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
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
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.
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}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}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
Freeman, L. C. (1978). Centrality in social networks: Conceptual clarification. Social Networks, 1(3), 215–239.
Abrir referência DOICopiado.Wasserman, S. & Faust, K. (1994). Social Network Analysis: Methods and Applications. Cambridge University Press.
ISBN: 978-0-521-38707-1Copiado.