Saltar al contenido
Volver a los resultados

Centralidad del vector propio

Propuesto por
Bonacich, P.
Año
1972
Tipo
Centrality measure
Familia
Network science

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La centralidad del vector propio, introducida por Bonacich en 1972, mide la influencia de un nodo considerando no solo cuántos vecinos tiene, sino cuán influyentes son esos vecinos.

Un nodo obtiene una puntuación alta si está conectado a otros nodos con puntuaciones altas, lo que la convierte en una medida recursiva y globalmente consciente de la importancia estructural en una red.

La intuición detrás del método

Estar bien conectado importa, pero estar conectado con gente bien conectada importa aún más. La centralidad del vector propio captura esta idea recursiva: tu puntuación depende de las puntuaciones de tus vecinos, que a su vez dependen de las puntuaciones de sus vecinos, y así sucesivamente en toda la red. Es como si la influencia fluyera continuamente alrededor de la red hasta que se estabiliza en un equilibrio, el autovector principal de la matriz de adyacencia, donde la puntuación de cada nodo es proporcional a la suma de las puntuaciones de sus vecinos.

Historia

La centralidad del vector propio fue formalizada por Phillip Bonacich en un artículo de 1972 sobre enfoques de factorización y ponderación para puntuaciones de estatus, estableciendo la base teórica para las medidas de centralidad basadas en prestigio. La idea de que la importancia de un nodo es proporcional a la suma de las importancias de sus vecinos precede a Bonacich en la noción sociológica de estatus, pero su formalización algebraica la hizo computable. La medida ganó amplia adopción en el análisis de redes sociales y más tarde en la bibliometría y el análisis de grafos web, inspirando directamente el algoritmo PageRank de Google (1998), que añade un factor de amortiguación para manejar grafos dirigidos y desconectados.

Cuándo usarlo

Utilice la centralidad del vector propio cuando desee identificar nodos que son influyentes no solo por tener muchas conexiones, sino porque están incrustados en regiones densamente conectadas y de alto estatus de la red, típicas en redes de citas, investigación de influencia social y análisis de prestigio organizacional. Es apropiada para redes no dirigidas o dirigidas simétricas donde la noción de refuerzo mutuo tiene sentido sustantivo. Evítela en grafos desconectados (las puntuaciones se vuelven indefinidas para componentes aislados), en grafos dirigidos acíclicos (el autovector principal degenera) o cuando la conectividad local en lugar del prestigio global es la pregunta de investigación. Para redes dirigidas con influencia asimétrica, PageRank es generalmente preferible.

Limitaciones y consideraciones

  • Indefinida o degenerada en grafos desconectados y grafos dirigidos acíclicos, donde el autovector principal no produce puntuaciones significativas para todos los nodos.
  • Sensible a la densidad y estructura de la red: en redes muy dispersas casi todos los nodos colapsan a puntuaciones cercanas a cero, excepto un pequeño centro (hub).
  • No tiene en cuenta la longitud del camino ni los roles de puente; un nodo que conecta dos clústeres densos puede obtener una puntuación baja a pesar de su importancia estructural.
  • Para redes dirigidas asimétricas la medida requiere adaptación (p. ej., PageRank), y la aplicación ingenua puede ser engañosa.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Captura la influencia recursiva y global en lugar de solo el grado local, revelando prestigio e importancia estructural simultáneamente.
  • Basada en un marco algebraico lineal principista con una solución única garantizada por el teorema de Perron-Frobenius para redes conectadas.
  • Tiene en cuenta de forma natural la calidad de las conexiones, no solo su cantidad, lo que la hace adecuada para la investigación de prestigio y estatus.
  • Eficiente de calcular mediante iteración de potencia incluso en redes dispersas grandes.
  • Directamente interpretable: las puntuaciones reflejan la influencia proporcional en relación con el nodo más central.

Aplicaciones

  • Identificar prestigio e influencia en redes de citas académicas y grafos de coautoría.
  • Mapear estructuras de poder y líderes de opinión en redes organizacionales y políticas.
  • Detectar nodos centrales (hub) en redes biológicas de interacción de proteínas y regulación génica.
  • Clasificar páginas web y documentos por autoridad estructural (fundamental para PageRank).
  • Analizar la difusión de influencia y los propagadores clave en redes de redes sociales.
  • Evaluar jerarquías de estatus en estudios de redes sociométricas y de amistad.

Cómo funciona

Cómo funciona

1

La red se representa como una matriz de adyacencia A, donde la entrada A_ij es igual a 1 (o el peso del borde para redes ponderadas) si los nodos i y j están conectados, y 0 en caso contrario. Esta matriz codifica la topología completa de las conexiones sobre la cual se calculará la centralidad.

2

El autovalor más grande y su autovector asociado se calculan a partir de la matriz de adyacencia utilizando la iteración de potencia o un solucionador de álgebra lineal estándar. El autovalor principal lambda_max está garantizado como real y positivo para redes conectadas por el teorema de Perron-Frobenius, asegurando una solución única e interpretable.

Fórmula
\mathbf{A}\mathbf{x} = \lambda_{\max}\mathbf{x}
3

A cada nodo se le asigna el componente correspondiente del autovector principal como su puntuación de centralidad. La puntuación satisface la condición de punto fijo: la puntuación de un nodo es igual a (1/lambda_max) veces la suma de las puntuaciones de sus vecinos, por lo que los nodos con puntuaciones altas elevan recursivamente las puntuaciones de sus vecinos.

Fórmula
x_i = \frac{1}{\lambda_{\max}} \sum_{j \in N(i)} x_j
4

Las puntuaciones se escalan típicamente de modo que el valor máximo sea 1, lo que las hace comparables entre redes de diferentes tamaños. El ranking relativo de los nodos se conserva independientemente de la convención de normalización utilizada.

Errores comunes

  • Aplicar la centralidad del vector propio a una red desconectada sin extraer primero el componente conectado más grande, lo que lleva a puntuaciones cero para subgrafos enteros.
  • Confundir la centralidad del vector propio con la centralidad de grado y no informar qué medida se utiliza; pueden producir rankings muy diferentes.
  • Usarla en una red dirigida sin verificar que el grafo esté fuertemente conectado o sin adaptarla a una variante dirigida como PageRank.
  • Tratar pequeñas diferencias en puntuaciones normalizadas como significativas cuando la red es dispersa y las puntuaciones están numéricamente comprimidas cerca de cero.
  • Omitir comprobaciones de sensibilidad: los rankings de centralidad pueden cambiar sustancialmente si se eliminan algunos nodos centrales de alto grado.

Preguntas frecuentes

¿Cómo difiere la centralidad del vector propio de la centralidad de grado?

La centralidad de grado cuenta solo los vecinos inmediatos, tratando todas las conexiones como iguales. La centralidad del vector propio pondera a cada vecino por la centralidad de ese vecino, por lo que una conexión a un nodo muy central contribuye más que una conexión a uno periférico. Un nodo con pocos pero muy influyentes vecinos puede superar a un nodo de alto grado conectado principalmente a nodos periféricos.

¿Por qué falla la centralidad del vector propio en grafos dirigidos acíclicos?

En un grafo dirigido acíclico no hay ciclos, por lo que la influencia no puede fluir hacia atrás. El autovector principal de la matriz de adyacencia asigna puntuaciones cero a todos los nodos excepto a aquellos sin aristas salientes (sumideros), lo que hace que la medida sea degenerada. PageRank lo resuelve añadiendo un término de teletransportación que redistribuye el peso de forma uniforme.

¿Puedo usar la centralidad del vector propio en redes ponderadas?

Sí. Reemplace la matriz de adyacencia binaria con una matriz de adyacencia ponderada y aplique la misma autodescomposición. El autovector principal reflejará entonces tanto el número como la fuerza de las conexiones. Asegúrese de que los pesos de las aristas sean no negativos para que se cumplan las garantías de Perron-Frobenius.

¿Cómo debo reportar la centralidad del vector propio en un artículo?

Reporte las puntuaciones de centralidad del vector propio normalizadas (máx = 1), especifique el software y la versión utilizados (p. ej., NetworkX, igraph), indique si la red era dirigida o no dirigida, y confirme que se utilizó el componente conectado más grande si el grafo está desconectado. Una visualización que colorea o escala los nodos según su puntuación ayuda enormemente a la interpretación.

¿Cuál es la relación entre la centralidad del vector propio y PageRank?

PageRank es una generalización dirigida y amortiguada de la centralidad del vector propio. Añade un factor de amortiguación (típicamente 0.85) y una probabilidad de teletransportación uniforme para manejar grafos desconectados y dirigidos. Para redes conectadas no dirigidas, PageRank y la centralidad del vector propio producen rankings casi idénticos.

Métodos relacionados

Fuentes

  1. Bonacich, P. (1972). Factoring and weighting approaches to status scores and clique identification. Journal of Mathematical Sociology, 2(1), 113–120.

    Abrir referencia DOI
    Copiado.
  2. Eigenvector centrality. Wikipedia.

    Abrir referencia de la publicación
    Copiado.