Made available in DSpace on 2014-06-12T23:16:07Z (GMT). No. of bitstreams: 2 arquivo937_1.pdf: 3577801 bytes, checksum: d3b438f35146c4886e6426bba0ca184f (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Metodologias baseadas no formalismo de redes complexas foram utilizadas para a obtenção de propriedades topológicas e da estatística de ilhas de líquidos, misturas e soluções que apresentam redes de ligações de hidrogênio, obtidas por simulação Monte Carlo (MC-NPT). Inicialmente estudou-se o comportamento da rede de ligações de hidrogênio em dois sistemas modelos: água e metanol com o amortecimento (η) da contribuição eletrostática para a interação intermolecular. Estes sistemas apresentaram comportamentos distintos, incluindo padrões de pequenos mundos e transição de percolação. Foi estabelecida uma relação direta entre as transições de fase de propriedades macroscópicas (densidade e entalpia de vaporização) com as propriedades topológicas das redes de ligação de hidrogênio. O formalismo de redes complexas é robusto, pois as mesmas conclusões foram obtidas para potenciais diferentes (TIP5P × 6-sítios) para água, bem como diferentes critérios para definição da ligação de hidrogênio, exceto o coeficiente de agrupamento, que apresentou grande dependência com o potencial e os critérios. As propriedades topológicas das redes de ligações de hidrogênio em água, metanol, t-butanol, n-butanol, amônia (em -33,35ºC) e suas misturas com água, obtidas por simulações de Monte Carlo, também foram analisadas com o formalismo de redes complexas. Os líquidos puros apresentam propriedades topológicas distintas, que podem ser correlacionadas com o número e a energia de interação de ligação de hidrogênio. Por exemplo, t-butanol apresenta padrões de pequenos mundos, enquanto os outros líquidos apresentam diferentes modos de agregação. Foram encontradas novas evidências de mudanças estruturais em frações molares de metanol próximas de 0,3 para misturas água-metanol, bem como características de microimiscibilidade. Diferenças marcantes foram encontradas nos modos de agregação dos isômeros do butanol e de suas misturas com água, principalmente nos coeficientes de agrupamento. As distribuições das conectividades intercalam entre os regimes broad-scale, sistemas que apresentam restrições na formação de ligações fazem parte desta classe de redes de pequenos mundos, e single-scale, dependendo da composição da mistura. O método de Monte Carlo com penalidade (MC-σ) foi testado para a água líquida descrita pelo potencial analítico TIP5P com adição de ruído Gaussiano com desvio padrão σ. Os resultados foram insatisfatórios, tanto com a amostragem do espaço de fase restrita ao uso da probabilidade de aceitação com penalidade quanto sem o uso desta restrição. Pelo fato dos ruídos poderem ser negativos e assim diminuírem a energia da configuração, ocorreu uma estabilização excessiva do sistema, isto é, as energias tornam-se muito negativas. Tentativas de correção deste método também foram inadequadas, e aparentemente o método MC-σ é aplicável apenas ao caso em que as energias são estocásticas, mas limitadas inferiormente, como em métodos de Monte Carlo quântico variacional

Orientadores: Alberto Vazquez Saa, Marcus Aloizio Martinez de Aguiar / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin / Made available in DSpace on 2018-08-28T03:40:49Z (GMT). No. of bitstreams: 1 Pinto_RafaelSoares_D.pdf: 7979471 bytes, checksum: b344e1e01031709b8b938dbecb572900 (MD5) Previous issue date: 2015 / Resumo: Sincronização está presente em uma miríade de situações, indo desde vaga-lumes piscando em uníssono na copa das árvores, populações de leveduras ajustando seu metabolismo para um ritmo comum, atividades neurais ocorrendo no cérebro, chegando até as redes de distribuição de energia elétrica, as maiores máquinas construídas pelo homem. Neste trabalho, nós analisamos como se dá o processo de sincronização utilizando o bem conhecido modelo de Kuramoto, estudado incansavelmente nas últimas décadas, quando ele se encontra sobre uma rede complexa, que determina os padrões de interação entre os elementos que compõem a população. A topologia dessas interações determina de maneira crucial a dinâmica do sistema, possibilitando, ou não, a sincronização dos seus elementos. Primeiros, nós analisamos o fenômeno da sincronização explosiva: a correlação de propriedades da rede com a frequência natural dos osciladores altera dramaticamente a natureza da transição de fase do estado não sincronizado para o estado sincronizado. Mostramos que sincronização explosiva ocorre mesmo quando apenas uma pequena fração dos vértices da rede possuem tal correlação, a saber, os vértices mais bem conectados da rede. Além do mais, ajustando o número de vértices onde a correlação é válida, podemos controlar propriedades dessa transição de fase. A seguir estudamos o processo de optimização de topologia para favorecer sincronização. Dado um conjunto de vértices/osciladores com frequências naturais conhecidas e um certo número de links, qual é a melhor topologia, ou seja, o padrão de conexões, que favorece a sincronização? Estudamos esse problema numericamente para o modelo de Kuramoto com inércia, que serve como um modelo simples para analisar as redes de transmissão de energia elétrica, obtendo princípios básicos que devem ser utilizados para o design de tais sistemas. Por fim, ainda no problema de optimização de topologia para favorecer sincronização, obtivemos pela primeira vez de forma analítica as condições para optimização para o modelo de Kuramoto, bem como para uma generalização sua, onde há interações positivas e negativas. Esses resultados analíticos ainda servem para criar algoritmos de optimização mais ecientes que os utilizados atualmente / Abstract: Synchronization is present in a myriad of situations, from the unison ashing of reies in trees, populations of yeast adjusting their metabolism to a common rhythm, neural activities in the brain to the largest machines ever built, the power grids. We analysed how the process of synchronization happens using the well known Kuramoto model, tirelessly studied in the last decades, when it is on top of a complex network, that determines the patterns of interaction between the elements of the population. The topology of this network's determines crucially the possible dynamics of the systems, allowing, or not, the synchronization of its elements. We rst discuss the phenomenon of explosive synchronization, where the correlation between properties of the network and the oscillators changes drastically the nature of the phase transition separating the incoherent state from the synchronized state.We show that explosive synchronization can occur even when a small subset of the vertices are correlated. It is necessary that only the hubs, vertices with highest degrees, show the correlation. Moreover, adjust the fraction of correlated vertices allows us to control properties of the phase transition. Next we study the optimization of the topology to favor synchronization. Given a set of vertices/oscillators with know natural frequencies and a certain number of links, which is the best topology, its pattern of interactions, to favor synchronization? We studied this problem to a generalized Kuramoto model (Kuramoto model with inertia) that is used as a simple tool to model power grids, obtaining in this way simple rules that can be applied to the design of such systems that already helps the synchronization of its elements. In our nal contribution, still in the optimization of the topology problem, we were able, for the first time, to obtain analytically the conditions of optimization for the Kuramoto model, as well as for one of its generalizations, where there can exist positive and negative interactions between the elements. Beyond the signicant fact that the conditions can be know analytically, these results can be used to obtain faster optimization algorithms that the current ones / Doutorado / Física / Doutor em Ciências / 2012/09357-9 / CAPES

A vasta quantidade de informações disponível sobre qualquer área de conhecimento torna cada vez mais difícil selecionar e analisar informações específicas e relevantes sobre determinado assunto. Com isso, faz-se necessário o aprimoramento de técnicas automáticas para recuperação, análise e extração de conhecimento em conjuntos de dados, destacando-se dessa forma as pesquisas em Aprendizado de Máquina e em Mineração de Dados. Em aprendizado de máquina e em mineração, a grande maioria das técnicas utiliza-se de uma representação proposicional dos dados, que considera apenas caracter características individuais dos objetos descritos em uma tabela atributo-valor. Porém, existem aplicações nas quais além da descrição dos objetos também estão disponíveis informações sobre relações existentes entre eles. Esses domínios podem ser representados via grafos, nos quais vértices representam objetos e arestas relações entre objetos, possibilitando a aplicação de técnicas relacionais aos dados. Conceitos de Redes Complexas (RC) podem ser utilizados neste contexto. RC é um campo de pesquisa recente e ativo, que estuda o comportamento de diversos sistemas reais, modelados via grafos. Entretanto, ainda há poucos trabalhos que utilizam Redes Complexas em aprendizado de máquina ou mineração de dados. Este projeto apresenta uma proposta de utilização do formalismo de redes complexas e grafos para descoberta de padrões no contexto de aprendizado supervisionado. O formalismo de grafos permite representar as relações entre objetos e características particulares do domínio, permitindo agregar informações estruturais das relações à descoberta de conhecimento. Especificamente, neste trabalho desenvolve-se uma representação relacional baseada em grafos construídos a partir de relações de similaridade entre objetos. Baseado nesta representação são propostas abordagens de classificação relacional. Também é proposto um modelo de rede denominado K-Associados. Propriedades da rede K-Associados foram investigadas. Os resultados experimentais demonstram um grande potencial para classificação utilizando os algoritmos de classificação e de formação de redes propostos / The vast amount of information available on any area of knowledge makes selecting and analyzing information on a specific topic increasingly dificult. Therefore, it is necessary the improvement of techniques for automatic information retrieval, analysis, and knowledge extraction from data sets. In this scenario, especial attention must be addressed for Machine Learning and Data Mining researches. In machine learning and data mining, most of the techniques uses a propositional representation, which considers only the characteristics of the objects described into an attribute-value table. However, there are domains where, in addition to the description of the objects, it is also available information about relationship between them. Such domains can be represented by graphs where vertices represent objects and edges relationship between objects, enabling the application of techniques for relational data. Concepts of complex networks (CN) can be useful in this context. CN is a recent and active research field, which studies the behavior of many real systems modeled by graphs. However, there is little work in machine learning or data mining applying CN concepts. This project presents a proposal to use the formalism of complex networks and graphs to discover patterns in the context of supervised learning. The formalism of graphs can represent relationships between objects and characteristics of the domain, allowing adding structural knowledge embedded in a graph into the data mining process. Specifically, this work develops a relational representation based on graphs constructed taking into consideration the similarity between objects. Based on this representation, relational classification approaches are proposed. It is also proposed a network referred to K-Associate Network. Properties of the K-Associate Network were investigated. The experimental results show great potential for the proposed classification and network construction algorithms

Redes são representações poderosas para muitos sistemas complexos, onde vértices representam elementos do sistema e arestas representam conexões entre eles. Redes Complexas podem ser definidas como grafos de grande escala que possuem distribuição não trivial de conexões. Um tópico importante em redes complexas é a detecção de comunidades. Embora a detecção de comunidades tenha revelado bons resultados na análise de agrupamento de dados com grupos de diversos formatos, existem ainda algumas dificuldades na representação em rede de um conjunto de dados. Outro tópico recente é a caracterização de simplicidade em redes complexas. Existem poucos trabalhos nessa área, no entanto, o tema tem muita relevância, pois permite analisar a simplicidade da estrutura de conexões de uma região de vértices, ou de toda a rede. Além disso, mediante a análise de simplicidade de redes dinâmicas no tempo, é possível conhecer como vem se comportando a evolução da rede em termos de simplicidade. Considerando a rede como um sistema dinâmico de agentes acoplados, foi proposto neste trabalho uma medida de distância baseada no tempo de consenso na presença de um líder em uma rede acoplada. Utilizando essa medida de distância, foi proposto um método de detecção de comunidades para análise de agrupamento de dados, e um método de análise de simplicidade em redes complexas. Além disso, foi proposto uma técnica de construção de redes esparsas para agrupamento de dados. Os métodos têm sido testados com dados artificiais e reais, obtendo resultados promissores / Networks are powerful representations for many complex systems, where nodes represent elements of the system and edges represent connections between them. Complex networks can be defined as graphs with no trivial distribution of connections. An important topic in complex networks is the community detection. Although the community detection have reported good results in the data clustering analysis with groups of different formats, there are still some dificulties in the representation of a data set as a network. Another recent topic is the characterization of simplicity in complex networks. There are few studies reported in this area, however, the topic has much relevance, since it allows analyzing the simplicity of the structure of connections between nodes of a region or connections of the entire network. Moreover, by analyzing simplicity of dynamic networks in time, it is possible to know the behavior in the network evolution in terms of simplicity. Considering the network as a coupled dynamic system of agents, we proposed a distance measure based on the consensus time in the presence of a leader in a coupled network. Using this distance measure, we proposed a method for detecting communities to analyze data clustering, and a method for simplicity analysis in complex networks. Furthermore, we propose a technique to build sparse networks for data clustering. The methods have been tested with artificial and real data, obtaining promising results

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-08-08T13:00:48Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese_MariaSibaldo.pdf: 2571529 bytes, checksum: 0d9af192f329870166c194c53541ce82 (MD5) / Made available in DSpace on 2016-08-08T13:00:48Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese_MariaSibaldo.pdf: 2571529 bytes, checksum: 0d9af192f329870166c194c53541ce82 (MD5) Previous issue date: 2016-02-23 / CAPEs / Os sistemas de recomendação fazem uso de algoritmos para facilitar a busca de itens de interesse do usuário. Esta tese apresenta uma solução para recomendação através do agrupamento em redes complexas, dado que este encontra padrões que beneficiam a recomendação. É utilizada a métrica de modularidade para auxiliar na divisão de uma rede em grupos e, com base nesse agrupamento, realizar recomendação. Assim, foram propostos dois métodos de recomendação baseados em modularidade, dois algoritmos de agrupamento e uma nova métrica de modularidade. O primeiro método proposto estima o peso da aresta entre dois elementos em uma rede bipartida (usuário e item) após a formação de grupos e faz uso das arestas do grupo do item. O método citado anteriormente serviu de inspiração para o segundo método, o qual faz uso das arestas entre grupos. Para este segundo método foram propostos dois algoritmos: AMV (Agrupamento com Movimento de Vértices), o qual realiza os agrupamentos com diversas métricas existentes; e o AMA (Agrupamento com Movimento de Arestas), o qual realiza agrupamentos apenas com a métrica proposta. O algoritmo AMA tem um tempo de processamento menor que o AMV. Com as observações realizadas na segunda proposta, uma nova métrica de modularidade foi elaborada para melhorar a recomendação. Esta modularidade possui maior valor quando os pesos dos relacionamentos entre os grupos são semelhantes. A primeira proposta se mostrou adequada para o problema e obteve o 6º lugar na competição do RecSys 2014. A segunda proposta obteve resultados comparativos equivalentes ao de métodos de recomendação no estado-da-arte. A métrica proposta mostrou-se adequada para a recomendação. / This thesis uses the modularity metric to assist in dividing a network into groups and, based on this grouping, apply recommendation procedure. We propose two methods of recommendation based on modularity, two grouping algorithm and also a new metric of modularity. The first method proposed estimates the rating between two nodes in a bipartite network after grouping it, for this estimation the item’s group is used. The first method was the inspiration for the second one: which uses the edges between groups to estimate the edges weight. Two algorithms were created for this second method: AMV (grouping with vertex movement), which can be used with different modularity metrics; and AMA (grouping with edges moviment), which makes use of the modularity metric proposed here and is faster than the previous one. A different modularity metric was proposed to improve the recommendation system. This modularity has greater value when the weights of relationships between groups are similar. The first proposal was adequate to the problem and obtained the 6th place in the RecSys Challenge 2014 competition. The second proposal has equivalent results compared to other recommendations methods in the state of the art. The experiments with the proposal metric showed that this metric is adequate to recommender systems.

Orientador: Andriana Susana Lopes de Oliveira Campanharo / Resumo: O Alzheimer é uma doença degenerativa do cérebro, incurável, que se agrava ao longo do tempo e atinge sobretudo pessoas entre 65 e 90 anos. A doença de Alzheimer (DA) é a principal demência entre os idosos e caracteriza-se por perda de funções cognitivas (memória, orientação, comportamento e linguagem), causada pela morte de células cerebrais. Atualmente, o diagnóstico definitivo da DA é feito por meio de um exame do tecido cerebral obtido por biopsia ou necropsia. Como somente após a morte do paciente pode-se ter a certeza que o mesmo tinha a DA, seu diagnóstico é feito utilizando exames, avaliações e excluindo-se outras causas de demência do seu histórico clínico. Em paralelo, estudos têm sido desenvolvidos para o estudo da DA com base de dados de EletroEncefaloGrama (EEG), e nesse sentido, diversos métodos de análise de dados de EEG têm sido propostos. Contudo, o estudo da DA por meio de dados de EEG é ainda um desafio, e consequentemente, faz-se necessária a preposição de novos métodos com o intuito de capturar informações adicionais da doença. Nesse sentido, utilizamos o mapeamento de uma série temporal em uma rede complexa no estudo da dinâmica de séries temporais de EEG de pacientes com a DA. Mais especificamente, na distinção entre envelhecimento e a DA e na identificação, dos estágios da DA em pacientes doentes a partir, das ondas cerebrais, alfa, beta, teta e delta. / Abstract: Alzheimer’s is a degerative brain disease, incurable, which aggravates over time and mainly affects people between 65 and 90 years. Alzheimer’s disease (AD) is the leading dementia among the elderly and is characterized by cognitive functions loss (memory, orientation, behavior and language) caused by the death of brain cells. Currently, confirmatory diagnosis of AD can only be made through the examination the brain tissue obtained by biopsy or necropsy. Considering that only after the patient’s death it is possible to be sure that he or she had AD, the approximate diagnosis is made excluding other causes of dementia. In parallel, studies have been developed for the study of AD with the use of Electroencephalography (EEG), and in this sense, several methods of EEG data analysis have been proposed. However, the study of AD with the use of EEG data is still a challenge, and consequently, it is necessary the proposal of new methods to capture additional information about the disease. In this sense, we used the map from a time series to a network, recently proposed by Campanharo, in a novel application, that is, in the study of EEG time series of patients with AD. More specifically, to distinguish aging and AD and to identify the stages of AD in unhealthy patients based on alpha, beta, theta and delta brain waves information. / Mestre

Orientador: Andriana Susana Lopes de Oliveira Campanharo / Resumo: A epilepsia é uma patologia cerebral caracterizada pela presença de crises epilépticas que afeta em torno de 1% de toda a população mundial. As crises epilépticas podem ocasionar perda de consciência gerando grande impacto na vida das pessoas que sofrem da doença. Atualmente, a técnica de EletroEncefaloGrafia (EEG) é um dos testes diagnósticos mais importantes para a identificação das crises epilépticas e de eventos entre crises, chamados de Descargas Epileptiformes Interictais (DEIs). A zona epileptogênica é a região neuronal responsável pela geração das crises em pacientes com epilepsia focal, e em alguns casos, seu tratamento consiste em uma cirurgia para a remoção desta região. Estudos que relacionam séries temporais com a teoria de redes complexas ganharam grande destaque e importância, mostrando que é possível mapear uma série temporal em uma rede complexa sem grande perdas de informações. Neste sentido, o objetivo deste trabalho consiste na utilização do mapeamento proposto por Campanharo et al., utilizando o conceito de bins, em uma aplicação inovadora: na detecção automática das crises epilépticas, das DEIs por meio da análise de sinais de EEG de pacientes com epilepsia e na localização da zona epileptogênica a partir de uma técnica não-invasiva. A metodologia proposta apresentou performance satisfatória na identificação das crises epilépticas e das DEIs, caracterizadas por uma grande variação de amplitude e frequência. Valores médios de sensibilidade de 83,3% e de 9... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Epilepsy is a cerebral pathology characterized by the presence of epileptic seizures that affects around 1% of the entire world population. Epileptic seizures can cause loss of consciousness generating great impact on the lives of people who suffer from the disease. Currently, the ElectroEncefaloGraphy(EEG) technique is one of the most important diagnostic tests for the identification of epileptic seizures and events between seizures, called Intertictal Epileptiform Discharges (DEIs). The epileptogenic zone is the neuronal region responsible for generating seizures in patients with focal epilepsy, and in some cases, treatment consists of surgery to remove this region. Studies that relate time series to the theory of complex networks have gained great prominence and importance, showing that it is possible to map a time series in a complex network without great loss of information. In this sense, the objective of this work is to use the mapping proposed by Campanharo et al., using the concept of bins, in a novel application: in the automatic detection of epileptic seizures, of DEIs through the analysis of EEG signals of patients with epilepsy and the location of the epileptogenic zone using a non-invasive technique. The proposed methodology presented satisfactory performance in the identification of epileptic seizures and EIDs, characterized by a high variation in amplitude and frequency. Average sensitivity values 83,3% and 93,2% were reached in the detection of epileptic seiz... (Complete abstract click electronic access below) / Mestre

Este estudo visa, por meio de simulações computacionais, compreender de que modo a centralidade dos agentes, os diferentes tipos de rede e o não- compartilhamento da informação afetam os processos de adoção e de difusão de diferentes tipos de inovações. Para esta tarefa, foram feitas simulações com os modelos de rede descritos por Watts e Strogatz (WATTS & STROGATZ, 1998), com um número fixo de 100 nós ou agentes (n=100), em que foram variados os parâmetros de mi (centralidade de grau inicial) e p (probabilidade de reconexão desses nós). Foram utilizadas redes regulares (p=0), de pequeno-mundo (p=0.5) e aleatórias (p=1.0). Escolhemos os adotantes iniciais por 5 diferentes métodos: por maiores centralidades de grau, de proximidade, de intermediação e de Bonacich, além da escolha aleatória. Também consideramos dois tipos de agentes com diferentes características: o primeiro, chamado de social, compartilhava e recebia informação, o segundo, chamado de egoísta, recebia e não compartilhava informação. Para parte das simulações, utilizamos uma inovação contínua e, para outra parte, utilizamos uma inovação disruptiva. Como resultado, constatamos, para as simulações realizadas neste modelo, o maior crescimento do número de adotantes não dependeu somente das características da rede, mas também dos agentes que a compõem, além da própria inovação. Por esse motivo, temos que o modelo disruptivo favorece a inovação e a presença de agentes egoístas funciona como um obstáculo ou barreira / This study aims, through computational simulations, to understand how the influence of the different types of network, the centrality of agents and the non-sharing of information affect the processes of adoption and diffusion in different types of innovations. For this task, simulations were made with the network models described by Watts and Strogatz (WATTS & STROGATZ, 1998), with a fixed number of 100 nodes or agents (n = 100), in which the parameters mi (initial degree centrality) and p (probability of reconnection of these nodes) were varied. We used regular (p=0), small- world (p=0.5) and random networks (p=1.0). We choose the initial adopters by 5 different methods: by greater degree, closeness, of betweeness and eingevector centralities, besides the random choice. We also considered two types of agents with different characteristics: the first, called social, shared and received information, the second, called selfish, received and did not share information. For part of the simulations, we use a continuous innovation and, for another part, we use a disruptive innovation. As a result, for the simulations carried out in this model, the greatest growth in the number of adopters was not only dependent on the characteristics of the network, but also on the agents that compose it, besides the innovation itself. For this reason, we think that the disruptive model favors innovation and the presence of selfish agents as an obstacle or barrier

Mercados financeiros são sistemas complexos com estrutura e comportamento extremamente dependentes das interrelações entre os seus componentes. Em particular, a teoria de redes tem contribuído para caracterizar e compreender o comportamento e as interdependências entre vários componentes do mercado financeiro, em especial, o mercado de ações. Pesquisas nessa área indicam que a estrutura de rede gerada do mercado pode conter informações úteis para um melhor entendimento do mercado como um todo e até mesmo prever a ocorrência de eventos extremos, como, por exemplo, uma crise financeira. Em geral, os estudos consideram apenas dependências lineares entre os objetos da rede baseados no coeficiente de correlação linear de Pearson, e nesse sentido, a proposta deste projeto é a aplicação de conceitos e métodos de teoria de redes e de teoria da informação para caracterizar e explorar o efeito de dependências não lineares na estrutura de rede do mercado brasileiro de ações. Para tal, a informação mútua foi usada como medida de dependência não linear para gerar a estrutura de redes que foi comparada com a obtida a partir da correlação linear de Pearson. Por fim, investigou-se como a estrutura da rede e suas métricas poderiam ajudar a caracterizar e a entender o comportamento dos mercados financeiros, analisando-se dois períodos, o primeiro sob gestão da Presidente Dilma Rousseff, com um retorno do índice de ações de -42%, e o segundo sob gestão do Presidente Michel Temer, com um retorno deste índice de 50%. Para tal fim, foram utilizados dados de alta frequência, sendo uma cotação a cada 15 minutos. Em suma, concluiu-se que os retornos dos ativos no segundo período parecem ter maior dependência não-linear quando comparados aos retornos do período anterior. A rede para este período é a que se mostra mais arriscada em termos de estrutura de \'transmissão de volatilidades\', tanto pela análise do coeficiente de robustez da rede, quanto pela estimativa do parâmetro da lei de potência. Encontrou-se evidência da relação entre estrutura das redes e desempenho das ações. Além disso, vimos a grande importância do setor financeiro nas redes. Finalmente, tecemos comentários quanto a aplicação destas redes para diversos fins. / This paper has the purpose to apply concepts and methods from network and information theory to characterize and to explore the role of nonlinear dependencies over the Brazilian network stock market structure. In particular, the minimum spanning tree network structure generated from the mutual information as a measure of nonlinear dependence was compared with the one obtained by Pearson\'s correlation coefficient. We analyzed two periods, the first under the management of President Dilma Rousseff, with an index return of -42%, and the second one, under the management of President Michel Temer, with an index return of 50%. For this purpose, high frequency data of fifteen minutes interval was used. Our analysis suggest that the assets returns of Temer\'s presidential term seem to have greater nonlinear dependence when compared to the returns of the previous period. Also, the network\'s robustness coefficient and power law parameter suggests that the network for the second period is the most risky in terms of volatility transmission structure. Also, we find evidence of network structure and stock performance relationship. Finally, we have also seen the great importance of financial sector within Brazilian\'s stock network

The complex network theory has been extensively used to understand various natural and artificial phenomena made of interconnected parts. This representation enables the study of dynamical processes running on complex systems, such as epidemics and rumor spreading. The evolution of these dynamical processes is influenced by the organization of the network. The size of some real world networks makes it prohibitive to analyse the whole network computationally. Thus it is necessary to represent it by a set of topological measures or to reduce its size by means of sampling. In addition, most networks are samples of a larger networks whose structure may not be captured and thus, need to be inferred from samples. In this work, we study both problems: the influence of the structure of the network in spreading processes and the effects of sampling in the structure of the network. Our results suggest that it is possible to predict the final fraction of infected individuals and the final fraction of individuals that came across a rumor by modeling them with a beta regression model and using topological measures as regressors. The most influential measure in both cases is the average search information, that quantifies the ease or difficulty to navigate through a network. We have also shown that the structure of a sampled network differs from the original network and that the type of change depends on the sampling method. Finally, we apply four sampling methods to study the behaviour of the epidemic threshold of a network when sampled with different sampling rates and found out that the breadth-first search sampling is most appropriate method to estimate the epidemic threshold among the studied ones. / Vários fenômenos naturais e artificiais compostos de partes interconectadas vem sendo estudados pela teoria de redes complexas. Tal representação permite o estudo de processos dinâmicos que ocorrem em redes complexas, tais como propagação de epidemias e rumores. A evolução destes processos é influenciada pela organização das conexões da rede. O tamanho das redes do mundo real torna a análise da rede inteira computacionalmente proibitiva. Portanto, torna-se necessário representá-la com medidas topológicas ou amostrá-la para reduzir seu tamanho. Além disso, muitas redes são amostras de redes maiores cuja estrutura é difícil de ser capturada e deve ser inferida de amostras. Neste trabalho, ambos os problemas são estudados: a influência da estrutura da rede em processos de propagação e os efeitos da amostragem na estrutura da rede. Os resultados obtidos sugerem que é possível predizer o tamanho da epidemia ou do rumor com base em um modelo de regressão beta com dispersão variável, usando medidas topológicas como regressores. A medida mais influente em ambas as dinâmicas é a informação de busca média, que quantifica a facilidade com que se navega em uma rede. Também é mostrado que a estrutura de uma rede amostrada difere da original e que o tipo de mudança depende do método de amostragem utilizado. Por fim, quatro métodos de amostragem foram aplicados para estudar o comportamento do limiar epidêmico de uma rede quando amostrada com diferentes taxas de amostragem. Os resultados sugerem que a amostragem por busca em largura é a mais adequada para estimar o limiar epidêmico entre os métodos comparados.