Centralidad de vector propio

Bob tiene más influencia porque la centralidad de vector propio mide la influencia según la calidad de tus conexiones, no solo su cantidad. Se basa en la idea de que una conexión con un nodo poderoso vale más que una conexión con uno débil. Piensa en un sistema de reputación: una recomendación del presidente tiene más peso que la de un desconocido y aumenta mucho tu propia puntuación.

Fíjate en esto: En tu próxima reunión de grupo, observa a quién mira el líder en busca de aprobación; esa persona probablemente tenga la mayor centralidad de vector propio del grupo.

Este concepto calcula la influencia mediante un ciclo de retroalimentación: cada resultado influye en el siguiente cálculo. En un recuento simple, como la centralidad de grado, cada amigo cuenta como «uno». En cambio, la centralidad de vector propio asigna a cada amigo un peso variable según su propia puntuación.

El proceso de cálculo funciona así:

• Inicio: Todos los nodos de la red empiezan con la misma puntuación.
• Paso de transferencia: En cada ronda, un nodo actualiza su puntuación sumando las puntuaciones de todos sus vecinos. Si estás conectado con vecinos que tienen puntuaciones altas, tu puntuación se dispara.
• Ciclo de retroalimentación: Como tu puntuación ha subido, en la siguiente ronda transmites más influencia a tus vecinos. Este refuerzo mutuo continúa.
• Convergencia: El proceso se repite hasta que las puntuaciones se estabilizan y dejan de cambiar. Así se encuentra el «equilibrio» matemático de la influencia en la red.

Entre sus aplicaciones en el mundo real están:

• Buscadores: Los primeros algoritmos de Google usaban una variante, PageRank, en la que una página web es importante si otras páginas importantes enlazan a ella.
• Epidemiología: Identificar a los «superpropagadores» no solo por la cantidad de personas con las que se encuentran, sino también por si se encuentran con otras personas que viajan con frecuencia y conectan distintas comunidades.
• Neurociencia: Mapear las regiones del cerebro que actúan como centros de comunicación entre distintos sistemas cognitivos.

La base matemática está en el álgebra lineal, concretamente en el vector propio principal de la matriz de adyacencia de la red. La ecuación que define esta medida implica que la centralidad de un nodo es proporcional a la suma de las centralidades de sus vecinos.

• Phillip Bonacich (1972): Formalizó esta medida para la sociología y demostró que la centralidad se deriva de la estructura de las relaciones, más que de los atributos individuales [1].
• Bonacich (1987): Amplió el concepto para incluir las relaciones negativas y el poder de negociación. Mostró cómo cambia la centralidad cuando las conexiones representan dependencia en lugar de apoyo [2].
• Newman (2010): Señala que, aunque el cálculo es eficaz, en redes grandes requiere el «método de las potencias», que repite la multiplicación de matrices hasta que predomina el vector propio principal [3].

Puede dar resultados engañosos en redes con grupos concentrados o «cliques», donde los nodos de un grupo se refuerzan entre sí sin tener una influencia real fuera de él. También requiere más recursos de cálculo que un simple recuento de conexiones.