La ley del cuadrado inverso predice cómo te mueves por la ciudad y ayudará a estudiar el avance de las pandemias o a optimizar el transporte público

Ciudad

Getty Images

  • Una investigación recientemente publicada en la revista Nature apunta a un modelo matemático capaz de predecir con precisión leyes sólidas de movimiento comunes a todas las ciudades.
  • La herramienta puede mejorar los modelos de propagación de enfermedades y ayudar a optimizar la planificación urbana, contribuyendo a espacios más inteligentes.  
  • Descubre más historias en Business Insider España. 

Una reciente investigación basada en una simple ley matemática revela que los patrones de movimiento urbano son sumamente predecibles al margen de la ubicación, de manera que usándolo es posible conocer mejor la propagación de enfermedades y mejorar la planificación urbanística.

Dicho de otra manera, si mirásemos con lupa el centro de una ciudad, no estaríamos ante una muestra aleatoria de individuos, sino que su movilidad es predecible y analizable según las leyes matemáticas.

Los investigadores se sirvieron de datos anónimos de teléfonos móviles y descubrieron una relación cuadrada inversa entre la cantidad de personas en una ubicación urbana determinada y la distancia que viajaron para llegar allí, así como la frecuencia con la que realizaban el viaje. 

Sus resultados han sido publicados en la revista Nature.

¿Cómo funciona la relación cuadrada inversa?

Una de sus predicciones es que el número de personas que vienen de 2 kilómetros de distancia 5 veces por semana será el mismo que el número de personas que vienen de 5 kilómetros 2 veces por semana. Es la ley de la inversa del cuadrado o ley cuadrática inversa. 

“Este es un resultado robusto y supersorprendente”, dice a Scientific American Laura Alessandretti, científica social computacional de la Universidad Técnica de Dinamarca, que no participó en el estudio pero coescribió un comentario adjunto. Estas leyes sólidas se aplican en todas partes. 

Los investigadores analizaron datos de unos 8 millones de personas entre 2006 y 2013 en seis ubicaciones urbanas: Boston, Singapur, Lisboa y Oporto en Portugal, Dakar en Senegal y Abidjan en Costa de Marfil. 

Tras medir los cambios en las ubicaciones y examinar cuántas personas visitaban un lugar, desde qué distancia y con qué frecuencia, las conclusiones arrojaron que todas las elecciones únicas que hacen las personas, desde dejar a los niños en la escuela hasta ir de compras o desplazarse, obedecen esta ley del cuadrado inverso cuando se consideran en conjunto. 

Explicación de este potente patrón estadístico

La explicación más sólida es que los desplazamientos requieren tiempo y energía, y la gente tiene recursos limitados para ello. “Vivas en Senegal o en Boston, todo el mundo intenta optimizar su día”, dice el autor principal del estudio, Markus Schläpfer, del Laboratorio de Ciudades del Futuro de ETH Zurich en Singapur.

"En el centro está el esfuerzo que las personas están dispuestas a invertir colectivamente para viajar a ciertos lugares".

Comprender el patrón será clave para mejorar la planificación urbana en aspectos como el tráfico, el transporte público o los nuevos centros comerciales, pero también modelará la transmisión de enfermedades. 

Sam Scarpino, epidemiólogo de la Northeastern University Sam Scarpino, que no participó en el estudio, dice que los modelos basados

en este nuevo hallazgo podrían rastrear de forma más acertada el flujo de propagación de una enfermedad como el coronavirus. 

“Esos patrones organizativos tienen implicaciones realmente profundas sobre cómo se propagará ña COVID”, dice Scarpino. 

Así pues, en una zona rural más pequeña, donde muchas personas van regularmente a la misma iglesia o tienda de comestibles, toda la ciudad experimentará picos agudos de infecciones a medida que el virus se propague por la comunidad. 

A mayor extensión, la propagación será más lenta, puesto que pequeñas epidemias pueden expandirse en cada barrio, calle o vecindario por separado. 

El modelo matemático contribuirá a sacar mucho más partido de los datos al tener en cuenta no solo la distancia, sino también la frecuencia, superando a los modelos de gravedad anteriores.

Descubre más sobre , autor/a de este artículo.

Conoce cómo trabajamos en Business Insider.