Professional Documents
Culture Documents
Curso de Especialización en
Análisis y Gestión de Redes Sociales
NetDraw1.0:
Copyright 2002
-----
Elaborado con base a los trabajos de Agueda (2003), Gutierrez (2005) y Molina (2005)
Introducción.
2
A continuación cliquearemos en la celda seleccionada y escribiremos los 5
nombres. Una vez escritos copiaremos estas etiquetas de las filas a las columnas con
el siguiente comando:
3
b) Fichero de Texto.-
Ucinet VI dispone de muchos tipos de formato para los ficheros de texto, pero
el más útil es el siguiente:
4
Si copiamos estas instrucciones en un fichero de texto y lo guardamos
como prueba2.txt podremos importarlo a Ucinet VI de la siguiente forma:
5
Seleccionemos estos datos y copiémoslos en un fichero de texto con nombre
“comunas.txt”. Desde Ucinet VI realizaremos la importación:
6
De nuevo seleccionamos los datos anteriores y los copiamos en un fichero de
texto. Este fichero lo importamos desde Ucinet (DL). Esta matriz de 18 mujeres
en las filas y 14 eventos sociales en las columnas puede ser analizada de
forma que obtengamos una matriz de mujeres por mujeres (18 x 18) y una
matriz de eventos por eventos (14 x 14). En cada caso el análisis nos permitirá
identificar grupos de mujeres o de eventos, mujeres o eventos centrales o
periféricos, en fin, obtener medidas estructurales sobre las relaciones.
7
Para un análisis de las columnas procederemos de la misma forma.
Para calcular las diferentes medidas de centralidad debemos operar con los comandos
correspondientes, estos son: NETWORK < CENTRALITY lo que nos mostrará un
menú de medidas de centralidad. Empezaremos primero con DEGREE (Grado)
Para esto buscamos nuestro archivo con nuestra red y calculamos las medidas de
centralidad. Los mismos pasos deben repetirse para cada una de las medidas
estudiadas en clases, es decir para BETWEENNESS < NODES (Intermediación) y
para CLOSENEES (Cercanía).
8
Para el caso del cálculo de centralidad de intermediación y centralidad de cercanía el
cálculo simétrico es automático en el análisis. Importante es no usar la diagonal para
el cálculo de las medidas pues son relaciones entre actores individuales pues esta
hará variar las medidas.
9
2/ Elaboración de Grafos. NetDrawn 1.
Una vez abierto el programa NetDrawn vamos a abrir alguna de las matrices que
hemos ingresado a UCINET . Para ello vamos al icono “open Ucinet network dataset”
10
Al abrir la matriz obtendremos su graficación. En el caso de la ilustración, las
relaciones de amistad entre un grupo de estudiantes universitarios.
Por cada par de personas que habíamos conectado en la matriz (mediante el 1 que
señalaba la relación) observamos un vínculo que une los dos nodos. Como se trata de
una relación no orientada, cada grafo tiene una doble flecha (Hugo conoce a Liliana y
Liliana conoce a Hugo). Un grafo no orientado también se representa como un
segmento que une dos nodos, sin ninguna flecha que indique dirección.
Esta red nos presenta una fotografía de las relaciones que existen al interior de
un grupo (la clase, en este caso). A simple vista podemos observar que existen
individuos más conectados que otros, que existen sub-grupos dentro de la red, etc.
Podríamos entonces intentar establecer hipótesis acerca de las relaciones existentes.
Por ejemplo, podríamos inducir que las personas que cursan las mismas carreras se
relacionan más entre sí que las de carreras diferentes. Para ello, necesitamos
complementar la información.
Para ello deberemos superponer una matriz en la que hayamos asignado atributos a
los diferentes actores. En el caso que nos ilustra superpondremos la matriz que
contiene la información sobre las carreras a la matriz que representaba las relaciones
de conocimiento y que ya hemos realizado.
11
La operación es muy sencilla. Abrimos la matriz de atributos (haciendo click en
el tercer icono desde la izquierda “open UCINET attibute dataset”) y seleccionamos el
fichero “carrera.##h”:
12
En la ventana veremos los distintos atributos asignados a los actores asociados a
un color diferente. Por ejemplo, en el ejercicio que nos ilustra vemos los cuatro códigos
que hemos introducido para las cuatro carreras que son estudiadas por los alumnos de
la red, cada uno de ellos asociado a un color diferente. Si quisiéramos cambiar el color
adjudicado a alguno, sólo hay que hacer click sobre el rectángulo de color que se
encuentra a la izquierda del código y seleccionar el color que deseamos en la paleta
que se despliega.
Una vez efectuado el cambio, hacemos click sobre el botón “Aceptar”. Vemos
entonces que a cada persona le corresponde el color de la carrera que está
estudiando: rojo para antropología, verde para arqueología, azul para sociología y gris
para psicología social.
13
Pero todavía podemos especificar más la información. Para ello superponemos otra
nueva matriz con otros atributos asignados a los actores de la red. En el estudio que
nos ilustra, introducimos los datos correspondientes al sexo, utilizando formas
diferentes para los nodos, según representen hombres o mujeres. Introducimos
entonces la matriz correspondiente al sexo (icono de datos atributivos, presentado en
la figura 18), sexo.##h. Y seleccionamos la función “Choose node shapes according to
attribute values” (tercer icono contando desde la izquierda):
14
Se abrirá una ventana similar a la que utilizamos para definir los colores.
Seleccionamos el atributo “sexo”. Un consejo: si en el menú desplegable (“select
attibute”) no vemos el atributo que queremos introducir, debemos descender hacia el
final de la ventana, hasta encontrarlo. A continuación seleccionaremos un triángulo
para identificar a los hombres (codificados con el valor “1”) y un círculo para identificar
a las mujeres (codificadas con el valor “2”). De esta manera hemos introducido los dos
atributos en la red. Y obtenemos el siguiente resultado:
15
A partir de los elementos que te hemos entregado en este ejercicio tutorial llega
el momento de que descubras por ti mismo todas las posibilidades que te ofrecen
ambos programas. Como sugerencia principal, anímate a experimentar y enfoca tu
esfuerzo de autoaprendizaje hacia aquellas funciones que consideras pueden ser más
útiles para tus investigaciones.
16