Centralidad de Cercanía
- Propuesto por
- Bavelas, A.; formalized by Freeman, L. C.
- Año
- 1950 (formalized 1979)
- Tipo
- Node-level centrality index
- Familia
- Network science
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La centralidad de cercanía mide la rapidez con la que un nodo puede alcanzar a todos los demás en una red, calculando la inversa de su distancia promedio de camino más corto a cada otro nodo.
Descrita por primera vez por Bavelas (1950) y unificada formalmente por Freeman (1979), identifica los nodos que pueden difundir información o recursos de manera eficiente a través de todo el grafo — no meramente los nodos con muchos contactos directos.
La intuición detrás del método
Imagine dejar caer un mensaje en un nodo y observar qué tan rápido llega a todos los rincones de la red. Un nodo con alta cercanía se sitúa cerca del centro de la red de conexiones: necesita menos saltos en promedio para llegar a cualquier otro. Un nodo periférico, incluso uno con muchos vecinos, puede estar todavía lejos de grandes partes de la red. La cercanía captura esta idea de geografía de la red: una distancia promedio corta significa alta cercanía, y alta cercanía significa difusión eficiente o acceso rápido a la información que fluye a través del grafo.
Historia
Alex Bavelas introdujo el concepto de centralidad de comunicación basada en caminos más cortos en 1950 mientras estudiaba la eficiencia de la resolución de problemas en grupo en el MIT. El influyente artículo de Linton Freeman de 1979 en Social Networks formalizó la centralidad de cercanía junto con la de grado y la de intermediación como una de las tres medidas canónicas de centralidad a nivel de nodo, proporcionando un marco matemático unificado que se convirtió en la base del análisis moderno de redes sociales.
Cuándo usarlo
Utilice la centralidad de cercanía cuando desee identificar los nodos que pueden difundir información, movilizar recursos o acceder al resto de la red de manera más eficiente con intermediarios mínimos — por ejemplo, para localizar semillas de difusión óptimas, comunicadores influyentes o centros de tránsito. Es apropiada para grafos conectados o casi conectados de cualquier tamaño. No la utilice como medida de centralidad principal cuando la red esté muy fragmentada (muchos componentes desconectados), ya que las puntuaciones de cercanía bruta se vuelven cercanas a cero y sin sentido; aplique la normalización de Wasserman-Faust o analice los componentes por separado. Evite confundir cercanía con grado: un nodo puede tener muchos lazos directos pero aún así ser periférico en alcance global.
Limitaciones y consideraciones
- Sensible a la conectividad del grafo: en redes desconectadas, la medida bruta colapsa y requiere ajustes de normalización.
- Trata todos los caminos más cortos como igualmente importantes; no tiene en cuenta el volumen de tráfico ni la probabilidad de que se utilice una ruta específica.
- Computacionalmente costosa en grafos muy grandes (millones de nodos) porque el cálculo de todos los pares de caminos más cortos escala mal sin algoritmos de aproximación.
- No distingue entre un nodo que está cerca de muchos lazos débiles y uno que está cerca de unos pocos lazos fuertes y estratégicamente importantes.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Captura la alcanzabilidad global en lugar de solo la conectividad local, lo que la hace ideal para estudiar el flujo de información y la difusión.
- La puntuación normalizada (de 0 a 1) permite la comparación entre redes de diferentes tamaños.
- Base teórica bien establecida con décadas de validación en sociología, epidemiología y ciencias de la computación.
- Complementa la centralidad de grado y de intermediación (betweenness) para ofrecer una imagen más rica de los roles de los nodos.
- Computacionalmente eficiente con BFS (no ponderado) o Dijkstra (ponderado) para la mayoría de las redes empíricas.
Aplicaciones
- Identificar intermediarios de información clave o líderes de opinión en redes organizacionales y sociales.
- Seleccionar nodos semilla óptimos para maximizar la velocidad de difusión de información o enfermedades.
- Clasificar estaciones de tránsito o intersecciones de carreteras por su accesibilidad general en redes de transporte.
- Localizar proteínas o genes influyentes en redes de interacción biológica.
- Detectar primeros adoptantes influyentes en estudios de difusión tecnológica.
- Priorizar objetivos de intervención en redes de contacto de salud pública para frenar la propagación de epidemias.
Cómo funciona
Cómo funciona
Represente la red como un grafo donde los nodos son actores (personas, organizaciones, páginas web, genes, etc.) y las aristas codifican relaciones o interacciones. El grafo puede ser no dirigido o dirigido; las aristas pueden no tener peso (cada salto cuesta 1) o tener peso (el costo es igual al peso de la arista, interpretado como distancia o fuerza inversa).
Para cada nodo v, calcule la distancia de camino más corto d(u, v) a cada otro nodo alcanzable u utilizando la Búsqueda en Anchura (Breadth-First Search) para grafos no ponderados o el algoritmo de Dijkstra para grafos ponderados. Para grafos dirigidos, solo son válidos los caminos que siguen la dirección de la arista, por lo que la cercanía de entrada (in-closeness) y la cercanía de salida (out-closeness) pueden diferir.
Fórmula
d(u,v) = \text{shortest path length between nodes } u \text{ and } vSume todas las distancias de camino más corto desde v a cada otro nodo para obtener la 'lejanía' (farness) de v. Una lejanía pequeña significa que v está cerca en promedio del resto de la red; una lejanía grande indica periferia.
Fórmula
\text{farness}(v) = \sum_{u \neq v} d(u, v)Tome la inversa de la distancia promedio de camino más corto: C(v) = (n-1) / suma de d(u,v). Multiplicar por (n-1) da una puntuación normalizada en (0, 1] para que los nodos en redes de diferentes tamaños puedan compararse. Valores más altos indican una posición más central y accesible.
Fórmula
C(v) = \frac{n-1}{\sum_{u \neq v} d(u, v)}En grafos desconectados, un nodo no puede alcanzar a todos los demás, por lo que la cercanía bruta es cero o indefinida para pares inalcanzables. La normalización de Wasserman-Faust extiende la cercanía a grafos desconectados sumando solo sobre nodos alcanzables y reescalando por la fracción del grafo que es alcanzable, evitando puntuaciones espurias cercanas a cero para componentes aislados.
Errores comunes
- Reportar la cercanía bruta en una red con componentes desconectados sin aplicar la normalización de Wasserman-Faust, produciendo puntuaciones engañosas cercanas a cero.
- Tratar la centralidad de cercanía y la de grado como intercambiables — un grado alto no implica una cercanía alta, y viceversa.
- Ignorar si las aristas son dirigidas: en redes dirigidas, la cercanía debe calcularse por separado para las direcciones de entrada y salida.
- Aplicar la cercanía no ponderada a una red ponderada donde los pesos de las aristas codifican distancias significativas, perdiendo información sobre la fuerza de la relación.
- Comparar puntuaciones de cercanía bruta (no normalizada) entre redes de diferentes tamaños sin controlar por n.
Preguntas frecuentes
¿En qué se diferencia la cercanía de la centralidad de grado?
La centralidad de grado cuenta solo los vecinos directos, por lo que un nodo puede obtener una puntuación alta si tiene muchas conexiones, incluso si esas conexiones están todas agrupadas en una esquina de la red. La cercanía considera el camino más corto a cada nodo en el grafo, por lo que recompensa la alcanzabilidad global. Un centro de clique periférico puede tener un grado alto pero una cercanía baja.
¿Qué debo hacer cuando mi red tiene componentes desconectados?
Aplique la normalización armónica o ajustada por alcanzabilidad de Wasserman-Faust (1994), que suma solo pares alcanzables y reescala por la proporción de la red alcanzable. Alternativamente, analice el componente conectado más grande por separado, o utilice la centralidad armónica (la suma de las inversas de las distancias), que maneja de forma natural los pares inalcanzables asignándoles una contribución de cero.
¿Funciona la cercanía en redes ponderadas?
Sí. Reemplace BFS con el algoritmo de Dijkstra utilizando los pesos de las aristas como distancias (o la inversa de los pesos de fuerza/similitud si un peso mayor significa más cercanía). La cercanía ponderada resultante refleja tanto la topología como la calidad de las conexiones.
¿Cómo interpreto la puntuación de cercanía normalizada?
Una puntuación cercana a 1 significa que el nodo puede alcanzar a todos los demás nodos en aproximadamente un salto en promedio — se sitúa en el centro de la red. Una puntuación cercana a 0 significa que el nodo es muy periférico. Las puntuaciones superiores a aproximadamente 0.6 suelen indicar posiciones verdaderamente centrales en la mayoría de las redes empíricas.
¿Es apropiada la cercanía para redes dirigidas?
Sí, pero calcúlela por separado en cada dirección. La cercanía de entrada (in-closeness) mide con qué facilidad otros pueden alcanzar el nodo focal (útil para estudiar el prestigio o la receptividad del nodo), mientras que la cercanía de salida (out-closeness) mide con qué facilidad el nodo focal puede alcanzar a otros (útil para estudiar la capacidad de difusión).
Métodos relacionados
Fuentes
Freeman, L. C. (1979). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
Abrir referencia DOICopiado.Bavelas, A. (1950). Communication patterns in task-oriented groups. Journal of the Acoustical Society of America, 22(6), 725–730.
Abrir referencia DOICopiado.