Leandro Quint An Il Had e Freitas

MEDIDAS DE CENTRALIDADE EM GRAFOS
Leandro Quintanilha de Freitas

Dissertao de Mestrado apresentada ao
Programa de Ps-graduao em Engenharia de
Produo, COPPE, da Universidade Federal do
Rio de Janeiro, como parte dos requisitos
necessrios obteno do ttulo de Mestre em
Engenharia de Produo.

Orientadores: Nair Maria Maia de Abreu
Renata Raposo Del-Vecchio

Rio de Janeiro
Dezembro de 2010


DISSERTAO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO
LUIZ COIMBRA DE PS-GRADUAO E PESQUISA DE ENGENHARIA
(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE
DOS REQUISITOS NECESSRIOS PARA A OBTENO DO GRAU DE MESTRE
EM CINCIAS EM ENGENHARIA DE PRODUO.

Examinada por:

________________________________________________
Prof. Nair Maria Maia de Abreu, D. Sc.

________________________________________________
Prof. Renata Raposo Del-Vecchio, D. Sc.

________________________________________________
Prof. Lilian Markenzon, Ph. D.

________________________________________________
Prof. Samuel Jurkiewicz, D. Sc.

RIO DE JANEIRO, RJ - BRASIL
DEZEMBRO DE 2010

iii
Freitas, Leandro Quintanilha
Medidas de Centralidade em Grafos/ Leandro Quintanilha
de Freitas. - Rio de Janeiro:UFRJ/COPPE, 2010.
VIII, 103 p.:il; 29,7 cm.
Renata Raposo Del-Vecchio.
Dissertao (mestrado) UFRJ/ COPPE/ Programa de
Engenharia de Produo, 2010.
Referncias Bibliogrficas: p. 93-101.
1. Grafos I. Abreu, N.M.M, Del-Vecchio, R.R.. II.
Universidade Federal do Rio de Janeiro, COPPE, Programa
de Engenharia de Produo. III. Ttulo.

Aos meus queridos pais Edson e Rosngela
e minha noiva Juliana.

iv
Agradecimentos

Deus, criador do universo, pelo caminho, pela sabedoria, pela vida.
minha orientadora, professora Nair Maria Maia de Abreu, pelo apoio, amizade,
ateno e dedicao demonstrada durante todo o perodo de orientao.
professora Renata Del-Vecchio pela co-orientao, pela oportunidade e pelo
carinho ao longo desta caminhada.
Aos professores Samuel Jurkiewicz e Lilian Markenzon participantes da banca
examinadora.
Aos meus pais e familiares, pelo apoio e por toda a educao que me deram ao longo
de minha vida.
minha querida noiva, Juliana Mari, que esteve comigo em todos os momentos.
Aos meus amigos que muito contriburam para encarar com bom humor tantas horas
de trabalho e estudo. Em particular, Cristiano Souza e Leonardo Macchiarulo.
Aos colegas do grupo de Teoria Espectral de Grafos pelo apoio, amizade e pelos
ensinamentos.
Ao PEP, pelos professores, pelos funcionrios, pelos amigos, pela infra-estrutura e
ambiente favorveis ao desenvolvimento da pesquisa.
Finalmente, CAPES, pelo incentivo financeiro.

v
Resumo da Dissertao apresentada COPPE/UFRJ como parte dos requisitos
necessrios para a obteno do grau de Mestre em Cincias (M. Sc.)



Dezembro/2010


Programa: Engenharia de Produo

O estudo de redes de grande interesse na rea cientfica, dada a capacidade de
uma dada rede poder representar por meio de modelagem diversos problemas de
natureza real. Em grafos como modelos para redes, as medidas de centralidade buscam
medir a variao da importncia dos vrtices, em funo de alguns invariantes do grafo.
Nesta dissertao esto reunidas medidas de centralidade e os principais resultados a
elas relacionados encontrados na literatura visando padronizar a notao e a
nomenclatura para disponibiliz-los aos interessados nesta rea atualmente to estudada.
Ao final so apresentadas aplicaes em grafos que modelam redes reais. Uma anlise
envolvendo a comparao dos vrtices quanto centralidade e adequao das medidas
em determinados tipos de redes.

vi
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M. Sc.)

CENTRALITY MEASURES IN GRAPHS


December/2010

Advisors: Nair Maria Maia de Abreu

Departament: Production Engineering

The study of networks it is of great interest in the scientific area, given the
capacity of one network to be able to represent by means of modeling diverse problems
of real nature. In graphs as models for networks, the measures of centrality search to
measure the variation of the importance of the vertices, in function of some parameters
of the graph. In this monograph are congregated measures of centrality and the main
results to them related found in literature aiming to standardize the notation and the
nomenclature to give its access to the interested parties in this currently so studied area.
To the end applications in graphs are presented that shape real networks. An analysis
involving the comparison of vertices as for the centrality and adequacy of the measures
in determined types of networks.

vii
Sumrio

Captulo 1 Introduo..................................................................................................1
Captulo 2 Definies e Notaes Bsicas..................................................................6
2.1 Grafos......................................................................................................................6
2.2 Grafos e Matrizes....................................................................................................9
Captulo 3 Medidas de Centralidade No-Espectrais.............................................17
3.1 Centralidade de Grau.............................................................................................18
3.2 Centralidade de Proximidade.................................................................................20
3.2.1 Centralidade de Eficincia..............................................................................22
3.3 Centralidade de Intermediao..............................................................................26
3.3.1 Centralidade de Intermediao de Percursos Aleatrios................................31
3.4 Centralidade de Grafos..........................................................................................36
Captulo 4 Medidas de Centralidade Espectrais.....................................................40
4.1 Centralidade de Autovetor....................................................................................40
4.2 Coordenadas de um autovetor e suas relaes com o grau...................................48
4.3 Centralidade de autovetor em grafos desconexos.................................................57
4.4 Centralidade de um vrtice via conectividade algbrica.......................................60
Captulo 5 Centralidade em Grafos Valorados.......................................................64
5.1 Medidas de centralidade em grafos ......................................................................64
5.2 Centralidade de autovetor em grafos valorados....................................................65
5.3 Centralidade de Intermediao de Fluxo...............................................................67
Captulo 6 Aplicaes e Resultados..........................................................................72
6.1 Vrtices automorficamente equivalentes e vrtices universais.............................72
6.2 Aplicaes.............................................................................................................78
6.2.1 Rede de Co-autorias.......................................................................................78
6.2.2 Rede de AIDS................................................................................................84
6.2.3 Outras Aplicaes..........................................................................................88
Captulo 7 Consideraes Finais..............................................................................91

Referncias Bibliogrficas............................................................................................93
ndice Remissivo..........................................................................................................102

1
Captulo 1 - Introduo

O estudo de redes de grande interesse na rea cientfica, dada a capacidade de uma
dada rede poder representar por meio de modelagem diversos problemas de natureza
real. H diversos tipos de redes, dentre as quais podemos destacar, as redes sociais,
compostas de indivduos que esto ligados por um ou mais tipos especficos de
interdependncia, como amizade, parentesco, relaes comerciais, relaes sexuais,
poder, conhecimento ou prestgio.
Uma rede pode ser representada matematicamente por um objeto chamado grafo,
utilizado para descrever sua estrutura topolgica. Um grafo constitudo por um
conjunto de pontos, denominados ns ou vrtices, conectados por linhas que expressam
a relao entre eles, denominadas arestas.
Em grafos como modelos para redes sociais, os vrtices representam os atores e as
arestas a relao entre eles. Atores importantes so tais que esto frequentemente
envolvidos na relao com outros atores. Estes envolvimentos os tornam mais visveis,
possuindo a maioria do acesso ou controle, sendo considerados mais centrais na rede
] 37 [ . neste sentido que as medidas de centralidade tentam descrever as propriedades
da localizao de um ator na rede. Estas medidas levam em considerao as diferentes
maneiras em que um ator interage e se comunica com o restante da rede, sendo mais
importantes, ou centrais, aqueles vrtices localizados em posies mais estratgicas na
rede, dada em funo de alguns invariantes do grafo.
A noo de centralidade em redes sociais foi introduzida por BAVELAS ] 4 [ , em
1948, quando ele afirma que, num grupo de pessoas, um particular indivduo que se
encontra estrategicamente localizado num caminho mais curto de comunicao entre
pares de indivduos, est numa posio mais central da rede. Ele ser responsvel por
2
transmitir, modificar, ou reter a informao entre membros do grupo e ser to mais
influente quanto mais central estiver posicionado na rede. A centralidade tem sido usada
para investigar a influncia dos vrtices em redes inter-organizacionais, GRASSI,
STEFANI e TORRIERO ] 26 [ , redes de alimento, KIRKLAND ] 30 [ , mercado
financeiro, DEL-VECCHIO et al. ] 15 [ , fluxo de informaes, BORGATTI ] 11 [ ,
combate a redes terroristas, HUSSAIN ] 51 [ , busca em redes de internet, WILF ] 38 [ ,
propagao de doenas, BORGATTI ] 10 [ , entre outros.
Ao longo de dcadas, pesquisadores em redes tm introduzido um grande nmero de
medidas de centralidade, com o objetivo de medir a variao da importncia dos
vrtices de acordo com critrios pr-estabelecidos. Entretanto, diversas medidas foram
criadas com base apenas em idias intuitivas, sem buscar a formalizao necessria para
o desenvolvimento da teoria e outras foram introduzidas de maneira to complexa que
difcil at mesmo descobrir o que est sendo medido, trazendo poucos reflexos no
aspecto qualitativo.
FREEMAN ] 21 [ , em 1979, abordou o conceito de centralidade revisando um grande
nmero de medidas at ento publicadas e reduziu-as a trs definies clssicas, a
centralidade de grau (Degree Centrality), centralidade de proximidade (Closeness
Centrality) e centralidade de intermediao (Betweenness Centrality). O grau uma
medida da influncia direta que um vrtice tem em relao a seus contatos, a
proximidade est relacionada com o tempo que uma informao leva para ser
compartilhada por todos os vrtices na rede, e a intermediao de um vrtice pode ser
considerada como o controle da comunicao entre todos os demais pares de vrtices da
rede. As medidas de centralidade de proximidade e centralidade de intermediao so
baseadas na suposio que a informao (ou qualquer contedo da ligao)
3
transmitida somente ao longo dos possveis caminhos mais curtos, denominados
geodsicas.
BONACICH ] 6 [ , em 1987, props uma medida denominada centralidade de
autovetor (Eigenvector Centrality), baseada em autovalores e autovetores de matrizes
simtricas, cujo objetivo medir a importncia de um vrtice em funo da importncia
de seus vizinhos. Isto quer dizer que, mesmo se um vrtice est conectado somente a
alguns outros vrtices da rede (tendo assim uma baixa centralidade de grau), estes
vizinhos podem ser importantes e, conseqentemente, o vrtice ser tambm
importante, obtendo uma centralidade de autovetor elevada.
BORGATTI, FREEMAN e WHITE ] 24 [ , em 1991, levantaram uma questo
importante baseada no fato em que uma informao (ou qualquer contedo da ligao)
que viaja atravs da rede, no necessariamente deve seguir caminhos mais curtos, e
propuseram assim uma medida de centralidade de intermediao com base no fluxo
mximo em redes, denominada centralidade de intermediao de fluxo (Flow
Betweenness Centrality), aplicvel a uma variedade mais ampla e realstica de um
conjunto de dados da rede, que corresponde a grafos valorados.
HAGE e HARARY ] 29 [ , em 1995, propuseram uma medida de centralidade
baseada na excentricidade de um vrtice, chamada centralidade de eficincia (Efficiency
Centraliy), com o objetivo de determinar uma localizao que minimize as distncias a
todas as demais localizaes da rede. Os problemas de localizao so clssicos em
otimizao combinatria com muitas aplicaes na indstria e na economia. Trata-se de
um problema bem conhecido em Pesquisa Operacional e que possui inmeras
aplicaes tambm no estudo de redes sociais.
NEWMAN ] 33 [ , em 2005, introduziu uma medida de centralidade de intermediao
baseada em percursos aleatrios, chamada centralidade de intermediao de percursos
4
aleatrios (Random Walks Betweenness Centrality), que apropriada a uma rede em
que um determinado fluxo percorre vrtice a vrtice de maneira aleatria at que
encontre seu destino. A idia de se usar esta medida partiu da centralidade baseada no
fluxo de corrente eltrica (Current Flow Centrality) e mostra-se, em ] 33 [ , que ambas as
medidas so similares.
Recentemente, GRASSI, STEFANI e TORRIERO, ] 26 [ , ] 27 [ e ] 28 [ , em 2006,
2007 e 2009, vm pesquisando a centralidade de autovetor, obtendo resultados e
parmetros de comparao entre suas coordenadas e relacionando medida de
centralidade de grau. J KIRKLAND, ] 30 [ , em 2009, introduziu uma medida de
centralidade baseada em conectividade algbrica, que mede a importncia de um vrtice
no que diz respeito vulnerabilidade da rede, isto , a propenso que a rede tem para ser
destruda.
O conceito de centralidade pode ser ento formalizado para que se possa aplicar a
qualquer rede. Logo, muito importante que saibamos medir a centralidade de cada
componente de uma dada rede, o que equivale a medir a centralidade de cada vrtice no
grafo que a modela. A partir do resultado de cada medida, possvel ordenar os vrtices
da rede em funo de sua importncia relativa, que est associada ao significado que
cada medida considera ser um vrtice, mais central que outros.
O presente trabalho tem como objetivo reunir num mesmo documento as principais
medidas de centralidade existentes na literatura, descrevendo a noo de centralidade
em termos da teoria dos grafos. Apresentaremos ainda, os clculos, anlises e
interpretaes de cada medida de centralidade buscando parmetros de comparaes em
determinadas classes especficas de grafos e investigando o comportamento das medidas
de centralidade aplicadas em diferentes situaes. Desta forma, a dissertao se
desenvolve com a apresentao, no captulo 2, dos conceitos bsicos de Teoria de
5
Grafos relativos centralidade em redes; com a descrio no captulo 3, das medidas de
centralidade no espectrais em grafos, juntamente com a apresentao dos seus
principais resultados aplicados a exemplos. No captulo 4, so tratadas as medidas de
centralidade espectrais em grafos; no captulo 5, as medidas de centralidade
convencionais so aplicadas e analisadas em grafos valorados e no captulo 6, expomos
alguns resultados relacionando classes especficas de grafos e algumas aplicaes,
dentre elas, a rede de co-autorias do grupo TEG-RIO. Finalmente, no captulo 7,
algumas consideraes so apresentadas.

6
Captulo 2 Definies e Notaes Bsicas

Este captulo se destina a apresentar conceitos bsicos de Teoria dos Grafos
necessrios para que o texto desta dissertao seja auto-contido. Os conceitos aqui
reescritos podem ser encontrados em livros clssicos de Teoria dos Grafos. Ao leitor
interessado recomendamos as referncias ] 5 [ , ] 8 [ , e ] 16 [ , de onde nos baseamos para
desenvolver a 1
a
seo. Os conceitos da 2
a
seo podem ser encontrados em ] 8 [ , ] 16 [ , e
] 18 [ .

2.1 Grafos

Um grafo )) ( ), ( ( G E G V G = uma estrutura, consistindo de um conjunto finito e
no vazio de vrtices ) (G V V = e um conjunto ) (G E E = formado por pares de
elementos de V , denominado arestas de G . O conjunto de arestas E induz uma relao
binria em V que chamada relao de adjacncia dos vrtices de G. Sejam
i
v e
j
v V , dizemos que
i
v e
j
v so vrtices adjacentes ou vizinhos se a aresta } , {
j i ij
v v e =
E . Neste caso, dizemos que
ij
e incide tanto em
i
v quanto em
j
v , sendo
i
v e
j
v os
extremos de
ij
e . O conjunto formado por todos os vrtices adjacentes a
i
v denominado
vizinhana de
i
v (ou vizinhana de primeira ordem de
i
v ) e denotado por ) (
i
v . A
vizinhana de segunda ordem de
i
v
U
) (
) (
i j
v v
j
v

. Similarmente, vizinhanas de
ordens superiores podem ser definidas. O nmero de vrtices n e o nmero de arestas
m de G so respectivamente iguais a n G V = ) ( e m G E = ) ( . Uma aresta incidente a
apenas um vrtice denominada lao e duas ou mais arestas incidentes ao mesmo par
7
de vrtices so chamadas arestas mltiplas. Grafos sem laos ou arestas mltiplas so
chamados de grafos simples. Um grafo orientado definido quando um par de vrtices
i
v e
j
v V conectados por uma aresta tem sentido definido de
i
v para
j
v ou vice-versa.
Neste caso, denominamos por arco a aresta orientada, e denotamos por ) , (
j i ij
v v e = .
Neste texto, a maioria dos problemas envolve grafos simples e no orientados e assim
devero ser entendidos a menos que especificado em contrrio.

1
G
2
G
Figura 2.1:
1
G um grafo simples e
2
G um grafo orientado.

O grau de um vrtice
k
v , denotado por ) (
k
v d ou
k
d , o nmero de arestas
incidentes em
k
v . O grau mnimo de G , denotado por ) (G , o menor grau dentre
todos os outros e o grau mximo, denotado por ) (G , o maior grau dentre todos os
graus dos vrtices de G . O nmero
=
V v
i
i
d
V
d
1
chamado grau mdio de G .
Dizemos que um vrtice V v
k
um vrtice universal de G se 1 = n d
k
. Um grafo
G kregular, ou simplesmente regular, se cada vrtice tem grau k . Um grafo
chamado completo se quaisquer dois pares distintos de vrtices so adjacentes.
n
K
denota o grafo completo de n vrtices. O grafo ) , (
1 1 1
E V G = um subgrafo de G se
1
v
2
v
3
v
4
v
5
v
1
v
2
v
3
v
4
v
5
v
8
V V
1
e E E
1
. Alm disso, se
1
G contm exatamente as arestas de G incidentes nos
vrtices de
1
V ,
1
G um subgrafo induzido de G , e se contm todos os vrtices de G ,
1
G um subgrafo gerador de G . Uma cadeia, ou percurso, uma sequncia finita e
alternada de vrtices e arestas. Uma trilha uma cadeia sem aresta repetida. Um
caminho, denotado por
n
P , uma cadeia onde todos os n vrtices so distintos. Um
grafo G conexo se existe um caminho ligando cada par de vrtices. Caso contrrio,
G desconexo. Um grafo G desconexo formado por pelo menos dois subgrafos
induzidos conexos denominados componentes conexas de G . O comprimento de um
caminho o nmero de arestas que neles ocorrem. Um menor caminho entre dois
vrtices
i
v e
j
v conhecido como geodsica. Seja G um grafo conexo, a distncia
entre dois vrtices
i
v e
j
v de G , denotada por ) , (
j i
v v dist , o comprimento da
geodsica entre
i
v e
j
v . O nmero de geodsicas entre
i
v e
j
v denotado por
ij
g . Seja
k
v um vrtice pertencente a uma geodsica de
i
v a
j
v , ) (
k ij
v g denota o nmero de
geodsicas entre
i
v e
j
v que passam por
k
v . Se
i
v e
j
v esto em componentes conexas
distintas, definimos = ) , (
j i
v v dist . Se os vrtices finais de uma trilha so os mesmos
(uma trilha fechada) ento ns referimos como um circuito. Ao circuito sem vrtice
repetido denominamos um ciclo. Em particular,
n
C denota o ciclo de n vrtices. Note
que um ciclo tambm um circuito, no entanto, um circuito no necessariamente um
ciclo. Dado um vrtice V v
i
, afastamento, ou excentricidade ) (
i
v e a maior distncia
entre
i
v e algum outro vrtice em G . O raio ) (G r de um grafo a menor das
excentricidades. Dimetro ) (G diam de um grafo a maior das excentricidades
existentes no grafo (logo, a maior distncia).
9
Um conjunto independente em um grafo um conjunto de vrtices no adjacentes
entre si. Um grafo bipartido se seus vrtices podem ser separados em dois conjuntos
no vazios, disjuntos e independentes
1
V e
2
V de tal forma que toda aresta E e
ij
tem
uma extremidade em
1
V e a outra em
2
V . Quando r V =
1
, s V =
2
e existe uma aresta
incidindo em quaisquer pares de vrtices
i
u e
i
v com
1
V u
i
e
2
V v
i
, dizemos que o
grafo bipartido completo, e denotamos por
s r
K
,
. Um grafo G chamado rvore
quando G um grafo conexo e sem ciclos. Toda rvore um grafo bipartido. Um grafo
estrela, denotado por
n
S , um grafo bipartido de n vrtices que possui um conjunto
independente com um nico vrtice e o outro, com 1 n vrtices. Note que a estrela e o
caminho so exemplos de rvores.

Figura 2.2: Grafo estrela
5
S .

2.2 Grafos e Matrizes

Nesta seo, apresentaremos alguns conceitos de Teoria Espectral de Grafos. Vamos
assumir, como pr-requisito, conhecimentos bsicos de lgebra linear.
Seja G um grafo com n vrtices. A matriz de adjacncia ) (G A de G uma matriz
de ordem n cujas entradas so:
3
v
1
v
2
v
4
v
1
u
10

=
. , 0
; } , { , 1
contrrio caso
E v v se
a
j i
ij
) 1 . 2 (
Para um grafo no-orientado, ) (G A uma matriz binria e simtrica, isto ,
ji ij
a a = , para todo i , j , n i 1 , n j 1 , cujo trao zero. Um exemplo de um
grafo simples no orientado de 5 vrtices com 6 arestas e sua respectiva matriz de
adjacncia ) (G A dado abaixo:

Figura 2.3: Grafo G e sua respectiva matriz de adjacncia.

Note que a soma das entradas de cada linha da matriz de adjacncia de um grafo
igual ao grau do vrtice correspondente. A k -sima potncia da matriz de adjacncia
relacionada ao nmero de cadeias de comprimento k no grafo. Em particular,
ij
k
G A ) ) ( (
fornece o nmero de cadeias de comprimento k entre
i
v e
j
v .
O polinmio caracterstico de ) (G A , ou seja, )) ( det( G A I , denominado
polinmio caracterstico do grafo G e denotado por
G
p ; dito ser um autovalor do
grafo G quando uma raiz de
G
p . Se ) (G A possui t autovalores distintos, o espectro
de G , denotado por G spect , definido como a matriz t 2 , onde a primeira linha
constituda pelos autovalores distintos de ) (G A , dispostos em ordem no-crescente e a
segunda, pelas respectivas multiplicidades algbricas. Assim, se
t
> >K
1
so os
1
v
2
v
3
v
4
v
5
v
=
0 1 0 0 0
1 0 0 1 1
0 0 0 1 1
0 1 1 0 1
0 1 1 1 0
) (G A
11
autovalores distintos de ) (G A e, para t i 1 , ) (
i
ma so suas multiplicidades
algbricas, ento o espectro de G :
.
) ( ) (
1
1
=
t
t
ma ma
G spect

L
L
) 2 . 2 (
O maior autovalor de G denominado ndice de G e denotado por ) (G ind .
A Proposio 2.1, cuja prova est em ] 1 [ , relaciona o ndice de um grafo ao grau
mdio e ao grau mximo de G , invariantes estes j definidos na seo 2.1.

Proposio 2.1. Se G um grafo cujo maior autovalor
1
ento

1
d .
Exemplo:

Figura 2.4: Grafo G

Considere o grafo G da Figura 2.4. Seu polinmio caracterstico
2 2 5 ) (
2 3 5
+ =
G
p e seu espectro dado por:
.
1 1 1 1 1
813 , 1 1 0 470 , 0 342 , 2
) (

= G spect
Portanto o ndice do grafo G 342 , 2 ) (
1
= = G ind . Alm disso, os graus mdio e
mximo so respectivamente 2 = d e 4 = . Como se v na Proposio 2.1, temos

1
d .
2
v
3
v
4
v
5
v
1
v
12
A multiplicidade geomtrica do autovalor , denotado por ) ( mg , a dimenso do
autoespao
X associado ao autovalor , isto
X mg dim ) ( = .
O raio espectral de um grafo G , denotado por ) (G , o nmero real no negativo
i i
G max ) ( = , onde
n
, , ,
2 1
K so os autovalores de G . O raio espectral de G o
raio do menor crculo centrado na origem que contm o espectro de G . Esse crculo
chamado crculo espectral de G .
Para um grafo G conexo, a matriz de adjacncia ) (G A A = irredutvel, isto , no
existe uma matriz de permutao P tal que:
=
D
C B
AP P
t
0

com B e D matrizes quadradas. Sob tais condies, podemos enunciar o Teorema de
Perron-Frobenius ] 18 [ :

Teorema 2.1. (Teorema de Perron-Frobenius) Seja A uma matriz n n , simtrica,
no negativa, irredutvel e com autovalores
n
K
2 1
. Ento
) 1 ( 0
1
> e, associado a esse autovalor, existe um autovetor cujas coordenadas so,
todas elas, positivas;
) 2 (
1
estritamente maior que
2
, ou seja,
2 1
> ;
) 3 (
1

i
para todo } , , 2 , 1 { n i K .

13
Prova:
) 1 ( Primeiro observe que como a matriz A no negativa, 0 ) ( =
i
i
A tr ; e como,
por hiptese,
n
K
2 1
, segue-se que 0
1
. O teorema de Raleigh-Ritz ] 1 [
garante que
Ay y
t
y 1
1
max
=
= .
Seja
t
n
y y y y ) , , , (
2 1
K = um autovetor de norma 1 associado a
1
. Ento temos que:
Ay y y y a y y a Ay y
t
y
n
i
n
j
n
i
n
j
j i ij j i ij
t
1
1 1 1 1
1 1
max
=
= = = =
= = =

.
Ou seja,
t
n
y y y x |) | , |, | |, (|
2 1
K = tambm um autovetor de norma 1 associado a
1
,
sendo que as coordenadas so no-negativas. Suponha que existam coordenadas nulas
em x . Seja uma permutao tal que 0
) (
>
i
y
para todo m i e 0
) (
=
i
y
para todo
m i > . Escrevendo a matriz A segundo a permutao temos:
|
|
\
|
=

) ( ) ( ) (
) (
m n m n m m n
m n m m m
E D
C B
A
e
|
|
\
|
=

1 ) (
1
0
'
m n
m
y
x

As matrizes

A e A tm os mesmos autovalores j que so matrizes semelhantes, sendo
assim

x x A
1
= . Temos ento que:
|
|
\
|
=
|
|
\
|
|
|
\
|
0
'
0
'
1
y y
E D
C B
, ) 3 . 2 (
e devemos ter 0 = D e, portanto, A uma matriz redutvel, o que contradiz a hiptese.
Logo, o autovetor x possui todas as coordenadas positivas. Observe ainda que supondo
0
1
= em ) 3 . 2 ( temos, da mesma maneira, que 0 = D o que contraria, novamente, o
fato de A ser irredutvel.

14
) 2 ( Suponhamos por absurdo que 2 ) (
1
mg . Note que ) ( ) (
1 1
mg ma = , pois a matriz
A simtrica. Escolhemos y e x dois autovetores ortonormais associados a
1
e
definimos os autovetores associados a
1
como sendo:
|
|
|
|
|
\
|
+
+
+
=
| |
| |
| |
'
2 2
1 1
n n
y y
y y
y y
y
M
e
|
|
|
|
|
\
|
+
+
+
=
| |
| |
| |
'
2 2
1 1
n n
x x
x x
x x
x
M

onde
i
y e
i
x so as coordenadas de y e x , respectivamente.
fcil ver que 0 | | +
i i
y y para todo } , , 2 , 1 { n i K , portanto 0 | | > +
i i
y y , caso
contrrio, usando a mesma estratgia usada na prova do item ) 1 ( , concluiramos que a
matriz A no seria irredutvel. Da mesma forma temos 0 | | > +
i i
x x para todo
} , , 2 , 1 { n i K . Logo temos 0 , >
i i
x y , para todo } , , 2 , 1 { n i K e como, por hiptese, os
vetores y e x so ortogonais, isto , 0 . = x y , chegamos ao absurdo. Assim, 1 ) (
1
= mg
e
2 1
> .

) 3 ( Basta provar que se x um autovetor associado a
i
, e cuja norma vale 1, ento
1
1 1 1 1
= =

= = = =
n
k
n
l
l k kl
n
k
n
l
l k kl
t
i
x x a x x a Ax x .
O Teorema de Perron-Frobenius garante que matrizes de adjacncia associadas a
grafos conexos possuem o maior autovalor positivo e, associado a este, um nico
autovetor unitrio positivo. A prova aqui apresentada a encontrada em ] 18 [ . O
resultado vale para o caso em que apenas se exige que A seja no-negativa e
irredutvel. Ver ] 63 [ .
Seja G um grafo de ordem n , ) (G A sua matriz de adjacncia e ) (G D a matriz
diagonal de ordem n , cujos elementos da diagonal principal so os graus dos vrtices
15
de G . A matriz Laplaciana de G , denotada por ) (G L , a matriz simtrica definida
por:
) ( ) ( ) ( G A G D G L = . ) 4 . 2 (
Analogamente ao que foi definido para matrizes de adjacncia, podemos falar no
polinmio caracterstico e espectro da matriz Laplaciana.
Seja G um grafo e ) (G L sua matriz Laplaciana. Ento,
1. O polinmio caracterstico associado ) (G L , denotado por ) (
) (

G L
p , denominado
polinmio caracterstico laplaciano de G ;
2. um autovalor de ) (G L se raiz de
) (G L
p ;
3. O espectro de ) (G L , denotado por ) (G , definido como sendo uma matriz cujos
elementos so todos os autovalores de ) (G L , ordenados em ordem no-crescente.
Assim, se
n
K
2 1
so os autovalores de ) (G L , ento:
) , , , ( ) (
2 1 n
G K = . ) 5 . 2 (

A matriz laplaciana ) (G L semi-definida positiva e, portanto, todos os seus
autovalores so maiores ou iguais a zero. Alm disso, como as colunas de ) (G L
formam um conjunto linearmente dependente, tem-se que pelo menos um autovalor de
) (G L nulo ] 1 [ .
Sejam G um grafo de ordem n e ) 0 , , , ( ) (
1 1
=
n
G K o espectro da matriz
Laplaciana de G . A conectividade algbrica de G definida por
1
) (

=
n
G .
A Proposio 2.2, cuja prova pode ser encontrada em ] 1 [ , relaciona a conexidade de
um grafo G com a sua conectividade algbrica ) (G .

16
Proposio 2.2. Seja ) (G a conectividade algbrica de um grafo G . Ento G
conexo se e somente se 0 ) ( G .

No prximo captulo, sero apresentados os principais conceitos e definies,
incluindo exemplos, referentes s medidas de centralidade no espectrais em grafos e no
captulo 4, apresentaremos ento as medidas de centralidade decorrentes de invariantes
espectrais.

17
Captulo 3 Medidas de Centralidade No-
Espectrais

As medidas de centralidade surgiram da anlise em redes sociais, que so um tipo
especfico de rede que se referem a conjunto de pessoas conectadas por relacionamentos
sociais. Toda rede, social ou no, pode ser representada por um grafo. Cada posio na
rede corresponde a um vrtice no grafo e cada possvel relao entre as posies
corresponde a uma aresta que conecta um par de vrtices.
Intuitivamente, numa rede, os vrtices mais centrais so aqueles que a partir dos
quais podemos atingir qualquer outro com mais facilidade ou rapidez.
Neste captulo ns introduziremos diferentes medidas de centralidade que avaliam a
importncia dos ns em uma rede de acordo com sua posio estrutural, dadas em
funo de alguns invariantes do grafo. A centralidade de grau, assim chamada por ser
uma funo do grau de um vrtice, conta o nmero de arestas incidentes a um vrtice do
grafo. A centralidade de proximidade est relacionada com a distncia total de um
vrtice a todos os demais vrtices do grafo. A centralidade de eficincia minimiza as
distncias de um vrtice para alcanar qualquer outro vrtice no grafo. A centralidade
de intermediao mede quantas geodsicas entre todos os pares de vrtices do grafo
passam atravs de um determinado vrtice. A centralidade de intermediao de
percursos aleatrios considera todos os caminhos, geodsicos e no-geodsicos,
passando atravs de um vrtice possveis de serem usados por um percurso aleatrio.
Alm disso, considera as probabilidades de tais caminhos serem usados. Por fim,
apresentada uma medida de centralidade no do vrtice, mas de todo o grafo G , que
dada em funo das medidas de centralidade dos vrtices de G , o que nos permite
comparar grafos de mesma ordem e topologicamente diferentes. Tais medidas de
centralidade traduzem diferentes aspectos da posio de um vrtice em um grafo e,
18
conseqentemente, a escolha da medida a ser aplicada com mais correo dever
depender da aplicao em particular considerada.
3.1 Centralidade de Grau

A concepo mais simples e intuitiva no que diz respeito centralidade de um
vrtice o nmero de contatos diretos que ele possui. Uma pessoa que se encontra em
uma posio que permite o contato direto com muitos outros vista pelos demais como
um canal maior de informaes, razo pela qual dizemos ser mais central. SHAW ] 58 [ ,
em 1964, usou o grau do vrtice como medida de centralidade e, em seguida,
MACKENZIE ] 55 [ e BEAUCHAMP ] 57 [ aplicaram variantes do grau em problemas
de redes sociais. Segundo FREEMAN ] 21 [ , Nieminem, em 1974, foi quem chamou a
medida usada por Shaw e os demais pesquisadores de centralidade de grau, e ainda
afirma ser esta a medida mais adequada (pelo menos at aquela data, 1979). Assim
chamada, a centralidade de grau nada mais que a contagem do nmero de adjacncias
de um vrtice
k
v , ou seja, este parmetro coincide com o prprio grau de
k
v .
Formalmente, temos:

Definio 3.1. Seja G um grafo qualquer (conexo ou no) com n vrtices e seja
k
v um
vrtice de G . A centralidade de grau de
k
v , denotada por
k
d , o nmero de arestas
incidentes a
k
v . Isto ,
=
=
n
j
kj k
a d
1
, ) 1 . 3 (
onde
kj
a so elementos da matriz de adjacncia ) (G A .
19
Considere, por exemplo, um vrtice
i
v num grafo G em que 8 = n . Suponha que
6 =
i
d . Por outro lado, considere outro grafo H , com 25 = n , e um vrtice
j
v em H
que tenha 6 =
j
d . Ambos os vrtices
i
v e
j
v tem o mesmo potencial de controle em
termos absolutos com relao ao sistema de comunicao das respectivas redes
modeladas por G e H . Contudo, enquanto
i
v poder dominar mais que a metade do
sistema de comunicao em G ,
j
v dominar apenas uma pequena porcentagem da rede
H . Isto nos leva seguinte definio:

Definio 3.2. Seja G um grafo qualquer (conexo ou no) com n vrtices e seja
k
v um
vrtice de G . A centralidade relativa de grau de
k
v dada por:
1
) ( '
=
n
d
v c
k
k D
. ) 2 . 3 (
fcil ver que o maior valor de
k
d 1 n . Portanto, esta medida reflete a proporo
dos vrtices adjacentes
k
v em relao ordem do grafo, ou seja, o nmero total de
vrtices do grafo G . Assim, 1 ) ( ' 0
k D
v c . fcil notar que o limite superior
atingido por qualquer vrtice universal e o inferior por vrtices isolados.
Exemplo:

Figura 3.1: Os vrtices
1
v ,
3
v e
4
v so os mais centrais segundo a centralidade de grau.
1
v
2
v
3
v
4
v
5
v
20
Na Figura 3.1 temos: 3
4 3 1
= = = d d d ; 2
2
= d e 1
5
= d . Portanto, a medida de
centralidade de grau nos indica que
1
v ,
3
v e
4
v so os vrtices mais centrais. J usando
a medida relativa da centralidade de grau podemos observar a proporo dos vrtices
adjacentes a cada vrtice em relao ordem do grafo, ou seja,
4
3
) ( ' ) ( ' ) ( '
4 3 1
= = = v c v c v c
D D D
;
2
1
) ( '
2
= v c
D
e
4
1
) ( '
2
= v c
D
. claro que para um mesmo
grafo, as medidas de centralidade absoluta e relativa produziro sempre a mesma
ordenao para os vrtices em escala de importncia, uma vez que diferem apenas em
funo da constante de normalizao
1
1
n
. Sendo assim, a centralidade relativa ser
mais apropriada para se comparar a centralidade de um vrtice em grafos com ordem
diferentes.
3.2 Centralidade de Proximidade

As medidas de centralidade do vrtice baseadas na proximidade foram
desenvolvidas por BAVELAS ] 4 [ , BEAUCHAMP ] 58 [ , MOXLEY e MOXLEY ] 56 [ e
SABIDUSSI ] 54 [ . A mais simples e natural destas medidas, proposta por Sabidussi, em
1966, chamada centralidade de proximidade, baseada na soma das distncias de um
vrtice em relao aos demais vrtices do grafo.

Definio 3.3. Seja G um grafo conexo com n vrtices e seja
k
v um vrtice de G . A
centralidade de proximidade de
k
v dada pelo inverso da soma das distncias de
k
v a
todos os demais vrtices do grafo, ou seja,
=
=
n
j
k j
k C
v v dist
v c
1
) , (
1
) ( . ) 3 . 3 (
21
Note que
k
v pode no mnimo estar a uma distncia igual a 1 em relao a um dado
vrtice
j
v num grafo conexo com n vrtices e no mximo estar ligado a 1 n outros
vrtices. Neste caso, o maior valor para a centralidade de proximidade de um vrtice
k
v

1
1
) (
=
n
v c
k C
, pois o menor valor para 1 ) , (
1
=
=
n v v dist
n
j
k j
. Tambm neste caso,
podemos definir uma centralidade relativa de proximidade de um vrtice:

k
centralidade relativa de proximidade de
k
v dada por:
) ( ). 1 (
) , (
1
) ( '
1
k C n
j
k j
k C
v c n
v v dist
n
v c =
=
. ) 4 . 3 (
Tambm, neste caso, 1 ) ( ' 0
k C
v c , dado que 1 ) , (
1

=
n v v dist
n
j
k j
. Novamente, o
limite superior atingido quando
k
v um vrtice universal.
Tais medidas so de fato significativas apenas em grafos conexos, j que em grafos
desconexos existe pelo menos um par de vrtices
j
v ,
k
v tal que = ) , (
k j
v v dist . Logo,
=
=
n
j
k j
v v dist
1
) , ( .
Exemplo:

Figura 3.2: Grafo G onde
4
v o vrtice mais central segundo
C
c .

1
v
2
v
3
v
4
v
5
v
22
Para ilustrar a medida de centralidade de proximidade vamos considerar o grafo
dado na Figura 3.2. As distncias entre
1
v e todos os demais vrtices so dadas por:
1 ) , (
1 2
= v v dist ; 2 ) , (
1 3
= v v dist ; 1 ) , (
1 4
= v v dist ; 2 ) , (
1 5
= v v dist .
Pela equao ) 3 . 3 ( , a centralidade de proximidade do vrtice
1
v dada por:
... 166 , 0
6
1
2 1 2 1
1
) , (
1
) (
5
1
1
1
= =
+ + +
= =
= j
j
C
v v dist
v c

De modo anlogo, podemos determinar esta medida para os demais vrtices de G
para obtermos:
142 , 0 ) (
2
= v c
C
; ... 166 , 0 ) (
3
= v c
C
; 2 , 0 ) (
4
= v c
C
e 125 , 0 ) (
5
= v c
C
.
Isto indica que o vrtice
4
v o mais central de acordo com a medida
C
c .
Para o grafo da Figura 3.2, a medida relativa de proximidade dos vrtices dada pela
equao ) 4 . 3 ( nos fornece:
... 666 , 0 ) ( ' ) ( '
3 1
= = v c v c
C C
; 568 , 0 ) ( '
2
= v c
C
; 8 , 0 ) ( '
4
= v c
C
e 5 , 0 ) ( '
5
= v c
C
.
Observao: Em um grafo com n vrtices e m arestas, a medida de centralidade de
proximidade pode ser calculada para todos os vrtices com complexidade de ) ( n m O + ,
] 14 [ .
3.2.1 Centralidade de Eficincia

Em Pesquisa Operacional, alguns problemas de localizao consistem em se
determinar um local de modo que minimize o tempo mximo de viagem entre o mesmo
e todas as demais localizaes. Estes problemas possuem diversas aplicaes prticas,
como por exemplo, a instalao de um hospital, cujo objetivo minimizar o tempo
mximo de atendimento de uma ambulncia a uma possvel emergncia. neste sentido
que HAGE e HARARY ] 29 [ , em 1995, propuseram uma medida chamada centralidade
23
de eficincia, baseada no conceito de excentricidade de um vrtice. Tal medida pode
assim ser definida:

k
centralidade de eficincia de
k
v dada pelo inverso da excentricidade de
k
v , isto ,
) (
1
) (
k
k eff
v e
v c = , ) 5 . 3 (
onde } : ) , ( max{ ) ( V v v v dist v e
j k j k
= .
Assim, esta medida indica que um vrtice mais eficiente quanto menor for a sua
excentricidade.
Exemplo:

1
v ,
3
v e
4
v so os mais centrais por
eff
c .

Para o grafo G dado na Figura 3.3, temos que as distncias entre
1
v e todos os
demais vrtices so dadas por:
2 ) , (
1 2
= v v dist ; 1 ) , (
1 3
= v v dist ; 1 ) , (
1 4
= v v dist ; 1 ) , (
1 5
= v v dist .
Logo, a excentricidade dada pela distncia de
1
v a
2
v , ou seja, 2 ) (
1
= v e . Da,
segue que a centralidade de eficincia de
1
v :
5 , 0
2
1
) (
1
) (
1
1
= = =
v e
v c
eff
.
1
v
2
v
3
v
4
v
5
v
24
De maneira anloga, determinamos as centralidades de eficincia dos demais
vrtices,
33 , 0 ) ( ) (
5 2
= = v c v c
eff eff
; 5 , 0 ) ( ) (
4 3
= = v c v c
eff eff
.
Tal medida indica que os vrtices
1
v ,
3
v e
4
v so ento os mais centrais.

Outras variaes da centralidade baseadas na proximidade de um vrtice merecem
destaque. A primeira delas a centralidade centride, introduzida por BORGATTI em
] 9 [ . Segundo o autor, a idia medir a centralidade de qualquer vrtice atravs da
distncia desse vrtice ao centride do grafo, que o vrtice, ou conjunto de vrtices,
para o qual a soma das distncias aos demais vrtices a menor possvel. A segunda, a
centralidade radial proposta por VALENTE e FOREMAN [31] e desenvolvida
inicialmente para grafos orientados. Porm, uma verso desta medida aplicada a
grafos conexos no orientados, que definida da seguinte maneira:

k
centralidade radial de
k
v dada por:
1
)) , ( 1 ) ( (
) (
+
=

n
v v dist G diam
v c
V v
j k
k R
j
, ) 6 . 3 (
onde ) (G diam denota o dimetro do grafo.
Tal medida indica o quanto
k
v est bem integrado na rede modelada pelo grafo G .
Por fim, STEPHENSON e ZELEN ] 40 [ , em 1989, introduziram a centralidade de
informao de um vrtice que definida como a mdia harmnica da informao
contida em todos os possveis caminhos tendo
i
v como vrtice terminal.
Matematicamente, a centralidade de informao definida da seguinte maneira:
25
i
centralidade de informao de
i
v dada por:
=
=
n
j ij
i I
I
n
v c
1
1
) ( , ) 7 . 3 (
onde
1
) 2 (

+ =
ij jj ii ij
c c c I e
1
) ( ] [

+ = = J L c C
ij
, sendo L a matriz Laplaciana e J a
matriz de mesma ordem com todas as entradas iguais a 1.
Exemplo:

1
v e
2
v so os mais centrais segundo
I
c .

Para ilustrar a medida de centralidade de informao vamos considerar o grafo dado
na Figura 3.4. A centralidade de informao calculada atravs da matriz C , obtida a
partir das matrizes L e J :

=
2 0 0 1 1
0 2 1 0 1
0 1 2 1 0
1 0 1 3 1
1 1 0 1 3
L ,
=
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
J ,

=
121 44 44 11 11
44 116 16 29 4
44 16 116 4 29
11 29 4 76 1
11 4 29 1 76
275
1
C .
A informao contida em todos os caminhos tendo
1
v como vrtice terminal :
=
11
I ; ... 833 , 1
12
= I ; 1 , 1
13
= I ; 375 , 1
14
= I e 571 , 1
15
= I .
4
v
5
v
2
v
3
v
1
v
26
Pela equao ) 7 . 3 ( , a centralidade de informao do vrtice
1
v dada por:
. 774 , 1
817 , 2
5
1
5
) (
5
1
1
= = =
= j ij
I
I
v c
De maneira anloga, determinamos as centralidades de informao dos demais
vrtices,
774 , 1 ) (
2
= v c
I
; 41 , 1 ) ( ) (
4 3
= = v c v c
I I
e 375 , 1 ) (
5
= v c
I
.
Tal medida indica que os vrtices
1
v e
2
v so ento os mais centrais.
3.3 Centralidade de Intermediao

Ao final da dcada de 70, MOXLEY e MOXLEY ] 56 [ observaram que as redes
sociais do mundo real so sempre muito grandes e, geralmente, desconexas. Portanto, as
medidas conhecidas, e at ento apresentadas, no poderiam ser aplicadas. Motivado
pelo artigo daqueles autores, FREEMAN ] 22 [ , em 1977, props algumas medidas que,
embora sejam tambm baseadas em interligaes entre pares de vrtices, poderiam ser
aplicadas a grafos desconexos.
Para isso, Freeman primeiro introduziu o conceito de intermediao parcial de um
vrtice numa dada rede para ento chegar a um valor que pudesse medir a centralidade
deste vrtice. Isto significa que este valor deveria ser capaz de expressar a influncia
que o indivduo (representado pelo vrtice) poderia exercer sobre os seus pares numa
rede de comunicao do mundo real. Assim surgiu a seguinte definio:

Definio 3.8. Seja G um grafo (conexo ou no) com n vrtices e seja
k
v um vrtice
de G . Considere um par de vrtices
i
v e
j
v em G , tal que j i , k i e k j . A
intermediao parcial de
k
v com respeito a
i
v e
j
v dada por:
27
=
contrrio, caso ,
) (
; e entre caminho existir no se , 0
) (
ij
k ij
j i
k ij
g
v g
v v
v b ) 8 . 3 (
onde
ij
g denota o nmero de geodsicas entre
i
v e
j
v e ) (
k ij
v g denota o nmero de
geodsicas entre
i
v e
j
v que passam por
k
v .
Para se determinar a centralidade de intermediao de um vrtice
k
v num grafo G
com n vrtices, tudo o que precisamos fazer somar todas as intermediaes parciais
de
k
v em G . O valor encontrado ser denotado por ) (
k B
v c e definido como a
centralidade de intermediao de
k
v em G . Assim, temos:
<
=
k j i
n j i
k ij k B
v b v c
,
1
) ( ) ( . ) 9 . 3 (
Para redes enormes, tanto o procedimento de identificao, quanto o de contagem de
geodsicas, pode ser um trabalho tedioso. Isto acontece quando a ordem n de G for um
nmero muito grande. Felizmente, existem algoritmos muito rpidos para executar estas
tarefas, e o primeiro deles, baseado em mtodos matriciais, foi desenvolvido por Harary
e Flament ] 22 [ . NEWMAN ] 33 [ , em 2005, observou que a centralidade de
intermediao ) (
k B
v c definida por ) 9 . 3 ( uma das mais simples e, provavelmente, uma
das mais teis baseadas na inter-relao entre os vrtices de G e, como j dissemos,
) (
k B
v c indica o potencial que um ponto da rede, no caso
k
v , tem para controlar o fluxo
de informaes entre os pares de vrtices da rede.
FREEMAN, em seu artigo [22], determinou um limite superior para ) (
k B
v c e
mostrou que tal limite alcanado somente quando o grafo G uma estrela
n
S e o
vrtice
k
v o nico vrtice com grau 1 n em
n
S . A seguir enunciaremos o Teorema
de Freeman e apresentaremos uma prova mais detalhada para este resultado.
28
Teorema 3.1. Seja G um grafo conexo ou no com 3 n vrtices. Seja
k
v um vrtice
de G e ) (
k B
v c a centralidade de intermediao de
k
v . Ento
2
2 3
) (
2
+
n n
v c
k B
, ) 10 . 3 (
e o limite alcanado se e somente se G o grafo estrela
n
S e
k
v o vrtice central da
estrela.

Prova: Seja G um grafo com 3 n vrtices. Primeiramente, vamos considerar G
conexo. Neste caso, existe um caminho entre qualquer par de vrtices, e assim,
2
) 1 (
2
=
|
|
\
|
=
n n
n
r o nmero total de pares no-ordenados de vrtices
i
v e
j
v tal que
existe um caminho entre eles. Consideremos, agora, que G tenha um vrtice de grau
1 n e chamemos este vrtice de
k
v . Neste caso, a estrela
n
S um subgrafo gerador de
G e qualquer par de vrtices
i
v e
j
v so ligados por uma geodsica de comprimento 2
que passa por
k
v . S existir uma geodsica para cada par de vrtices de
n
S . Portanto,
da definio 8 . 3 , segue-se que 1 ) ( =
k ij
v b . Para calcularmos ento a centralidade de
intermediao do vrtice
k
v em
n
S , ) (
k B
v c , basta utilizarmos a frmula ) 9 . 3 ( que
dada por
<
=
k j i
n j i
k ij k B
v b v c
,
1
) ( ) ( . Tal somatrio tem exatamente ) 1 (
2

|
|
\
|
n
n
parcelas.
Como cada parcela igual a 1, teremos que:
2
2 3
) 1 (
2
) 1 (
) (
2
+
=
=
n n
n
n n
v c
k B
.
Provamos ento que
n
S um grafo que atinge este valor para a centralidade de
intermediao.
29
Para provarmos que
n
S o nico grafo que tem um vrtice central que satisfaz ) 10 . 3 (
na igualdade, vamos supor que G seja conexo e
n
S G . A estrela
n
S o nico grafo
em que o vrtice de grau mximo igual a 1 n vrtice terminal de toda aresta. Tome
em G o vrtice de grau mximo
l
v . Como
n
S G , existir em G uma aresta cujos
vrtices terminais
i
v e
j
v so diferentes de
l
v . Logo fcil ver que 0 ) ( =
l ij
v b . Temos
que ) (
l ij
v b uma das parcelas da centralidade de intermediao de
l
v ligando
i
v a
j
v .
Cada uma das outras parcelas poder ser no mximo igual a 1. Logo a frmula ) 10 . 3 (
resultar um valor inferior a
2
2 3
2
+ n n
.
Resta-nos considerar, agora o grafo G desconexo. Tal grafo ter no mnimo duas
componentes conexas. Tomemos um vrtice qualquer
k
v em G e dois vrtices
i
v e
j
v
no adjacentes em G , para os quais j i , k i e k j . Se
i
v e
j
v estiverem em
componentes conexas distintas,
i
v e
j
v so no alcanveis, e pela definio ) 8 . 3 (
teremos 0 ) ( =
k ij
v b . Assim, a frmula dada por ) (
k B
v c ter necessariamente alguma
parcela nula e as outras sero no mximo igual a 1. Portanto, o valor mximo alcanado
por ) (
k B
v c ter que ser estritamente inferior a
2
2 3
2
+ n n
, que como j vimos, a
maior soma possvel alcanada por ) 10 . 3 ( , quando todas as suas parcelas valem 1. Falta
considerar
i
v e
j
v na mesma componente conexa. Neste caso, temos um subgrafo H de
G conexo com t vrtices, n t < . Ento, no caso mximo teremos
2
2 3
2
2 3
2 2
+
<
+ n n t t
.

30
Sendo assim, uma medida relativa da centralidade de intermediao de um vrtice
k
v pode ser definida como:

Definio 3.9. Seja G um grafo (conexo ou no) com n vrtices e seja
k
v um vrtice
de G . A centralidade relativa de intermediao de
k
v dada por:
2 3
) ( 2
) ( '
2
+
=
n n
v c
v c
k B
k B
. ) 11 . 3 (
Pelo Teorema 3.1, tambm neste caso 1 ) ( ' 0
k B
v c .
Observao: Em um grafo com m arestas e n vrtices, a medida de centralidade de
intermediao pode ser calculada para todos os vrtices com complexidade de ) ( n m O ,
] 39 [ .
Exemplo:

2
v o vrtice mais central segundo
B
c .

Na Figura 3.5, todas as geodsicas entre
i
v e
j
v , V v v
j i
, , 7 , , 2 K = < j i , bem
como aquelas que passam por
1
v so:
1
23
= g e 0 ) (
1 23
= v g ; 1
24
= g e 0 ) (
1 24
= v g ; 1
25
= g e 0 ) (
1 25
= v g ; 2
26
= g e 2 ) (
1 26
= v g ;
1
27
= g e 0 ) (
1 27
= v g ; 2
34
= g e 1 ) (
1 34
= v g ; 1
35
= g e 0 ) (
1 35
= v g ; 1
36
= g e 1 ) (
1 36
= v g ;
1
v
2
v
3
v
4
v
5
v
6
v
7
v
31
1
37
= g e 0 ) (
1 37
= v g ; 1
45
= g e 0 ) (
1 45
= v g ; 1
46
= g e 1 ) (
1 46
= v g ; 1
47
= g e 0 ) (
1 47
= v g ;
2
56
= g e 2 ) (
1 56
= v g ; 1
57
= g e 0 ) (
1 57
= v g ; 2
67
= g e 2 ) (
1 67
= v g .
Assim, a medida de centralidade de intermediao do vrtice
1
v :
. 50 , 5
2
11
2
2
1
0
2
2
1
0
1
1
1
0
1
0
1
1
1
0
2
1
1
0
2
2
1
0
1
0
1
0
) ( ) (
1 ,
7 1
1 1
= = + + + + + + + + + + + + + + = =

<
j i
j i
ij B
v b v c

Pelo mesmo raciocnio, teremos para os demais vrtices:
50 , 8 ) (
2
= v c
B
; 3 ) ( ) (
4 3
= = v c v c
B B
; 5 ) (
5
= v c
B
e 0 ) ( ) (
7 6
= = v c v c
B B
.
Portanto, a centralidade de intermediao indica o vrtice
2
v como sendo o mais
central.
E usando a medida relativa teremos:
... 366 , 0 ) ( '
1
= v c
B
; ... 566 , 0 ) ( '
2
= v c
B
; 2 , 0 ) ( ' ) ( '
4 3
= = v c v c
B B
; ... 333 , 0 ) ( '
5
= v c
B
e
0 ) ( ' ) ( '
7 6
= = v c v c
B B
.

3.3.1 Centralidade de Intermediao de Percursos Aleatrios

A centralidade de intermediao pode ser vista como uma medida da influncia que
um n tem sobre a propagao do fluxo de informao (ou de qualquer contedo)
atravs da rede. A Definio 3.9, proposta por FREEMAN ] 21 [ , supe que o contedo,
considerado aqui como um fluxo unitrio, percorre a rede somente ao longo das
possveis geodsicas. Entretanto, em grande parte das redes, o fluxo pode ser governado
por outras regras que consideram caminhos geodsicos e no geodsicos.
Baseado nesta idia mais realstica de propagao da informao, BRANDES e
FLEISCHER ] 14 [ introduziram uma medida de centralidade de intermediao baseada
no fluxo de corrente em circuitos eltricos. Veja uma discusso mais detalhada em ] 14 [ .
32
Apesar de seu reconhecimento, a centralidade baseada em fluxo de corrente no
freqentemente utilizada por cientistas sociais, porque no h nenhuma razo especial
para acreditar que tal fluxo tenha algo haver com processos em redes no eltricas.
Sendo assim, NEWMAN ] 33 [ props uma derivao desta medida, chamada
centralidade de intermediao de percursos aleatrios, fornecendo assim conceitos
bem conhecidos e relevantes para redes sociais, assim como para outros tipos de redes.
No entanto, o prprio Newman, em ] 33 [ , mostra que as duas medidas so
numericamente iguais. Tal medida considera um percurso aleatrio absorvente que
um percurso aleatrio que comea em
s
v (chamado fonte), tem extremidade em
t
v
(chamado alvo) e continua vrtice a vrtice com
t j
v v , escolhendo uma aresta E e
ij

incidente a
i
v com probabilidade
j
ij
ij
d
a
m = , ) 12 . 3 (
para continuar o percurso at atingir o alvo
t
v .
A matriz das probabilidades de transio entre os vrtices denotada por M e, em
notao de matrizes, podemos escrever
1
= AD M , onde D a matriz diagonal dos
graus dos vrtices. Como observado por Newman, o percurso aleatrio absorvente, ou
seja, 0 =
ti
m , para todo V v
i
. Sendo assim, a maneira mais conveniente para
representar esta situao, segundo Newman, justamente remover o vrtice
t
v do grafo,
o que corresponde a removermos a t -sima linha e a t -sima coluna de M , no
afetando as demais transies. Vamos denotar por
1
.

=
t t t
D A M , a matriz com estes
elementos removidos. Na Seo 2.2, vimos que a matriz
ij
r
A ) ( fornece o nmero de
percursos de comprimento r entre
i
v e
j
v . Entretanto, no estamos interessados no
nmero de percursos aleatrios, mas na probabilidade que um percurso aleatrio de
33
inicio em
s
v , aps r etapas, esteja em
j
v . Isto dado por
js
r
t
M ] [ . Assim, a
probabilidade que na etapa 1 + r estejamos em um vrtice adjacente
i
v dada por
js
r
t j
M d ] [
1
.
Note que todas as entradas de qualquer matriz
r
t
M so valores entre 0 e 1 e, assim,
o somatrio sobre todos os possveis percursos de comprimento 0 at , convergente
] 31 [ . Isto significa que:
( ) [ ]
js t n j
r
js
r
t j
M I d M d
1
1
1
0
1
] [

. ) 13 . 3 (
A equao ) 13 . 3 ( em notao de matriz nos d:
( ) ( ) s A D s M I D v p
t t t t st
. . ) (
1 1 1
= = , ) 14 . 3 (
onde s um vetor fonte definido por
=
=
. , 0
; , 1
contrrio caso
s i para
s
i

Logo, a probabilidade que um percurso aleatrio passe ao longo da aresta entre
i
v e
j
v dado pela diferena absoluta entre as probabilidades ) ( ) (
j st i st
v p v p e a
probabilidade de passar atravs do vrtice
i
v a metade da soma das probabilidades nas
arestas incidentes a ele:
=
j
t s i j st i st ij i st
v v v para v p v p a v , |, ) ( ) ( |
2
1
) ( . ) 15 . 3 (
Quando
s i
v v = ou
t i
v v = , 1 ) ( =
i st
v . Assim, a centralidade de intermediao do
vrtice
i
v em percursos aleatrios entre
s
v e
t
v pode ser definida da seguinte maneira:

i
centralidade de intermediao de
i
v em percursos aleatrios dada por:
34
) 1 (
) ( 2
) (
<
n n
v
v c
t s
i st
i CA
. ) 16 . 3 (
Observao: Conforme visto em ] 33 [ , em um grafo com m arestas e n vrtices, a
centralidade de intermediao de percursos aleatrios pode ser calculada para todos os
vrtices com complexidade ) ) ((
2
n n m O + .
Exemplo: Tomemos novamente o grafo da Figura 3.5.
Para o grafo G , a partir de suas matrizes de adjacncia e dos graus dos vrtices,
encontramos:

= =

4 11 4 1 4 7 2 1 4 3 4 1
4 1 4 7 4 1 2 1 4 1 4 3
4 7 4 1 4 7 2 1 4 3 4 1
2 1 2 1 2 1 1 2 1 2 1
4 3 4 1 4 3 2 1 4 3 4 1
4 1 4 3 4 1 2 1 4 1 4 3
) ( ;
1 0 1 0 0 0 0
0 1 0 0 0 0 1
1 0 2 0 0 1 0
0 0 0 2 0 1 1
0 0 0 0 2 1 1
0 0 1 1 1 3 0
0 1 0 1 1 0 3
1
3 3
A D A D L
.
Considerando-se
1
v como vrtice fonte e
3
v como vrtice alvo e aplicando a
equao ) 14 . 3 ( temos:
( ) [ ] [ ]
t t
i
A D v p 4 1 4 3 4 1 2 1 4 1 4 3 0 0 0 0 0 1 . ) (
1
3 3 13
= =

.
Sendo assim, a probabilidade que um percurso aleatrio entre
1
v e
3
v passe pelos
vrtices
4 2
, v v e
5
v dada por:
4 1 ) (
2 13
= v p ; 2 1 ) (
4 13
= v p e 4 1 ) (
5 13
= v p .
Portanto, a probabilidade que um percurso aleatrio do vrtice
1
v ao vrtice
3
v
passe atravs de
2
v :
[
] .
4
1
) ( ) (
) ( ) ( ) ( ) (
2
1
) ( ) (
2
1
) (
5 13 2 13
4 13 2 13 3 13 2 13
1
13 2 13 2 2 13
=
+ + = =

=
v p v p
v p v p v p v p v p v p a v
n
j
j j

35
Analogamente, fazendo o clculo para todos os pares ) , (
t s
v v possveis cujo
percurso passe por
2
v temos:
1 ) (
2 12
= v ;
4
1
) (
2 14
= v ; 1 ) (
2 15
= v ; 0 ) (
2 16
= v ; 1 ) (
2 17
= v ; 1 ) (
2 23
= v ; 1 ) (
2 24
= v ;
1 ) (
2 25
= v ; 1 ) (
2 26
= v ; 1 ) (
2 27
= v ;
2
1
) (
2 34
= v ; 1 ) (
2 35
= v ;
4
1
) (
2 36
= v ; 1 ) (
2 37
= v ;
1 ) (
2 45
= v ;
4
1
) (
2 46
= v ; 1 ) (
2 47
= v ; 1 ) (
2 56
= v ; 0 ) (
2 57
= v e 1 ) (
2 67
= v . Portanto,
2
31
) (
2
=
<t s
st
v .
Logo, a medida de centralidade de intermediao do vrtice
2
v em percursos
aleatrios :
738 , 0
42
31
) 1 (
) ( 2
) (
2
2
= =
<
n n
v
v c
t s
st
CA
.
Utilizando-se o mesmo raciocnio, podemos calcular tal medida para os demais
vrtices:
619 , 0 ) (
1
= v c
CA
; 488 , 0 ) ( ) (
4 3
= = v c v c
CA CA
; 523 , 0 ) (
5
= v c
CA
; 285 , 0 ) ( ) (
7 6
= = v c v c
CA CA
,
e veremos que, de fato,
2
v aquele mais central.
Note que para o mesmo grafo da Figura 3.5, a relevncia dos vrtices obtida fazendo
uso da centralidade de intermediao que utiliza apenas caminhos geodsicos a mesma
que a centralidade de intermediao de percursos aleatrios. Entretanto, no Captulo 6
veremos que diferentes medidas podem nos conduzir a diferentes resultados, o que
mostra a importncia de se avaliar tambm o tipo de rede que estamos modelando, a fim
de se utilizar uma medida mais apropriada.

36
3.4 Centralidade de Grafos

Alm das medidas de centralidade dos vrtices de um grafo at aqui apresentadas,
intuitivamente parece claro que alguns grafos so mais dependentes dos vrtices mais
centrais que outros. O grafo estrela, por exemplo, extremamente dependente de seu
vrtice mais central, e no importa a medida de centralidade considerada, tal vrtice tem
medida superior aos demais, e se suprimido, tornar o grafo estrela um grafo nulo, razo
pela qual dito ser o grafo mais central. nesse sentido que FREEMAN ] 21 [ , em
1978, props uma medida de centralidade de grafos, a ser calculada em relao aos
valores de algumas das principais medidas de centralidade dos vrtices. Tal medida nos
permite comparar grafos de mesma ordem mas topologicamente diferentes. Antes disso,
seja X uma das medidas de centralidade dos vrtices de um grafo (grau, proximidade ou
intermediao). As definies a seguir valem para qualquer grafo G , conexo ou no,
exceto quando a medida X for a centralidade de proximidade, pois neste caso, G tem
que ser conexo:

Definio 3.11. O centro de um grafo ) , ( E V G = o subconjunto de vrtices com valor
mximo no que diz respeito medida de centralidade X considerada, ou seja,
{ }. ), ( ) ( ; ) ( V v v c v c V v G
j j X k X k X
= ) 17 . 3 (

Definio 3.12. Seja G um grafo com n vrtices,
j
v um vrtice de G e ) (
j X
v c a
centralidade do vrtice
j
v em G no que diz respeito medida de centralidade X . Seja
) (G v
X k
e considere
=
=
n
j
j X k X X
v c v c G
1
)) ( ) ( ( ) ( . A centralidade do grafo G
dada por:
37
) ( max
) (
) (
H
G
G c
X
H
X
X
, ) 18 . 3 (
onde a coleo de todos os grafos H de n vrtices para o qual ) (H
X
est
definido.
Observe que, quando X for a medida de centralidade de proximidade, G e H tm
que ser conexos.
O prximo Teorema, cuja prova pode ser encontrada em ] 21 [ , d limites superiores
para ) (G
X
, em funo das centralidades de grau, intermediao e proximidade dos
vrtices de G . Alm disso, mostra que dentre todos os grafos de mesma ordem, o grafo
estrela aquele que satisfaz os limites.

Teorema 3.7. Seja G um grafo com 3 n vrtices, D, B e C as medidas de
centralidade de grau, intermediao e proximidade, respectivamente. Ento,
1. 2 3 ) (
2
+ n n G
D
;
2. 2 5 4 ) (
2 3
+ n n n G
B
;
3.
3 2
2 3
) (
2
+

n
n n
G
C
;
e os limites so alcanados se e somente se G o grafo estrela
n
S .

A medida ) (G c
X
estar sempre entre 0 e 1. ) (G c
X
ser igual a 0 quando todos os
vrtices tiverem exatamente as mesmas centralidades, por exemplo se
n
K G = , e ser
igual a 1 quando um nico vrtice dominar completamente os demais vrtices, como
o caso de
n
S G = (veja o Teorema 3.7). Isto significa que um grafo G tanto mais
central quanto mais prximo de 1 for sua medida de centralidade.
38
Exemplo:

Figura 3.6: grafo
1
H

Para o grafo
1
H dado na Figura 3.6, se a medida X for a centralidade de grau dos
vrtices considerada, temos 1
5 4 1
= = = d d d , 2
2
= d e 3
3
= d . Dado que
5
S o grafo de
5 vrtices, cujo mximo valor dado por 12 ) (
5
= S
D
, utilizando-se a equao ) 18 . 3 (
temos que a centralidade do grafo
1
H dada por:
... 583 , 0
12
7
12
) 2 3 ( ) 1 3 .( 3
2 3
)) ( ) ( (
) (
) (
) (
2
5
1
5
1
1
= =
+
=
+
=
n n
v c v c
S
H
H c
j
j D k D
D
D
D

Para o mesmo grafo da Figura 3.6, considere agora X como medida de centralidade
de proximidade dos vrtices. Assim, 125 , 0 ) (
1
= v c
C
; ... 166 , 0 ) (
2
= v c
C
; 2 , 0 ) (
3
= v c
C
;
... 111 , 0 ) (
4
= v c
C
e 125 , 0 ) (
5
= v c
C
. Novamente, o valor mximo para o denominador da
equao ) 18 . 3 ( ocorre quando
n
S G = e, neste caso, segue-se do Teorema 3.7 que
3 2
2 3
) ( max ) ( max
2
5
+
= =
n
n n
S G
C C
. Portanto, 714 , 1 ) (
5
= S
C
. Logo, de ) 18 . 3 ( ,
temos:
=
+ +
=
=
714 , 1
...) 111 , 0 2 , 0 ( ...) 166 , 0 2 , 0 ( ) 125 , 0 2 , 0 .( 2
3 2
2 3
)) ( ) ( (
) (
2
5
1
1
n
n n
v c v c
H c
j
j C k C
C

158 , 0
714 , 1
... 272 , 0
= .
1
v
2
v
3
v
4
v
5
v
39

Figura 3.7: grafo
2
H

Vamos considerar agora o grafo da Figura 3.7, tendo X como medida de
centralidade de grau dos vrtices. Logo, 2
1
= d , 3
3 2
= = d d e 1
5 4
= = d d . Neste caso,
... 416 , 0
12
5
12
) 2 3 ( ) 1 3 .( 2
2 3
)) ( ) ( (
) (
2
5
1
2
= =
+
=
+
=
n n
v c v c
H c
j
j D k D
D

Ainda, considerando-se o grafo dado na Figura 3.7, e tendo agora X como medida
de centralidade de proximidade dos vrtices, ... 166 , 0 ) (
1
= v c
C
; 2 , 0 ) ( ) (
3 2
= = v c v c
C C
e
125 , 0 ) ( ) (
5 4
= = v c v c
C C
. Neste caso,
714 , 1
...) 166 , 0 2 , 0 ( ) 125 , 0 2 , 0 .( 2
3 2
2 3
)) ( ) ( (
) (
2
5
1
2
+
=
=
n
n n
v c v c
H c
j
j C k C
C
. 106 , 0
714 , 1
... 183 , 0
= =
Portanto, temos que ) ( ) (
2 1
H c H c
D D
> e ) ( ) (
2 1
H c H c
C C
> . Assim, podemos dizer
que em relao s centralidades de grau e proximidade, o grafo
1
H mais central que o
grafo
2
H .

1
v
2
v
3
v
4
v
5
v
40
Captulo 4 Medidas de Centralidade Espectrais

As medidas de centralidade espectrais buscam obter propriedades estruturais dos
vrtices de um grafo a partir das propriedades dos autovalores e autovetores das
matrizes associadas a estes grafos, mediante conhecimentos de lgebra Linear. Assim,
sero apresentadas aqui duas medidas de centralidade que avaliam o grau de relevncia
dos vrtices a partir da representao de um grafo por uma matriz. A centralidade de
autovetor atribui alta relevncia para um vrtice, em funo da sua relao com seus
vizinhos, ou seja, mesmo se um vrtice
k
v est ligado somente a outro vrtice
i
v (tendo
assim uma baixa centralidade de grau), os vizinhos de
i
v podem ser importantes, e
consequentemente, o vrtice
k
v tambm ser importante, obtendo uma elevada
centralidade de autovetor. J a centralidade via conectividade algbrica, como ser
visto em 4.4, mede o grau de relevncia de um vrtice em relao a vulnerabilidade que
ele oferece rede caso tenha de ser dela retirado. Tais medidas de centralidade,
agregadas quelas j apresentadas ao longo do texto, so uma importante ferramenta
para o estudo e anlise de redes.

4.1 Centralidade de Autovetor

O Teorema de Perron-Frobenius, apresentado na Seo 2.2, garante que em grafos
conexos, o raio espectral coincide com o ndice do grafo, isto , ) ( ) ( G ind G = , pois
grafos conexos tm matrizes de adjacncia irredutveis. Alm disso, este Teorema
garante que 0 ) ( > G e, como autovalor, tem multiplicidade algbrica igual a 1.
Portanto, a multiplicidade geomtrica tambm igual a 1, isto , o espao gerado pelos
autovetores associados ao ndice unidimensional. Pelo Teorema de Perron-Frobenius,
41
temos ainda que existe um autovetor associado ao ndice com todas as coordenadas
positivas. Isto nos permite introduzir mais uma medida de centralidade de vrtice em
um grafo. A medida proposta por BONACICH ] 6 [ , em 1987, chamada centralidade de
autovetor, baseada no conceito de autovalores e autovetores da matriz de adjacncia
do grafo G . Podemos defini-la da seguinte maneira:

k
centralidade de autovetor de
k
v dada por:
k k eig
x v c = ) ( , ) 1 . 4 (
onde
k
x a k -sima coordenada do autovetor positivo unitrio x associado ao ndice
do grafo, isto ,
=
=
n
j
j kj k
x a x
1
1
; n k , , 1 K = . ) 2 . 4 (
Como a multiplicidade do raio espectral igual a 1, qualquer outro autovetor
positivo associado ao ndice ser mltiplo escalar deste. Logo, sejam ) , , (
1 n
x x x K = e
) , , (
1 n
y y y K = ambos autovetores positivos associados ao ndice de G tais que
x y . = . Se
j i
x x ento
j i
y y .
Muitos autores, como ] 27 [ , utilizam o termo autocentralidade para indicar a
centralidade de autovetor.
Exemplo:

Figura 4.1: Grafo cujos vrtices mais centrais segundo a autocentralidade so
1
v e
5
v .
1
v
2
v
3
v
4
v
5
v
42

Na Figura 4.1, o polinmio caracterstico do grafo G e seu respectivo espectro so:
2 3 4 6 ) (
2 3 5
+ + =
G
p
.
1 1 1 1 1
775 , 1 1 589 , 0 723 , 0 641 , 2

= G spect
O autovetor positivo e de norma 1 associado a 641 , 2 = :
[ ]
t
x 537 , 0 406 , 0 179 , 0 474 , 0 537 , 0 = .
Assim, as centralidades de autovetor dos respectivos vrtices de G so:
537 , 0 ) ( ) (
5 1
= = v c v c
eig eig
; 474 , 0 ) (
2
= v c
eig
; 179 , 0 ) (
3
= v c
eig
; 406 , 0 ) (
4
= v c
eig
.
Portanto, a medida indica os vrtices
1
v e
5
v como mais centrais do grafo da Figura
4.1.

O significado da centralidade de autovetor como medida de propagao porque o
autovetor define como o vrtice mais central aquele que est ligado a outros que por sua
vez tambm estabelecem relaes com vrtices que esto em posies centrais, e assim
por diante. A centralidade de autovetor de um vrtice uma combinao linear das
centralidades dos vrtices com ele conectados ] 35 [ , e desta forma, pode ser justificado
pelo Teorema a seguir, conhecido como Mtodo das Potncias ] 13 [ . Em linhas gerais, o
mtodo consiste em determinar o autovalor de maior valor absoluto de uma matriz e seu
correspondente autovetor de maneira aproximada. A razo para a escolha deste mtodo
que, podemos deduzir fatos interessantes sobre a propagao de informaes,
tecnologias ou doenas atravs da rede.

43
Teorema 4.1. (Mtodo das Potncias) Seja A uma matriz real de ordem n e sejam
n
, , ,
2 1
K seus autovalores e
n
x x x , , ,
2 1
K seus correspondentes autovetores. Suponha
que os autovetores so linearmente independentes, e que:
n
> K
2 1
.
Seja a sequncia
k
y definida por:
k k
Ay y =
+1
, K , 2 , 1 , 0 = k
onde
0
y um vetor arbitrrio no nulo, que permite a expanso:
=
=
n
j
j j
x c y
1
0

com
j
c escalares quaisquer e 0
1
c . Ento,
( )
( )
1
1
lim =
+

r k
r k
k
y
y
,
onde o ndice r indica a r -sima coordenada dos vetores
1 + k
y e
k
y . Alm disso,
quando k ,
k
y tende ao autovetor correspondente a
1
.

Prova: Por hiptese,
n n
x c x c x c y + + + = K
2 2 1 1 0
, com 0
1
c .
Mas,
i i i
x Ax = e
0 1
Ay y = . Ento,
n n
Ax c Ax c Ax c y + + + = K
2 2 1 1 1
e
n n n
x c x c x c y + + + = K
2 2 2 1 1 1 1
. Assim,
+ + + =
n
n
n
x c x c x c y
1
2
1
2
2 1 1 1 1
K .
Por outro lado,
0
2
1 2
y A Ay y = = . Logo,
+ + + =
n
n
n
Ax c Ax c Ax c y
1
2
1
2
2 1 1 1 2
K que, por sua vez,

44
+ + + =
n n
n
n
x c x c x c y

1
2 2
1
2
2 1 1 1 1 2
K .Portanto,
|
|
\
|
+ +
|
|
\
|
+ =
n
n
n
x c x c x c y
2
1
2
2
1
2
2 1 1
2
1 2
K . Repetindo-se este procedimento,

obtm-se, para todo 2 k ,
0 1
y A Ay y
k
k k
= =
|
|
\
|
+ +
|
|
\
|
+ =
n
k
n
n
k
k
k
x c x c x c y
1
2
1
2
2 1 1 1
K .
Como por hiptese
n
> K
2 1
, tem-se 1
1
<
i
, para n i , , 2 K = . Portanto,
quando k , 0
1
|
|
\
|
k
i
.
Da, segue que:
1 1 1 0
x c y A y
k k
k
= quando k .
Como 0
1
e 0
1
c ,
k
y se aproxima de um mltiplo no nulo de
1
x (ou seja, de um
autovetor correspondente a
1
). Alm disso,
1
pode ser assim obtido,
( )
( )
( )
( )
( )
( )
1
1 1 1
1 1
1
1
0
0
1
1
lim lim lim
= = =
+

+

+

r
k
r
k
k
r
k
r
k
k
r k
r k
k
x c
x c
y A
y A
y
y
.

Observao: No limite, todas as coordenadas de
r k
r k
y
y
) (
) (
1 +
tendem a
1
. Entretanto,
na prtica, uma das coordenadas converge mais rapidamente do que as outras. Assim,
quando uma delas satisfizer a preciso desejada teremos o autovalor procurado. Alm
disso, a velocidade de convergncia depende de
1
2
. Portanto, quanto maior for

1
,
quando comparado com
2
, mais rpida ser a convergncia, ] 20 [ .
45
Para obtermos
1
com uma preciso , calculamos, em cada passo, aproximaes
para
1
atravs das razes entre as coordenadas dos vetores
1 + k
y e
k
y . O teste do erro
relativo, dado por
<
+
r
k k ) (
1
) 1 (
1
,
usado como critrio de parada.
Como em todo processo iterativo, este mtodo apresenta um resultado aproximado,
que ser to prximo do resultado real, conforme o nmero de iteraes realizadas.
Exemplo:

Figura 4.2: Grafo G e sua respectiva matriz de adjacncia.

Utilizando o mtodo das potncias com preciso
2
10
para os autovetores e
autovalores do grafo da Figura 4.2, temos:
1
a
iterao: Tomemos o vetor ( )
t
y 1 1 1 1 1
0
= .
Assim, ( )
t
Ay y 1 2 2 3 2
0 1
= = . Veja que as coordenadas de
1
y representam os
graus dos vrtices de G . Aqui temos 3 ) (
2 1
= y e 1 ) (
2 0
= y . Logo, uma primeira
aproximao para
1
dada por:
3
1
3
) (
) (
2 0
2 1
) 1 (
1
= = =
y
y
.
1
v
2
v
3
v
4
v
5
v
=
0 1 0 0 0
1 0 0 1 0
0 0 0 1 1
0 1 1 0 1
0 0 1 1 0
) (G A
46
2
a
iterao: Temos,
|
|
|
|
|
|
\
|
=
|
|
|
|
|
|
\
|
|
|
|
|
|
|
\
|
=
2
4
5
6
5
1
2
2
3
2
0 1 0 0 0
1 0 0 1 0
0 0 0 1 1
0 1 1 0 1
0 0 1 1 0
2
y , que representa o grau dos
vizinhos de segunda ordem. Neste caso, 6 ) (
2 2
= y , 3 ) (
2 1
= y e, assim, na nova
aproximao para
1
temos:
2
3
6
) (
) (
2 1
2 2
) 2 (
1
= = =
y
y
.
Calculando o erro relativo, obtemos:
> = 1
2
) 1 (
1
) 2 (
1
.
Portanto, devemos fazer pelo menos mais uma iterao.
3
a
iterao: Seja ento
|
|
|
|
|
|
\
|
=
|
|
|
|
|
|
\
|
|
|
|
|
|
|
\
|
=
4
8
11
14
11
2
4
5
6
5
0 1 0 0 0
1 0 0 1 0
0 0 0 1 1
0 1 1 0 1
0 0 1 1 0
3
y que representa o grau dos
vizinhos de terceira ordem. Aqui temos 14 ) (
2 3
= y , 6 ) (
2 2
= y e, assim, a aproximao
para
1
satisfaz:
... 333 , 2
6
14
) (
) (
2 2
2 3
) 3 (
1
= = =
y
y
.
Calculando ento o erro relativo, obtemos:
> = ... 333 , 0
2
) 2 (
1
) 3 (
1
.
Analogamente, seguimos com o processo fazendo novas iteraes at que o critrio de
parada seja satisfeito. Na Tabela 4.1 vemos que o processo seguir at a 14
a
iterao.

47
k

k
y
) (
1
k

0
( )
t
1 1 1 1 1
1
1
( )
t
1 2 2 3 2
3
2
( )
t
2 4 5 6 5
2
3
( )
t
4 8 11 14 11
3333 , 2
4
( )
t
8 18 25 30 25
14 , 2
5
( )
t
18 38 55 68 55
26 , 2
6
( )
t
38 86 123 148 123
17 , 2
7
( )
t
86 186 271 332 271
24 , 2
8
( )
t
186 418 603 728 603
19 , 2
9
( )
t
418 914 1331 1624 1331
23 , 2
10
( )
t
914 2042 2955 3576 2955
20 , 2
11
( )
t
2042 4490 6531 7952 6531
22 , 2
12
( )
t
4490 9994 14483 17552 14483
20 , 2
13
( )
t
9994 22024 32035 38960 32035
219 , 2
14
( )
t
22042 48954 70995 86112 70995
210 , 2
Tabela 4.1: Autovalores e autovetores correspondentes em suas respectivas iteraes.

A Tabela 4.1 mostra, portanto, o passo dado na 14
a
iterao como passo final do
algoritmo que consiste na convergncia para o autovetor dado por:
( )
t
22042 48954 70995 86112 70995 ,
cujo ndice 21 , 2
1
= .
48
Note que, embora o autovetor encontrado na 14
a
iterao no seja unitrio, ele
mantm a mesma ordenao dos vrtices em escala de importncia. O algoritmo reflete,
desta forma, uma justificativa para o uso de autovalores e autovetores como medida de
centralidade, tendo em vista que a cada iterao k , medimos a influncia de cada
vrtice em relao a seus vizinhos de ordem k , dado pela soma de seus graus. Sendo
assim, um vrtice mais central de acordo com a centralidade de autovetor, se ele est
ligado a vrtices que esto ligados a outros e que, por sua vez, esto ligados a muitos
outros.

4.2 Coordenadas de um autovetor e suas relaes com o grau

Como vimos na Seo 4.1, as coordenadas de um autovetor positivo x associado ao
ndice de um grafo G , no orientado, simples e conexo refletem a importncia de cada
vrtice de acordo com a rotulao considerada no grafo. Alguns resultados relativos a
tais coordenadas, bem como suas relaes com outras medidas de centralidade, em
especial a centralidade de grau, so apresentados a seguir. O primeiro deles, cuja prova
se encontra em ] 27 [ , fornece uma frmula para comparar duas coordenadas de x ,
i
x e
j
x , associadas a vrtices adjacentes em G .

Teorema 4.2. Seja G um grafo conexo com n vrtices e
i
v e
j
v dois vrtices
adjacentes em G . Sejam
i
x e
j
x coordenadas do autovetor x associado ao ndice e
i
A I a submatriz principal de A I , obtida retirando-se sua i -sima linha e coluna.
Ento,

49
j k
i k
E v v i
i k
i j
A I
B
x x
} , {
,
) det(
det
, ) 3 . 4 (
onde
i k
B
,
a submatriz de ordem 1 n , obtida da matriz ) ( A I , deletando-se sua i -
sima linha e coluna e substituindo-se a k -sima coluna pelo vetor
[ ]
t
ni i i i i i
a a a a L L
, 1 , 1 1 +
.

Exemplo:

Figura 4.3: Grafo estrela
5
S

Considere o grafo
5
S da Figura 4.3 com seus dois vrtices adjacentes
1
v e
2
v .
fcil ver que para este grafo 2 = e 16 2 ) det(
4
1
= = A I . Alm disso, para todo
5 , 4 , 3 = k , 8 2 det
3
1 ,
= =
k
B . Aplicando-se ) 3 . 4 ( , obtemos:
1 1 2
5 , 0
16
8
. 3 2 x x x =
= .
Analogamente, para 5 , 4 , 3 = j ,
1
5 , 0 x x
j
= . Portanto, o vrtice
1
v (o centro da estrela)
o mais central dado que o valor de
1
x o dobro das demais coordenadas que tem a
mesma centralidade de autovetor.
1
v
2
v
3
v
4
v
5
v
50
Como conseqncia do Teorema 4.2., podemos relacionar as coordenadas de um
autovetor x com os vrtices pendentes de um grafo G conexo. O Corolrio 4.1 e uma
prova similar apresentada aqui podem tambm ser encontrados em ] 27 [ .

Corolrio 4.1. Seja G um grafo conexo com 2 n vrtices,
i
v e
j
v dois vrtices
adjacentes em G . Sejam
i
x e
j
x coordenadas do autovetor x associado ao ndice e
correspondente aos vrtices
i
v e
j
v .
) i Se 2 > n e 1 =
i
d ento
i j
x x > ;
) ii Se 2 > n e 1 >
i
d ento
i j
x x < e
) iii Se 2 = n ento
2 1
x x = .

Prova:
) i Se 2 > n , o somatrio na expresso ) 3 . 4 ( estendido para todos os vrtices
adjacentes a
i
v , exceto o vrtice
j
v . Portanto, se 1 =
i
d , de ) 3 . 4 ( , segue-se que
i j
x x = , dado que o somatrio em ) 3 . 4 ( nulo. Como o grafo conexo e 2 > n , pelo
menos um vrtice tem grau maior que 1, e portanto, da Proposio 2.1, temos que
< = d 1 , ento
i i j
x x x > = .
) ii Se 2 > n e 1 >
i
d , no somatrio da expresso ) 3 . 4 ( , temos que 0 det
,
>
i k
B , para
todo vrtice
k
v adjacente a
i
v . Novamente da expresso ) 3 . 4 ( , segue-se que
i j
x x < .
) iii No caso em que 2 = n temos:
=
=
2 1
1 2
x x
x x
1 = e ento
2 1
x x = .

51
Exemplo:

Figura 4.4: Grafo G com raio espectral 342 , 2 = .

A Figura 4.4 mostra um grafo G que possui raio espectral 342 , 2 = e o autovetor
associado
[ ]
t
x 271 , 0 635 , 0 473 , 0 473 , 0 271 , 0 = .
Os vrtices pendentes
1
v e
5
v correspondem ao caso ) (i do Corolrio 4.1,
verificando-se de fato que tais vrtices possuem centralidades de autovetor menor que
os demais vrtices no pendentes,
2
v ,
3
v e
4
v . Em relao ao caso ) (ii , temos que para
cada vrtice
i
v ( 4 , 3 , 2 = i ) no pendente, vale que
i j
x x < . De fato, para 5 , 4 , 3 , 1 = j ,
109 , 1
2
= < x x
j
.
O Teorema 4.3, que vir a seguir, fornece novos limites (superior e inferior) para o
raio espectral em termos das coordenadas do autovetor x associado a . Em se
tratando de um resultado melhor que, por exemplo, as clssicas desigualdades,
, apresentaremos aqui sua prova, que tambm pode ser encontrada em ] 27 [ .

Teorema 4.3. Seja ) , ( E V G = um grafo conexo e A sua matriz de adjacncia, com raio
espectral e autovetor correspondente x . Sejam
k
v e
w
v dois vrtices em G ,
k
d e
w
d
seus respectivos graus cujas coordenadas correspondentes em x so
k
x e
w
x . Sejam os
conjuntos } max : {
i
V v
k k
x x V v U
i
= = , } min : {
i
V v
w w
x x V v W
i
= = e os graus mnimo e
1
v
2
v
3
v
4
v
5
v
52
mximo dados por { } U v d U d
k k
= : min ) (
min
e { } W v d W d
w w
= : max ) (
max
. Ento,
temos que
) ( ) (
min max
U d W d , ) 4 . 4 (

com os limites superior e inferior como igualdades se e somente se G um grafo
regular.

Prova: Primeiro, faremos a prova do lado direito das desigualdades. Seja U v
k
tal que
) (
min
U d d
k
= . Dado que x Ax = , temos
=
E v v
i k
k i
x x
} , {
, ) 5 . 4 (
onde o somatrio se estende a todos os vrtices
i
v adjacentes a
k
v . Sendo
i
V v
k
x x
i
= max ,
da equao ) 5 . 4 ( , obtemos
) (
1 1
min
} , { } , {
U d d x
x
x
x
k
E v v
k
k E v v
i
k k i k i
= = =

. ) 6 . 4 (
Se G um grafo regular, todas as coordenadas de um autovetor x associado a so
iguais, ento a desigualdade ) 6 . 4 ( verdadeira na igualdade.
Por outro lado, se a igualdade acontece em ) 6 . 4 ( , temos

=
E v v
k
E v v
i
k i k i
x x
} , { } , {
. ) 7 . 4 (
Sendo
k i
x x < 0 , quando ) 6 . 4 ( define uma igualdade, temos
k i
x x = , para todo vrtice
i
v adjacente a
k
v . O mesmo procedimento pode ser aplicado para qualquer vrtice
w
v
adjacente a
k
v . Assim,
w j
x x = , para todo vrtice
j
v adjacente a
w
v . Como G
conexo, podemos prosseguir sucessivamente desta maneira at conclurmos que
k i
x x = ,
53
para todo n i , , 1 K = . Portanto todas as coordenadas do autovetor x so iguais, e isto s
acontece quando G grafo regular ] 27 [ .
O mesmo argumento aplicado do lado esquerdo da desigualdade, concluindo assim a
prova.

Exemplo:

Figura 4.5: Grafo G com 2 = .

O grafo G da Figura 4.5 possui 1 = , 3 = e raio espectral 2 = que satisfaz os
limites clssicos . Por outro lado, associado ao raio espectral 2 = , temos o
autovetor [ ]
t
x 25 , 0 25 , 0 25 , 0 25 , 0 5 , 0 5 , 0 5 , 0 = , de onde obtemos os
conjuntos } , , {
3 2 1
v v v U = , } , , , {
7 6 5 4
v v v v W = e os limites 1 ) (
max
= W d e 2 ) (
min
= U d ,
que pelo Teorema 4.3, satisfazem as desigualdades ) ( ) (
min max
U d W d . Observe que
o Teorema 4.3 realmente melhora o resultado clssico , dado que ) (
min
U d e
) (
max
W d so graus mnimo e mximo apenas dos subconjuntos de vrtices com
respectivas coordenadas mxima e mnima no autovetor associado ao ndice.
O prximo exemplo novamente mostra que diferentes medidas de centralidade
podem no resultar num mesmo conjunto de vrtices mais central. Ou seja, medidas
distintas de centralidade podem definir diferentes subconjuntos de um ou mais vrtices
mais centrais. Para ilustrar isto, a Figura 4.6 mostra uma rvore onde o vrtice mais
6
v
7
v
4
v
5
v
2
v
3
v
1
v
54
central, segundo a centralidade de grau, difere daquela obtida pela centralidade de
autovetor.
Exemplo:

Figura 4.6: rvore T com vrtices mais centrais distintos para medidas de centralidade
distintas.

Veja que a rvore T da Figura 4.6 tem como raio espectral 248 , 2 = , cujo o
autovetor
[ ] . 197 , 0 184 , 0 135 , 0 135 , 0 305 , 0 414 , 0 442 , 0 383 , 0 186 , 0 186 , 0 186 , 0 42 , 0
t
x =

Como
6
x a maior coordenada de x ,
6
v o vrtice de maior centralidade de
autovetor. No entanto,
1
v o vrtice que possui maior centralidade de grau.
O Teorema 4.4, cuja prova pode ser encontrada em ] 27 [ , atribui uma condio
necessria para que o vrtice com maior centralidade de autovetor possua, tambm, a
maior centralidade de grau. Seja o segundo maior grau de um vrtice em um grafo.
Sob a hiptese que > , obteremos grafos com a propriedade que desejamos.

Teorema 4.4. Seja ) , ( E V G = um grafo conexo e A sua matriz de adjacncia cujo raio
espectral tem autovetor correspondente x . Seja
k
v G ,
k
d seu respectivo grau e
6
v
7
v
4
v
5
v
1
v
2
v
3
v
8
v
9
v
10
v
11
v
12
v
55
k
x a k -sima coordenada do autovetor x tal que
i
V v
k
x x
i
= max . Seja o segundo maior

grau de um vrtice
i
v G . Se > ento =
k
d .
Exemplo:

Figura 4.7: O grafo
1
G mais esquerda satisfaz s condies do Teorema 4.4 e
2
G , o
grafo mais direita no satisfaz.

O grafo
1
G da Figura 4.7 ilustra bem o Teorema 4.4. No grafo
1
G , temos
3
v como o
vrtice de grau mximo 4 = ,
4
v ,
5
v ,
6
v e
7
v vrtices com o segundo maior grau
2 = . O raio espectral de
1
G 256 , 2 ) (
1
= G , cujo autovetor x associado
[ ]
t
x 400 , 0 318 , 0 318 , 0 400 , 0 584 , 0 259 , 0 259 , 0 = . Portanto, dado que
3
x a
coordenada de maior valor em x , o vrtice
3
v o que possui maior centralidade de
autovetor. Veja que tambm aquele que possui maior grau, pois > ) (
1
G . Por outro
lado, o grafo
2
G no satisfaz o Teorema 4.4. Nele,
3
v o vrtice de grau mximo
4 = , e
4
v aquele com o segundo maior grau 3 = e veja que o raio espectral
368 , 2 ) (
2
= G , que inferior a 3, ou seja, < ) (
2
G . O autovetor associado a ) (
2
G
dado por [ ]
t
x 209 , 0 400 , 0 400 , 0 547 , 0 497 , 0 209 , 0 209 , 0 = . Note que, neste
1
v
2
v
3
v
4
v
5
v
6
v
7
v
1
v
2
v
3
v
4
v
5
v
6
v
7
v
56
caso, o vrtice de maior centralidade de autovetor o
4
v , enquanto que aquele com
maior centralidade de grau o
3
v .
O Teorema 4.5, cuja prova pode ser encontrada em ] 27 [ , relaciona as coordenadas
do autovetor a vrtices adjacentes em um grafo.

Teorema 4.5. Seja ) , ( E V G = um grafo conexo e A sua matriz de adjacncia, cujo raio
espectral e o autovetor correspondente x . Sejam
k
v e
j
v V ,
k
x a k -sima
coordenada de x , tal que
i j k
x x x > , para todo n i , , 1 K = , j k i , . Seja o segundo
maior grau de um vrtice
i
v V . Se > ento
k
v e
j
v so vrtices adjacentes em
G .
Exemplo:

Figura 4.8: Os vrtices
1
v e
5
v so adjacentes por satisfazerem as condies do Teorema
4.5.

O grafo G da Figura 4.8 possui raio espectral 074 , 2 = e autovetor associado
[ ]
t
x 204 , 0 425 , 0 326 , 0 326 , 0 326 , 0 676 , 0 = . Note que
i
x x x > >
5 1
, 6 , 4 , 3 , 2 = i e
tambm que 2 = > . Do Teorema 4.5 podemos, antes mesmo de conhecer o grafo,
afirmar que os vrtices
1
v e
5
v so adjacentes. Isto , ainda sob a condio > , o
6
v
4
v
5
v
1
v
2
v
3
v
57
vrtice com maior centralidade de autovetor tem que estar diretamente ligado ao
segundo mais central, em relao mesma medida.
Para medir a centralidade de um vrtice, em funo dos valores obtidos para as
coordenadas do autovetor associado ao ndice da matriz de adjacncia, vimos que, assim
como na centralidade de proximidade, exige-se que o grafo seja conexo. A prxima
subseo deste captulo discute como tratar estes problemas em grafos desconexos.

4.3 Centralidade de autovetor em grafos desconexos

Da Proposio 4.1, cuja prova pode ser encontrada em ] 1 [ , vemos que o espectro de
um grafo desconexo pode facilmente ser encontrado atravs dos espectros de suas
componentes conexas.

Proposio 4.1 Se o grafo G a unio de dois grafos
1
G e
2
G ento
) ( ). ( ) (
2 1

G G G
p p p = . Se
r
G G G , , ,
2 1
K so componentes conexas de um grafo G
ento ) ( . ). ( ). ( ) (
2 1

r
G G G G
p p p p K = .

Como conseqncia da Proposio 4.1, temos que se
r
G G G U K U
1
= ento
) ( ) ( ) (
1 r
G spect G spect G spect U K U = .
Vejamos como tratar a centralidade de autovetor em grafos desconexos, utilizando-
se a Proposio 4.1, atravs dos dois casos abaixo:
1) Seja H um grafo conexo com q vrtices e { }
p
v v H G , ,
1
K U = o grafo obtido de H
acrescentando a ele p vrtices isolados
p
v v , ,
1
K . A matriz de adjacncia de G dada
por
58
=

p p q p
p q q q
H A
G A
0 0
0 ) (
) ( .
Se ) (H ndice de H e u um autovetor de H associado a ) (H , ento ) (H
o ndice de G e
0
u
com p coordenadas nulas, um autovetor de G associado a
) (H , isto ,
0
) (
0
) (
0
) (
0 0 0
0 ) (
0
) (
u
H
u H u H A
u
H A
u
G A
.
O autovetor
0
u
associado ao ndice de G indica a importncia dos vrtices da
componente conexa H e atribui valor zero a todos os demais vrtices isolados. Assim,
as multiplicidades algbrica e geomtrica de ) (H pela Proposio 4.1, continua sendo
igual a 1. Neste caso, os vrtices mais centrais de G coincidiro com aquelas
coordenadas de maior valor na nica componente conexa de ordem maior que 1.
Exemplo:

Figura 4.9: Grafo G desconexo com uma componentes conexa H e trs vrtices
isolados,
5
v ,
6
v e
7
v .

O grafo G da Figura 4.9 possui raio espectral 17 , 2 ) ( ) ( = = H G , e o autovetor
associado [ ]
t
x 0 0 0 522 , 0 522 , 0 611 , 0 281 , 0 = . Observe que o autovetor x
associado ao ndice de G indica a importncia dos vrtices da componente conexa H e
atribui valor zero a todos os demais vrtices isolados.
4
v
5
v
2
v
3
v
1
v
6
v
7
v
H
59

2) Vamos considerar G composto por duas componentes conexas
1
H e
2
H , o primeiro
com q vrtices e ndice ) (
1
H e o segundo com p vrtices e ndice ) (
2
H , tal que
q p n + = . Seja ) ( ) (
2 1
H H > . Logo, o ndice do grafo
2 1
H H G U = ) (
1
H com
multiplicidade 1. O autovetor associado a ) (
1
H dado por
0
u
com p coordenadas
nulas, isto ,
0
) (
0
) (
0
) (
0 ) ( 0
0 ) (
0
) (
1
1 1
2
1
u
H
u H u H A
u
H A
H A
u
G A
.
Por esta razo, a centralidade dos vrtices fornecida pelo autovetor
0
u
s capaz
de indicar a importncia dos vrtices de
1
H , pois todos os vrtices da componente
conexa
2
H tero o mesmo valor, independentemente das ligaes entre eles. Por
exemplo, em
2
H haver um vrtice central com coordenada mxima para ) (
2
H . Este
vrtice tem alta influncia em sua componente conexa
2
H mas no podemos identificar
sua importncia na rede toda.
Exemplo:

Figura 4.10: Grafo G desconexo com duas componentes conexas
1
H e
2
H .

O grafo G da Figura 4.10 ilustra bem o caso 2. Nele, temos duas componentes
conexas
1
H e
2
H , cada qual com raio espectral igual a 302 , 2 ) (
1
= H e
9
v
10
v
8
v
6
v
7
v
4
v
5
v
2
v
3
v
1
v
11
v
1
H
2
H
60
228 , 2 ) (
2
= H . Como ) ( ) (
2 1
H H > , temos que o ndice do grafo
2 1
H H G U =
302 , 2 ) (
1
= H com multiplicidade 1. O autovetor associado :
[ ]
t
x 0 0 0 0 0 0 245 , 0 565 , 0 490 , 0 565 , 0 245 , 0 = .
Observe que o autovetor x s capaz de indicar a importncia dos vrtices de G com
base nos vrtices da componente conexa
1
H , j que os vrtices referentes componente
conexa
2
H possuem centralidade de autovetor nula.

4.4 Centralidade de um vrtice via conectividade algbrica

A conectividade algbrica de um grafo, apresentada na Seo 2.2, um parmetro
espectral usado em anlise de vulnerabilidade de redes. O objetivo da anlise de
vulnerabilidade reduzir o risco em relao aos incidentes de segurana, detectando
possveis falhas que possam vir a comprometer a rede, ] 52 [ . Face a este conceito,
podemos medir a importncia de um vrtice em relao a vulnerabilidade que ele
oferece rede caso tenha de ser dela retirado.
O Teorema 4.6, cuja prova pode ser encontrada em ] 53 [ , fornece uma relao entre
a conectividade algbrica de um grafo G , denotada por ) (G , e a conectividade
algbrica do subgrafo induzido de G obtido pela retirada de
k
v , denotada por
) \ (
k
v G .

Teorema 4.6. Seja ) , ( E V G = um grafo conexo e
k
v um vrtice de G . Seja
k
v G\ o
subgrafo induzido de G obtido pela retirada de
k
v . Ento, 1 ) \ ( ) ( +
k
v G G .

Se
k
v G\ for desconexo, chamaremos
k
v de ponto de articulao.
61
Observe que ) \ (
k
v G pode ser maior que, igual a, ou menor que ) (G , ou seja,
dependendo da escolha de
k
v a ser retirado do grafo, a conectividade algbrica de G
pode aumentar, se manter, ou reduzir. Isto serviu como ponto de partida para que
KIRKLAND ] 30 [ introduzisse uma medida de centralidade de vrtice baseada na
conectividade algbrica de um grafo.

Definio 4.2. Seja G um grafo conexo e
k
v um vrtice de G . Seja
k
v G \ o subgrafo
induzido de G obtido pela retirada de
k
v . A centralidade do vrtice
k
v via
conectividade algbrica definida por:
) \ ( ) ( ) (
k k a
v G G v c = . ) 8 . 4 (

Note que da equao ) 8 . 4 ( , a centralidade via conectividade algbrica pode,
diferentemente das demais medidas de centralidade at aqui apresentadas, assumir
valores negativos. No caso em que 0 ) ( >
k a
v c , podemos tomar como interpretao que
o vrtice
k
v e suas arestas incidentes servem para aumentar a conectividade algbrica de
G . Se 0 ) ( <
k a
v c , ento
k
v e suas arestas incidentes diminuem a conectividade
algbrica de G , enquanto que se 0 ) ( =
k a
v c , ento
k
v e suas arestas incidentes no tm
nenhum efeito na conectividade algbrica de G . Assim, temos que ) (
k a
v c pode ser
usada para fornecer uma medida da contribuio de um vrtice (e suas arestas
incidentes) para ) (G .
Exemplo: Considere o grafo G da Figura 4.11
62

Figura 4.11: Grafo G com ponto de articulao
4
v .

As matrizes ) (G D , diagonal dos vrtices e ) (G A de adjacncia, responsveis por
determinar a matriz laplaciana de G , ) (G L , so apresentadas abaixo:

Para o grafo G considerado, o polinmio caracterstico da matriz Laplaciana de G
224 708 811 446 127 18 ) (
2 3 4 5 6 7
) (
+ + + =
G L
p , cujas razes
formam o espectro ) 0 , 705 , 0 , 547 , 1 , 681 , 2 , 345 , 3 , 4 , 72 , 5 ( ) ( = G . A conectividade
algbrica de G ento 705 , 0 ) ( = G . Por exemplo, se retirarmos o vrtice
1
v de G ,
obtemos o subgrafo induzido
1
\ v G cujo espectro
) 0 , 381 , 0 , 697 , 0 , 2 , 618 , 2 , 302 , 4 ( ) \ (
1
= v G . A conectividade algbrica de
1
\ v G
dada por 381 , 0 ) \ (
1
= v G . Assim, 324 , 0 381 , 0 705 , 0 ) \ ( ) ( ) (
1 1
= = = v G G v c
a

a centralidade de
1
v via conectividade algbrica. Analogamente, podemos encontrar a
centralidade dos demais vrtices, 221 , 0 ) (
2
= v c
a
, 015 , 0 ) (
3
= v c
a
, 705 , 0 ) (
4
= v c
a
,
049 , 0 ) (
5
= v c
a
, 057 , 0 ) (
6
= v c
a
e 732 , 0 ) (
7
= v c
a
.
=
1 0 0 0 0 0 0
0 2 0 0 0 0 0
0 0 3 0 0 0 0
0 0 0 3 0 0 0
0 0 0 0 2 0 0
0 0 0 0 0 3 0
0 0 0 0 0 0 4
) (G D
=
0 0 0 1 0 0 0
0 0 1 0 0 0 1
0 1 0 0 0 1 1
1 0 0 0 0 1 1
0 0 0 0 0 1 1
0 0 1 1 1 0 0
0 1 1 1 1 0 0
) (G A

=
1 0 0 1 0 0 0
0 2 1 0 0 0 1
0 1 3 0 0 1 1
1 0 0 3 0 1 1
0 0 0 0 2 1 1
0 0 1 1 1 3 0
0 1 1 1 1 0 4
) (G L
, e
5
v
1
v
2
v
3
v
4
v
6
v
7
v
63
Como podemos observar, o ponto de articulao representado pelo vrtice
4
v
indispensvel para manter o grafo conexo, e considerado o mais central, segundo a
medida
a
c . Portanto, a centralidade via conectividade algbrica pode ser considerada
como uma medida capaz de exibir uma sequncia de vrtices que devem exigir maior
vigilncia por parte dos administradores de uma dada rede para que o grafo que a
modela no se rompa.
A Tabela 4.2 mostra um comparativo entre a centralidade via conectividade
algbrica e algumas das principais medidas de centralidade j abordadas no texto:

Ranking Grau Intermediao Proximidade Autovetor Conectividade Algbrica
1
1
v (4)
1
v (5,5)
1
v (0,125)
1
v (0,52)
4
v (0,705)
2
4
v (3)
4
v (5,3)
4
v (0,11)
5
v (0,44)
1
v (0,324)
3
2
v (3)
2
v (2,5)
2
v (0,11)
2
v (0,4)
2
v (0,221)
4
5
v (3)
5
v (1,3)
5
v (0,1)
4
v (0,37)
5
v (0,049)
5
3
v (2)
3
v (0,3)
3
v (0,09)
6
v (0,33)
3
v (-0,015)
6
6
v (2)
6
v (0)
6
v (0,09)
3
v (0,32)
6
v (-0,057)
7
7
v (1)
7
v (0)
7
v (0,07)
7
v (0,13)
7
v (-0,732)
Tabela 4.2: Ranking dos vrtices para o grafo G da Figura 4.11. As centralidades esto
entre parnteses.

Observe que apenas a centralidade via conectividade algbrica atribui maior
relevncia
4
v , pois sua retirada desconeta o grafo, fato que no contemplado pelas
demais medidas de centralidade.

64
Captulo 5 Centralidade em Grafos Valorados

H certas redes que quando modeladas por grafos, faz-se necessrio avaliar no
somente as possveis ligaes entre os pares de vrtices como tambm a intensidade de
tais ligaes. Assim, precisamos atribuir valores s arestas dos grafos e estes sero
considerados grafos valorados. Neste caso, os grafos so valorados por arestas. H
outros casos em que a valorao se d sobre os vrtices, mas estes no sero aqui
estudados.
Um grafo valorado se existe uma funo IR : V V w que relaciona ) (G E a
valores numricos, referindo-se cada nmero como o peso da aresta, denotado por .
Estes valores podem ser custos, distncias, tempo gasto no percurso, confiabilidade da
transmisso, etc. As prximas sees tratam dos fundamentos das medidas de
centralidade de um vrtice em grafos valorados.

5.1 Medidas de centralidade em grafos valorados

As medidas de centralidade de grau e centralidade de proximidade de um vrtice
podem ser estendidas para grafos valorados. Assim, a centralidade de grau de
k
v
dada pela soma dos pesos das arestas incidentes a
k
v , e a centralidade de proximidade
de
k
v dada pelo inverso da soma dos pesos das arestas referentes a geodsica que liga
pares de vrtices. Outras duas medidas de grande relevncia, tais como centralidade de
autovetor e centralidade de intermediao de fluxo, sero mais detalhadamente
apresentadas.

65
5.2 Centralidade de autovetor em grafos valorados

A centralidade de autovetor em grafos valorados considera uma matriz onde as
entradas correspondem aos valores de cada aresta, denominada matriz dos pesos.
Podemos defini-la da seguinte maneira:

Definio 5.1. Seja G um grafo conexo valorado com n vrtices. A matriz dos pesos
) (G P de G uma matriz de ordem n cujas entradas so:

=
. , 0
; } , { ,
contrrio caso
E v v se
p
j i ij
ij
) 1 . 5 (
onde
ij
dado pela funo IR : V V w .
Observao: Consideraremos apenas grafos valorados com 0
ij
p , para todo j i, ,
n i 1 , n j 1 . A matriz ) (G P P = ser, portanto, simtrica e no-negativa.
Se G um grafo conexo, a matriz dos pesos irredutvel, isto significa que as
hipteses do Teorema de Perron-Frobenius ] 18 [ so satisfeitas e podemos ento definir
a centralidade de autovetor para estes tipos de grafos.

Definio 5.2. Seja G um grafo conexo valorado com n vrtices e seja
k
v um vrtice
de G . A centralidade de autovetor de
k
v dada por:
k k eig
x v c = ) ( , ) 2 . 5 (
onde
k
x a k -sima coordenada do autovetor positivo unitrio x associado ao ndice
do grafo, isto
=
=
n
j
j ij k
x x
1
1
; n k , , 1 K = . ) 3 . 5 (

66
Exemplo:

Figura 5.1: Grafo valorado G cujo vrtice
3
v o mais central, segundo a centralidade
de autovetor.

Consideremos o grafo G da Figura 5.1. Sua respectiva matriz dos pesos dada
abaixo:
=
0 0 0 0 0 0 1 0
0 0 0 0 0 0 3 0
0 0 0 0 0 0 0 2
0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 1
0 0 0 0 0 0 2 3
1 3 0 0 0 2 0 0
0 0 2 1 1 3 0 0
) (G P
O polinmio caracterstico de G e seu respectivo espectro so:
4 6 8
174 29 ) ( + =
G
p e
.
1 1 1 1 1 1 1 1
529 , 4 911 , 2 0 0 0 0 911 , 2 529 , 4

= G spect
O autovetor positivo e de norma 1 associado a 529 , 4 = :
[ ]
t
x 317 , 0 229 , 0 114 , 0 114 , 0 114 , 0 555 , 0 478 , 0 520 , 0 = .
Assim, as centralidades de autovetor dos respectivos vrtices de G so:
6
v
4
v
5
v
1
v
2
v
3
v
7
v
8
v
2
1 3
3
1
1
2
67
520 , 0 ) (
1
= v c
eig
; 478 , 0 ) (
2
= v c
eig
; 555 , 0 ) (
3
= v c
eig
;
114 , 0 ) ( ) ( ) (
6 5 4
= = = v c v c v c
eig eig eig
; 229 , 0 ) (
7
= v c
eig
; 317 , 0 ) (
8
= v c
eig
.
Portanto, a medida indica o vrtice
3
v como mais central do grafo da Figura 5.1,
segundo a centralidade de autovetor.
Observe que, se todas as arestas do grafo da Figura 5.1 tivessem peso 1, teramos a
matriz de adjacncia associada ao grafo. Neste caso, 148 , 2 = e o autovetor positivo e
de norma 1 correspondente :
[ ]
t
x 172 , 0 172 , 0 279 , 0 279 , 0 279 , 0 452 , 0 371 , 0 601 , 0 = ,
o que indica o vrtice
1
v como mais central do grafo.
Desta forma, podemos concluir que em certas situaes, pode no ser o bastante
medir apenas a importncia de um vrtice em relao a seus vizinhos, mas tambm
avaliar a intensidade destas relaes, que pode melhor ser representada pela matriz dos
pesos referente ao grafo valorado.

5.3 Centralidade de Intermediao de Fluxo

Um fluxo em um grafo G o movimento de algum recurso quantificvel ao longo
das arestas de G e indicado por uma valorao que representa o quanto est sendo
transferido. As arestas da rede so consideradas como os canais de uma comunicao
ligando pares de vrtices; o valor da conexo entre
i
v e
j
v determina a capacidade
ij
w
do canal que os liga, ou a quantidade mxima de informao que pode passar entre eles.
A informao flui ao longo destes canais. Se
ij
f a quantidade de informao que passa
em um canal que liga
i
v diretamente a
j
v , ento
ij ij
w f , isto , a quantidade de
informao que flui ao longo da aresta de um canal que conecta diretamente dois
68
vrtices no pode exceder a capacidade desse canal. O que relevante no apenas o
fluxo direto entre vrtices conectados, mas o fluxo total entre pares de vrtices ao longo
de todos os possveis caminhos que os conectam. Se um vrtice
s
v escolhido como
fonte ou transmissor da informao, e um outro vrtice
t
v , como um alvo ou receptor da
informao, esta informao que sai de
s
v pode alcanar
t
v ao longo de uma aresta que
liga
s
v diretamente a
t
v ou ao longo de qualquer caminho indireto que comea em
s
v ,
passa por um ou vrios vrtices intermedirios e termina em
t
v . Assim, o fluxo entre
dois vrtices um fenmeno global. Ele depende, no apenas da capacidade do canal
ligando dois vrtices diretamente, mas das capacidades de todos os canais e todos os
possveis caminhos - direto e indireto - que os conecta.
Seja ) , , ( f E V G = um grafo com fluxo f e seja S , T V uma partio de V tal
que S v
s
e T v
t
. Um corte
t s
v v , denotado por ) , ( T S C , um subconjunto de
arestas de G tal que todo caminho de
s
v para
t
v contm uma aresta em ) , ( T S C . A
capacidade do corte, denotado por )) , ( ( T S C cap , o somatrio dos valores das arestas
que pertencem ao corte. O fluxo mximo igual ao valor mnimo da capacidade do corte
dentre todos os cortes possveis do grafo (Ford e Fulkerson, 1956). A quantidade de
fluxo mximo entre dois vrtices
i
v e
j
v denotado por
ij
. Seja
k
v V , dizemos que
k
v pertence ao corte que corresponde ao fluxo mximo de
i
v a
j
v , se o mesmo depende
de
k
v para ocorrer. Denotamos por ) (
k ij
v a quantidade de fluxo mximo de
i
v a
j
v
que passa por
k
v .
A medida proposta por FREEMAN ] 24 [ , em 1991, estende o conceito de
centralidade de intermediao de um vrtice para grafos valorados, baseada na idia do
69
fluxo mximo, de Ford e Fulkerson (1956). Esta medida chamada de centralidade de
intermediao de fluxo e podemos defini-la da seguinte maneira:

Definio 5.3. Seja ) , , ( f E V G = um grafo com n vrtices e fluxo f . Seja
k
v um
vrtice de G . A centralidade de intermediao de fluxo atravs de
k
v dada por:
<
=
n
j i
k ij k F
k j i
v v c
,
) ( ) ( , ) 4 . 5 (
onde ) (
k ij
v denota a quantidade de fluxo mximo de
i
v a
j
v que passa por
k
v .
Se ns dividirmos a quantidade de fluxo que passa atravs de
k
v pelo fluxo mximo
total entre todos os pares de vrtices, onde
k
v no fonte nem alvo, ns podemos
determinar a proporo do fluxo que depende de
k
v .

Definio 5.4. Seja ) , , ( f E V G = um grafo com n vrtices e fluxo f . Seja
k
v um
vrtice de G . A centralidade de intermediao relativa de fluxo atravs de
k
v dada
por:
<
<
=
n
j i
ij
n
j i
k ij
k F
k j i
k j i
v
v c
,
,
) (
) ( '
, ) 5 . 5 (
onde
ij
denota a quantidade de fluxo mximo de
i
v a
j
v e ) (
k ij
v denota a quantidade
de fluxo mximo de
i
v a
j
v que passa por
k
v .
Observao: O fluxo mximo de uma dada fonte a todos os alvos alcanveis pode
ser calculado com complexidade de ) (
2
m O , e portanto, a medida de centralidade de
intermediao de fluxo pode ser calculada para todos os vrtices com complexidade de
) (
2
n m O , ] 33 [ .
70
Exemplo:

Figura 5.2: Grafo G com
3
v sendo o vrtice mais central, segundo a centralidade de
intermediao de fluxo.

Na Figura 5.2, todos os fluxos mximos entre
i
v e
j
v , V v v
j i
, , 2 , j i , so dados
por 6
13
= , 4
14
= , 2
15
= , 4
34
= , 2
35
= , 2
45
= e as quantidades que passam
necessariamente por
2
v de modo que o fluxo seja mximo so 3 ) (
2 13
= v , 1 ) (
2 14
= v ,
1 ) (
2 34
= v . As demais quantidades so nulas, isto , 0 ) ( ) ( ) (
2 45 2 35 2 15
= = = v v v .
Assim, a medida de centralidade de intermediao de fluxo atravs de
2
v :
5 0 0 1 0 1 3 ) ( ) (
2 ,
5 1
2 2
= + + + + + = =

<
j i
j i
ij F
v v c .
Pelo mesmo raciocnio, teremos para os demais vrtices:
7 ) (
1
= v c
F
; 13 ) (
3
= v c
F
; 6 ) (
4
= v c
F
e 0 ) (
5
= v c
F
.
Portanto, a centralidade de intermediao de fluxo indica o vrtice
3
v como sendo o
mais central.
Por outro lado, a medida relativa da intermediao de fluxo atravs dos vrtices dada
pela equao ) 5 . 5 ( para o grafo da Figura 5.2 nos fornece:
35 , 0 ) ( '
1
= v c
F
; 25 , 0 ) ( '
2
= v c
F
; 65 , 0 ) ( '
3
= v c
F
; 25 , 0 ) ( '
4
= v c
F
e 0 ) ( '
5
= v c
F
.
4
v
3
v
1
v
2
v
5
v
3
2
1
2
3
2
71
Note que a centralidade de intermediao de fluxo difere da clssica centralidade de
intermediao de um vrtice por considerar caminhos geodsicos e no-geodsicos, e
tambm por sua aplicabilidade em grafos valorados, ] 24 [ .

72
Captulo 6 Aplicaes e Resultados

Este captulo se destina a anlise e comparao das medidas de centralidade at aqui
apresentadas. Inicialmente, vamos introduzir o conceito de isomorfismo em grafos e
vrtices automorficamente equivalentes, que tambm pode ser encontrado em ] 28 [ .
Alm disso, mostraremos que vrtices universais, quando eles existem em determinados
grafos no valorados, so mais centrais que os demais vrtices em relao a qualquer
uma das cinco medidas de centralidade estudadas (centralidade de grau, centralidade de
proximidade, centralidade de eficincia, centralidade de intermediao e centralidade de
autovetor).
6.1 Vrtices automorficamente equivalentes e vrtices universais

Definio 6.1. Dois grafos ) , (
1 1 1
E V G = e ) , (
2 2 2
E V G = so ditos isomorfos se existir
uma funo bijetiva
2 1
: V V que preserva as adjacncias entre os vrtices, isto ,
1
} , { E v v
j i
se e somente se
2
)} ( ), ( { E v v
j i
. A bijeo um isomorfismo entre
1
G e
2
G e usamos a notao
2 1
G G para dizer que
1
G e
2
G so isomorfos.
Exemplo:

Figura 6.1: Grafos isomorfos.

1
G
2
G
73
Um automorfismo sobre um grafo G um isomorfismo V V : , ou seja, uma
funo bijetiva entre os vrtices de um mesmo conjunto.

Definio 6.2. Dois vrtices
i
v e
j
v V so chamados automorficamente equivalentes
em G se ) (
i j
v v = para algum automorfismo de G .
Exemplo:

Figura 6.2: Grafo G cujos vrtices
1
v e
2
v so automorficamente equivalentes.
Tambm so automorficamente equivalentes os vrtices
4
v e
5
v .

Da Definio 6.2, podemos observar que nos grafos completos
n
K e ciclos
n
C , que
so tipos de grafos regulares, todos os vrtices so automorficamente equivalentes entre
si e, portanto, para qualquer medida de centralidade X , vlida ) ( ) (
j X i X
v c v c = , para
todo V v v
j i
, , ] 28 [ . No entanto, nem todo grafo k -regular possui todos os vrtices
com um mesmo valor para medida de centralidade X , independentemente da escolha de
X .

) (
3 3
v v =
) (
1 2
v v =
) (
4 5
v v =
1 2
) ( v v =
4 5
) ( v v =
74

Exemplo:

Figura 6.3: Grafo G 3-regular com diferentes centralidades de intermediao.

Na Figura 6.3, todos os vrtices do grafo G tm grau 3 mas 6 ) ( ) (
5 1
= = v c v c
B B
,
... 83 , 2 ) ( ) ( ) ( ) (
8 4 3 2
= = = = v c v c v c v c
B B B B
e ... 66 , 4 ) ( ) ( ) ( ) (
10 9 7 6
= = = = v c v c v c v c
B B B B

O Teorema 6.1, cuja prova parcial pode ser encontrada em ] 28 [ , garante que em
todo grafo que possui um ou mais vrtices universais, isto , vrtices adjacentes a todos
os demais, estes vrtices so sempre mais centrais que quaisquer outros em relao a
algumas das medidas de centralidade apresentadas ao longo do texto. Alm disso, para
cada uma dessas medidas, todos eles possuem a mesma centralidade.

Teorema 6.1. Seja G um grafo conexo com n vrtices, 2 > n e V v
i
tal que
1 = n d
i
. Ento, para todo
j
v tal que 1 < n d
j
,
1. ) ( ) (
j D i D
v c v c > ;
2. ) ( ) (
j C i C
v c v c > ;
3. ) ( ) (
j eff i eff
v c v c > ;
4. ) ( ) (
j B i B
v c v c > ;
5. ) ( ) (
j eig i eig
v c v c > .
6
v
5
v
3
v
1
v
4
v
2
v
7
v
8
v
9
v
10
v
75

Prova:
1. Trivial.
2. Se 1 = n d
i
ento 1 ) 1 .( 1 ) , (
1
= =
=
n n v v dist
n
k
i k
. Assim, como a centralidade de
proximidade dada por ) 3 . 3 ( inversamente proporcional a soma das distncias,
1
1
) (
=
n
v c
i C
o maior valor que ) (
i C
v c pode alcanar. Portanto, ) ( ) (
j C i C
v c v c > , uma
vez que sendo 1 < n d
j
, existe pelo menos um vrtice
k
v tal que 2 ) , ( =
j k
v v dist e,
assim,

= =
>
n
k
i k
n
k
j k
v v dist v v dist
1 1
) , ( ) , ( .

3. Se 1 = n d
i
ento a eficincia de
i
v 1 } : ) , ( max{ ) ( = = V v v v dist v e
k k i i
. Assim, a
centralidade de eficincia dada por ) 5 . 3 ( inversamente proporcional eficincia de
i
v
e, ento, 1
) (
1
) ( = =
i
i eff
v e
v c o maior valor que ) (
i eff
v c pode alcanar. Portanto,
) ( ) (
j eff i eff
v c v c > , uma vez que sendo 1 < n d
j
, existe pelo menos um vrtice
k
v tal
que 2 ) , ( =
k j
v v dist . Logo
2
1
) ( =
j eff
v c .

4. Seja
i
v V tal que 1 = n d
i
. Primeiro vamos provar que, para todo
j
v V ,
j i
v v ,
verdadeira a desigualdade ) ( ) (
j B i B
v c v c . Para todo V v v
k l
, , se E v v
k l
} , { ento
1 ) , ( =
k l
v v dist ; se E v v
k l
} , { ento 2 ) , ( =
k l
v v dist , sendo
l
v e
k
v ambos adjacentes a
i
v . Seja r o nmero de geodsicas ligando
l
v e
k
v . Considere o vrtice
j
v tal que
l j i j
v v v v , e
k j
v v . Se E v v
k l
} , { ento,
76

=
contrrio. caso , 0
; } , { }, , { se , 1
) (
E v v v v
v g
k j l j
j lk

Assim,
lk
i lk
lk
j lk
g
v g
r g
v g
) ( 1
) (
= e a igualdade vale somente se E v v v v
k j l j
} , { }, , { . Vamos
computar a intermediao do vrtice
j
v :
0
) ( ) ( ) ( ) (
) (
} , { } , { } , {
= + = =

< E v v lk
j lk
E v v E v v lk
j lk
lk
j lk
k l lk
j lk
j B
k l k l k l
g
v g
g
v g
g
v g
g
v g
v c .

Se 0
) (
} , {
=
E v v lk
j lk
k l
g
v g
, ento 0 ) ( =
j B
v c e ) ( ) (
j B i B
v c v c . Se 0
) (
} , {
>
E v v lk
j lk
k l
g
v g
, como
todas as parcelas
lk
j lk
g
v g ) (
positivas pertencem tambm ao
E v v lk
i lk
k l
g
v g
} , {
) (
, temos
) (
) (
) (
) (
} , { } , {
j B
E v v lk
j lk
E v v lk
i lk
i B
v c
g
v g
g
v g
v c
k l k l
= =

.
Logo, ) ( ) (
j B i B
v c v c .
Agora, suponha por absurdo que ) ( ) (
j B i B
v c v c = com 1 < n d
j
. Ento, existe pelo
menos um vrtice
k
v tal que E v v
k j
} , { . Para todo V v
l
, se E v v
k l
} , { , ento
1 ) , ( =
l k
v v dist ; se E v v
k l
} , { ento
k
v e
l
v no contribuem para ) (
j B
v c . Assim,
) ( ) (
j B i B
v c v c > .

5. Seja x autovetor positivo de G com relao ao ndice . Sejam
i
v e
j
v V tal que
1 = n d
i
e
j i
d d > . Sabemos que x Ax = . Logo,
=
E v v
k i
i k
x x
} , {
e
=
E v v
k j
j k
x x
} , {
.
Suponha por absurdo que:
77
j i
x x . ) 1 . 6 (
Da
j i
x x pois 1 > e, portanto,

E v v
k
E v v
k
j k i k
x x
} , { } , {
. Isto significa que:
i
E v v
k
E v v
k
x x x
i
v
k
v
j k i k

} , { } , {
,
i
E v v
k j
x x x
E
j
v
k
v
j
v
k
v
i k
+

} , {
} , {
. ) 2 . 6 (
De ) 1 . 6 ( e ) 2 . 6 ( temos que
i
E v v
k j
E v v
k i
x x x x x
E
j
v
k
v
j
v
k
v
i k
E
j
v
k
v
j
v
k
v
i k
+ +

} , { } , {
} , { } , {
. Isto implica em 0
} , {
} , {
E
j
v
k
v
j
v
k
v
i k
E v v
k
x ,
Absurdo! Logo
j i
x x > e, portanto, ) ( ) (
j eig i eig
v c v c > , para todo
j
v V tal que
1 < n d
j
.
Exemplo:

Figura 6.4: Grafo G com dois vrtices universais,
1
v e
6
v .

De fato, para o grafo G da Figura 6.4 temos:
1. 2 ) ( ) ( 3 ) ( ) ( 5 ) ( ) (
5 4 3 2 6 1
= = > = = > = = v c v c v c v c v c v c
D D D D D D
.
2. 125 , 0 ) ( ) ( 142 , 0 ) ( ) ( 2 , 0 ) ( ) (
5 4 3 2 6 1
= = > = = > = = v c v c v c v c v c v c
C C C C C C
.
3. 5 , 0 ) ( ) ( ) ( ) ( 1 ) ( ) (
5 4 3 2 6 1
= = = = > = = v c v c v c v c v c v c
eff eff eff eff eff eff
.
4. 0 ) ( ) ( ) ( ) ( 5 , 2 ) ( ) (
5 4 3 2 6 1
= = = = > = = v c v c v c v c v c v c
B B B B B B
.
5. 284 , 0 ) ( ) ( 392 , 0 ) ( ) ( 515 , 0 ) ( ) (
5 4 3 2 6 1
= = > = = > = = v c v c v c v c v c v c
eig eig eig eig eig eig
.
1
v
6
v
4
v
5
v
2
v
3
v
78
6.2. Aplicaes

Esta seo ilustra como as medidas de centralidade podem ser usadas em grafos que
modelam redes reais. Dois exemplos sero discutidos. O primeiro deles corresponde a
um grafo que modela a rede de co-autorias do grupo de pesquisa em Teoria Espectral de
Grafos. Tal grupo formado por estudantes e pesquisadores das instituies CEFET,
ENCE, IME, UERJ, UFF, UFMT, UFRJ e UNIRIO. Ns calculamos as medidas de
centralidade dos atores desta rede comparando as centralidades, a correlao entre as
medidas e fornecemos um ranking para os vrtices, como sugerem vrios artigos. O
segundo exemplo um grafo que modela um grupo de 40 homossexuais masculinos que
tm o vrus da AIDS. Eles tm parceiros sexuais com alguns atores da rede e, desta
maneira, ser inserida uma aresta entre atores que tm contato sexual. Ser investigada a
relevncia dos vrtices com base na medida de centralidade de autovetor em
comparao com outras medidas j estudadas em ] 40 [ , utilizando a mesma rede.

6.2.1. Rede de Co-autorias

A primeira aplicao das medidas de centralidade considera uma rede de co-autorias
entre os pesquisadores do grupo de pesquisa em Teoria Espectral de Grafos do Rio de
Janeiro, TEG-RIO, e representada pelo grafo G da Figura 6.5.
79

Figura 6.5: Grafo G

O grupo TEG-RIO conta com 19 pesquisadores oriundos de diferentes instituies
de ensino superior e sob a coordenao da professora Dr
a
Nair Abreu buscam ampliar a
capacidade de produo do conhecimento cientfico e a transmisso desse conhecimento
a futuros membros do grupo na rea de Teoria Espectral de Grafos. Os vrtices
representam os 19 pesquisadores assim definidos:

1
v : Nair Maria Maia de Abreu (UFRJ)
2
v : Renata Raposo Del-Vecchio (UFF)
3
v : Cybele Tavares Maia Vinagre (UFF)
4
v : Ana Isabel de Azevedo Spinola Dias(UFF)
5
v : Maria Aguieiras Alvarez de Freitas (UFRJ)
6
v : Claudia Marcela Justel (IME)
7
v : Leonardo Silva de Lima (CEFET)
8
v : Carla Silva Oliveira (ENCE)
9
v : Andra Soares Bonifcio (UNIRIO)
4
v
3
v
6
v
7
v
5
v
1
v
2
v
8
v
9
v
10
v
11
v
12
v
13
v
14
v
15
v
16
v
17
v
18
v
19
v
80
10
v : Aroldo Jos de Oliveira (UFMT)
11
v : Joelma Ananias de Oliveira (UFMT)
12
v : Luciana Lee (UFRJ)
13
v : Lilian Markenzon (UFRJ)
14
v : Laura Patuzzi (UFRJ)
15
v : Beatriz Malajovich (UNIRIO)
16
v : Claudio Santos de Souza (UERJ)
17
v : Montauban Moreira de Oliveira Junior (UNIRIO)
18
v : Leandro Quintanilha de Freitas (UFRJ)
19
v : Jean Guillaume Eon (UFRJ)
e as arestas a relao de co-autoria em trabalhos cientficos entre eles.
Na Tabela 6.1, ns mostramos um retrato da rede em questo com as respectivas
centralidades medidas com o auxlio dos softwares Netdraw 2.086 e CentiBin. A
primeira coluna estabelece um ranking para os vrtices:

Ranking Grau Intermediao Proximidade Percursos
aleatrios
Autovetor Eficincia
1
1
v (17)
1
v (110,83)
1
v (0,052)
1
v (0,709)
1
v (0,535)
1
v (0,5)
2
5
v (7)
17
v (17)
5
v (0,033)
2
v (0,202)
5
v (0,333)
17
v (0,5)
3

2
v (7)
2
v (5,5)
2
v (0,033)
5
v (0,179)
2
v (0,309)
2
v (0,33)
4
7
v (6)
5
v (4,16)
7
v (0,032)
7
v (0,161)
7
v (0,297)
7
v (0,33)
5

8
v (5)
7
v (3,16)
8
v (0,031)
6
v (0,132)
8
v (0,258)
8
v (0,33)
81
6

3
v (5)
3
v (1,8)
3
v (0,031)
3
v (0,127)
3
v (0,245)
3
v (0,33)
7
6
v (5)
6
v (1,8)
6
v (0,031)
13
v (0,125)
6
v (0,234)
6
v (0,33)
8
13
v (4)
13
v (1,5)
13
v (0,03)
8
v (0,112)
14
v (0,194)
13
v (0,33)
9
9
v (3)
8
v (1,16)
9
v (0,029)
17
v (0,111)
9
v (0,183)
9
v (0,33)
10
11
v (3)
11
v (0)
11
v (0,029)
9
v (0,05)
11
v (0,169)
11
v (0,33)
11
14
v (3)
14
v (0)
14
v (0,029)
11
v (0,049)
13
v (0,164)
14
v (0,33)
12
17
v (2)
9
v (0)
17
v (0,029)
14
v (0,047)
18
v (0,139)
5
v (0,33)
13
10
v (2)
10
v (0)
10
v (0,028)
12
v (0,036)
10
v (0,139)
10
v (0,33)
14

4
v (2)
4
v (0)
4
v (0,028)
16
v (0,036)
4
v (0,137)
4
v (0,33)
15
18
v (2)
18
v (0)
18
v (0,028)
15
v (0,031)
15
v (0,128)
18
v (0,33)
16
15
v (2)
15
v (0)
15
v (0,028)
18
v (0,028)
12
v (0,115)
15
v (0,33)
17
16
v (2)
16
v (0)
16
v (0,028)
4
v (0,028)
16
v (0,115)
16
v (0,33)
18
12
v (2)
12
v (0)
12
v (0,028)
10
v (0,026)
17
v (0,09)
12
v (0,33)
19
19
v (1)
19
v (0)
19
v (0,019)
19
v (0)
19
v (0,014)
19
v (0,33)
Tabela 6.1: Os pesquisadores esto representados pelos vrtices
i
v , listados em ordem
decrescente de acordo com cada medida de centralidade. As centralidades dos vrtices
esto entre parnteses.
Como mostra a Tabela 6.1, todas as medidas indicam que o vrtice
1
v o mais
central. O que j era natural de se esperar, sendo a professora Nair Abreu, criadora do
grupo TEG-RIO, responsvel pela orientao da grande maioria dos trabalhos, e quem
reuniu os pesquisadores para trabalharem em grupo. Os pesquisadores que
correspondem aos vrtices
2
v e
5
v possuem o segundo mais alto grau em relao aos
demais vrtices da rede. Isto significa que tais pesquisadores so mais ativos em
82
pesquisas relativas Teoria Espectral de Grafos e possuem o segundo maior nmero de
co-autorias. Tambm esto estruturalmente bem posicionados na rede, segundo a
centralidade de proximidade, possuindo mais chances que os demais vrtices de
aumentar o nmero de suas publicaes. Isto se justifica por estes pesquisadores
estarem mais prximos dos outros na rede. Outros resultados merecem destaque.
Podemos observar, por exemplo, que o vrtice
17
v possui uma centralidade de grau
menor que a centralidade dos vrtices
2
v e
5
v e, no entanto, em relao centralidade
de intermediao, considerado o segundo mais relevante. A justificativa disso parece
estar no fato que o vrtice
17
v o nico responsvel pela troca de informaes entre o
vrtice
19
v e os demais vrtices do grafo. A medida de centralidade de eficincia a
mais limitada em relao a capacidade de distinguir diferenas entre as centralidades
dos vrtices, pois 90% possuem a mesma centralidade por esta medida.
Ainda para avaliar as relaes entre as medidas de centralidade dos vrtices no grafo
da Figura 6.5, foi usada anlise de regresso linear. O objetivo desta anlise explicar o
quo prximos ou no esto os valores das centralidades obtidos neste exemplo. Para
isso, plotam-se os dados num diagrama de disperso. Se o diagrama indicar uma relao
que de modo geral linear, ajusta-se os dados por uma reta que fornea a melhor
aproximao. A estimao dos parmetros desta reta determinada pelo Mtodo dos
Mnimos Quadrados. As frmulas utilizadas para isso so:
bx a y + = , ) 2 . 6 (
=
=
=
n
i
i
i
n
i
i
x n x
y x n y x
b
1
2 2
1
e ) 3 . 6 (
x b y a = , ) 4 . 6 (
83
onde
i
x e
i
y so os valores correspondentes s medidas de centralidades sob anlise e,
x e y , as respectivas mdias aritmticas de
i
x e
i
y .
Tambm calculamos o coeficiente de correlao simples, que mede o grau de
associao linear entre cada par de medidas de centralidade, cuja frmula dada por:

= =
=

=
n
i
i
n
i
i
i
n
i
i
y y x x
y y x x
r
1
2 2
1
1
) ( ) (
) )( (
. ) 5 . 6 (
A Figura 6.6 mostra dois diagramas de disperso, o primeiro relaciona os valores da
centralidade de proximidade centralidade de grau, e o segundo, valores da
centralidade de autovetor centralidade de grau.

Figura 6.6: Grficos de disperso entre as medidas de centralidade de proximidade e
grau ( esquerda) e centralidade de autovetor e grau ( direita), referentes ao grafo da
Figura 6.5.
Como mostra a Figura 6.6, podemos verificar que a centralidade de grau est
altamente correlacionada com a centralidade de proximidade ( 9504 , 0 = r ) e com a
centralidade de autovetor ( 9527 , 0 = r ). Assim, neste caso, vrtices com grau ou
proximidade mais elevada tendem tambm a ter mais elevada centralidade de autovetor.
Por outro lado, a centralidade de autovetor mostrou-se estar moderadamente
correlacionada com a centralidade de intermediao ( 7049 , 0 = r ). Desta forma,
possvel que a contagem dos caminhos mais curtos no seja a medida mais apropriada
y = 29,816x - 1,7496
0
2
4
6
8
10
12
14
16
18
0 0,1 0,2 0,3 0,4 0,5 0,6
Autovetor
G
r
a
u
y = 566,58x - 12,966
0
2
4
6
8
10
12
14
16
18
0 0,01 0,02 0,03 0,04 0,05 0,06
Proximidade
G
r
a
u
84
para avaliar a centralidade dos vrtices neste exemplo. A Tabela 6.2 mostra as
correlaes entre as demais medidas de centralidade.

Grau Intermediao Proximidade Percursos
aleatrios
Autovetor Eficincia
Grau 1 0,8646 0,9504 0,9471 0,9527 0,5179
Intermediao 1 0,8787 0,9414 0,7049 0,7831
Proximidade 1 0,9526 0,9194 0,5944
Percursos
aleatrios
1 0,8785 0,6673
Autovetor 1 0,3450
Eficincia 1
Tabela 6.2: Coeficientes de correlao entre as seis medidas de centralidade usadas
para avaliar a rede de co-autorias do grupo TEG-RIO.

De um modo geral, podemos concluir que as centralidades de grau e proximidade
podem ser consideradas similares anlise da rede neste contexto, sendo assim, tanto as
ligaes diretas quanto a proximidade entre os pesquisadores os tornam mais integrados
em determinada pesquisa, o que pode facilitar a criao de trabalhos na rea em comum.
6.2.2. Rede de AIDS

A rede composta por 40 homossexuais que possuem contatos sexuais e foram
diagnosticados com o vrus da AIDS foi previamente estudada por STEPHENSON e
ZELEN ] 40 [ . Ns usaremos esta mesma rede para analisar a relevncia dos vrtices
com base na centralidade de autovetor e comparar com as medidas j estudadas em
85
] 40 [ , dado que a centralidade de autovetor no foi analisada no referente artigo. O grafo
H da Figura 6.7 ilustra esta rede.

Figura 6.7: Grafo H . Rede que exibe a relao sexual entre 40 homossexuais.

A Tabela 6.3 resume os resultados para as cinco medidas de centralidade dos
vrtices do grafo H e fornece um ranking para os mesmos de acordo com cada medida.

Ranking Grau Intermediao Proximidade Percursos
aleatrios
Autovetor
1
16
v (8)
16
v (476)
16
v (0,0090)
16
v (0,6722)
16
v (0,5866)
2
26
v (5)
26
v (380)
22
v (0,0088)
26
v (0,5472)
22
v (0,3394)
3
5
v (5)
22
v (365)
26
v (0,0082)
22
v (0,4289)
11
v (0,2726)
4
22
v (4)
11
v (314)
11
v (0,0077)
11
v (0,4237)
20
v (0,2540)
5
31
v (3)
31
v (206)
20
v (0,0071)
31
v (0,2780)
26
v (0,2414)
4
v
3
v
6
v
7
v
5
v
1
v
2
v
8
v
9
v
10
v
11
v
12
v
13
v
14
v
15
v
16
v
17
v
18
v
19
v
20
v
21
v
22
v
23
v
24
v
25
v
26
v
27
v
28
v
29
v
30
v
31
v
32
v
33
v
34
v
35
v
36
v
37
v
38
v
39
v
40
v
86
6
28
v (3)
5
v (179)
14
v (0,0068)
28
v (0,2739)
14
v (0,2097)
7
8
v (3)
8
v (110)
19
v (0,0068)
20
v (0,2503)
17
v (0,1881)
8
32
v (3)
32
v (108)
31
v (0,0068)
5
v (0,2415)
21
v (0,1881)
9
34
v (3)
28
v (100)
17
v (0,0067)
19
v (0,2073)
15
v (0,1881)
10
20
v (3)
20
v (85)
28
v (0,0067)
8
v (0,1484)
12
v (0,1881)
11
38
v (3)
38
v (75)
21
v (0,0067)
32
v (0,1466)
5
v (0,1517)
12
11
v (3)
19
v (45)
15
v (0,0067)
38
v (0,1012)
28
v (0,1324)
13
14
v (2)
14
v (38)
23
v (0,0067)
34
v (0,0679)
19
v (0,1239)
14
9
v (2)
9
v (38)
12
v (0,0067)
9
v (0,0512)
23
v (0,1213)
15
2
v (2)
2
v (38)
25
v (0,0066)
2
v (0,0512)
8
v (0,1118)
16
36
v (2)
36
v (38)
38
v (0,0064)
36
v (0,0512)
25
v (0,1089)
17
19
v (2)
34
v (38)
5
v (0,0063)
14
v (0,0512)
31
v (0,1058)
18
23
v (2)
23
v (38)
27
v (0,00628)
23
v (0,0512)
38
v (0,0975)
19
29
v (2)
29
v (38)
8
v (0,00621)
29
v (0,0512)
18
v (0,0815)
20
33
v (2)
33
v (0)
18
v (0,0056)
33
v (0,0332)
27
v (0,0774)
21
17
v (1)
17
v (0)
32
v (0,0055)
17
v (0)
13
v (0,0672)
22
39
v (1)
39
v (0)
36
v (0,00546)
39
v (0)
2
v (0,0542)
23
13
v (1)
13
v (0)
13
v (0,0054)
13
v (0)
32
v (0,0505)
24
6
v (1)
6
v (0)
29
v (0,0054)
6
v (0)
6
v (0,0486)
25
21
v (1)
21
v (0)
24
v (0,0053)
21
v (0)
3
v (0,0486)
26
24
v (1)
24
v (0)
39
v (0,0051)
24
v (0)
4
v (0,0486)
87
27
10
v (1)
10
v (0)
2
v (0,0051)
10
v (0)
29
v 0,0473)
28
18
v (1)
18
v (0)
6
v (0,0051)
18
v (0)
9
v (0,0399)
29
40
v (1)
40
v (0)
40
v (0,0051)
40
v (0)
24
v (0,0389)
30
3
v (1)
3
v (0)
3
v (0,0051)
3
v (0)
36
v (0,0378)
31
4
v (1)
4
v (0)
4
v (0,0051)
4
v (0)
7
v (0,0358)
32
15
v (1)
15
v (0)
9
v (0,005)
15
v (0)
39
v (0,0312)
33
30
v (1)
30
v (0)
7
v (0,005)
30
v (0)
40
v (0,0312)
34
12
v (1)
12
v (0)
34
v (0,00467)
12
v (0)
34
v (0,0269)
35
7
v (1)
7
v (0)
33
v (0,00465)
7
v (0)
33
v (0,0248)
36
1
v (1)
1
v (0)
37
v (0,0045)
1
v (0)
1
v (0,0174)
37
27
v (1)
27
v (0)
30
v (0,0044)
27
v (0)
30
v (0,0151)
38
25
v (1)
25
v (0)
1
v (0,0043)
25
v (0)
10
v (0,0128)
39
35
v (1)
35
v (0)
10
v (0,0042)
35
v (0)
37
v (0,0121)
40
37
v (1)
37
v (0)
35
v (0,0039)
37
v (0)
35
v (0,0086)
Tabela 6.3: Os homens esto indicados com os nmeros de 1 a 40 e listados em
ordem decrescente de acordo com cada medida de centralidade. As centralidades
esto entre parnteses.

Como podemos observar, todas as cinco medidas mostram que o ator representado
pelo vrtice
16
v o mais central da rede. Os vrtices
17
v ,
12
v ,
21
v e
15
v , apesar de terem
apenas um contato sexual, pois esto ligados somente ao vrtice
16
v , possuem
centralidade de autovetor relativamente alta, o que os fazem figurar entre as 10
primeiras posies do ranking. Isto se explica pelo fato de que um dado ator pode ter
88
apenas um contato sexual, mas se seu correspondente vizinho for bastante influente, o
primeiro tambm ser. Por exemplo, este vrtice ter alta possibilidade de transmitir o
vrus HIV a outros elementos da rede. Em relao s 20 ltimas posies, as
centralidades de grau, intermediao e percursos aleatrios no so capazes de
distinguir a relevncia dos vrtices, diferentemente das centralidades de autovetor e
proximidade. Outro fator interessante so as semelhantes posies entre os vrtices, ao
se avaliar a centralidade de proximidade e centralidade de autovetor.
Desta forma, podemos concluir que em um contexto de transmisso de doenas, por
exemplo a AIDS, investigada tambm em ] 10 [ , ] 42 [ e ] 60 [ , uma pessoa central na rede
deve estar relacionada sua contribuio para a propagao da doena. Neste caso, a
centralidade de autovetor uma boa medida do poder de propagao. A propagao
ocorrer vrtice a vrtice e depender da centralidade do vrtice contaminado. Os
vizinhos do vrtice contaminado sero contaminados e contaminaro seus prprios
vizinhos, e assim por diante. Se um vrtice tem o poder de propagao elevado (isto ,
uma alta centralidade de autovetor), contaminar outros vrtices mais rapidamente do
que outros vrtices com baixo poder de propagao.
6.2.3. Outras Aplicaes

De modo geral, podemos dizer que h situaes em que a centralidade de um ator
depende apenas do nmero ligaes diretas entre o mesmo e os demais atores da rede.
Como o caso, por exemplo, da capacidade de um ator trocar uma determinada
informao diretamente com outros. Neste caso, um ator na rede mais central se
possui o maior nmero de contatos. No setor de transportes, as medidas de centralidade
tambm tm sido usadas com freqncia, como observado em ] 59 [ e ] 61 [ . Em ] 59 [ ,
por exemplo, foi realizado um estudo visando identificar solues aos problemas na
89
rea de influncia de um corredor ferrovirio e no entorno da estao ferroviria do
ramal Saracuruna (de Baro de Mau at Gramacho), na Regio Metropolitana do Rio
de Janeiro. O estudo investigou a relao entre algumas das medidas de centralidade
abordadas nesta dissertao. Em relao aos resultados, o autor destaca duas medidas de
grande relevncia neste contexto. A centralidade de proximidade, onde um bairro to
mais central quanto menor o caminho que se precise percorrer para, a partir dele,
alcanar os outros bairros da rede, e a centralidade de intermediao, que o potencial
dos bairros que servem de intermedirios, atuando como "ponte", facilitando o fluxo de
viagens na rede. Desta forma, o conhecimento das medidas de centralidade contribuiu
na identificao de reas centrais, indicando locais favorveis integrao modal,
possibilitando uma melhoria na qualidade do servio de transporte. J em ] 30 [ , foi
realizado um estudo de centralidade em uma rede de alimentos em um ecossistema. Os
vrtices do grafo correspondem s vrias espcies presentes dentro de um ecossistema e,
para cada par de vrtices predador/presa, h uma aresta entre o vrtice predador e o
vrtice presa. Neste caso, a medida utilizada foi a centralidade via conectividade
algbrica, buscando medir a mudana no ecossistema devido remoo de uma espcie,
que corresponde a relevncia de um vrtice para a rede caso tenha de ser omitido da
mesma. Apesar da falta de simetria no relacionamento entre o predador e a presa, o
autor considera as redes de alimento como grafos no orientados, isto mostra a
necessidade de se buscar outras aplicaes desta medida e que, por ser recente, algo a
ser estudado com mais detalhes. Recentemente, em ] 62 [ , medidas de centralidade foram
aplicadas no estudo de confiabilidade em redes. Foi constatado, atravs de simulaes,
que no caso da ampliao de uma rede, a insero de uma aresta entre o vrtice menos
central e o mais distante dele levou ao melhor resultado em relao melhoria na
confiabilidade do novo grafo gerado em comparao com o original. Alm disso, foi
90
apresentado um exemplo de aplicao prtica considerando a anlise da ampliao de
uma rede de entrega de mercadorias, modelada por um grafo, de uma suposta empresa
distribuidora.
Diante destas anlises, ns tentamos mostrar atravs destas aplicaes que a
interpretao do conceito centralidade muito dependente do contexto, e cada medida
de centralidade ajuda a analisar uma situao particular representada pela rede.
importante notar que nenhuma destas medidas superior a outras. Todas so
apropriadas para se responder algumas, mas no todas as perguntas referentes anlise
da rede.

91
Captulo 7 Consideraes Finais

Nesta dissertao foram reunidos parmetros de grafos utilizados para medir a
centralidade de um vrtice bem como os resultados tericos a eles relacionados e as
possveis aplicaes em problemas de natureza real. Com isso, pudemos analisar o
comportamento de tais medidas em diversas situaes.
Uma das principais constataes que no h uma medida universal, ou seja, aquela
que, sob qualquer hiptese e em qualquer grafo, poderia ser melhor que as demais.
Assim, cada medida pode ser no mximo considerada como mais apropriada a
determinados tipos de problemas. A centralidade de grau aplicvel, por exemplo, em
redes que representam uma situao esttica e ns queremos avaliar a importncia dos
vrtices em funo de seus contatos diretos. A centralidade de grau uma medida local,
porque o valor da centralidade de um vrtice determinado somente pelo nmero de
seus vrtices adjacentes. Em problemas que tratam da difuso de algum contedo, o
tempo que leva uma determinada informao, por exemplo, para se espalhar de um
vrtice a todos os demais, depende da proximidade entre eles. Assim, medidas de
centralidade baseadas em proximidade so mais interessantes neste contexto. Se a
importncia de um vrtice est no potencial para controle do fluxo atravs da rede,
medidas de centralidade baseadas em intermediao so mais apropriadas. As posies
so vistas como estruturalmente centrais, na medida em que esto entre outras e pode,
conseqentemente, facilitar, impedir ou permitir a transmisso do fluxo, que pode ser
uma mensagem, um recurso, transporte, etc. Para processos de propagao na rede,
como por exemplo, a propagao de uma doena, a centralidade de autovetor mais
indicada dado que mede a importncia de um vrtice levando em considerao a
importncia de seus vizinhos. Se a importncia de um vrtice est atrelada
92
vulnerabilidade da rede, uma medida baseada em conectividade algbrica mais
apropriada e, por fim, redes que apresentam a fora ou intensidade da relao entre os
vrtices sugerem medidas de centralidade que so aplicveis em grafos valorados.
Como parte das sugestes para pesquisas futuras propomos analisar o
comportamento das medidas apresentadas considerando grafos orientados. H uma srie
de medidas aplicveis a estas estruturas, inclusive muitas delas variaes das medidas
de centralidade apresentadas nesta dissertao, por exemplo, o Page Rank, que avalia a
importncia de um site, ou pgina na internet, considerando a quantidade de links que
cada pgina possui. Trata-se de uma variao da centralidade de autovetor para grafos
orientados, usado pelo motor de busca Google para fornecer uma ordenao das pginas
relevantes de acordo com determinado assunto pesquisado.
Por fim, foi apresentada em ] 62 [ uma relao entre as medidas de centralidade e a
confiabilidade em redes. Constatou-se, atravs de simulaes, que as medidas de
centralidade so uma importante ferramenta na maximizao da confiabilidade da rede,
ao indicar os principais vrtices que deveriam ser conectados para aumentar a
confiabilidade da mesma. Alm disso, um estudo recente relacionando a centralidade de
um vrtice com a conectividade algbrica de um grafo foi apresentado na Seo 4.4, e,
como ainda no se tem investigadas comparaes com as demais medidas de
centralidade, acreditamos ser uma boa linha de pesquisa. Estas so as principais
sugestes para futuras investigaes.

93
Referncias Bibliogrficas

[1] ABREU, N.M.M., DEL-VECCHIO, R.R., VINAGRE, C.T.M., et al, 2007,
Introduo Teoria espectral de Grafos com aplicaes, Notas em Matemtica
aplicada, CNMAC/SBMAC, UFSC.

[2] ABREU, N.M.M, 2005, Teoria espectral dos grafos: um hbrido entre a lgebra
linear e a matemtica discreta e combinatria com origens na qumica quntica, Uma
publicao da sociedade brasileira de matemtica aplicada e computacional, v. 6, n 1,
pp. 1-10.

[3] ANDRADE, L. N., 2004, Introduo Computao Algbrica com o Maple.
Sociedade Brasileira de Matemtica.

[4] BAVELAS, A., 1950, Communication patterns in task oriented groups, Journal
of the Acoustical Society of America, v. 22, pp. 725-30.

[5] BIGGS, N., 1993, Algebraic Graph Theory. 2 ed. New York, Cambridge.

[6] BONACICH, P., 1987, Power and Centrality: A Family of Measures, The
American Journal of Sociology, v. 92, n 5, pp. 1170-1182.

[7] BONACICH, P., 2007, Some unique properties of eigenvector centrality, Social
Networks, v. 29, pp. 555-564.

94
[8] BOAVENTURA NETTO, P. O., 2001, Grafos: Teoria, Modelos, Algoritmos. 2
ed, So Paulo, Editora Blucher.

[9] BORGATTI, S. P., EVERETT, M. G., 2006, A Graph-Theoretic perspective on
centrality, Social Networks, v.28, pp. 466-484.

[10] BORGATTI, S. P., 1995, Centrality and AIDS, Connections, 18(1), pp. 112-114.

[11] BORGATTI, S. P., 2005, Centrality and network flow, Social Networks, 27(1),
pp. 55-71.

[12] BORGATTI, S. P., 2002, NetDraw: Graph Visualization Software. Harvard:
Analytic
Technologies.

[13] BORTOLI, A.L., CARDOSO, C., FACHIN, M.G.P., CUNHA, R.D., 2003,
Introduo ao Clculo Numrico, 2 edio. Disponvel em
http://www.chasqueweb.ufrgs.br/~carolina.manica/cap6.pdf, acesso em 17/03/2010.

[14] BRANDES, U., FLEISCHER, D., 2005, Centrality Measures Based on Current
Flow, V. Diekert and B. Durand (Eds.): STACS 2005, LNCS 3404, pp. 533544.

[15] DEL-VECCHIO, R.R., GALVO, D.J.C., LIMA, L.S., et al., 2009, Medida de
centralidade da Teoria dos Grafos aplicada a Fundos de Aes no Brasil. In: Pesquisa
Operacional na Gesto do conhecimento, pp. 533-545.
95

[16] DIESTEL, R., 2005, Graph Theory. Eletronic version of third Edition, New York,
Springer-Verlag.

[17] KOSCHUTZKI, D., 2006, CentiBiN: Centralities in Biological Networks
Software. Leibniz Institute of Plant Genetics and Crop Plant Research, Germany.

[18] DONADELLI, J., 2006, Uma Introduo teoria espectral de Grafos,
Monografia preliminar do Departamento de Informtica da Universidade Federal do
Paran, UFRPR. Disponvel em http://www.inf.ufpr.br/jair/MANUSCRIPTS/, acesso
em 04/04/2009.

[19] EVERETT, M. G., SINCLAIR, P., 2004, Some centrality results new and old,
Journal of Mathematical Sociology, v. 28, pp. 2157227.

[20] FRANCO, N.M.B., 2006. Clculo Numrico. Editora Pretice Hall.

[21] FREEMAN, L. C., 1978/79, Centrality in Social Networks: Conceptual
Clarification, Social Networks, v. 1, pp. 215-239.

[22] FREEMAN, L. C., 1977, A Set of Measures of Centrality Based on
Betweenness, Sociometry, v. 40, n. 1, pp. 35-41.

[23] FREEMAN, L. C., ROEDER, D., MULHOLLAND, R. R., 1979/80, Centrality in
Social Networks: II. Experimental Results, Social Networks, v. 2, pp. 119-141.
96

[24] FREEMAN, L. C., BORGATTI, S. P., WHITE, D. R., 1991, Centrality in valued
graphs: A measure of betweenness based on network flow. Social Networks, v. 13, pp.
141-154.

[25] FREEMAN, L. C., 1980, The Gatekeeper, Pair-Dependency and Structural
Centrality, Quality and Quality, v. 14, pp. 585-592.

[26] GRASSI, R., STEFANI, S., TORRIERO, A., 2009, Centrality in Organizational
Networks, International Journal of Intelligent Systems, v. 25, pp. 253-265.

[27] GRASSI, R., STEFANI, S., 2007, Some New Results on the Eigenvector
Centrality, Journal of Mathematical Sociology, v. 31, pp. 237248.

[28] GRASSI, R., STEFANI, S., 2006, Central vertices in networks: a unified
approach, Rapporto di ricerca n 105, Dipartimento di metodi Quantitativi per la
Scienze Economiche Ed Aziendali, Universit di Milano Bicocca.

[29] HAGE, P., HARARY, F., 1995, Eccentricity and centrality in networks, Social
Networks, v. 17, pp. 57-63.

[30] KIRKLAND, S., 2009, Algebraic connectivity for vertex-deleted subgraphs, and a
notion of vertex centrality, Discrete Mathematics.

97
[31] KOSCHUTZKI, D., LEHMANN, K.A., PEETERS, L., et al, 2005, Centrality
Indices, Network Analysis, pp. 16-61.

[32] NAIMZADA, A.K., et al., 2009, Networks, Topology and Dynamics, Lecture
Notes in Economic and Mathematical Systems, Springer-Verlag, Berlin Heidelberg.

[33] NEWMAN, M. E. J., 2005, A measure of Betweennes centrality based on random
walks, Social Networks, v. 27, pp. 39-54.

[34] POOLE, D., 2004, Algebra Linear. Editora Thomson Pioneira.

[35] RUHNAU, B., 2000, Eigenvector-centralitya node-centrality?, Social
Networks, v. 22, pp. 357365.

[36] SLATER, P.J., 1975, Maximin facility location, Journal of National Bureau of
Standards, 79B:107-115.

[37] WASSERMAN, S., FAUST, K., 1994, Social Network Analysis: Methods and
Applications. Cambridge: Cambridge University Press.

[38] WILF, H. S., 2001, Searching the web with eigenvectors, Disponvel em
http://www.math.upenn.edu/~wilf/, acesso em 30/04/2010.

] 39 [ BRANDES, U., 2001, A faster algorithm for betweenness centrality, Journal of
Mathematical Sociology, v.25, pp. 163-177.
98

] 40 [ STEPHENSON, K.A., ZELEN, M., 1989, Rethinking centrality: methods and
examples, Social Netwoks, v.11, pp. 1-37.

] 41 [ BORGATTI, S. P., EVERETT, M. G., 1999, The Centrality of Groups and
Classes, Journal of Mathematical Sociology, v.23, pp. 181-201.

] 42 [ BELL, D. C., ATKISON, J. S., CARLSON, J. W., 1999, Centrality for disease
transmission networks, Social Networks, v.21, pp. 1-21.

] 43 [ SINCLAIR, P., 2005, Betweenness Centralization for Bipartite Graphs, Journal
of Mathematical Sociology, v.29, pp. 25-31.

] 44 [ FRIEDKIN, N. E., 1991, Theoretical Foundations for Centrality Measures, The
American Journal of Sociology, v.96, pp 1478-1504.

] 45 [ BORGATTI, S. P., EVERETT, M. G., 1997, Network analisys of 2-mode data,
Social Networks, v.19, pp. 243-269.

] 46 [ NEWMAN, M. E. J., 2001, Scientific collaboration networks. II. Shortest paths,
weighted networks, and centrality, Physical Review E, v.64, 016132.

] 47 [ BOLDRINI, J. L., 1980, lgebra Linear. 3 ed, So Paulo, Editora Harbra.

99
] 48 [ BERNO, B., 2007, Networks with Closeness Incentives, In: Bielefeld
University, Institute of Mathematical Economics/working Papers.

] 49 [ GRASSI, R., SCAPELLATO, R., STEFANI, S., TORRIERO, A., 2008,
Betweenness centrality: extremal values and structural properties. Lecture notes in
economic and mathematical systems: network, topology and dynamics: theory and
applications to economic and social systems. Springer, Heidelberg.

] 50 [ MARTELETO, R. M., TOMAL, M. I., 2006, Redes Sociais: posies dos atores
no fluxo da informao, revista eletrnica de biblioteconomia e cincia da informao,
v.10, pp. 75-91.

] 51 [ HUSSAIN, D. M. A., 2007, Destabilization of Terrorist Networks through
Argument Driven Hypothesis Model, Journal of software, v. 2, n. 6, pp. 22-29.

] 52 [ NETO, B. M. R., 2005, Parmetros de grafos em vulnerabilidade de redes.
Dissertao de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.

] 53 [ FIEDLER, M., 1973, Algebraic connectivity of graphs, Czechoslav
Mathematical Journal, v. 23, pp. 298-305.

] 54 [ SABIDUSSI, G., 1966, The centrality index of a graph, Psychometrika, v. 31,
pp. 581-603.

100
] 55 [ MACKENZIE, K. D., 1966, Structural centrality in communications networks,
Psychometrika, v. 31, pp. 17-25.

] 56 [ MOXLEY, R. L., MOXLEY, N. F., 1974, Determining point-centrality in
uncontrived social networks, Sociometry, v. 37, pp. 120-133.

] 57 [ BEAUCHAMP, M. A., 1965, An improved index of centrality, Behavioral
Science, v. 10, pp. 161-163.

] 58 [ SHAW, M. E., 1964, Communication networks, In L. Berkowitz (ed).
Disponvel em http://books.google.com.br/books, acesso em 18/07/2009.

] 59 [ GONALVES, J. A. M., PORTUGAL, L. S., BOAVENTURA NETTO, P. O.,
2005, As potencialidades de indicadores de centralidade no estudo de um corredor
ferrovirio, XIX ANPET Congresso de pesquisa e ensino em transportes, Recife.

] 60 [ ROTHENBERG, R. B., et al, 1995, Choosing a centrality measure:
Epidemiologic correlates in the Colorado Springs study of social networks, Social
Networks, v. 17, pp. 273-297.

] 61 [ SCHEUER, J., PORTA, S., 2006, Centrality and Connectivity in Public Transport
Networks and their Significance fir Transport Sustainabitity in Cities, presented at
World Planning Schools Congress, Mexico.

101
] 62 [ SILVA, T. S. A., 2010, Um estudo de Medidas de Centralidade e Confiabilidade
em Redes, Dissertao de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.

] 63 [ HORN, R. A., JOHNSON, C. R., 1985, Matrix Analysis, Cambridge Univ. Press.

102
ndice Remissivo
A
Arco, 7
Arestas, 1
rvore, 9
Ator, 1
Autocentralidade, 41
Automorfismo, 73
Autovalor, 3,10,40
Autovetor, 3,41,42

C
Cadeia, 8
Caminho, 8
Capacidade do corte, 68
Centralidade, 1
- de grau, 2,17,18,64
- de proximidade, 2,17,20,64
- de eficincia, 3,17,22,23
- centride, 24
- radial, 24
- de informao, 24,25
- de intermediao, 2,17,26,27
- de intermediao de fluxo,
3,64,69
- de percursos aleatrios,
3,17,31,33,34
- de grafos, 36,37
- de autovetor, 3,40,41,65
- via conectividade algbrica,
4,40,60,61
Centralidade relativa, 19,20,30,69
Centro, 36
Ciclo, 8
Circuito, 8
Crculo espectral, 12
Complexidade, 22,30,34,69
Componentes conexas, 8,57
Comprimento de caminho, 8
Conjunto independente, 9
Conectividade Algbrica, 15
Corte, 68

D
Dimetro, 8,24
Distncia, 8

E
Espectro, 10
Excentricidade, 8

F
Fluxo, 67
Fluxo mximo, 3,68

G
Grafo, 1,6
- bipartido, 9
- completo, 7
- conexo, 8
- desconexo, 8,57
- estrela, 9
- no orientado, 7,10
- orientado, 7
- regular, 7,52
- simples, 7,10
- valorado, 5,64
Grau, 7
- mximo, 7,55
- mdio, 7
- mnimo, 7
Geodsicas, 3,8

I
ndice do grafo, 10
Intermediao parcial, 26
Isomorfismo, 72

L
Lao, 6

M
Matriz
- de adjacncia, 9
- diagonal, 14
- dos pesos, 65
- irredutvel, 12
- laplaciana, 15
- simtrica, 3,10
Medidas de centralidade, 2,17
Mtodo das potncias, 42
Mtodo dos mnimos quadrados, 82
103
Multiplicidade
- algbrica, 10
- geomtrica, 12

O
Ordem, 14,19

P
Polinmio caracterstico, 10
Polinmio caracterstico laplaciano, 15
Percurso, 8
- aleatrio, 32
- aleatrio absorvente, 32
Perron-Frobenius, 12
Peso, 64
Ponto de articulao, 60

R
Raio espectral, 12,51,57
Raleigh-Ritz, 13
Ranking, 80
Rede, 1
- de AIDS, 84
- de co-autorias, 78
- social, 1,17
Regresso linear, 82

S
Subgrafo, 7
- induzido, 8,60
- gerador, 8
Submatriz principal, 48

T
Trilha, 8

V
Vrtice, 1
- alvo, 32,68
- automorficamente
equivalentes, 73
- fonte, 32,68
- isolado, 19
- pendente, 51
- terminal, 29
- universal, 7,74
Vizinhana, 6
Vulnerabilidade, 60

Leandro Quint An Il Had e Freitas

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Leandro Quint An Il Had e Freitas

Diunggah oleh

Hak Cipta:

Format Tersedia

MEDIDAS DE CENTRALIDADE EM GRAFOS

Leandro Quintanilha de Freitas

X associado ao autovalor , isto

K que, por sua vez,

K . Repetindo-se este procedimento,

. Portanto, quanto maior for

= max . Seja o segundo maior

Anda mungkin juga menyukai