Traditional centrality metrics consider only shortest paths, neglecting the existence of bit-longer paths between nodes in a network, which can be strategic to maintain network connectivity. This work proposes the disjoint multipath closeness centrality, which extrapolates the traditional closeness by considering multiple shortest and quasi-shortest disjoint paths. The conectivity factor ϕ limits the desirable number of multiple disjoint paths. The idea is to identify nodes that are simultaneously multiply-connected and close to all the remaining nodes. Such nodes are important do perform tasks that require higher availability. We evaluate the proposed metric through comparisons with other centrality metrics. Our results confirm that the most central nodes according to the proposed metric are more accessible when failures happen in random nodes in the network. Moreover, our results show that the use of multiple disjoint paths can reclassify at least 59% of nodes in the evaluated datasets. Hence, our proposed metric is able to identify better-connected nodes and assign them more importance.As métricas tradicionais de centralidade consideram apenas os caminhos mais curtos, ignorando a existência de caminhos um pouco mais longos entre pares de nós da rede, que podem ser estratégicos para manter a conectividade da rede. Assim, esta dissertação propõe a centralidade de proximidade por múltiplos caminhos disjuntos, que extrapola a proximidade tradicional, considerando múltiplos caminhos disjuntos mais curtos, e quase mais curtos. O fator de conectividade limita a quantidade desejável de múltiplos caminhos disjuntos. A idéia é identificar nós que estejam simultaneamente mais próximos de todos os demais nós e sejam multiplamente conectados. Esses nós são importantes para desempenhar tarefas que exijam maior disponibilidade. A métrica proposta é avaliada através da comparação com outras métricas de centralidade. Os resultados confirmam que o no mais central da métrica proposta é mais acessível quando ocorrem falhas em nós aleatórios da rede. Além disso, mostram que o uso dos múltiplos caminhos pode reclassificar pelo menos 59% dos nós da rede nos conjuntos de dados utilizados, que permite identificar nós mais bem conectados e atribui-los uma maior importância.