Mientras queden aristas sin recorrer en el grafo:

   • a. Contar opciones: Mira todas las aristas que salen de tu vértice_actual.

   • b. Elegir la arista:

     • Si solo hay una arista disponible, tómala.

     • Si hay varias aristas, elige una que NO sea un puente. Para saber si una arista es un puente, simula que la eliminas temporalmente y comprueba si el grafo sigue siendo conexo.

     • Si todas las aristas disponibles son puentes (esto solo ocurrirá hacia el final del recorrido), elige cualquiera de ellas.

   • c. Moverse y Actualizar:

     • Añade la arista elegida a tu circuito.

     • Muévete al siguiente vértice a través de esa arista. Este se convierte en tu nuevo vértice_actual.

     • Elimina la arista que acabas de usar del grafo.

4. Paso 4: Finalización. Una vez que hayas recorrido todas las aristas, el algoritmo termina. La secuencia de aristas que elegiste forma el circuito euleriano.

Qué Significa que un Problema sea NP-Completo? 🤯

• NP (Tiempo Polinomial No Determinista): Son problemas cuya solución puede ser verificada rápidamente. Si alguien te da una posible solución para un ciclo hamiltoniano, puedes seguir el camino en el grafo y comprobar fácilmente si visita todos los vértices una sola vez. El desafío no es la verificación, sino el hallazgo de esa solución.

• NP-Completo: Son los problemas más difíciles dentro de la clase NP. Son tan complejos que si se encontrara una solución eficiente para uno solo de ellos, se podría adaptar para resolver eficientemente todos los demás problemas NP. A día de hoy, no se conoce ningún algoritmo eficiente para resolverlos.

• Raíz (Root): Es el nodo principal y el punto de partida de un árbol. No tiene un nodo padre y es único.

• Hojas (Leaves): Son los nodos que se encuentran en el nivel más bajo del árbol. No tienen nodos hijos.

• Nodos Internos (Internal Nodes): Son todos los nodos que no son ni la raíz ni una hoja. Tienen al menos un nodo hijo.

• Padre (Parent): Un nodo que tiene uno o más nodos hijos conectados directamente debajo de él.

• Hijo (Child): Un nodo que tiene un nodo padre directamente encima de él.

Un árbol binario es un tipo de árbol en el que cada nodo tiene como máximo dos hijos: uno izquierdo y uno derecho. Son muy utilizados debido a la simplicidad de su estructura, lo que permite implementar algoritmos eficientes para la búsqueda, inserción y eliminación de datos.

Dentro de los árboles binarios, hay subtipos como:

• Árbol Binario de Búsqueda (BST): Un árbol binario donde todos los nodos del subárbol izquierdo de un nodo son menores que él, y todos los nodos del subárbol derecho son mayores. Esto facilita enormemente la búsqueda de datos.

• Árbol Binario Completo: Un árbol en el que todos los niveles, excepto posiblemente el último, están completamente llenos, y todos los nodos del último nivel están lo más a la izquierda posible.

• Árbol Binario Balanceado (AVL, Red-Black): Árboles que mantienen su altura lo más baja posible para garantizar que las operaciones de búsqueda se realicen en tiempo logarítmico.

A diferencia de los binarios, un árbol general no tiene restricciones en el número de hijos que puede tener un nodo. Son más flexibles y se utilizan para representar estructuras jerárquicas complejas, como los sistemas de archivos de una computadora, donde cada carpeta (nodo padre) puede contener múltiples subcarpetas y archivos (nodos hijos).

Un recorrido es una forma de visitar todos los nodos de un árbol una vez. Los tres tipos de recorrido más comunes son preorden, inorden y postorden.

Para los siguientes ejemplos, usaremos este árbol:

• Nodo Raíz: A

• Hijos de A: B (izquierdo), C (derecho)

• Hijos de B: D (izquierdo), E (derecho)

• Hijos de C: F (izquierdo)

En este recorrido, se visita primero el nodo raíz, luego se recorre el subárbol izquierdo y finalmente el subárbol derecho.

• Orden de visita: Raíz -> Subárbol Izquierdo -> Subárbol Derecho

• Recorrido del ejemplo: A, B, D, E, C, F

Este recorrido se utiliza comúnmente para crear una copia de un árbol.

Este es el recorrido más común en los árboles binarios de búsqueda. Primero se visita el subárbol izquierdo, luego el nodo raíz y finalmente el subárbol derecho.

• Orden de visita: Subárbol Izquierdo -> Raíz -> Subárbol Derecho

• Recorrido del ejemplo: D, B, E, A, F, C

En un árbol binario de búsqueda, un recorrido inorden siempre devuelve los nodos en orden ascendente.

En este recorrido, se visita primero el subárbol izquierdo, luego el subárbol derecho y finalmente el nodo raíz.

• Orden de visita: Subárbol Izquierdo -> Subárbol Derecho -> Raíz

• Recorrido del ejemplo: D, E, B, F, C, A

Este recorrido es útil para borrar los nodos de un árbol, ya que se eliminan primero los nodos hijos antes que sus padres.

Todos los nodos en el subárbol izquierdo de un nodo X tienen un valor menor que el valor de X.

Todos los nodos en el subárbol derecho de un nodo X tienen un valor mayor que el valor de X.

Esta propiedad de ordenamiento permite que las operaciones de búsqueda, inserción y eliminación se realicen en un tiempo promedio de O(logn), lo que es muy eficiente.

El principal problema de los ABB es que su rendimiento óptimo depende de que el árbol se mantenga balanceado. Si los datos se insertan en un orden estrictamente ascendente o descendente, el árbol puede degenerar en una lista enlazada, donde la altura es n. En este caso, el tiempo de búsqueda se degrada a O(n), perdiendo su principal ventaja.

Los árboles AVL (llamados así por sus creadores Adelson-Velsky y Landis) son una solución al problema de desbalance de los ABB. Son árboles binarios de búsqueda auto-balanceables.

Balanceo y Factor de Equilibrio

La propiedad definitoria de un árbol AVL es su factor de equilibrio (balance factor). Para cada nodo, este factor se calcula como:

factor_equilibrio=altura(subaˊrbol_derecho)−altura(subaˊrbol_izquierdo)

Un árbol AVL se mantiene balanceado si el factor de equilibrio de cada nodo es -1, 0 o 1. Si en algún momento una inserción o eliminación rompe esta regla, el árbol debe ser re-equilibrado.

Mientras que los árboles AVL están optimizados para el almacenamiento en memoria RAM, los árboles B y B+ están diseñados para minimizar el número de accesos a disco, lo cual es crucial en aplicaciones de bases de datos.

Árbol B (B-Tree)

Un árbol B es un árbol de búsqueda auto-balanceable, pero a diferencia de los ABB, cada nodo puede tener múltiples hijos. Se caracteriza por:

• Estructura de Bloques: Los nodos de un árbol B corresponden a bloques de datos en disco.

• Alto Factor de Ramificación: Cada nodo puede contener un gran número de claves y punteros a sus hijos. Esto resulta en árboles muy "chatos" (poca altura), lo que minimiza el número de lecturas de disco.

• Datos en Nodos Internos: Las claves y los datos pueden estar almacenados en los nodos internos y en las hojas.

• Balanceo de Altura: Todos los nodos hoja están en el mismo nivel, a la misma distancia de la raíz.

Las operaciones de inserción y eliminación en un árbol B son más complejas, ya que pueden requerir la división (splitting) o la unión (merging) de nodos para mantener el balance y el factor de ramificación.

El re-balanceo se logra a través de rotaciones, que son operaciones que cambian la estructura del árbol para mantener su altura mínima. Existen cuatro tipos de rotaciones:

• Rotación Simple a la Izquierda (LL): Se utiliza cuando un nodo está desbalanceado hacia la izquierda debido a la inserción en el subárbol izquierdo de su hijo izquierdo.

• Rotación Simple a la Derecha (RR): Es la operación simétrica a la rotación a la izquierda. Se usa cuando un nodo está desbalanceado hacia la derecha debido a la inserción en el subárbol derecho de su hijo derecho.

• Rotación Doble Izquierda-Derecha (LR): Se aplica cuando un nodo está desbalanceado a la izquierda, pero la inserción ocurrió en el subárbol derecho de su hijo izquierdo. Consiste en una rotación a la izquierda del hijo, seguida de una rotación a la derecha del padre.

• Rotación Doble Derecha-Izquierda (RL): Es la operación simétrica a la rotación LR.

El costo de las rotaciones es bajo, lo que permite que las operaciones de inserción y eliminación en un árbol AVL mantengan un rendimiento garantizado de O(logn).

El árbol B+ es una variante del árbol B, diseñada para mejorar aún más el rendimiento en bases de datos. Sus características principales son:

• Datos Solo en las Hojas: La principal diferencia es que todos los datos se almacenan exclusivamente en los nodos hoja. Los nodos internos solo contienen copias de las claves para guiar la búsqueda, pero no los datos asociados.

• Hojas Enlazadas: Todos los nodos hoja están conectados entre sí en una lista enlazada.

• Duplicación de Claves: Las claves en los nodos internos son un índice para las claves en las hojas, lo que puede llevar a cierta duplicación.

La estructura del árbol B+ lo hace más eficiente para ciertas operaciones, como las consultas de rango.

• Índices de Bases de Datos: Su aplicación más importante es la implementación de índices. Cuando creas un índice en una columna de una tabla (por ejemplo, CREATE INDEX idx_user_id ON users(id)), el sistema de gestión de bases de datos internamente construye un árbol B+ para esa columna.

• ¿Por qué son ideales?

  • Minimización de E/S (Entrada/Salida): Al tener una altura muy pequeña, se necesitan muy pocas lecturas de disco para encontrar un registro, lo que es el cuello de botella más grande en el rendimiento de una base de datos. Un árbol B+ con millones de registros puede tener solo 3 o 4 niveles de altura.

  • Consultas de Rango Eficientes: La estructura enlazada de las hojas del árbol B+ permite realizar consultas de rango (ej. SELECT * FROM users WHERE id BETWEEN 100 AND 200) de manera extremadamente rápida. Una vez que se encuentra el primer registro (id=100), se puede recorrer la lista enlazada de hojas para encontrar todos los registros siguientes de forma secuencial, sin tener que volver a la raíz del árbol.

• Ejemplos de Motores de Almacenamiento: El motor de almacenamiento InnoDB de MySQL y los índices de PostgreSQL utilizan variantes del árbol B+ para organizar los datos de las tablas.

1. Redes sociales: Análisis de conexiones y recomendaciones

• Grafos: Representan usuarios como nodos y sus interacciones (amistades, mensajes) como aristas.

  • Permiten analizar comunidades, influenciadores (ej.: PageRank de Google) o propagación de información.

  • Algoritmos como BFS/DFS o Detección de Clústeres identifican grupos conexos.

• Árboles: Usados en jerarquías (ej.: organigramas) o para modelar relaciones padre-hijo (ej.: comentarios en un post).

• Ejemplo en concreto: Facebook sugiere amigos basado en caminos cortos en el grafo.

2. Algoritmos de ruteo: Optimización de rutas en sistemas GPS

• Grafos: Calles son aristas e intersecciones nodos.

  • Algoritmos como Dijkstra (rutas más cortas) o A* (heurística) optimizan tiempo/distancia.

• Árboles: Los árboles de expansión mínima (Prim/Kruskal) ayudan en diseño de redes eficientes (ej.: cableado urbano).

• Ejemplo en concreto: Google Maps calcula la ruta más rápida usando grafos dinámicos con tráfico en tiempo real.

3. Análisis de datos: Estructuración y búsqueda eficiente

• Árboles:

  • Árboles-B o Árboles Binarios Balanceados aceleran búsquedas en bases de datos (índices).

  • Tries almacenan palabras para búsqueda rápida (ej.: autocompletado).

• Grafos: Modelan relaciones complejas en datos (ej.: grafos de conocimiento de Google).

• Ejemplo en concreto: MongoDB usa árboles-B para indexar documentos.

4. Sistemas de recomendación (Amazon, Spotify)

• Grafos: Conectan ítems (nodos) basado en preferencias (aristas).

  • Filtrado colaborativo: Usa grafos bipartitos (usuarios-productos) para sugerencias.

• Árboles de decisión: Clasifican preferencias (ej.: "si te gusta X, quizás Y también te guste").

• Ejemplo en concreto: Netflix recomienda películas analizando grafos de visualización.

5. Seguridad informática: Detección de fraudes y análisis de patrones

• Grafos:

  • Identifican patrones anómalos (ej.: transacciones fraudulentas como subgrafos inusuales).

  • Modelan redes de ataques (ej.: nodos = IPs, aristas = intentos de intrusión).

• Árboles: Árboles de decisión en machine learning detectan comportamientos sospechosos.

• Ejemplo en concreto: Sistemas bancarios usan grafos para detectar "lavado de dinero" con caminos complejos.

Conclusión

Grafos y árboles son estructuras fundamentales por su capacidad para modelar relaciones (grafos) y organizar datos jerárquicamente (árboles). Su eficiencia en algoritmos (como búsquedas o optimizaciones) los hace indispensables en aplicaciones que van desde redes sociales hasta seguridad cibernética, de allí la gran importancia de su conocimiento para el perfil de un Ingeniero Informático.

Saúl Ramírez / C.I: 30.671.390

Fabio Romero / C.I: 30.670.913

Daniel Pérez / C.I: 30.670.857

José Faria / C.I: 30.535.948