Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

SECCIÓN A: CIENCIAS EXACTAS Y FÍSICAS

Vol. 7 Núm. 1 (2015)

Leyes Empíricas de Potencia y Escalamiento de Quito, Guayaquil y otras ciudades de Ecuador

DOI
https://doi.org/10.18272/aci.v7i1.219
Enviado
noviembre 24, 2015
Publicado
2015-05-22

Resumen

Numerosos trabajos han mostrado que las distribuciones de probabilidad caracterizadas por la media y varianza resultan inadecuadas para expresar regularidades asociadas a variables de tipo geográfico o espacial. Esto se debe a que los datos no se aglomeran alrededor de un valor central; más bien, las colas se vuelven pesadas y los eventos extremos resultan ser menos improbables que a partir de otras distribuciones. Bajo esta consideración, el presente trabajo apunta a encontrar leyes empíricas sobre algunas variables relevantes de ciudades de Ecuador, Para ello, se parte de dos hipótesis: 1) ciertas variables socioeconómicas se escalan a través de una variable de tamaño y 2) dichas variables se distribuyen bajo una ley potencia; se estiman los parámetros requeridos y se contrastan otras distribuciones de cola pesada que ajusten adecuadamente los datos escogidos.

viewed = 637 times

Citas

  1. Bettencourt 2013. The kind of problem a city is. SFI Working Paper. Santa Fe Institute.
  2. Clauset, A., Shalizi, C. R., and Newman, M. E. 2009. Power-law distributions in empirical data. SIAM review. 51 (4), 661-703.
  3. Batty 2014. Scale, power laws, and rank size in spatial analysis. CASA Working Paper 195. University College London.
  4. Xiao, X., Ethan P., W., Mevin B., H., and Durham, S. L. 2011. On the use of log-transformation vs. nonlinear regression for analyzing biological power laws. Ecology. 92, 18871894.
  5. Vuong, Q. 1989. Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica. 57, 307-333.
  6. Fraley, C. and Raftery, A. E. 2002. Model-based clustering, discriminant analysis, and density estimation. Journal of the American Statistical Association. 97, 611: 631.
  7. Ma, K., Wang, Z., Jiang, J., Zhu, G., and Li, W. 2011. Power law and small world properties in a comparison of traffic city networks. Chinese Science Bulletin. 56 (34), 3731-3735.
  8. Alstott, J., Bullmore, E., and Plenz, D. 2014. powerlaw: a python package for analysis of heavy-tailed distributions. PloS one. 9 (1), e85777.
  9. Bentley, R. A., Ormerod, P., and Batty, M. 2011. Evolving social influence in large populations. Behavioral ecology and sociobiology. 65 (3), 537-546.
  10. Gillespie, C. S. 2014. Fitting heavy tailed distributions: the poweRlaw package. arXiv preprint arXiv: 1407. 3492.
  11. Newman, M. E. 2005. Power laws, pareto distributions and zipf"™s law. Contemporary physics. 46 (5), 323-351.
  12. Observatorio Metropolitano de Seguridad Ciudadana del Municipio del Distrito Metropolitano de Quito. Delitos contra el patrimonio. Base de datos. 2010-2013.
  13. Shiode, B. M. 2000. Power law distributions in real and virtual worlds. Casa working paper 19. University College London.
  14. Gabaix, X. 2008. Power laws in economics and finance. Technical report. National Bureau of Economic Research.
  15. Instituto Nacional de Estadísticas y Censos (INEC). Censo de Población y Vivienda. Base de datos. 2010.
  16. Instituto Nacional de Estadísticas y Censos (INEC). Geodatabase Empatada Nacional. Información Cartográfica. Versión 2.
  17. Instituto de la Ciudad del Municipio del Distrito Metropolitano de Quito. Matriz de origen destino. Base de datos.
  18. Schlapfer, M., Bettencourt, L., Grauwin, S., Raschke, M., Claxton, R., Smoreda, Z., West, G. B., and Ratti, C. 2012. The scaling of human interactions with city size. arXiv preprint arXiv: 1210. 5215.
  19. Stumpf, M. P. and Porter, M. A. 2012. Critical truths about power laws. Science. 335 (6069), 665-666.