Si quieres identificar quién tiene influencia real en una red social —no solo quién acumula más conexiones— necesitas las medidas de centralidad. Son los indicadores que el análisis de grafos en redes sociales utiliza para localizar los nodos más importantes: los que conectan comunidades, los que aceleran la difusión de información y los que actúan de filtro entre grupos que de otro modo no se comunicarían.
En el artículo anterior sobre los conceptos básicos del análisis de grafos en redes sociales vimos qué es un grafo y cómo se modela una red. Aquí profundizamos en el siguiente paso: cómo medir la posición de cada nodo dentro de esa estructura y qué significa cada métrica en la práctica.
Qué son las medidas de centralidad en grafos
Una medida de centralidad es un valor numérico que cuantifica la importancia o la posición de un nodo dentro de un grafo. La clave es que no existe una única definición de «importancia»: según el criterio que elijas, el nodo más central cambia. Un actor puede ser central porque tiene muchas conexiones directas, porque actúa de puente entre comunidades o porque está topológicamente cerca del resto de la red.
Cada medida responde a una pregunta distinta, y en la práctica lo habitual es calcular varias a la vez para cruzar los resultados. Intuitivamente podemos pensar que basta con encontrar al nodo con más conexiones, pero la realidad es bastante más compleja.
Centralidad de grado
Hace referencia a la cantidad de aristas que tiene un nodo. En una red no dirigida, cuantas más aristas tenga un nodo, más oportunidades de alcanzar a otros nodos y, por tanto, más alternativas para interactuar con ellos.
En redes dirigidas es algo más complejo, porque el grado se divide en dos métricas distintas.
Prestigio de entrada (in-degree)
Los actores con un alto grado de entrada son prominentes: muchos otros nodos intentan conectar directamente con ellos. En Twitter, una cuenta que recibe muchas menciones o retweets tiene un alto in-degree. En la web, una página que acumula muchos enlaces entrantes también.
Prestigio de salida (out-degree)
Los actores con alto grado de salida se conectan activamente con muchos otros nodos. Aquí entra en juego la teoría de la fortaleza de los lazos débiles: las mejores oportunidades no suelen venir de las conexiones directas, sino de las conexiones lejanas —amigos de amigos, conceptos relacionados con los que enlaza una idea—.
Límites de la centralidad de grado
El problema de usar el grado de salida como medida de influencia es que no se aplica a todas las redes. Funciona bien para intercambios comerciales o búsqueda de empleo, pero en redes como Twitter o la red de enlaces entre webs el razonamiento se rompe: una web recién creada puede tener cientos de enlaces salientes sin que eso la haga influyente. En una red de comentarios de Twitter, que un usuario esté retuiteando o mencionando a otras cuentas (alto grado de salida) no mide su influencia. Al contrario: son los usuarios cuyos posts reciben retweets y menciones (alto grado de entrada) quienes son influyentes, porque sus contenidos se viralizan.
Hay otro límite más general: las medidas de grado solo miden la importancia respecto a los nodos cercanos, sin tener en cuenta las conexiones de esos nodos con el resto de la estructura de la red.
Centralidad de vector propio
Es una versión más elaborada de la centralidad de grado. Esta medida parte de que la centralidad de un nodo depende de la centralidad de sus vecinos (prominencia): el poder y el estatus de un actor se definen de forma recursiva a partir del poder y el estatus de sus conexiones directas. Así, no todas las conexiones tienen la misma importancia: importa más estar conectado a un nodo influyente que a varios nodos periféricos.
El algoritmo PageRank de Google aplica este principio con algunas variaciones para evitar casos degenerados —por ejemplo, nodos sin enlaces de salida que acumularían todo el peso en la versión pura—. Es una de las implementaciones más conocidas de esta familia de métricas.
Centralidad de cercanía (Closeness)
Hace referencia a la longitud del camino que tiene un nodo respecto al resto de nodos de la red. Cuanto mejor sea su medida de cercanía, más posibilidad tiene el nodo de interactuar de forma directa con el resto. Esta medida premia estar topológicamente cerca del centro: un nodo con alta cercanía puede difundir información más rápido porque le cuesta menos llegar a cualquier otro punto de la red.
En redes dirigidas, la cercanía se divide también en cercanía de entrada y cercanía de salida, con las mismas limitaciones del grado dirigido. Otro inconveniente es que en redes con varios clusters separados puede resultar problemático calcularla, porque por lo general solo se consideran los actores desde los que un nodo puede ser alcanzado, no la red completa.
Centralidad de intermediación (Betweenness)
Hace referencia a hasta qué punto un nodo hace de enlace entre otros nodos de la red. El actor con mayor intermediación está situado en el camino geodésico —el camino más corto— entre el mayor número de pares de nodos. Cuantos más nodos necesiten pasar por un punto concreto para comunicarse por la ruta más eficiente, más central es ese punto.
Esto se traduce en un gran poder para la viralización de contenidos. Si la información tiene que pasar por un nodo para llegar a un grupo grande y ese es el único camino posible, ese nodo tiene un poder de control enorme aunque tenga pocas aristas. Por ese papel de filtro se les llama porteros (gatekeepers).
El límite principal del algoritmo de intermediación es que solo tiene en cuenta los vínculos inmediatos y deja de lado los vínculos indirectos más globales.
Otras medidas: excentricidad y coeficiente de clustering
Excentricidad
Es otra medida basada en distancias entre nodos, que tiene en cuenta la máxima distancia geodésica entre dos actores. Los nodos con mayor excentricidad son los más periféricos; los que tienen menor excentricidad, los más centrales.
Coeficiente local de clustering
Se basa en el concepto de que las redes sociales son transitivas y que los amigos de un nodo suelen ser amigos entre sí también. El coeficiente de clustering mide en qué grado se cumple esa transitividad: puede calcularse a nivel global (toda la red) o local (cada nodo individualmente). Un coeficiente alto en un nodo indica que sus vecinos están densamente conectados entre sí, formando un grupo cohesionado.
Cómo calcular centralidad en grafos con Python
La librería NetworkX es la referencia en Python para el análisis de grafos. Permite calcular cualquiera de las métricas de centralidad vistas en pocas líneas, sobre cualquier grafo que construyas o importes:
import networkx as nx
# El grafo del club de karate de Zachary es el ejemplo clásico en análisis de redes
G = nx.karate_club_graph()
# Centralidad de grado
grado = nx.degree_centrality(G)
# Centralidad de vector propio
eigenvector = nx.eigenvector_centrality(G)
# Centralidad de intermediación
intermediacion = nx.betweenness_centrality(G)
# Centralidad de cercanía
cercania = nx.closeness_centrality(G)
# El nodo más central no siempre coincide entre métricas
print("Top 3 por intermediación:", sorted(intermediacion, key=intermediacion.get, reverse=True)[:3])
print("Top 3 por cercanía:", sorted(cercania, key=cercania.get, reverse=True)[:3])
Lo habitual es que el nodo «más central» no coincida entre métricas, y esa discrepancia es precisamente la información valiosa: revela nodos que son puentes entre comunidades aunque tengan pocas conexiones directas, o actores con alta visibilidad que en realidad no controlan el flujo de información.
Para redes más grandes o para un análisis exploratorio sin código, Gephi es la herramienta visual de referencia: permite calcular y visualizar estas métricas de forma interactiva, coloreando los nodos según su centralidad y haciendo visibles de inmediato los puentes y los grupos cohesionados.
Cómo elegir la medida de centralidad adecuada
La centralidad está lejos de ser sencilla y es, hasta cierto punto, relativa. Elegir la medida de centralidad más adecuada para analizar una red social depende de la estructura de la propia red y del objetivo que tengas al buscar los actores clave.
Algunas preguntas que orientan la elección:
- ¿Buscas quién tiene más alcance directo? Centralidad de grado.
- ¿Buscas quién puede difundir información más rápido? Centralidad de cercanía.
- ¿Buscas quién controla el flujo entre comunidades? Intermediación.
- ¿Buscas quién está conectado con los nodos más influyentes? Vector propio.
Por lo general, lo más útil es aplicar varias medidas y cruzar los resultados: los nodos que aparecen como centrales en varias métricas a la vez suelen ser los actores verdaderamente clave de la red. ¿Buscas a quien tenga muchos seguidores o a quien abra la puerta a comunidades a las que todavía no llegas? Son preguntas distintas que necesitan métricas distintas.
Formación en análisis de datos y redes
El análisis de grafos forma parte de un conjunto más amplio de técnicas donde saber trabajar con estructuras complejas marca la diferencia. Si quieres dominar estas técnicas con base en Python, estadística aplicada, machine learning y proyectos reales con datos, puedes revisar el temario del Máster Experto en Data Science, Big Data e IA de Datahack para ver si encaja con tu perfil y punto de partida.
Preguntas frecuentes sobre centralidad en grafos de redes sociales
¿Qué son las medidas de centralidad en grafos?
Las medidas de centralidad son métricas que cuantifican la importancia o posición de un nodo dentro de un grafo. Cada una responde a una pregunta distinta: la centralidad de grado mide conexiones directas, la cercanía mide qué tan cerca está un nodo del resto de la red, la intermediación mide cuántos caminos más cortos pasan por ese nodo, y el vector propio tiene en cuenta la importancia de sus vecinos, no solo su número.
¿Cuál es la diferencia entre centralidad de grado y centralidad de intermediación?
La centralidad de grado mide el número de conexiones directas de un nodo. La centralidad de intermediación mide cuántos pares de nodos dependen de ese nodo para comunicarse por el camino más corto. Un nodo puede tener pocas conexiones y una intermediación muy alta si actúa de puente entre grupos que de otro modo no estarían conectados: es el rol del portero o gatekeeper.
¿Qué herramienta se usa para calcular centralidad en grafos con Python?
NetworkX es la librería estándar en Python para el análisis de grafos. Con funciones como nx.degree_centrality(), nx.betweenness_centrality(), nx.closeness_centrality() y nx.eigenvector_centrality() se calculan todas las métricas principales en pocas líneas sobre cualquier tipo de grafo. Para visualización interactiva de redes, Gephi es la herramienta más utilizada y no requiere escribir código.
¿En qué se parece la centralidad de vector propio al PageRank de Google?
Ambos parten del mismo principio: la importancia de un nodo depende de la importancia de sus vecinos. PageRank añade un factor de amortiguación para evitar casos degenerados, como nodos sin enlaces de salida que acumularían todo el peso en la versión pura del vector propio. Es una variante práctica del mismo concepto, aplicada a la web para determinar la relevancia de las páginas.
¿Por qué el nodo con más conexiones no siempre es el más influyente en una red social?
El número de conexiones mide prominencia, pero no control del flujo de información. Un nodo con pocas conexiones puede tener una intermediación muy alta si es el único puente entre dos comunidades: todo mensaje que quiera cruzar de una a otra pasa obligatoriamente por él. Ese poder de difusión y filtrado no lo captura el conteo bruto de conexiones, y por eso conviene calcular siempre varias métricas antes de concluir quién tiene influencia real en una red.
