Skip to content
Voltar aos resultados

Centralidade de Grau

Proposto por
Freeman, L. C.
Ano
1978
Tipo
Node-level centrality measure
Família
Network science

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A centralidade de grau é a medida mais simples e intuitiva da importância de um nó em uma rede, definida como o número de laços diretos que um nó possui com outros nós.

Normalizada pela divisão pelo número máximo possível de laços, permite a comparação entre redes de tamanhos diferentes e é o ponto de partida de quase toda análise de rede.

A intuição por trás do método

Imagine uma sala de conferências onde todos que conhecem muitas pessoas são os mais socialmente ativos. A centralidade de grau captura exatamente isso: a contagem bruta de conexões de um nó. Um nó com alto grau está no centro da atividade imediata — ele pode alcançar muitos vizinhos em um passo. Por ser simples de calcular e fácil de explicar, a centralidade de grau é frequentemente a primeira métrica calculada em um estudo de rede, servindo como uma linha de base contra a qual medidas mais sofisticadas são comparadas.

História

A centralidade de grau foi formalmente definida e sistematizada por Linton C. Freeman em seu artigo marco de 1978 na Social Networks, que também introduziu as centralidades de intermediação e proximidade sob um quadro conceitual unificado. A medida em si remonta a trabalhos sociométricos anteriores nas décadas de 1940-1950. O artigo de Freeman permanece a citação canônica e estabeleceu a análise de redes sociais como uma disciplina quantitativa rigorosa.

Quando usar

Use a centralidade de grau quando precisar de um resumo rápido e interpretável de quais nós têm o maior número de conexões diretas — para identificar hubs, atores-chave ou nós altamente ativos em qualquer rede binária ou ponderada. Ela se adapta a redes pequenas e grandes e requer apenas uma lista de arestas. Não confie apenas na centralidade de grau quando a questão de pesquisa se refere a influência indireta, eficiência de fluxo de informação ou papéis de gatekeeping; para esses propósitos, a centralidade de autovetor, a centralidade de proximidade ou a centralidade de intermediação são mais apropriadas. Ela também é pouco informativa em grafos completos ou quase completos, onde quase todos os nós compartilham o mesmo grau.

Limitações e considerações

  • Conta apenas vizinhos diretos; ignora a posição na estrutura global da rede.
  • Um nó com alto grau pode ser totalmente periférico se todos os seus vizinhos estiverem isolados uns dos outros.
  • Não informativa em grafos densos ou completos, onde a variância do grau é próxima de zero.
  • Não distingue se as conexões são com nós influentes ou periféricos (use centralidade de autovetor para isso).
  • Sensível a decisões de fronteira da rede — quem é incluído na rede afeta as pontuações.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Computacionalmente trivial — O(n) por nó — e escala para redes muito grandes.
  • Imediatamente interpretável: a contagem bruta de conexões não requer conhecimento de análise de rede para ser explicada.
  • Aplicável a grafos direcionados, não direcionados, binários e ponderados (como grau ponderado).
  • Serve como uma linha de base indispensável para comparar medidas de centralidade mais complexas.
  • A distribuição de grau fornece uma impressão digital da topologia geral da rede (livre de escala, aleatória, etc.).
  • Facilmente visualizável: o tamanho do nó proporcional ao grau transmite a estrutura de relance.

Aplicações

  • Identificação de hubs e atores influentes em redes sociais e organizacionais.
  • Rastreamento de contatos epidemiológicos para priorizar indivíduos altamente conectados para intervenção.
  • Análise de redes da web e de citações para classificar páginas ou artigos altamente linkados.
  • Análise de resiliência de infraestrutura para encontrar nós críticos cuja remoção fragmenta a rede.
  • Pesquisa de marketing e difusão para localizar nós semente para campanhas de disseminação viral.
  • Estudos de redes de coautoria e colaboração em bibliometria.

Como funciona

Como funciona

1

A rede é representada como um grafo G = (V, E), onde V é o conjunto de nós e E é o conjunto de arestas. Uma matriz de adjacência A codifica quais pares de nós estão conectados. Em uma rede não direcionada, cada aresta é contada uma vez; em uma rede direcionada, o grau de entrada (in-degree) e o grau de saída (out-degree) são rastreados separadamente, refletindo laços de entrada e saída, respectivamente.

2

Para cada nó v, a centralidade de grau é calculada somando todas as entradas em sua linha (ou coluna) da matriz de adjacência — ou seja, contando quantos outros nós ele está diretamente conectado. O grau bruto é C_D(v) = deg(v). Em um grafo direcionado, o grau de entrada conta os laços de entrada, enquanto o grau de saída conta os laços de saída.

Fórmula
C_D(v) = \deg(v) = \sum_{u \in V} a_{vu}
3

Para comparar entre redes de tamanhos diferentes, o grau bruto é dividido por (n − 1), o número máximo possível de laços em uma rede de n nós. A pontuação normalizada C_D'(v) fica entre 0 e 1, onde 1 indica um nó conectado a todos os outros nós na rede.

Fórmula
C_D'(v) = \frac{\deg(v)}{n - 1}
4

Os nós são classificados por sua pontuação normalizada de centralidade de grau. A distribuição das pontuações pode ser visualizada como um histograma ou plotada no grafo da rede como tamanho ou cor do nó. Nós de alto grau são candidatos a hubs ou influenciadores; a forma da distribuição de grau (por exemplo, cauda pesada vs. uniforme) revela propriedades estruturais mais amplas da rede.

Erros comuns

  • Relatar o grau bruto sem normalizar, tornando os resultados incomparáveis entre redes de tamanhos diferentes.
  • Tratar a centralidade de grau como evidência suficiente de influência sem verificar a centralidade de intermediação ou de autovetor.
  • Ignorar a direcionalidade em redes direcionadas: o grau de entrada e o grau de saída carregam significados substantivos diferentes.
  • Confundir centralidade de grau com centralidade de grau ponderado sem reconhecer a diferença em redes binárias vs. valoradas.
  • Ignorar isolados (nós com grau 0) que podem ser atores ausentes substantivamente importantes.

Perguntas frequentes

Qual é a diferença entre centralidade de grau e centralidade de autovetor?

A centralidade de grau conta o número de conexões diretas, independentemente de quem sejam esses vizinhos. A centralidade de autovetor pondera cada conexão pela importância do vizinho, de modo que um nó conectado a poucos nós altamente centrais pode ter uma pontuação maior do que um nó com muitos vizinhos periféricos.

Devo usar grau de entrada ou grau de saída em uma rede direcionada?

A escolha depende da questão de pesquisa. O grau de entrada mede quantos atores apontam para um nó (por exemplo, popularidade, prestígio, contagem de citações). O grau de saída mede quantos atores um nó aponta (por exemplo, nível de atividade, envio de informações). Relatar ambos é frequentemente informativo.

A centralidade de grau funciona em redes ponderadas?

A formulação padrão usa arestas binárias. Para redes ponderadas, a medida análoga é a centralidade de grau ponderado (também chamada de força do nó), que soma os pesos das arestas em vez de contar as arestas. A maioria das implementações em igraph, NetworkX e Gephi suporta essa opção.

Qual o tamanho mínimo da minha rede?

A centralidade de grau não tem requisito de tamanho mínimo. Ela é significativa mesmo em redes de 10 nós. No entanto, em redes muito pequenas, a pontuação normalizada perde resolução — quase todos os nós podem parecer igualmente centrais. Para redes com menos de cerca de 20 nós, examinar a distribuição de grau bruto é geralmente mais informativo do que a pontuação normalizada.

Quando a centralidade de grau não é suficiente?

Quando sua questão de pesquisa se refere a papéis de broker, gatekeeping ou fluxo de informação pela rede, em vez de popularidade local. Um nó com grau modesto pode controlar o acesso entre clusters (alta intermediação) ou alcançar todos os outros nós rapidamente (alta proximidade) sem ter muitos laços diretos.

Métodos relacionados

Fontes

  1. Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.

    Abrir referência DOI
    Copiado.
  2. Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.

    ISBN: 978-0-521-38707-1
    Copiado.