Distancias efectivas para la propagación de epidemias en redes

complejas
journals.aps.org/pre/abstract/10.1103/PhysRevE.95.012313

January 17, 2017

1/16
Resumen
Mostramos que las métricas logarítmicas recientemente introducidas utilizadas para predecir
los tiempos de llegada de enfermedades en redes complejas son aproximaciones de medidas
basadas en redes más generales derivadas de la teoría de caminatas aleatorias. Utilizando los
datos diarios de transporte de tránsito aéreo, realizamos experimentos numéricos para
comparar el tiempo de llegada de la infección con esta métrica alternativa que se obtiene al
tener en cuenta las múltiples caminatas en lugar de solo la ruta más probable. La comparación
con simulaciones directas revela una correlación más alta en comparación con el enfoque de
ruta más corta utilizado anteriormente. Además, nuestro método permite conectar
observables fundamentales en la propagación de epidemias con la función de generación
acumulativa del tiempo de impacto para una cadena de Markov. Nuestros resultados
proporcionan un enfoque general y computacionalmente eficiente utilizando solo métodos
algebraicos.

Recibido el 22 de agosto de 2016

DOI: https://doi.org/10.1103/PhysRevE.95.012313

© 2017 Sociedad Estadounidense de Física

Física EstadísticaRedesFísica Interdisciplinaria

2/16
Autores y Afiliaciones
Flavio Iannelli 1, * , Andreas Koher 2 , Dirk Brockmann 3,4
, Philipp Hövel 2 e Igor M. Sokolov 1

1
Instituto de Física, Humboldt-Universidad de Berlín, Newtonstraße 15, 12489 Berlín,
Alemania
2 Instituto de Física Teórica, Technische Universität Berlin, Hardenbergstraße 36, 10623

Berlín, Alemania
3 Robert Koch-Institute, Nordufer 20, 13353 Berlín, Alemania
4 Instituto de Biología Teórica e Instituto de Investigación Integrativa de Ciencias de la

Vida, Humboldt-Universidad de Berlín, Philippstraße 13, Haus 4, 10115 Berlín, Alemania

*
iannelli.flavio@gmail.com

Texto del artículo

I. INTRODUCCIÓN
Las redes han recibido una atención creciente en la última década, particularmente debido a
su aplicabilidad en la descripción de una amplia gama de fenómenos. Ejemplos destacados
son el mapeo de la World Wide Web y la estructura de Internet, las redes sociales y
financieras, la epidemiología y la dinámica del lenguaje. [1–4] . En el contexto de la
propagación de epidemias, la predicción de brotes se ha vuelto particularmente importante
para los problemas de salud pública. El rápido crecimiento en la velocidad de los medios de
transporte y la frecuencia de los movimientos ha aumentado aún más el riesgo de que se
propaguen enfermedades emergentes globales como H1N1 [5] , SARS [6] o EBOV [7] , y más
recientemente ZIKV [8] . en todo el mundo. Las redes de movilidad subyacentes
3/16
generalmente no tienen escala [9] . Esto implica la ausencia de un umbral epidémico [10]
que permita que cualquier enfermedad transmisible se propague a través de la población
mundial.

La gran cantidad de datos de tráfico a escala local y global, que estuvo disponible en los
últimos años, brinda una nueva oportunidad para comprender dichos procesos. Por un lado,
las simulaciones numéricas de la propagación de infecciones ofrecen una herramienta
práctica para estimar el tiempo de llegada de la infección [11] . En este sentido, los modelos
de metapoblación [12-14] proporcionan una herramienta razonable para mantener un alto
nivel de complejidad en la simulación de pandemias [11] . A escala global, las diferentes
subpoblaciones, definidas por los nodos de la red, son ciudades que pueden conectarse
mediante flujos de individuos dirigidos o no, proporcionados por los datos de la red de
transporte mundial. Por otro lado, los métodos algebraicos proporcionan una base sólida para
extraer conclusiones generales y, en muchos casos, proporcionan instrumentos numéricos
superiores a las simulaciones directas.

En este trabajo presentamos una medida basada en la red que generaliza el concepto de
distancia y que proporciona información fundamental sobre la dinámica de la transmisión de
enfermedades, así como una estimación numérica eficiente del tiempo de llegada de la
infección. Comparamos esta distancia efectiva [16] con la estimación numérica de los
tiempos de transmisión utilizando un modelo de metapoblación para validar el método. Ya se
han dedicado una serie de documentos a este problema. [17-21] . La mayoría de ellos se basan
en el concepto de ruta más probable, la distancia efectiva de la ruta más corta reSPyoj para
cada fuente yo y objetivo jen la red. Este último se puede definir, tanto para redes dirigidas
como no dirigidas, como la distancia del gráfico geodésico con pesos de borde dados por el
primer momento de una variable distribuida de Gumbel que depende solo de la topología de
la red y la tasa de infección. Sin embargo, este enfoque de camino más corto sobreestima
significativamente los tiempos de llegada de la infección [18, 22] . Un escenario más realista
tiene en cuenta todas las rutas posibles [19], produciendo la distancia de múltiples rutas
reMPyoj, que es más adecuado para estimar los tiempos de llegada de la infección. Este
método permite, al menos en principio, tener en cuenta todas las rutas de transmisión
dirigidas posibles, aunque el cálculo se vuelve inviable a medida que su número crece
exponencialmente con el número de vértices en la red. La falta de un enfoque computacional
práctico lleva de nuevo a considerar solo el camino más corto. Se introdujo una
transformación de peso de borde ad hoc logarítmico en la Ref. [20] simplemente requiriendo
que agregar bordes debería traducirse en multiplicar las probabilidades asociadas. Esto sigue
el argumento intuitivo de que un mayor número de pasajeros reduce la distancia de
separación entre los nodos vecinos. Esta transformación logarítmica se puede ver como una
reducción del espacio logarítmico [23] y, como mostraremos más adelante, puede derivarse
como un caso especial de la distancia efectiva de la ruta más corta definida previamente en la
Ref. [18] . La hora estimada de llegada TArkansasyoj del nodo yo a nodo j, obtenido de
simulaciones numéricas, se correlaciona altamente con la distancia efectiva de la ruta más
corta. Usando esta métrica, la complejidad de la transmisión de la enfermedad puede

4/16
entenderse en términos de ondas circulares que se propagan a velocidad constante desde el
nodo infectado en el momento cero a todos los demás nodos en la red [20] . La medida que
presentamos aquí tiene como objetivo generalizar las definiciones previas al incluir todas las
caminatas que conectan la fuente y el destino.

II MODELO EPIDEMIOLOGICO
Consideremos una dinámica de metapoblación susceptible-infectada-eliminada
SβSyo-→yoμyo→R, dónde β y μson la infección y la tasa de recuperación, respectivamente. Los
nodos de la red de metapoblaciones consisten en subpoblaciones de tamaño constante. nortej,
que se divide en susceptible ( Sj), infectado ( yoj) y eliminado ( Rj) individuos

nortej=S(t)j+yo(t)j+R(t)j.

(1)

En la metapoblación, además de la dinámica de reacción SIR local, el movimiento de un

huésped entre poblaciones yo y j se rige por la ecuación maestra

∂tX(t)j=∑yo≠j(X(t)yoQyoj-X(t)jQjyo).

(2)

Aquí presentamos X(t)j={S(t)j,yo(t)j,R(t)j} como una variable de marcador de posición, y las

tasas de transición Qyoj se definen como la probabilidad condicional de que un individuo
elegido al azar salte de la ubicación yo a la ubicación j dentro de un paso de tiempo

PAGS(X(t+Δt)j∣∣X(t)yo)≈QyojΔt,yo≠j.

(3)

Las tasas de transición Qyoj se puede definir de manera equivalente en términos de la matriz
de adyacencia ponderada UNAWyoj como Qyoj=UNAWyoj/ /norteyo∈[0 0,1]. Este último se
obtiene de los flujos de pasajeros reales entre dos aeropuertos en la red de movilidad global
utilizada en las simulaciones [15] . Esta red consta de V=3865 vértices (aeropuertos) y
mi=51440bordes dirigidos (flujos), con distribuciones de grado y peso muy amplias (ver Figs.
1 y 2 ), donde se reproduce gráficamente la alta heterogeneidad en la conectividad de la red.
Para el diámetro de la red encontramos re=dieciséis (conectando la isla Stuart con el
helipuerto Narsaq Kujalleq) y el coeficiente de agrupamiento global es C=0,26±0,01. Una
característica peculiar de esta red es que la parte antisimétrica de los flujos
χ=UNAWyoj-UNAWjyose está desvaneciendo con un alto grado de precisión para que pueda
considerarse como no dirigido [24] . La matriz de adyacencia ponderada de la red de tráfico
aéreo no dirigido se define entonces por UNAWyoj=UNAyojWyoj, dónde UNAyoj es el
elemento matriz de adyacencia y Wyoj≥0 0El peso correspondiente. La simetría en la matriz
de adyacencia implica que para poblaciones adyacentes

UNAWyoj=Qyojnorteyo=Qjyonortej=UNAWjyo.
5/16
(4)

La matriz de transición de Markov asociada a la red se puede escribir en términos de ambos

flujos UNAWyoj y las tasas de transición local Qyoj:

PAGSyoj=UNAWyoj∑jUNAWyoj=Qyoj∑jQyoj,

(5)

y es fila estocástica por construcción. De (4) también tenemos el saldo detallado

PAGSyojkWyo=PAGSjyokWj,

(6)

donde hemos introducido el grado ponderado kWyo=∑jUNAWyoj, a veces denotado como

fuerza [25] , como la distribución de probabilidad asintótica para la cadena de Markov
correspondiente. Por lo tanto, utilizando (6) podemos reescribir (2) , en términos de las
densidades del compartimento X(t)j=X(t)j/ /nortej para obtener

∂tX(t)j=1nortej∑yo≠j(X(t)yoUNAWyoj-X(t)jUNAWjyo)=kWjnortej∑yo≠jPAGSjyo(X(t)yo-X(t)j).

(7)

Además, podemos eliminar la dependencia del tamaño de la población. nortej mediante la

introducción de una tasa de movilidad global constante α. Este parámetro se define como la
relación α=Φ/ /norte, entre el flujo total diario de pasajeros Φ=∑yojUNAWyoj y la población
total norte=∑yonorteyo, es decir, la tasa de abandono de un nodo para un individuo elegido al
azar. Una tasa de movilidad dependiente del nodo local también se puede definir como

αyo=∑jUNAWyojnorteyo=∑jQyoj.

(8)

En los datos de la red de movilidad global, el tráfico total de cada nodo, es decir, su grado
ponderado kWj, es con una buena precisión proporcional a su población norteyo a través de la
tasa de movilidad global α, así en nuestro caso αyo=α∀yo. La dinámica SIR completa del
modelo Rvachev-Longini [20, 26] se convierte en

∂ts(t)j=Ω({s(t)j})-βs(t)jyo(t)j∂tyo(t)j=Ω({yo(t)j})+βs(t)jyo(t)j-μyo(t)j∂tr(t)j=Ω({r(t)j})+μyo(t)j
,

(9)

donde la función de movilidad para cada densidad de compartimento Xj=Xj/ /nortej,

Ω({Xj})=α∑yo≠jPAGSjyo(X(t)yo-X(t)j),

(10)
6/16
explica la difusión a lo largo de los nodos.

HIGO. 1)
+ Abrir en nueva ventana

La red de movilidad global utilizada en las simulaciones consistentes en V=3865 aeropuertos

y mi=51440vuelos [15] .

HIGO. 2)
+ Abrir en nueva ventana

(a) Representación circular de la red de movilidad global con colores y tamaños de vértice
correspondientes a su fuerza kWyo. (b) Distribución de peso normalizada PAGS(W)∼W-γw
con exponente de escala γw=3.60±0,14. Recuadro: distribución de grados no ponderada
PAGS(k)∼k-γk con exponente de escala γk=1,79±0,10. Los exponentes de escala se obtienen
utilizando el método presentado en la Ref. [27] .

Sistema integrador (9) obtenemos la dinámica del contagio en la red de transporte UNAWyoj
con la tasa de movilidad global α y los parámetros de infección β y μ. Finalmente, la hora de
llegada. TArkansasyoj para cada par fuente-destino en la red de movilidad global se calcula
considerando un nodo jinfectado tan pronto como un individuo infectado esté presente.
Después de introducir la distancia efectiva que usamos TArkansasyoj comparar la bondad de
las diferentes medidas.

III. MEDIDAS EFECTIVAS BASADAS EN RED

La métrica fundamental en una red viene dada por la longitud de la ruta más corta (geodésica)
en todas las rutas Γyoj nodo de conexión yo a nodo j. En una red ponderada para cada borde
(k,l)∈Γyojningún nodo se visita más de una vez y contribuye a la longitud total con su peso
correspondiente [1]

reyoj=min{Γyoj}∑(k,l)∈Γyoj1UNAWkl,

(11)

donde se usa el inverso porque en nuestro caso un flujo más alto de pasajeros reduce la
distancia entre dos nodos. A partir de esta definición, es posible extender la noción de
distancia reemplazando el peso de la matriz de adyacencia con una cantidad efectiva que
capture la esencia del problema de predecir cuándo llegará la enfermedad a un lugar
determinado. En la ref. [18] los autores definieron la distancia del camino más corto
reSPyojconsiderando primero el modelo infectado susceptible con solo dos ciudades, luego
generalizando a topologías arbitrarias. Primero mostramos cómo su enfoque analítico
7/16
conduce a una definición equivalente de distancia efectiva utilizada en la Ref. [20] , y luego lo
generalizamos a escenarios de propagación más realistas en los que se tienen en cuenta todas
las rutas.

Consideremos dos poblaciones susceptibles yo y j y colocar a un individuo infectado en yo en

el momento tyo=0 0. Asumiendo QyojΔt≪1 podemos derivar una función de densidad de
probabilidad para el tiempo de impacto de la infección hj a la ciudad jdel tipo Gumbel [18] .
El primer momento de esta distribución está dado por

⟨hj⟩yo=1β(EnβQyoj-γmi),

(12)

dónde γmi≈0,5772 es la constante de Euler-Mascheroni, y el promedio ⟨⋯⟩yo se toma más de

veces a partir de tyo=0 0. Usando (5) encontramos

β⟨hj⟩yo=Enβ∑jQyoj-γmi-EnQyoj∑jQyoj=δ-EnPAGSyoj,

(13)

donde asumimos que la tasa de movilidad (8) es independiente del nodo, es decir, αyo=α∀yo
y δ=En(β/ /α)-γmiEs un parámetro adimensional. Este resultado puede generalizarse
fácilmente al modelo SIR y a una red con un número arbitrario de nodos simplemente
minimizando la cantidad ⟨hl⟩k para cada enlace consecutivo (k,l) que pertenece al camino Γyoj
fuente de conexión yo apuntar j. Para la población arbitraria heterogénea y la topología de red
con un número arbitrario de nodos al tomar el mínimo en todas las rutas, se obtiene la
distancia efectiva de la ruta más corta

reSPyoj(δ)≡min{Γyoj}∑(k,l)∈Γyoj(δ-EnPAGSkl)≈(β-μ)⟨hj⟩yo,

(14)

donde para la dinámica de metapoblación SIR tenemos

δ=En(β-μα)-γmi.

(15)

Dado que cada término en la suma es estrictamente positivo, se puede obtener la matriz de
distancia de ruta más corta completa para cada par fuente y destino utilizando el algoritmo
Dijkstra [28] en un tiempo O(Vmi+V2Iniciar sesiónV), dónde mi y Vson el tamaño y el orden
del gráfico, respectivamente. La distancia efectiva definida en la Ref. [20] puede recuperarse
como un caso especial de (14) simplemente configurando el parámetro de escala δa la unidad
Este hecho permite una comprensión más profunda y completa de esta distancia efectiva y
ofrece una explicación más sólida de la correlación extremadamente alta con el tiempo de
llegada de la infección que se encuentra en la Ref. [20] . La limitación más importante de (14)
es que solo se considera una ruta, a saber, la ruta que además de minimizar la longitud
8/16
topológica también maximiza la probabilidad asociada a eso. Por lo tanto, en este escenario, la
contribución a la propagación de la enfermedad proviene solo de una ruta única. La hora
efectiva de llegada de la infección reSPyoj(δ)/ /VEF, dónde VEF≈β-μes la velocidad efectiva
linealizada de la infección [18, 20] , de hecho se sobreestima con respecto al resultado de las
simulaciones TArkansasyoj [22] .

Para tener en cuenta el escenario de propagación de la enfermedad más realista, uno debe
considerar la multiplicidad de rutas de transmisión. Por dos caminos distintos Γyoj y Γ′yoj
conectando yo con j, los autores en la Ref. [19] encontró que una distancia de dos caminos
re2Pyoj satisface la ecuación

mi-re2Pyoj=mi-reΓyoj+mi-reΓ′yoj,

(dieciséis)

dónde

reΓyoj(δ)=En⎛⎝∏(k,l)∈ΓyojmiδPAGSkl⎞⎠

(17)

es la distancia efectiva asociada a la ruta Γyojde longitud arbitraria, que corresponde a un

tiempo de golpe distribuido de Gumbel. La relación (16) se puede generalizar fácilmente a un
número arbitrario de múltiples rutas como

Exp(-reMPyoj(δ))=∑{Γyoj}Exp[-reΓyoj(δ)],

(18)

para que obtengamos

reMPyoj(δ)=-En⎡⎢⎣∑{Γyoj}mi-norteyojδFyoj(Γyoj)⎤⎥⎦.

(19)

Aquí hemos definido la probabilidad total asociada a la ruta Γyoj como

Fyoj(Γyoj)=∏(k,l)∈ΓyojPAGSkl.

(20)

Al agrupar todas las probabilidades asociadas a rutas de la misma longitud en la cantidad

Fyoj(norte)=∑∣∣ΓyojEl |=norteFyoj(Γyoj), podemos reemplazar en (19) la suma de todos los
caminos que conectan yo a j con una suma sobre la longitud de la ruta entera para obtener

reMPyoj(δ)=-En[nortemax∑norte=1mi-norteδFyoj(norte)],

(21)

9/16
dónde nortemaxes la longitud máxima de la ruta en la red. Si seleccionamos el camino ˜Γyoj
de longitud ˜norteque está asociado a la contribución dominante, es decir, la ruta que
maximiza su probabilidad asociada y minimiza la longitud de la ruta topológica, se recupera la
distancia efectiva de la ruta más corta de (14)

˜reMPyoj(δ)=˜norteδ-EnFyoj(˜norte)=reSPyoj(δ).

(22)

Por lo tanto, la distancia de ruta múltiple proporciona una estimación más precisa del tiempo
de llegada de la infección, ya que permite tener en cuenta la ruta más probable y todas las
rutas de transmisión alternativas posibles. Sin embargo, dado que el número total de rutas
entre yo y j puede escalar como O(V!), la medida reMPyoj se vuelve computacionalmente
inviable para gráficos grandes.

Ambas medidas reSPyoj y reMPyojconfíe en el hecho de que la epidemia se extenderá a lo

largo de senderos simples, es decir, rutas que no se cruzan. Aquí seguimos un enfoque
diferente e introducimos una distancia que incluye todas las caminatas aleatorias posibles
desde el origen hasta el objetivo. Relajar el supuesto de propagación dirigida es equivalente a
borrar efectivamente la memoria del sistema en cada paso de tiempo. Esto se logra al incluir
en (19) todas las caminatas Ξyoj, que contrario a los caminos Γyoj, permitir también nodos ya
visitados. Definimos la distancia efectiva de caminata aleatoria generalizando (19) como

reRWyoj(δ)=-En⎡⎢⎣∑{Ξyoj}mi-norteyojδHyoj(Ξyoj)⎤⎥⎦,

(23)

dónde Hyoj(Ξyoj) es la probabilidad asociada a una caminata que comienza en yo y llega a j.

En cuanto a las probabilidades Fyoj podemos agrupar las probabilidades asociadas a
caminatas de la misma longitud en Hyoj(norte)=∑∣∣ΞyojEl |=norteHyoj(Ξyoj). Esta última es
precisamente la probabilidad de tiempo de golpe para una cadena de Markov definida
recursivamente como [29]

Hyoj(norte)=∑k≠jPAGSyokHkj(norte).

(24)

Así Hyoj(norte) es simplemente el norteth poder de la matriz de probabilidad de

subtransición obtenida eliminando el jthfila y columna. Contrariamente al escenario de
múltiples caminos, ahora las caminatas son ilimitadas y se vuelven nortemax. Además, dado
que cada término en la suma (23) es positivo, suponiendo la convergencia de la suma,
podemos reorganizarlo como

reRWyoj(δ)=-En[∞∑norte=1mi-norteδHyoj(norte)].

(25)

10/16
En la Fig. 3 usamos el coeficiente de correlación de Pearson R2para cuantificar la precisión
de las diferentes medidas utilizando el aeropuerto de São Paulo como fuente de infección.
Cada punto en el diagrama de dispersión corresponde a un aeropuerto, que está etiquetado
como infectado en las simulaciones cuando la densidad de infección es mayor que cero. La
alta correlación con el tiempo de llegada de la infección que se encuentra en la Ref. [20] el uso
de un enfoque de camino más corto (azul claro) se mejora al considerar la distancia efectiva
de caminata aleatoria (violeta). Los puntos en la diagonal discontinua indican un acuerdo
perfecto entre la simulación y la distancia efectiva. La distribución de correlación
considerando todos los nodos en la red como semilla infectada inicial muestra que no solo la
medida propuesta aquí posee una correlación promediada más alta, sino que también tiene
más picos a su alrededor (ver Fig. 4)

HIGO. 3)
+ Abrir en nueva ventana

Correlación de los tiempos de llegada de la infección en días obtenidos de la simulación de (9)

con el camino más corto (círculos azules claros) y la distancia efectiva de caminata aleatoria
(cuadrados violetas). El nodo infectado de origen yo es el aeropuerto internacional de São
Paulo Guarulhos, y cada punto en el diagrama de dispersión corresponde a un aeropuerto j en
la red de movilidad global, con un tamaño proporcional a su fuerza kWj. La movilidad y los
parámetros epidemiológicos son respectivamente α=0,028re-1, β=0,407re-1y μ=0.271re-1
Resultando en δ=1. Los coeficientes de correlación de Pearson son R2SP=0,96 y R2RW=0,99.

HIGO. 4)
+ Abrir en nueva ventana

Distribución del coeficiente de Pearson. R2considerando todas las posibles fuentes de

infección en la red de movilidad global para los mismos parámetros que en la figura 3 .

Se puede encontrar una interpretación notable de la distancia efectiva de caminata aleatoria

al notar que por definición reRWyoj(δ)=-En⟨mi-δhj⟩yo, dónde hj es el momento de golpear al
nodo j [30] . Por lo tanto, desde Hyoj(0 0)=0 0 para yo≠j, tenemos la correspondencia

reRWyoj(δ)=-Cyoj(-δ),

(26)

con el logaritmo de la función generadora de momento, es decir, la función generadora

acumulativa del tiempo de golpeo en una cadena de Markov

Cyoj(s)=En[∞∑norte=0 0minortesHyoj(norte)]=En⟨mishj⟩yo.

11/16
(27)

Por lo tanto, se obtienen los acumulantes del tiempo de golpe diferenciando la distancia
efectiva de caminata aleatoria con respecto a δ a δ=0 0. Esta interesante correspondencia
permite relacionar rigurosamente las cantidades epidemiológicas como el tiempo de llegada y
la velocidad de infección en un modelo de reacción-difusión con las fluctuaciones del tiempo
de golpe. Entonces uno puede interpretar reRWyoj(δ)como energía libre generalizada en una
perspectiva de física estadística [31] y proporcionando un marco teórico más profundo que la
medida ad hoc propuesta en la Ref. [20] .

Desde el lado computacional, para evaluar la suma infinita en (25) , podemos restringirnos a
las primeras contribuciones no desaparecidas, que dominan debido a la exponencial
decreciente en la longitud de la caminata. norte. Sin embargo, también podemos resolver la
expresión completa reescribiendo (25) en una serie geométrica. Esto requiere vectorizar
reRWyoj con respecto al nodo de llegada j para obtener

reRWyo(j)(δ)=-En{[miδyo(jEl |j)-PAGS(jEl |j)]-1pags(j)}yo,

(28)

dónde PAGS(jEl |j) y yo(jEl |j) son las submatrices de transición e identidad obtenidas al
eliminar filas y columnas j [32] , mientras pags(j) es el jth columna de PAGS con elemento
jremoto. Para obtener la expresión anterior, la hemos usado para δ>0 0, todos los valores
propios de la matriz mi-δPAGS(jEl |j)son estrictamente más pequeños que la unidad. Para
cada nodo de llegada, la distancia efectiva de caminata aleatoria se puede obtener en tiempo
polinómico O(V3.4)utilizando, por ejemplo, el algoritmo Coppersmith-Winograd para la
inversión matricial [33] , haciendo factible el problema de las rutas de transmisión paralelas
incluso para redes grandes como la utilizada en nuestras simulaciones.

Para topologías altamente heterogéneas, como la red de tráfico aéreo [24] , solo un pequeño
número de rutas contribuye a reMPyoj. Tomar el límite de la contribución dominante en (23)
, que corresponde a la selección de la ruta dominante en (19) , le permite a uno descuidar la
suma sobre las caminatas (rutas), y da como resultado (22)

˜reRWyoj(δ)=-En[mi-˜norteδHyoj(˜norte)]=reSPyoj(δ).

(29)

En la Fig. 5, la comparación entre el enfoque de la ruta más corta y la caminata aleatoria para
la red de tránsito aéreo de EE. UU. [13] muestra que los resultados presentados aquí también
son sólidos para las redes Erdős-Rényi. Los coeficientes de correlación son respectivamente
R2SP=0,99 y R2RW=1.00 para la red de tráfico aéreo de EE. UU. y R2SP=0,94 y
R2RW=1.00para la red aleatorizada Erdős-Rényi. También se observa una mayor correlación
y estabilidad del enfoque de paseo aleatorio en el caso de redes artificiales, como en el caso de

12/16
Barabási-Albert no ponderado [9] y modelos de celosía (ver Fig. 6 ). Los coeficientes de
correlación para este último son R2SP=1.00 y R2RW=1.00 para la red Barabási-Albert y
R2SP=0,99 y R2RW=1.00 para el enrejado.

HIGO. 5)
+ Abrir en nueva ventana

Correlación del enfoque de camino más corto (azul claro) y caminata aleatoria (violeta) con el
tiempo de llegada de las simulaciones para la red de aeropuertos de EE. UU. Utilizada en la
Ref. [13] (a) y su versión aleatorizada (Erdős-Rényi) (c). En (b) y (d) la visualización de redes
correspondiente que consiste en V=500 nodos y mi=5960bordes Parámetros como en la Fig.
3.

HIGO. 6)
+ Abrir en nueva ventana

Correlación del enfoque de la ruta más corta (azul claro) y el paseo aleatorio (violeta) con el
tiempo de llegada de las simulaciones para una red de Barabási-Albert no ponderada (a) y una
incrustación de celosía bidimensional (c) que consisten en V=500nodos En (b) y (d) la
visualización de redes correspondiente. El número de aristas es, respectivamente, mi=998 y
mi=1000. Parámetros como en la Fig . 3 .

IV. CONCLUSIONES
En resumen, hemos presentado una generalización del concepto de distancia efectiva al
superar la restricción de la propagación de una enfermedad por el camino simple. La distancia
efectiva propuesta de caminata aleatoria incluye la medida de camino más corto previamente
definida como un caso particular. La notable correlación encontrada con el tiempo de llegada
de la infección puede explicarse de la siguiente manera. La contribución de las trayectorias en
bucle en la propagación de información física se descuida debido a la exponencial decreciente
en la longitud de la caminata. Este último sirve como amortiguador de tales contribuciones
para caminatas largas, y en particular nos permite descuidar las contribuciones de bucle
infinito. En escenarios en los que las rutas paralelas múltiples son importantes, por ejemplo,
en los gráficos de Erdős-Rényi o las redes regulares, la suposición de una ruta dominante
única se rompe, y la medida propuesta aquí puede usarse como una alternativa eficiente. El
poder predictivo de la distancia efectiva de caminata aleatoria se puede usar para estrategias
de contención y estimación de tiempos de llegada para pandemias globales reales desde la
topología de redes subyacentes. De hecho, la métrica de paseo aleatorio se puede aplicar
generalmente a cualquier red ponderada y dirigida además de las de transporte, por ejemplo,
en el contexto de interacciones sociales y difusión de rumores. Para redes no arboladas
localmente ponderadas, tanto las distancias efectivas de ruta más corta como de caminata
13/16
aleatoria producen una correlación máxima con el tiempo de llegada simulado, ya que la ruta
más corta tiende a dominar. El poder predictivo de la distancia efectiva de caminata aleatoria
se puede usar para estrategias de contención y estimación de tiempos de llegada para
pandemias globales reales desde la topología de redes subyacentes. De hecho, la métrica de
paseo aleatorio se puede aplicar generalmente a cualquier red ponderada y dirigida además de
las de transporte, por ejemplo, en el contexto de interacciones sociales y difusión de rumores.
Para redes no arboladas localmente ponderadas, tanto las distancias efectivas de ruta más
corta como de caminata aleatoria producen una correlación máxima con el tiempo de llegada
simulado, ya que la ruta más corta tiende a dominar. El poder predictivo de la distancia
efectiva de caminata aleatoria se puede usar para estrategias de contención y estimación de
tiempos de llegada para pandemias globales reales desde la topología de redes subyacentes.
De hecho, la métrica de paseo aleatorio se puede aplicar generalmente a cualquier red
ponderada y dirigida además de las de transporte, por ejemplo, en el contexto de interacciones
sociales y difusión de rumores. Para redes no arboladas localmente ponderadas, tanto las
distancias efectivas de ruta más corta como de caminata aleatoria producen una correlación
máxima con el tiempo de llegada simulado, ya que la ruta más corta tiende a dominar.

From a theoretical point of view our results show that the average infection arrival time in a
metapopulation model can be approximated by the cumulant-generating function of the
hitting time for a Markov chain. In fact, the generating function approach can also be used to
formally derive the latter from the first moments of the Gumbel distribution [18]. The
connection with the cumulant-generating function allows for an interpretation within
statistical physics. In particular this would explain how the different approaches are connected
in terms of the entropy associated to paths of fixed length [31,34]. This observation links
disease spreading on complex networks with a generic diffusion process. Further
developments and extensions of our results include the generalization to temporal networks
by considering a set of transition matrices, one for each time step [35,36].

EXPRESIONES DE GRATITUD
We thank T. Isele for insightful discussions and technical assistance. This work was developed
within the scope of the IRTG 1740/TRP 2015/50122-0 and funded by the DFG/FAPESP. A.K.
and P.H. acknowledge support by Deutsche Forschungsgemeinschaft in the framework of
SFB910.

F.I. and A.K. contributed equally to this work.

Referencias
1. A. Barrat, M. Barthélemy y A. Vespignani, Procesos dinámicos en redes complejas
(Cambridge University Press, 2008).
2. R. Pastor-Satorras y A. Vespignani, Evolución y estructura de Internet: un enfoque de
física estadística (Cambridge University Press, 2004).
3. R. Pastor-Satorras, C. Castellano, P. Van Mieghem y A. Vespignani, Rev. Mod. Phys. 87 ,
925 (2015) .
14/16
 4. C. Castellano, S. Fortunato y V. Loreto, Rev. Mod. Phys. 81 , 591 (2009) .
5. Y. Yang, JD Sugimoto, ME Halloran, NE Basta, DL Chao, L. Matrajt, G. Potter, E. Kenah
e IM Longini, Science 326 , 729 (2009) .
6. V. Colizza, A. Barrat, M. Barthélemy y A. Vespignani, BMC Med. 5 , 1 (2007) .
7. C.Poletto, MF Gomes, AP y Piontti, L. Rossi, L. Bioglio, DL Chao, IM Longini, ME
Halloran, V. Colizza y A. Vespignani, Eurosurveillance 19 , 42 (2014) .
8. S. Ioos, H.-P. Mallet, IL Goffart, V. Gauthier, T. Cardoso y M. Herida, Med. Las
enfermedades infectan. 44 , 302 (2014) .
9. ALABAMA. Barabási y R. Albert, Science 286 , 509 (1999) .
10. R. Pastor-Satorras y A. Vespignani, Phys. Rev. Lett. 86 , 3200 (2001) .
11. WV d. Broeck, C. Gioannini, B. Gonçalves, M. Quaggiotto, V. Colizza y A. Vespignani,
BMC Infect. Dis. 11 , 1 (2011) .
12. HHK Lentz, T. Selhorst y IM Sokolov, Phys. Rev. E 85 , 066111 (2012) .
13. V. Colizza, R. Pastor-Satorras, y A. Vespignani, Nat. Phys. 3 , 276 (2007) .
14. V. Colizza y A. Vespignani, J. Theor. Biol. 251 , 450 (2008) .
15. OAG ( www.oag.com ) proporcionó datos de movilidad global del tráfico aéreo .
16. Ver http://barabasi.com/networksciencebook/ .
17. LA Braunstein, SV Buldyrev, R. Cohen, S. Havlin y HE Stanley, Phys. Rev. Lett. 91 ,
168701 (2003) .
18. A. Gautreau, A. Barrat y M. Barthélemy, J. Stat. Mech 2007 , L09001 .
19. A. Gautreau, A. Barrat y M. Barthelemy, J. Theor. Biol. 251 , 509 (2008) .
20. D. Brockmann y D. Helbing, Science 342 , 1337 (2013) .
21. G. Abogado, BMC Infect. Dis. 16 , 1 (2016).
22. P. Crepey, FP Alvarez y M. Barthélemy, Phys. Rev. E 73 , 046131 (2006) .
23. M. Roosta, J. Math. Anal. Appl. 88 , 341 (1982) .
24. A. Barrat, M. Barthelemy, R. Pastor-Satorras y A. Vespignani, Proc. Natl. Acad. Sci.
Estados Unidos 101 , 3747 (2004) .
25. G. Caldarelli, Scale-Free Neworks (Oxford University Press, 2007).
26. LA Rvachev y MI Longini, Matemáticas. Biosci. 75 , 3 (1985) .
27. A. Clauset, CR Shalizi y MEJ Newman, SIAM Rev. 51 , 661 (2009) .
28. EW Dijkstra, Numer. Matemáticas. 1 , 269 (1959) .
29. JR Norris, Cadenas de Markov (Cambridge University Press, 1998).
30. JG Kemeny y JL Snell et al. , Cadenas finitas de Markov , vol. 356 (van Nostrand,
Princeton, 1960).
31. I. Kivimki, M. Shimbo y M. Saerens, Physica A 393 , 600 (2014) .
32. F. Zhang, Matrix Theory: resultados y técnicas básicas (Springer Science & Business
Media, 2011).
33. D. Coppersmith y S. Winograd, en Actas del Decimonoveno Simposio Anual de ACM
sobre Teoría de la Computación , (ACM, 1987), pp. 1-6.
34. F. Bavaud y G. Guex, en Informática Social: Actas de la 4ta Conferencia Internacional,
SocInfo 2012, Lausana, Suiza, del 5 al 7 de diciembre de 2012 , editado por K. Aberer, A.
Flache, W. Jager, L. Liu , J. Tang y C. Guéret, (Springer, 2012), págs. 68–81.
35. HHK Lentz, T. Selhorst y IM Sokolov, Phys. Rev. Lett. 110 , 118701 (2013) .
15/16
36. A. Koher, HHK Lentz, P. Hövel y IM Sokolov, PLoS ONE 11 , 1 (2016) .

16/16