95.1. «Central» designa varias propiedades distintas
Los capítulos anteriores construyeron una progresión. C92 preguntó cuántos vínculos tiene cada nodo, C93 estudió caminos y distancias y C94 añadió cierre local y motivos. Ahora aparece una palabra muy utilizada en análisis de redes, la centralidad.
El riesgo consiste en tratarla como si designara una única propiedad objetiva de un nodo. No existe una definición universal de «ser central».
Podemos querer identificar un nodo que tenga muchos vecinos directos, que esté a pocos pasos del resto, que concentre caminos entre otros nodos, que esté conectado con nodos que también ocupan posiciones estructuralmente fuertes o que reciba vínculos desde nodos relevantes en una red dirigida.
Cada pregunta conduce a una medida diferente.
La centralidad formaliza una noción concreta de posición una vez elegida la pregunta, sin descubrir por sí sola qué significa «importancia» en el sistema.
95.2. Un grafo diseñado para separar las medidas
Construiremos dos grupos densos de cuatro nodos cada uno. El grupo izquierdo es un clique:
El derecho también:
Introducimos un nodo adicional conectado únicamente con y
La red tiene nueve nodos y catorce aristas.
El diseño produce tres posiciones intuitivamente distintas, la de los nodos densamente conectados dentro de cada grupo, la de los anclajes de cada grupo y la del puente de bajo grado entre ambos.
95.3. Centralidad de grado
En un grafo simple no dirigido, la centralidad de grado normalizada es
La normalización divide por el máximo grado posible.
En nuestro grafo, mientras
Por tanto,
y
Si la pregunta es «¿quién tiene más conexiones inmediatas?», los anclajes L0 y R0 superan a X.
95.4. Qué mide realmente el grado
La centralidad de grado es local. No examina dónde llevan las aristas ni qué ocurre más allá del primer paso.
Un nodo puede tener muchos vecinos dentro de una región redundante y poca importancia para conectar esa región con el resto de la red. Otro puede tener pocas conexiones y estar colocado, aun así, en una posición estructural singular.
El nodo X es ese caso. Su grado es el menor de la red, pero cualquier camino entre el clique izquierdo y el derecho debe atravesarlo mientras no exista otra conexión intergrupal.
La discrepancia significa que el grado responde a otra pregunta, antes que una deficiencia de la medida.
95.5. Centralidad de cercanía
La cercanía clásica de un nodo i en un grafo conectado puede definirse como
El denominador suma sus distancias geodésicas a todos los demás nodos. Una suma pequeña produce una cercanía alta.
La pregunta es qué nodo está, en promedio, a pocos pasos del conjunto.
En nuestro ejemplo, el nodo puente X tiene
Es el valor máximo de la red.
95.6. Por qué X puede ser cercano con solo dos vecinos
Desde X, los anclajes L0 y R0 están a distancia uno. Los otros seis nodos están a distancia dos.
Por tanto,
Como
obtenemos
El nodo tiene pocos vecinos directos y ocupa, sin embargo, una posición intermedia entre dos regiones compactas. La cercanía depende de todas las distancias antes que del número de aristas incidentes.
95.7. Grado y cercanía pueden ordenar distinto
Para L0, el grado normalizado es mayor que el de X. Su cercanía, en cambio, es aproximadamente menor que de X.
Así, el mismo grafo produce según grado, y según cercanía.
No existe contradicción. Las medidas están ordenando nodos según criterios diferentes.
95.8. Centralidad de intermediación
Sea el número de caminos mínimos entre nodos s y t. Sea el número de esos caminos que atraviesan v.
La intermediación no normalizada es
Para grafos no dirigidos, cada par no ordenado se cuenta una sola vez. Una normalización frecuente divide por
La medida pregunta cuánto participa v en las rutas geodésicas entre otros nodos.
95.9. El puente domina la intermediación
En el grafo del ejemplo, cualquier camino mínimo desde un nodo del clique izquierdo hacia uno del derecho atraviesa X.
Por eso su intermediación normalizada es
Es el valor máximo. Sin embargo,
El nodo con menos vecinos directos es el que más caminos interregionales concentra.
Este contraste es uno de los ejemplos más claros de por qué «centralidad» necesita un calificativo.
95.10. La intermediación y el flujo real son cantidades distintas
La definición anterior supone que los caminos mínimos son estructuralmente relevantes. Eso no garantiza que el proceso real utilice exclusivamente geodésicas.
La información puede difundirse por rutas no mínimas. Un flujo puede repartir carga entre varias alternativas. Las personas pueden no conocer la ruta más corta. Un proceso dinámico puede depender de capacidad, congestión o dirección.
Por tanto, una intermediación alta significa:
No significa automáticamente:
La interpretación exige un modelo del proceso sobre la red.
95.11. Múltiples caminos mínimos
Si existen varias geodésicas entre s y t, la contribución se reparte.
Por ejemplo, si existen dos caminos mínimos y solo uno atraviesa v, entonces el par aporta
a la intermediación de v.
Esto evita contar cada geodésica como si fuera un par independiente. La medida depende de la estructura de rutas alternativas.
Una arista nueva puede crear nuevos caminos mínimos y redistribuir intermediación aunque apenas modifique grados.
95.12. Centralidad de autovector
La centralidad de autovector introduce una idea recursiva, la de que estar conectado con nodos centrales aumenta la propia centralidad.
En un grafo no dirigido con matriz de adyacencia A, buscamos un vector positivo x tal que
Componente a componente,
La centralidad de i es proporcional a la suma de las centralidades de sus vecinos. Se utiliza el autovector asociado al mayor autovalor compatible con la construcción.
95.13. El papel de Perron y Frobenius
Para una matriz de adyacencia no negativa e irreducible, el teorema de Perron-Frobenius garantiza una raíz espectral positiva con un autovector estrictamente positivo esencialmente único salvo escala.
En un grafo no dirigido conectado, esta situación da una centralidad de autovector bien definida después de elegir una normalización.
El paquete calcula el autovector principal de la matriz A y verifica numéricamente
El resultado coincide con la implementación de NetworkX dentro de tolerancia numérica.
95.14. Autovector frente a puente
En nuestra red, X conecta con L0 y R0, ambos nodos fuertes. Aun así, solo tiene dos conexiones.
Los anclajes están conectados a X y a tres miembros de sus cliques. Su centralidad de autovector es aproximadamente mientras la de X es aproximadamente
Por tanto, el puente domina cercanía e intermediación, pero no autovector.
La centralidad espectral favorece participación en regiones de conexiones mutuamente reforzadas.
95.15. Cuatro medidas, cuatro perfiles
La figura resume las medidas normalizadas en la misma red.
El máximo de grado corresponde a L0 y R0. El de cercanía y el de intermediación corresponden a X, mientras el de autovector vuelve a L0 y R0.
La palabra «máximo» necesita, por tanto, el nombre de la función que estamos maximizando. Una tabla de rankings sin definiciones puede ocultar la decisión conceptual más relevante.
95.16. Empates y simetría
La red fue construida simétricamente. Por eso L0 y R0 tienen valores idénticos en las medidas estructurales correspondientes. Lo mismo ocurre entre los nodos equivalentes dentro de cada clique.
Un ranking que fuerce posiciones
puede romper artificialmente esos empates según orden alfabético o identificador.
Cuando los valores son iguales dentro de tolerancia, conviene distinguir empate matemático de orden de presentación.
95.17. Cercanía en redes desconectadas
La fórmula clásica
encuentra un problema si existen nodos a distancia infinita.
No hay una única convención universal. NetworkX utiliza una versión que considera el tamaño del conjunto alcanzable y penaliza componentes pequeñas.
Otra opción es la centralidad armónica:
usando
Esta fórmula permanece finita en grafos desconectados.
95.18. La elección de cercanía también es una elección de estimando
El paquete incluye un grafo formado por un triángulo, una cadena de tres nodos y un nodo aislado.
El nodo aislado tiene cercanía cero y centralidad armónica cero. Los nodos del triángulo obtienen valores distintos de los nodos de la cadena bajo la convención de NetworkX, porque el tamaño de la componente entra en la normalización.
Por tanto, antes de comparar cercanía entre redes desconectadas debemos declarar la definición utilizada. El nombre de la métrica no determina por completo la fórmula.
95.19. Centralidad en redes dirigidas
En un digrafo, las versiones de centralidad deben considerar orientación.
El grado se separa en
y
La cercanía puede calcular distancias desde un nodo hacia otros o desde otros hacia el nodo, según la convención. La intermediación respeta caminos dirigidos. La centralidad espectral requiere decidir si se premian enlaces recibidos o enviados. La dirección cambia la pregunta.
95.20. PageRank
PageRank puede interpretarse como una centralidad de prestigio en una red dirigida.
En una versión básica, el valor satisface una ecuación del tipo
donde v_i representa una distribución de reinicio.
La contribución de un enlace entrante depende de la puntuación del nodo que lo emite y de cuántos enlaces salientes reparte.
Por tanto, contar enlaces entrantes y calcular PageRank no son operaciones equivalentes.
95.21. PageRank frente a grado de entrada
El paquete construye un digrafo de siete nodos. Los grados de entrada más altos pertenecen a D, B y C.
PageRank, en cambio, redistribuye importancia según la procedencia de los enlaces y la estructura recursiva.
Los dos rankings, como muestra la figura, no coinciden del todo.
Un enlace desde un nodo con gran PageRank no pesa lo mismo, en el modelo, que un enlace desde un nodo periférico con muchas salidas.
95.22. El parámetro de amortiguación forma parte de PageRank
El parámetro controla cuánto pesa la propagación por aristas frente al reinicio.
En el ejemplo usamos
Cambiarlo puede alterar los valores y, en ciertas redes, el ranking.
La teletransportación también evita algunos problemas de reducibilidad y nodos sin salida en la interpretación como cadena de Markov.
PageRank contiene, por tanto, una regla dinámica concreta, bastante más específica que «el autovector de la web».
95.23. Centralidad ponderada y semántica del peso
C93 mostró que un peso alto puede significar fuerza o costo. La misma advertencia afecta cercanía e intermediación ponderadas.
Si un algoritmo de caminos interpreta el atributo weight como longitud, entonces una arista con peso diez es más costosa que una de peso dos.
Si los datos codifican fuerza, en cambio, la intención puede ser exactamente la opuesta.
El paquete calcula centralidades ponderadas bajo ambas interpretaciones y obtiene resultados diferentes.
El significado de la columna numérica queda fuera del alcance de la matemática.
95.24. Transformar fuerza a distancia
Para pesos positivos de fuerza puede considerarse, en ciertos problemas,
Entonces los vínculos intensos reciben costos pequeños.
Esta transformación, sin embargo, no es universal. Si el peso es una probabilidad, puede ser más natural usar
Si representa capacidad, la suma de inversos puede no corresponder a ningún mecanismo operativo.
Una centralidad ponderada es interpretable solo después de especificar qué cantidad se acumula a lo largo de los caminos.
95.25. Una sola arista puede cambiar intermediación de forma abrupta
Añadamos al grafo principal una conexión intergrupal alternativa:
El grado de X no cambia. Sin embargo, muchos caminos mínimos entre los cliques dejan de necesitar pasar por él.
Su intermediación cae aproximadamente de a
Una modificación local de la topología puede redistribuir fuertemente una medida global.
95.26. La sensibilidad de la intermediación y su lectura
La caída anterior no demuestra que la intermediación sea una métrica inestable en sentido peyorativo. Está respondiendo correctamente a una pregunta sobre geodésicas.
Al crear una ruta alternativa, cambiamos justamente la propiedad que mide.
El problema aparece si las aristas de la red tienen incertidumbre de observación. Entonces una arista dudosa puede inducir una gran diferencia en el ranking.
En ese caso conviene realizar análisis de sensibilidad respecto de vínculos plausibles.
95.27. Centralidad observada y red observada
C91 distinguió
de
Toda centralidad calculada exactamente sobre el segundo sigue siendo una estimación de la posición en el primero si existen errores de aristas.
Las medidas basadas en caminos pueden ser especialmente sensibles a vínculos que conectan regiones. Las medidas locales pueden ser más sensibles a falsos negativos alrededor de un nodo concreto.
La propagación del error depende de la centralidad y del patrón de observación, sin seguir una regla universal.
95.28. La centralidad frente a la pregunta causal
Un nodo de alta centralidad puede ser consecuencia de la dinámica del sistema y no su causa. También puede ocupar una posición estructural importante sin que intervenir sobre él produzca un efecto grande.
Por ejemplo, la intermediación describe caminos mínimos de la red estática. Eliminar un nodo puede activar rutas alternativas, cambiar conductas o modificar pesos.
La pregunta
no equivale a
La segunda requiere un modelo de dinámica e intervención.
95.29. Centralidad y vulnerabilidad
A veces se interpreta un nodo de alta intermediación como punto único de fallo. Eso puede ser razonable si el proceso depende de las mismas rutas mínimas y no puede reorganizarse.
Una red puede contener, sin embargo, capacidad redundante, rutas no mínimas o dinámica adaptativa. Además, el costo de eliminar un nodo puede depender de su función, no solo de su posición topológica.
La centralidad puede formular hipótesis de vulnerabilidad, sin sustituir una prueba de resiliencia del sistema.
95.30. Centralidad y propagación
El grado puede ser relevante para una propagación de un paso. La centralidad de autovector puede relacionarse con modos lineales de crecimiento en ciertas dinámicas sobre redes. PageRank describe una caminata aleatoria con reinicio bajo una construcción específica. La intermediación supone relevancia de geodésicas.
Cada medida contiene, explícita o implícitamente, una idea sobre cómo la estructura se vuelve funcional.
Por eso la elección puede formularse como una pregunta de modelamiento. ¿Qué proceso sobre la red quiero aproximar?
95.31. Rankings no sustituyen valores
Reducir una centralidad a un ranking pierde magnitud.
Si dos nodos tienen valores y un ranking puede mostrarlos como primero y segundo aunque la diferencia sea mínima.
Otro par puede ocupar posiciones consecutivas con valores y
El orden es el mismo tipo de dato ordinal, pero la separación estructural no.
Conviene conservar los valores y, cuando sea relevante, incertidumbre o sensibilidad.
95.32. Correlación entre centralidades
En algunas redes, grado, cercanía, autovector e intermediación están muy correlacionados. En otras, divergen.
Una correlación alta no vuelve equivalentes sus definiciones. Puede ser una consecuencia de la arquitectura particular de la red.
Si todas las medidas producen rankings casi idénticos, eso es un resultado empírico sobre esa red. Si producen órdenes diferentes, la discrepancia puede ser informativa, porque muestra que distintas nociones de posición están desacopladas.
No debería resolverse promediando centralidades sin una justificación del significado de ese promedio.
95.33. Centralización de una red
Freeman distinguió centralidad de nodo y centralización del grafo.
Una red puede estar muy concentrada alrededor de uno o pocos nodos según una medida concreta.
Conceptualmente, una centralización basada en C compara
con el máximo posible para una red del mismo tamaño bajo esa medida.
La idea responde a una pregunta global, la de hasta qué punto están concentradas las posiciones de centralidad. Confundirla con el valor de centralidad de un nodo individual es un error frecuente.
Además, existe una centralización distinta para cada definición de centralidad.
95.34. Normalización y comparación entre tamaños
Muchas implementaciones normalizan centralidades para situarlas en intervalos comparables, a menudo
Esto facilita presentación, pero no convierte distintas métricas en unidades equivalentes.
Un valor 0.5 de grado no tiene el mismo significado que 0.5 de intermediación.
Tampoco toda normalización permite comparar redes de tamaños diferentes sin considerar densidad y conectividad.
La fórmula exacta de normalización forma parte del resultado.
95.35. Centralidad en redes desconectadas
La desconexión afecta medidas de maneras diferentes.
El grado sigue definido localmente. La intermediación puede calcularse dentro de las rutas que existen. La cercanía clásica enfrenta distancias infinitas. El autovector puede concentrarse en ciertas componentes y perder unicidad estructural bajo algunas condiciones. PageRank puede mantenerse definido mediante teletransportación.
No existe una solución única para «manejar componentes» que sirva a todas las métricas. La elección depende de la pregunta y de si las componentes son parte real del sistema o un artefacto de observación.
95.36. Centralidad dinámica
Todas las medidas estudiadas aquí se calculan sobre una red fija.
Si la red cambia con el tiempo, la centralidad puede cambiar también.
Un nodo puede ser puente durante una etapa y dejar de serlo después de aparecer una ruta alternativa.
Agregar todo el tiempo en una sola red puede producir una posición «promedio» que nunca existió en un instante concreto.
Las redes temporales requieren métodos específicos que aparecerán más adelante. Por ahora, toda centralidad está indexada implícitamente por la ventana y la definición de red utilizada.
95.37. Un protocolo para elegir centralidad
Antes de calcular una métrica conviene formular la pregunta en lenguaje ordinario.
Si buscamos exposición inmediata o número de contactos, corresponde el grado o la fuerza. Si buscamos proximidad topológica al conjunto, la cercanía. Si buscamos participación en rutas mínimas entre otros nodos, la intermediación. Si importa estar conectado con nodos estructuralmente bien conectados, la centralidad de autovector. Si trabajamos con prestigio dirigido y caminata aleatoria con reinicio, PageRank.
La métrica debe seguir a la pregunta y no al revés.
95.38. Proyección de una red puede cambiar quién parece central
C91 mostró que una red bipartita puede proyectarse sobre uno de sus conjuntos de nodos. Esa operación también afecta las centralidades.
Supongamos personas conectadas con eventos. En la red bipartita, el grado de una persona cuenta a cuántos eventos asistió. Después de proyectar sobre personas, su grado puede pasar a significar cuántas otras personas compartieron al menos un evento con ella.
Una persona que asistió a un único evento masivo puede adquirir grado muy alto en la proyección, aunque en la red bipartita original solo tuviera una arista.
Por tanto,
no es una versión más cómoda de
sino una centralidad calculada sobre otro grafo.
Lo mismo ocurre al simetrizar una red dirigida, agregar capas o colapsar tiempo. Cada transformación redefine las rutas y vecindarios sobre los cuales se calculan las métricas.
95.39. La eliminación de un nodo exige recalcular la red
Si retiramos un nodo de alta centralidad, las centralidades de los demás nodos cambian.
No tiene sentido interpretar una intervención estructural manteniendo fijos los valores calculados antes de la intervención.
En el grafo de dos cliques, eliminar X desconecta ambas regiones por completo. Añadir una ruta alternativa reduce su intermediación antes incluso de eliminarlo.
Esto muestra que la centralidad es una propiedad relacional:
El valor pertenece al par formado por el nodo y la red, no al nodo por separado.
Cuando cambia G, debemos recalcular
para los nodos restantes.
Esta dependencia contextual limita expresiones como «X es intrínsecamente central». X es central según una medida concreta en una red concreta bajo una ventana y una codificación concretas.
95.40. Diferencia entre centralidad y efecto marginal de una arista
Una métrica de nodo resume posición. No indica necesariamente qué arista individual produce mayor cambio en el sistema.
En nuestro ejemplo, X tiene gran intermediación porque las dos aristas y forman el único puente entre regiones. Sin embargo, añadir la arista L2-R2 reduce su intermediación sin tocar ninguna de las dos aristas incidentes en X.
La posición de un nodo depende de relaciones que pueden estar lejos de él.
Por eso una sensibilidad estructural puede analizarse perturbando aristas y recalculando métricas, en vez de inferirla exclusivamente desde el valor central inicial.
Esta estrategia convierte la centralidad en una salida de un experimento de perturbación topológica antes que en un sustituto de ese experimento.
95.41. Centralidad observada necesita una referencia antes de llamarse extraordinaria
Un valor alto dentro de una red permite ordenar los nodos de esa misma red. Otra pregunta distinta es si ese valor resulta inusual bajo una estructura comparable.
Por ejemplo, una intermediación de 0.3 puede ser excepcional en una red y habitual en otra con similar tamaño y densidad.
La comparación requiere un modelo de referencia que preserve las restricciones relevantes y genere una distribución de la métrica bajo una hipótesis estructural explícita.
Podríamos preguntar:
pero esa probabilidad depende completamente de cómo se genera
Preservar solo n y m no es equivalente a preservar también la secuencia de grados.
Esta es la transición natural hacia C96. Una centralidad describe una posición; un modelo de referencia permite preguntar si esa posición es sorprendente respecto de una familia de redes comparables.
95.42. Verificación computacional
El paquete reproducible construye el grafo de dos cliques unidos por X.
Verifica que mientras
Por ello X no maximiza centralidad de grado.
Sin embargo, X maximiza cercanía e intermediación, con valores aproximados en ambas métricas.
Los anclajes L0/R0 superan a X en centralidad de autovector.
El código comprueba la fórmula explícita de cercanía, la normalización de intermediación y la ecuación espectral
En el grafo desconectado confirma que la centralidad armónica permanece finita y asigna cero al nodo aislado.
En el digrafo, PageRank suma uno y su ranking difiere del orden por grado de entrada.
Finalmente, al añadir la arista la intermediación de X cae de aproximadamente a
Se ejecutaron 33 comprobaciones automáticas y las 33 resultaron satisfactorias.
95.43. Qué queda establecido
La centralidad abarca varias propiedades distintas. El grado mide conectividad inmediata. La cercanía resume distancias hacia el resto de la red. La intermediación mide participación en caminos mínimos entre otros nodos. La centralidad de autovector premia conexiones con nodos que también tienen puntuaciones altas. PageRank añade dirección, reparto de enlaces y reinicio dentro de un modelo de caminata específico.
Estas medidas pueden ordenar los mismos nodos de forma diferente sin contradicción. Las diferencias revelan que estamos formulando preguntas distintas sobre la posición estructural.
Dirección, peso, componentes, normalización y errores de aristas cambian el resultado. Además, una centralidad alta no demuestra causalidad, influencia efectiva ni beneficio de intervenir sobre el nodo.
C96 estudiará las redes aleatorias y los modelos de referencia. Allí dejaremos de preguntar únicamente qué valor tiene una red observada y empezaremos a preguntar con qué estructuras deberíamos compararla para decidir si una propiedad resulta realmente inusual.
Referencias
- Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120. https://doi.org/10.1080/0022250X.1972.9989806
- Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163–177. https://doi.org/10.1080/0022250X.2001.9990249
- Freeman, L. C. (1977). A set of measures of centrality based on betweenness. Sociometry, 40(1), 35–41. https://doi.org/10.2307/3033543
- Freeman, L. C. (1978/1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239. https://doi.org/10.1016/0378-8733(78)90021-7
- Newman, M. E. J. (2010). Networks: An Introduction. Oxford University Press.
- Page, L., Brin, S., Motwani, R., & Winograd, T. (1999). The PageRank Citation Ranking: Bringing Order to the Web. Stanford InfoLab Technical Report.
Recursos reproducibles
Descargar recursos del capítulo (ZIP, 232 kB).
6 archivos CSV · 4 figuras · 1 programa Python.
El programa se ha ejecutado en una carpeta vacía y genera los archivos de datos y figuras incluidos en el paquete.