Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Agued A Quiroga
Agued A Quiroga
gueda Quiroga
Departamento de Ciencias Polticas, Universidad Pompeu Fabra
agueda.quiroga@upf.edu
Septiembre 2003
Contenidos
Introduccin
18
5. Medidas de centralidad
31
31
38
41
44
6.1 cliques
45
52
Conclusiones
65
Introduccin
Este manual tiene como objetivo introducir conceptos bsicos del anlisis de datos
reticulares (o anlisis de redes sociales), utilizando herramientas de anlisis y
representacin de datos, como UCINET 6 y NetDraw1.
Se trata de un texto orientado hacia la puesta en prctica de estos conceptos iniciales,
a travs de la realizacin de un ejercicio prctico.
Los contenidos de este manual surgen de tres fuentes principales:
-
Y conforman una breve introduccin al anlisis de redes sociales, al tipo de datos que
se utilizan en dicho anlisis y a su correcto tratamiento. A lo largo de los ejercicios se
construyen matrices (apartado 3), se grafican (apartado 4), se analizan los datos a
travs de tres medidas de centralidad: rango, grado de intermediacin y grado de
cercana (apartado 5) y se analiza la estructura de la red a partir de cuatro medidas de
agrupamiento: clique, n-clique, n-clan y k-plex (apartado 6).
Hanneman, Robert A., Introduccin a los mtodos de anlisis de redes sociales. Departamento de
Sociologa de la Universidad de California Riverside.
http://wizard.ucr.edu/~rhannema/netwprks/text/textindex.html Versin en castellano en http://www.redessociales.net/materiales.
Molina, Jos Luis (2001), El anlisis de redes sociales. Una introduccin. Barcelona: Edicions Bellaterra.
Wasserman, Stanley and Faust, Katherine (1994), Social network Analysis. Methods and Applications.
Cambridge University Press.
de
elementos
(personas,
grupos,
organizaciones,
pases
incluso
Edad
Sexo
Ocupacin
FFG
32
Mujer
Secretaria
administrativa
BNM
20
Hombre
Estudiante
DFP
45
Hombre
Funcionario pblico
CCD
37
Mujer
Abogada
STR
26
Mujer
Docente
BNM
DFP
CCD
STR
FFG
BNM
DFP
CCD
STR
En las figuras 1 y 2 se presenta un ejemplo de los dos tipos de matrices sealadas por
Hanneman. La primera se fija en las caractersticas de los individuos. La segunda, en
las relaciones que mantienen dichos individuos entre s. As, se ha marcado con 1 la
presencia de la relacin de amistad y con 0 su ausencia.
Los elementos bsicos del anlisis de redes sociales son, entonces, los nodos (los
puntos que representan a personas, grupos, pases, etc.) y la relacin o vnculo que
nos interesa analizar (amistad, enemistad, parentesco, comercio, etc.) y que se
establece entre tales nodos.
Sexo (M/F)
Carrera
Andrs
Antropologa
Carlos
Arqueologa
Carme
Arqueologa
Carmen
Antropologa
Carol
Arqueologa
Dolors
Antropologa
Hugo
Sociologa
Joan
Antropologa
Jos
Psicologa Social
Julio
Antropologa
Liliana
Sociologa
Mara
Psicologa Social
Mariano
Arqueologa
Martha
Arqueologa
Nuria
Psicologa Social
Pau
Antropologa
Xavi
Psicologa Social
Conoce a
Andrs
Carlos
Carme
Carlos, Carol
Carmen
Carol
Carlos, Carme
Dolors
Hugo
Liliana
Joan
Jos
Julio
Andrs, Joan
Liliana
Hugo
Mara
Mariano
Martha, Pau
Martha
Mariano, Pau
Nuria
Jos, Mara
Pau
Xavi
Jos, Mara
Figura 3
Para eso activaremos la funcin Spreadsheet (el segundo icono desde la izquierda):
Figura 4
Al activarlo, se abre la pantalla que nos permitir introducir los datos en la matriz.
Como podemos observar en la figura 5, se trata de un formato similar al de una hoja
de clculo.
Figura 5
10
Para ms informacin sobre los tipos de vnculos y las escalas de medida, vase Hanneman, op.cit, cap
1:17-22.
11
Figura 6
Introduciremos a continuacin los encabezados de las filas y las columnas. Al ser una
matriz de modo simtrico, al ingresar un nombre en una fila completar el nombre en
la columna correspondiente al mismo tiempo. Para ingresar los nombres, simplemente
lo escribimos en la celda coloreada que se encuentra al costado de cada nmero, en
las filas o debajo, en las columnas. Una vez introducido, apretamos la tecla Enter:
Figura 7
12
Figura 8
Una vez completa nos ubicaremos en la ltima celda (en este caso, en la interseccin
de la columna 17 con la fila 17) y desde all haremos click con el ratn en el icono fill.
De esta manera, se completarn con ceros el resto de las celdas de la matriz:
13
Figura 9
14
Figura 10
15
Figura 11
Figura 12
16
Figura 13
Cerramos la matriz (click en botn Ok) y guardamos los cambios. Hemos ingresado
ya toda la informacin que utilizaremos.
17
Figura 14
Se abre as una ventana con el programa NetDraw. Este programa se utiliza para
visualizar grficamente redes sociales. Veremos representada en grafos la matriz que
hemos introducido. Para ello, abriremos la matriz estudiantes.##h que hemos creado
anteriormente. Hacemos click en el icono open ucinet network dataset (el segundo
desde la izquierda)
18
Figura 15
Figura 16
19
Figura 17
Una red sociomtrica o red completa mide las relaciones entre todos los actores de un grupo
determinado. En este caso, vemos todas las relaciones de conocimiento o amistad que se establecen en el
interior del grupo que estamos analizando. Pero una red tambin puede ser egocntrica o personal, donde
mediramos todas las relaciones a partir de una persona (ego), por ejemplo, todos los amigos de Andrs al
interior de la clase. En ese caso no tendramos en cuenta las relaciones que existen entre sus amigos, sino
slo la relacin que tienen con Andrs. Tambin es posible combinar ambos tipos de redes. Para ms
informacin sobre este tema, vase el captulo 2 de Wasserman y Faust, op.cit.
20
existentes. Por ejemplo, podramos inducir que las personas que cursan las mismas
carreras se relacionan ms entre s que las de carreras diferentes. Para ello,
necesitamos complementar la informacin con los datos atributivos que hemos
recopilado.
Para ello, superpondremos la matriz que contiene la informacin sobre las carreras a
la matriz que representaba las relaciones de conocimiento y que ya hemos realizado.
La operacin es muy sencilla. Abrimos la matriz de atributos (haciendo click en el
tercer icono desde la izquierda open UCINET attibute dataset) y seleccionamos el
fichero carrera.##h:
Figura 18
21
Figura 19
22
Figura 20
Veremos los cuatro cdigos que hemos introducido para las carreras, cada uno de
ellos asociado a un color diferente. Si quisiramos cambiar el color adjudicado a
alguno, slo hay que hacer click sobre el rectngulo de color que se encuentra a la
izquierda del cdigo y seleccionar el color que deseamos en la paleta que se
despliega. En este caso, cambiaremos el color correspondiente al cdigo 2, de negro a
verde:
23
Figura 22
Una vez efectuado el cambio, hacemos click sobre el botn Aceptar. Vemos
entonces que a cada persona le corresponde el color de la carrera que est
estudiando: rojo para antropologa, verde para arqueologa, azul para sociologa y gris
para psicologa social.
24
Figura 23
25
Figura 24
Se abrir una ventana similar a la que utilizamos para definir los colores.
Seleccionamos el atributo sexo. Un consejo: si en el men desplegable (select
attibute) no vemos el atributo que queremos introducir, debemos descender hacia el
final de la ventana, hasta encontrarlo.
Figura 25
26
Figura 26
27
Figura 27
28
Figura 28
Figura 29
29
Figura 30
30
5. Medidas de centralidad
Como seala Hanneman (op.cit.),
La perspectiva de redes implica tener en cuenta mltiples niveles de anlisis. Las
diferencias entre los actores son interpretadas en base a las limitaciones y oportunidades
que surgen de la forma en que stos estn inmersos en las redes; la estructura y el
comportamiento de las redes est basado en y activado por las interacciones locales
entre los actores. (...) Las diferencias en cmo los individuos estn conectados puede
ser extremadamente til para entender sus atributos y comportamiento. Muchas
conexiones significan a menudo que los individuos se exponen todava a ms y ms
diversa informacin. (cap V: p. 3)
Podemos realizar una primera aproximacin a la estructura de una red social mediante
el anlisis de tres medidas de centralidad: rango (degree), grado de intermediacin
(betweenness) y cercana (closeness). Por medida de centralidad se entiende un
conjunto de algoritmos calculado sobre cada red que nos permite conocer la posicin
de los nodos en el interior de la red y la estructura de la propia red. Veamos qu
significa cada una de estas medidas, cmo se calculan y cmo se interpretan.
31
Figura 31
En la pantalla que se despliega seleccionaremos la matriz que contiene los datos que
queremos analizar. En este caso, analizaremos la matriz estudiantes.##h, la que
contiene la informacin sobre las relaciones de conocimiento entre los estudiantes de
la clase. Para ello, haremos click con el ratn en el botn de la fila imput dataset
(marcado con tres puntos):
32
Figura 32
Figura 33
La primera fila (Input dataset) indica el fichero que utilizar para calcular el rango. La
segunda fila (Treat data as symmetric) pregunta si se trata de una matriz simtrica (la
relacin de A-B vale para B-A) o no. En este caso, la respuesta es s. La tercera fila
(Include diagonal values?) pregunta si debe tener en cuenta los valores de la diagonal
(la relacin entre A y A, B y B, C y C, etc.), y responderemos no. La cuarta fila
informa con qu nombre se guardarn los resultados, en el directorio que tengamos
predeterminado. Haciendo click en el icono de los tres puntos, se puede definir otro
directorio y modificar el nombre del archivo con los datos de salida si as lo deseamos.
33
Una vez realizados los cambios que queremos hacer, hacemos click en aceptar.
Obtenemos la siguiente pantalla:
Figura 34
Vemos la lista de todos los nodos de la red, ordenados de mayor rango (ms nmero
de conexiones) a menor rango (menor nmero de conexiones). Se reproduce a
continuacin la informacin obtenida en las tres primeras columnas:
Tabla 3
Andrs
Pau
Jos
Joan
Carlos
Dolors
Carmen
Mara
Carme
Nuria
Carol
Mariano
Xavi
Julio
Martha
Liliana
Hugo
Degree
6.0
5.0
5.0
4.0
3.0
3.0
3.0
3.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
1.0
1.0
NrmDegree
37.500
31.250
31.250
25.000
18.750
18.750
18.750
18.750
12.500
12.500
12.500
12.500
12.500
12.500
12.500
6.250
6.250
34
35
Figura 35
Los estadsticos descriptivos brindan informacin sobre los valores que tom el rango
en el conjunto de la red. Vemos que el rango promedio de la red (Mean) es 2.824, y
que los valores oscilan entre 1 y 6 (la menor y mayor cantidad de lazos).
Incorporaremos esta informacin al informe de la prctica, de manera muy sencilla:
seleccionamos con el ratn el texto y seleccionamos la funcin copiar (Edit< copy).
Pegamos la informacin en el informe en Word que estamos elaborando (Edicin<
pegar).
36
Figura 36
37
Figura 37
En la pantalla que se despliega elegimos la matriz que contiene los datos que vamos a
analizar (estudiantes.##h) y hacemos click en el botn ok:
38
Figura 38
Figura 39
Tabla 4
Andrs
Jos
Joan
Pau
Carlos
Dolors
Carmen
Mara
Carme
Hugo
Betweenness
39.0
34.0
25.5
24.5
24.0
12.0
1.5
0.5
0.0
0.0
nBetweenness
32.5
28.3
21.2
20.4
20.0
20.0
10.0
1.2
0.4
0.0
39
Carol
Liliana
Mariano
Julio
Nuria
Martha
Xavi
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
40
5. 3 Cercana (closenness)
El grado de cercana indica la cercana de un nodo respecto del resto de la red.
Representa la capacidad que tiene un nodo de alcanzar a los dems. Veremos su
interpretacin a partir de un ejemplo.
Para calcularlo, procederemos de la misma manera que en las dos medidas de
centralidad anteriores, es decir, a partir del men Network (network< centrality<
closenness):
Figura 40
Figura 41
41
Tabla 5
Andrs
Joan
Pau
Dolors
Jos
Carmen
Julio
Carlos
Mariano
Martha
Maria
Nuria
Xavi
Carme
Carol
Farness
59.0
60.0
62.0
63.0
64.0
64.0
67.0
68.0
74.0
74.0
75.0
76.0
76.0
80.0
80.0
Closeness
27.11
26.66
25.80
25.39
25.00
25.00
23.88
23.52
21.62
21.62
21.33
21.05
21.05
20.0
20.0
42
Liliana
Hugo
256.0
256.0
6.25
6.25
43
44
de los grupos yuxtapuestos. Esta idea aparentemente obvia se tiene que destacar
porque tambin es posible aproximarse a la cuestin de la subestructuras de las redes
desde una perspectiva de arriba hacia abajo. Ambos aspectos son valiosos y
complementarios. (cap V: p. 6)
6.1 Cliques
Hemos utilizado anteriormente la palabra clique como sinnimo de subgrupo dentro de
una red. Pero en sentido estricto se denomina clique a un conjunto de nodos o actores
que tienen todos los vnculos posibles entre ellos. Los actores que conforman un
clique deben ser ms de dos, por lo general se trabajan cliques de tres y ms
integrantes. Un grupo de nodos que tienen entre ellos todos los vnculos posibles se
denomina subgrafo mximo completo. Presentamos un ejemplo en la figura 44:
Figura 44
B
A
Todas las relaciones posibles estn presentes en la figura 44. En caso de que la
relacin analizada fuese ser amigo de, A es amigo de B y de C, B es amigo de C y
de A y C es amigo de B y de A.
Pediremos a UCINET que identifique todos los cliques de ms de tres integrantes que
se encuentran en nuestra red. Para ello, desde la pantalla inicial de UCINET
seleccionaremos el men Nertwork y luego subgroups< cliques:
45
Figura 45
En el cuadro de dilogo que se despliega (que es muy similar a los que utilizamos con
las medidas de centralidad) seleccionaremos en primer lugar la matriz en donde se
encuentran los datos que queremos analizar (Imput dataset). En este caso es la que
hemos estado utilizando hasta ahora (estudiantes.##h). La segunda opcin es el
nmero mnimo de integrantes del clique. La opcin por defecto es 3 y en este caso la
mantendremos. A continuacin se nos pregunta si queremos que se analice el patrn
de superposiciones (Analyze pattern of overlaps). Esto significa que podemos saber
cundo un integrante de un clique pertenece a otros, y con cuales miembros de la red
comparte cliques. Es una informacin muy interesante, que analizaremos con ms
detalle cuando veamos los resultados. Ignoraremos por ahora el resto de las opciones,
ya que es necesario que en primer lugar aprendamos las cuestiones bsicas de esta
medida.
46
Figura 46
El primer dato que obtenemos es que se han encontrado 8 cliques en nuestra red.
Transcribo a continuacin los resultados:
47
Tabla 6
8 cliques found
1
2
3
4
5
6
7
8
Ningn clique en nuestra red tiene ms de tres integrantes. Podemos decir que esta
red est conformada por pequeas subestructuras con un alto grado de solapamiento
(Andrs, por ejemplo, es integrante de la mitad de los cliques). Pero el grado de
solapamiento se observa con claridad cuando analizamos la matriz de superposiciones
(que transcribo a continuacin):
Tabla 7
Actor-by-Actor Clique Co-Membership Matrix
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
0
0
2
0
1
0
2
0
1
0
0
0
0
0
2
0
2
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
3
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
4
c
2
0
0
2
0
1
0
0
0
0
0
0
0
0
0
1
0
5
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
6
d
1
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
2
0
0
0
0
0
0
2
0
1
0
0
0
0
0
1
0
9
j
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
0
j
1
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
1
l
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
m
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
3
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
4
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
5
n
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
1
6
p
2
0
0
1
0
0
0
1
0
0
0
0
1
1
0
3
0
1
7
x
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
A primera vista, esta matriz puede resultar poco clara. Pero vayamos paso por paso.
La matriz de superposiciones (o de co-membreca) brinda tres datos: a cuntos
cliques pertenece cada actor, con qu actores comparte cliques y cunto cliques
comparte con cada uno de ellos. Cmo debe leerse para obtener esta informacin?
Para saber a cuntos cliques pertenece cada nodo, leeremos la diagonal de la matriz.
As, la informacin sobre el actor 1 (Andrs) se encuentra en la interseccin de la
columna 1 y la fila 1, la del actor 2 (Carlos), en la interseccin de la columna 2 y la fila
2 y as sucesivamente:
48
Tabla 8
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
0
0
2
0
1
0
2
0
1
0
0
0
0
0
2
0
2
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
3
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
4
c
2
0
0
2
0
1
0
0
0
0
0
0
0
0
0
1
0
5
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
6
d
1
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
2
0
0
0
0
0
0
2
0
1
0
0
0
0
0
1
0
9
j
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
0
j
1
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
1
l
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
m
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
3
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
4
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
5
n
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
1
6
p
2
0
0
1
0
0
0
1
0
0
0
0
1
1
0
3
0
1
7
x
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
Como habamos visto al analizar los cliques, Andrs pertenece a cuatro cliques
diferentes, seguido por Pau, que pertenece a tres. La mayora de los actores slo
pertenece a uno, mientras que tenemos dos actores aislados, Liliana y Hugo, que no
pertenecen a ninguno, ya que, como vimos en el anlisis de la graficacin de la red y
en las medidas de centralidad, constituyen una dada aislada del resto de la red.
Para obtener los otros dos datos que presenta esta matriz (con quin se comparte
clique y qu nmero de cliques se comparte con cada actor), podemos mirar la lnea
horizontal o la vertical de cada actor:
49
Tabla 9
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
0
0
2
0
1
0
2
0
1
0
0
0
0
0
2
0
2
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
3
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
4
c
2
0
0
2
0
1
0
0
0
0
0
0
0
0
0
1
0
5
c
0
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
6
d
1
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
2
0
0
0
0
0
0
2
0
1
0
0
0
0
0
1
0
9
j
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
0
j
1
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
1
1
l
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
m
0
0
0
0
0
0
0
0
2
0
0
2
0
0
1
0
1
1
3
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
4
m
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
1
5
n
0
0
0
0
0
0
0
0
1
0
0
1
0
0
1
0
0
1
6
p
2
0
0
1
0
0
0
1
0
0
0
0
1
1
0
3
0
1
7
x
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
1
Podemos observar, por ejemplo, que Andrs no comparte ningn clique con Carlos o
Carme, pero comparte dos cliques con Carmen, Joan y Pau, y uno con Dolors y con
Julio. O que Dolors comparte un clique con Andrs y otro con Carmen, y ninguno ms
con el resto de los actores de la red, y constatar el aislamiento de Liliana y Hugo.
1
2
3
4
5
6
7
8
1
6
2
1
1
0
0
0
0
2
2
6
1
2
0
0
0
1
3
1
1
6
2
0
0
0
0
4
1
2
2
6
0
0
0
1
5
0
0
0
0
6
0
0
0
6
0
0
0
0
0
6
2
0
7
0
0
0
0
0
2
6
0
8
0
1
0
1
0
0
0
6
Esta matriz presenta en las filas y las columnas los cliques y leeremos la lnea vertical
o la horizontal, ignorando la diagonal:
Tabla 11
1 2 3 4 5 6 7 8
- - - - - - - -
50
1
2
3
4
5
6
7
8
6
2
1
1
0
0
0
0
2
6
1
2
0
0
0
1
1
1
6
2
0
0
0
0
1
2
2
6
0
0
0
1
0
0
0
0
6
0
0
0
0
0
0
0
0
6
2
0
0
0
0
0
0
2
6
0
0
1
0
1
0
0
0
6
Vemos que el clique N 1 (integrado por Andrs, Carmen y Dolors) comparte dos
integrantes con el clique N 2 (integrado por Andrs, Carmen y Pau). Andrs y Carmen
son los dos integrantes que se repiten en ambos cliques. El clique N 1 tambin
comparte un integrante con el clique N 3 y con el N 4 (Andrs es el integrante que se
repite en ambos casos).
A continuacin, copiaremos los resultados obtenidos en un documento de word, que
guardaremos con el nombre de informe practica 2):
Figura 48
51
Como seala Hanneman (op. cit) en algunas ocasiones, la definicin dura de clique
(sub-grafo mximo completamente conectado) es demasiado estricta para nuestros
fines. Puede interesarnos conocer cliques en los que algunos de sus miembros no
estn conectados con todos los dems integrantes, por ejemplo. Existen una serie de
medidas de agrupacin que relajan la condicin de subgrafo mximo completo: Nclique, N-clan y k-plex, que revisaremos a continuacin.
Segn la primera medida, N-clique, un actor es miembro de un clique si est
conectado con todos los miembros del grupo a una distancia mayor que uno.
Generalmente se utiliza una distancia de dos (lo que equivale a ser amigo de un
amigo). Por ejemplo, en la figura 49, A, B, C y D podran conformar un clique, pese a
que no existen todas las relaciones entre ellos (A conoce a B y C, pero no a D, y D
conoce a B y C, pero no a A), al establecer una distancia de 2 (N=2) como condicin
para integrar el clique (A conoce a D a travs de B, por ejemplo).
Figura 49
52
Figura 50
53
Figura 51
La primera diferencia en relacin con el anlisis anterior es que hemos obtenido tres
cliques menos (ahora son cinco) pero de mayor tamao. En efecto, la condicin
54
Se han identificado dos cliques con siete miembros, dos con seis y uno con cuatro. Nclique es una medida mucho ms inclusiva que clique. Por esta razn es importante
ser cuidadosos a la hora de utilizarla, ya que podran incluirse dentro de un mismo
grupo actores que realmente no tienen una pertenencia clara.
En lo que hace a los actores que integran cada grupo, vemos que Andrs continua
teniendo un protagonismo importante (integra cuatro de los cinco cliques). Pero
aparece una modificacin: ya no es el nico actor destacado, sino que tenemos a otro
actor (Joan) integrando tambin cuatro cliques. Joan ha doblado su participacin
respecto de la medicin anterior. Y este caso es un buen ejemplo para graficar la
diferencia entre clique y N-clique. De acuerdo con las medidas de centralidad que
hemos calculado anteriormente, Joan tiene un rango de 4 (ver tabla 3), es decir,
conoce a cuatro personas en la red: Andrs, Julio, Pau y Jos. Cuando calculamos los
cliques, vimos que, de acuerdo con los datos de la tabla 6, Joan forma un clique junto
con Andrs y Julio y otro con Andrs y Pau. No integra ningn clique con Jos, que es
la cuarta persona que conoce en la red, ya que no tiene relacin con el resto de los
integrantes de estos cliques (Jos forma un clique con Mara y Nuria y otro con Mara
y Xavi). Pero al aligerar la condicin de la relacin, a travs de N=2, tenemos que
pertenece al clique N 1 porque conoce directamente a Andrs, Julio, Jos y Pau, e
indirectamente a Carmen (a travs de Andrs o de Pau) y a Dolors (a travs de Jos o
de Andrs). En el clique N 2 slo conoce directamente a Jos, pero hereda sus
relaciones con Mara, Nuria y Xavi, y llega nuevamente a Dolors a travs de Andrs o
de Pau (aunque ellos no integren el clique. Retomaremos este punto en el anlisis de
N-clan). 5 El mismo proceso sucede en los cliques N 3 y 4.
Veamos ahora la matriz de solapamientos o co-membreca. Leeremos la diagonal en
primer lugar:
5
Como veremos ms adelante, N-clique, a diferencia de N-clan, no requiere que los nodos por medio de
los cuales se alcanzan al resto de los integrantes del clique pertenezcan al mismo clique.
55
Tabla 13
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
2
1
3
1
2
0
3
1
2
0
0
1
1
0
3
0
2
c
2
2
1
1
1
1
0
1
0
1
0
0
0
0
0
1
0
3
c
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
4
c
3
1
0
3
0
2
0
3
1
2
0
0
1
1
0
3
0
5
c
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
6
d
2
1
0
2
0
3
0
3
2
2
0
1
0
0
1
2
1
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
3
1
0
3
0
3
0
4
2
2
0
1
1
1
1
3
1
9
j
1
0
0
1
0
2
0
2
2
1
0
1
0
0
1
1
1
1
0
j
2
1
0
2
0
2
0
2
1
2
0
0
0
0
0
2
0
1
1
l
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
m
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
1
3
m
1
0
0
1
0
0
0
1
0
0
0
0
1
1
0
1
0
1
4
m
1
0
0
1
0
0
0
1
0
0
0
0
1
1
0
1
0
1
5
n
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
1
6
p
3
1
0
3
0
2
0
3
1
2
0
0
1
1
0
3
0
1
7
x
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
Tenemos dos actores pertenecientes a cuatro cliques cada uno, tres a tres cliques,
tres a dos
diferencia de los resultados volcados en la tabla 8. Pero al igual que en eser caso,
Liliana y Hugo estn aislados del resto de la red.
Respecto de la co-participacin (leyendo la lnea vertical u horizontal) vemos lo
siguiente:
Tabla 14
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
2
1
3
1
2
0
3
1
2
0
0
1
1
0
3
0
2
c
2
2
1
1
1
1
0
1
0
1
0
0
0
0
0
1
0
3
c
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
4
c
3
1
0
3
0
2
0
3
1
2
0
0
1
1
0
3
0
5
c
1
1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
6
d
2
1
0
2
0
3
0
3
2
2
0
1
0
0
1
2
1
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
3
1
0
3
0
3
0
4
2
2
0
1
1
1
1
3
1
9
j
1
0
0
1
0
2
0
2
2
1
0
1
0
0
1
1
1
1
0
j
2
1
0
2
0
2
0
2
1
2
0
0
0
0
0
2
0
1
1
l
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
m
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
1
3
m
1
0
0
1
0
0
0
1
0
0
0
0
1
1
0
1
0
1
4
m
1
0
0
1
0
0
0
1
0
0
0
0
1
1
0
1
0
1
5
n
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
1
6
p
3
1
0
3
0
2
0
3
1
2
0
0
1
1
0
3
0
1
7
x
0
0
0
0
0
1
0
1
1
0
0
1
0
0
1
0
1
Ha aumentado el nmero de actores con los que se comparte clique. Esto se debe a la
mayor inclusividad que tiene N-clique en relacin con clique. Si vemos los resultados
56
obtenidos ahora por los dos actores que tomamos como ejemplo a la hora de analizar
la co-membreca en la tabla 9, Andrs y Dolors, vemos que en ambos casos ha
aumentado el nmero de personas con los que comparten clique: Andrs pasa de 5 a
11 y Dolors de 2 a 11. Y adems aumenta el nmero de participaciones compartidas
con cada actor.
Una manera de restringir N-clique es utilizando N-clan. Como hemos mencionado, en
ocasiones al aplicar N-clique se muestra conectividad a travs de actores que no son
miembros del clique (el caso de la relacin entre Dolors y Joan, en el clique 2,
mediada por actor que no formaba parte de ese clique). Si en cambio utilizamos Nclan, introducimos una clusula en el anlisis: la relacin continua siendo mediada
(accedo a alguien porque es conoce a una persona que yo conozco) pero todos los
vnculos deben alcanzarse mediante otros miembros del clique.
Veamos lo que sucede con nuestros datos cuando aplicamos N-clan. El procedimiento
es similar al resto de las medidas de agrupamiento: (Men Network< subgroups< Nclan):
Figura 53
57
58
Grfico 55
Los resultados son muy similares a los obtenidos mediante N-clique: cinco cliques.
Veamos su composicin:
Tabla 15
5 2-clans found.
1
2
3
4
5
Aunque la composicin es idntica al caso de N-clique (ya que la definicin de Nclique se encuentra incluida en la de N-clan)6, el procedimiento es diferente Veamos el
ejemplo de Andrs. Pertenece al clan N 5 por su relacin con Carlos, ya que no
conoce directamente a Carme o a Carol. Pero no podra invocar a ningn otro actor
para pertenecer al clan si este no perteneciera tambin. N-clan es un modificacin
menor de N-clique, y como hemos observado en el ejemplo, en muchos casos se
obtienen idnticos resultados, pero ambas medidas se complementan, ya que
6
En N-clique utilizo cualquier otro actor conocido para alcanzar a un determinado nodo, incluyendo
aquellos que forman parte del clique (lo que conforman el clan segn N-clan).
59
60
61
Vemos una gran mayora de k-plexes de tres integrantes (26) y slo cinco con ms de
tres. Andrs es el actor que se repite mayor cantidad de veces, como podemos
comprobar al mirar la matriz de superposiciones: est presente en 15 grupos. Pero
tambin hay otros actores con participaciones importantes. Al utilizar esta medida,
todos los actores aumentan el nmero de cliques a los que perteneces.
62
Tabla 18
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
an ca ca ca ca do hu jo jo ju li ma ma ma nu pa xa
-- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -15 7 1 4 1 4 0 4 1 4 0 0 1 1 0 6 0
7 8 2 1 2 1 0 1 0 1 0 0 0 0 0 1 0
1 2 2 0 1 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 7 0 2 0 1 1 1 0 0 1 1 0 4 0
1 2 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 2 0 8 0 1 5 1 0 1 0 0 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 1 0 1 0 11 6 2 0 1 1 1 1 5 1
1 0 0 1 0 5 0 6 11 1 0 3 0 0 3 1 3
4 1 0 1 0 1 0 2 1 5 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 1 3 0 0 3 0 0 1 0 1
1 0 0 1 0 0 0 1 0 0 0 0 4 1 0 4 0
1 0 0 1 0 0 0 1 0 0 0 0 1 4 0 4 0
0 0 0 0 0 1 0 1 3 0 0 1 0 0 3 0 1
6 1 0 4 0 1 0 5 1 1 0 0 4 4 0 12 0
0 0 0 0 0 1 0 1 3 0 0 1 0 0 1 0 3
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
an ca ca ca ca do hu jo jo ju li ma ma ma nu pa xa
-- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -- -15 7 1 4 1 4 0 4 1 4 0 0 1 1 0 6 0
7 8 2 1 2 1 0 1 0 1 0 0 0 0 0 1 0
1 2 2 0 1 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 7 0 2 0 1 1 1 0 0 1 1 0 4 0
1 2 1 0 2 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 2 0 8 0 1 5 1 0 1 0 0 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 1 0 1 0 1 0 11 6 2 0 1 1 1 1 5 1
1 0 0 1 0 5 0 6 11 1 0 3 0 0 3 1 3
4 1 0 1 0 1 0 2 1 5 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 1 3 0 0 3 0 0 1 0 1
1 0 0 1 0 0 0 1 0 0 0 0 4 1 0 4 0
1 0 0 1 0 0 0 1 0 0 0 0 1 4 0 4 0
0 0 0 0 0 1 0 1 3 0 0 1 0 0 3 0 1
6 1 0 4 0 1 0 5 1 1 0 0 4 4 0 12 0
0 0 0 0 0 1 0 1 3 0 0 1 0 0 1 0 3
63
3
4
5
Slo existen cinco sub.grupos que cumplan con las caractersticas solicitadas. Y una
vez ms Andrs es el actor ms destacado, con cuatro participaciones. Pero tambin
lo son Joan y Pau, con tres participaciones cada uno.
Figura 59
1 andres
2 carlos
3
carme
4 carmen
5
carol
6 dolors
7
hugo
8
joan
9
jose
10
julio
11 liliana
12
maria
13 mariano
14 martha
15
nuria
16
pau
17
xavi
1
a
4
0
0
2
0
2
0
3
1
1
0
0
0
0
0
3
0
2
c
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
c
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
c
2
0
0
2
0
1
0
1
0
0
0
0
0
0
0
2
0
5
c
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
6
d
2
0
0
1
0
2
0
1
1
0
0
0
0
0
0
1
0
7
h
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
8
j
3
0
0
1
0
1
0
3
1
1
0
0
0
0
0
2
0
1 1 1 1 1 1 1 1
9 0 1 2 3 4 5 6 7
j j l m m m n p x
- - - - - - - - 1 1 0 0 0 0 0 3 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 2 0
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0
1 1 0 0 0 0 0 2 0
2 0 0 1 0 0 1 0 1
0 1 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0
1 0 0 1 0 0 1 0 1
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
1 0 0 1 0 0 1 0 1
0 1 0 0 0 0 0 3 0
1 0 0 1 0 0 1 0 1
64
Conclusiones
En esta introduccin al anlisis de redes sociales se han mostrado los principales
conceptos que utiliza esta herramienta para construir hiptesis sobre diversos factores
que determinan la estructura de las relaciones sociales (en cualquier grupo
preseleccionado).
As mismo, se ha facilitado un manual de uso de algunas aplicaciones bsicas de dos
programas de tratamiento informtico de datos reticulares, que nos ayudarn a
representar grficamente las estructuras que pretendemos analizar y facilitarn
nuestra elaboracin de hiptesis.
El anlisis de redes sociales es un mtodo de anlisis cientfico que puede ser de gran
utilidad para conocer los patrones de relaciones que se establecen en el interior de
una determinada estructura social. Se ha visto aqu una breve introduccin a un
mtodo ms complejo y sofisticado. Nacido embrionariamente en los aos treinta del
siglo XX, y desarrollado profundamente gracias al impulso de la informtica, este
mtodo de estudio se ha situado hoy a la par de otras metodologas utilizadas en
ciencias sociales.
65