Está en la página 1de 41

NOTAS DEL CURSO MODEL THINKING

En base a las presentaciones del Profesor Scott. E. Page University of Michigan

Febrero-Junio 2012
Elaboradas por: M. Arq. Javier Sandoval Flix

construsol@hotmail.com www.trazadigital.blogspot.com

I N T R O D U C T I O N: W H Y M O D E L ?

WHY MODEL? Porqu modelar? Para: a) Ser un ciudadano del mundo mas inteligente. b) Ser un pensador mas claro. c) Entender y usar informacin. d) Decidir, hacer estrategias y disear.

INTELLIGENT CITIZENS OF THE WORLD Ciudadanos mas inteligentes del mundo. Todos los modelos estn mal, pero algunos son tiles. Los modelos son la nueva lengua. Un nmero cada vez mayor de disciplinas usan modelos: biologa, economa, ciencias sociales, lingstica, leyes, teora de juegos, etc....Porqu? porque: a) Los modelos son mejores que nosotros. b) Los modelos son frtiles, una vez que se aplican a un campo, se pueden utilizar en otro. c) Nos hace mas humildes al mostrarnos cosas que no nos imaginbamos.

Los pensadores con muchos modelos saben mejor.

THINKING MORE CLEARLY Ser un pensador mas claro, porque: a) Al hacer un modelo tienes que primero ordenarlo de acuerdo a sus partes, lo que nos obliga a conocerlas y nombrarlas. b) Nos permite explorar de manera inductiva. c) Permite explorar la lgica de lo modelado. d) Nos muestra el tipo de resultado: a) Equilibrio b) Cclico c) Aleatorio d) Complejo (no es lo mismo que catico) e) Identica fronteras lgicas, al permitirnos saber cuando se sostiene una condicin y cuando no. f) Comunicar.

Todos los puntos anteriores nos ayudan a pensar lgicamente.

USING AND UNDERSTANDING DATA El usar y entender datos nos sirven para: a) Entender patrones de datos. b) Predecir puntos. En trminos de una grca lineal, con datos histricos podemos prever su comportamiento en el futuro.

c) Producir fronteras. Entre mas hacia el futuro se quiera predecir se vuelve mas incierto, pero en lugar de predecir un dato puntual, se puede predecir entre dos fronteras que establezcan un rango. d) Retrodiccin: predecir el pasado. e) Predecir cosas que antes de hacer el modelo no sabamos que existan. f) Informar la coleccin de datos: cual es la informacin que debo conseguir? g) Estimar parmetros ocultos. h) Calibrar: Construir un modelo y calibrarlo lo mas posible a la realidad.

USING MODELS TO DECIDE, STRATEGIZE, AND DESIGN Usar modelos para decidir, hacer estrategias y disear. Los modelos nos permiten:

a) Utilizarlos como buenas herramientas ara tomar decisiones.

b) Nos permite hacer esttica comparativa: que puede suceder si elegimos cierta opcin? c) "Conterfactuals": Imaginar como pudo haber sido cierta situacin: Qu hubiera sucedido si no hubiramos elegido cierta poltica? Nos permite ver, despus del hecho, si una poltica fue adecuada o no. d) Identicar y clasicar por su peso a "palancas" (palancas son elementos que afectan de manera muy signicativa al modelo). Hay muchos elementos pero, cual es el que tiene mayor inuencia?

e) Diseo experimental. f) Diseo institucional. g) Ayuda a elegir entre polticas e instituciones. --- S E G R E G A T I O N A N D P E E R EFECTS

SORTING AND PEER EFECTS INTRODUCTION Modelos que nos permiten entender un fenmeno emprico: gente que se junta tiende a pensar y actuar igual, y la gente que no tena las similitudes las adquiere al juntarse con ellas. Se ejemplicarn los conceptos con un Modelo Basado en Agentes. Se componen por lo siguiente: a) Individuos: pueden ser individuos, empresas, pases, etc. Son los agentes del modelo. b) Comportamientos: reglas que siguen los individuos. c) Resultados: Individuos que siguen comportamientos arrojan comportamientos, inclusive algo que no imaginbamos antes de hacer el modelo.

SCHELLING'S SEGREGATION MODEL Modelo de segregacin de Schelling. Este modelo quera estudiar un fenmeno emprico: la segregacin. Este modelo trata sobre gente eligiendo donde vivir. El agente, en base a una "regla de umbral", decide si se va o se queda dependiendo del nmero de vecinos similares a l. Lo que se descubre con este modelo es que aunque se tengan umbrales de tolerancia altos hacia personas diferentes a uno mismo, de todas formas se forman marcados patrones de segregacin espacial o "los micromotivos no son iguales al macrocomportamiento".

MEASURING SEGREGATION Midiendo la segregacin. ndice de disimilitud. Considerando un esquema en donde los cuadros azules sean gente rica, los amarillos gente pobre y los verdes una mezcla de 50% y 50% y en donde cada cuadro tenga 10 habitantes:

Para saber que tan distorsionada est la distribucin en un cuadro en particular, se realiza la siguiente operacin:

donde b/B es el porcentaje de la gente rica que vive en ese cuadro en relacin al total, es una proporcin del total. Las dos lneas verticales que encierran a la operacin signica que se debe de considerar como un valor absoluto. Lo que da como resultado:

Para entender mejor que es lo que hace la operacin, podemos ejemplicar con los dos siguientes casos extremos:

Ejemplo de un ndice de disimilitud igual a 2, el cual es el caso mas extremo de segregacin.

Ejemplo de un ndice de disimilitud igual a 0, donde en cada manzana hay igual cantidad de agentes ricos y pobres.

PEER EFFECTS Efectos de iguales. Una accin colectiva es mas probable si hay umbrales mas bajos y si hay mayor variacin en los umbrales. En el caso de una accin colectiva, se puede entender como umbral como el nmero de personas que alguien tiene que ver para que ese alguien tambin participe. Un umbral 0 es que ese alguien no tienen que ver a nadie participando para que entre a la accin, si el umbral es 4, tiene que ver a 4 personas participar antes de entrar, y as sucesivamente.

THE STANDING OVATION MODEL El modelo de la ovacin de pie. El modelo: T : Umbral para ponerse de pie Q: Calidad S: Q+E (E: error o diversidad. Es la apreciacin personal) Regla inicial: Si S>T, De pie Regla subsecuente: De pie si mas de X% se ponen de pie Que valor darle a X? El valor que se le de a X habla sobre el tipo de persona que es. Una X grande indica una persona segura, que conoce, pues tienen que pararse mucha gente para que este tipo de persona tambin se ponga de pie. Una X pequea indica una persona con poco criterio, que inmediatamente imita lo que los dems hacen. Con un simple valor, estamos resumiendo el carcter de una persona. Armacin 1: A mayor Q, mas gente se pone de pie. Armacin 2: A menor T! mas gente se pone de pie. Armacin 3: A menor X, mas gente se pone de pie. Armacin 4: Si Q<T, mas variacin en E, mas gente se pone de pie.

Respecto a la armacin 4: Por ejemplo, partiendo de un pblico con T= 60 y un espectculo con Q=50, nadie se pondr de pie. Pero si introducimos una E=15, entonces:

En este caso, solo un 5% se pone de pie (65-60). Pero si E=50, entonces:

En este caso, 40% se pone de pie (100-60).

Que puede provocar que E sea grande? Puede ser un pblico diverso o poco sosticado, o un show multidimensional o complejo de entender. Por lo tanto, a mayor variacin (un E mas grande), mas gente se pone de pie. Aparte de las cuatro armaciones, de que otra manera se puede propiciar que mas gente se ponga de pie? -Usar "Celebridades". Es gente con mucha inuencia y que no le importa, o no sabe, lo que opinan los dems y se ponen de pie.

-Armar grupos. Es mas probable que una persona se ponga de pie si ve que su grupo hace lo mismo.

THE IDENTIFICATION PROBLEM El problema de identicacin. Como saber si lo observado es por un efecto del modelo de schelling (el escoger estar con gente similar a mi) o del modelo de la ovacin de pie (actuar de manera similar a la gente con quien me junto). Para saber, no se podr con solo una imagen esttica del estado actual, se ocupan tener datos dinmicos y as ver si un elemento cambi para poder ser igual a los que lo rodean (peer effect) o se traslad a un lugar en donde hay otros similar a l (sorting effect).

--------------- A G R E G A T I O N AGREGATION Agregacin (o por qu el mundo social es tan diferente de las partes que lo componen). Una de las ideas principales de la agregacin es: "Mas es diferente". No se puede reducir el estudio de algo solo observar sus partes porque se pierde de vista su totalidad. Un ejemplo es la molcula de agua. La molcula en s no tiene propiedad de humedad, esa propiedad "emerge" cuando las molculas se agregan y, debido a la debilidad de sus enlaces, la podemos penetrar y mojarnos.

CENTRAL LIMIT THEOREM Teorema del lmite central. Este es un modelo de agregacin, donde se muestra una distribucin de probabilidades . Usamos a este teorema como un modelo para explicar como al agregar una serie de eventos independientes obtenemos una Distribucin Normal, y como al entender su Mediana (el resultado mas probable) y Desviacin Estndar (que indica la distribucin de los resultados) podemos las podemos usar para predecir qu tan probable es que sucedan cosas. Para pode tener esa distribucin normal es que los datos sean independientes entre s y que su varianza sea nita, porque de otra manera se tendrn otros tipos de comportamientos.

Ejemplo: La Mediana=pN p= es la probabilidad del suceso. Si ir a la playa solo sucede un 15% de las veces y tengo a 1000 gentes, entonces N=1000 p= 0.15

Mediana o pN= 150

150 es el promedio, pero tambin pueden llegar 200, 300 o 50. Cual es la probabilidad de que las cantidades anteriores sucedan? Cual es su DISTRIBUCIN? Para empezar, el Teorema nos indica que vamos a tener una distribucin en forma de campana, donde en su centro estar pN.

Pero hay mas, cuando dibujamos la curva, tenemos la Mediana y tambin la Desviacin Estndar (representada por el smbolo sigma) que nos indica la distribucin de los resultados. El teorema nos indica que el 68% de todos los resultados van a estar a una Desviacin Estndar, el 95% a dos y el 99.75% a tres:

Considerando esto, si tengo una Mediana de 100 gentes y una Desviacin Estndar de 2, se que el 95% de las veces la asistencia ser entre 96 y 104 personas.

Si tomamos el ejemplo de arrojar una moneda, sabemos que el 50% de las veces el resultado ser cara, o una probabilidad de 1/2. Cuando sabemos que la probabilidad es de solo 50 y 50, la Mediana simplemente es N/2 y la Desviacin Estndar ser de N/2:

Por lo tanto, si arrojo una moneda 100 veces la mediana ser 50 y la Desviacin Estndar 5, lo que signica que el 68% de los resultados estarn 45 y 55 caras. Esto signica que si arrojamos la moneda 100 veces y contamos las caras, volvemos a arrojar 100 veces y contamos de nuevo las caras y as muchas veces, el 68% de las tiradas de 100 arrojaran entre 45 y 55 caras. Igualmente, 95% de las tiradas ser entre 40 y 60 caras y el 99.75% entre 35 y 65, es decir, casi nunca arrojaremos menos de 35 caras y casi nunca mas de 65:

Cuando la probabilidad es otra que no sea 50% y 50%, la Mediana y la Desviacin se obtienen de la siguiente manera (distribucin binomial):

Mediana= pN Desviacin Estndar= p(1-p)N Ejemplo: En las aerolneas se venden mas boletos que asientos porque se sabe que no todos los que compran boleto se presentan, y el objetivo de esta sobreventa es que se llene el avin sin que nadie quede afuera. Si se sabe que el 90% de la gente que compra boleto de avin se presenta al abordaje y el avin tiene 380 asientos, cual es la probabilidad de que si vendo 400 boletos se presenten mas de 380 personas?

Mediana= pN= 0.9(400)= 360

pero, cual es la probabilidad de que se presenten mas de 380? Lo cual no se desea que suceda porque el avin solo tiene ese nmero de asientos. Entonces:

El 68% de las veces se presentarn entre 354 y 366 pasajeros, el 95% entre 348 y 372 y el 97.75% entre 342 y 378. Esto signica que si el total de asientos es de 380, 97.75% de las veces no se tendrn problemas por sobreventa.

SIX SIGMA Six sigma, o como lograr control de calidad con la Distribucin Normal al hacer los procesos mas predecibles para tener menos errores. Retomando el tema de las desviaciones estndar (o sigma ) en una distribucin normal, que tan seguido estaremos fuera de 6 desviaciones estndar (6)? Respuesta: 3.4 en un milln, prcticamente nunca estaremos fuera de 6 desviaciones estndar. Tomando el ejemplo de un proceso de manufactura, podemos usar 6 para determinar cuanta debe ser nuestra variacin (Desviacin Estndar) para que siga quedando dentro de un rango aceptable:

Grosor de metal necesitado: 500-560 mm Media: 530

Desviacin Estndar de Seis Sigma: 560-530 = 30 si quiero que 30 sea seis sigma, entonces: = 5 En el proceso de manufactura voy a querer que mi desviacin estndar sea de 5 mm.

GAME OF LIFE. El juego de la vida. Pertenece a unos modelos llamados autmatas celulares, y nos ensea como con estructuras simples siguiendo reglas simples se pueden obtener patrones complejos, mostrndonos qu compleja puede ser la agregacin. A travs de una cuadrcula en donde cada cuadrado puede tener un estado de "vivo" o "muerto" (o prendido o apagado) segn unas reglas de transicin que dependen del estado de sus vecinos, podemos tener cuatro tipos de estados del sistema: puede "morir", alternar de un estado a otro, complejo o aleatorio. Con este juego podemos ver: -Organizacin propia: Aparecen patrones sin un diseador. -Propiedades emergentes: patrones con funcionalidad. -Nos ayuda a razonar lgicamente: unas reglas sencillas producen fenmenos increbles que no pudiramos haber previsto si no hubiramos hecho el modelo.

CELLULAR AUTOMATA

Autmatas celulares. Una de las preguntas principales que queremos responder cuando modelamos es saber cual va a ser el comportamiento resultante: ser el equilibrio? un patrn? aleatorio? complejo?. Los autmatas celulares no nos van a dar la respuesta denitiva, pero nos ayudan a entender por qu se pueden llegar a tales resultados. De este modelo vemos que:

-Reglas sencillas se combinan para formar cualquier cosa. -"It from Bit": la teora de que cualquier cosa, en su esencia, se puede explicar con reglas de bits o "prendido" y "apagado". -Para que se den resultados de tipo aleatorio o complejo, se necesita cierto nivel de interdependencia ente las acciones. Por lo tanto, si vemos complejidad en el mundo es porque hay interdependencia entre sus componentes.

PREFERENCE AGGREGATION Agregacin de preferencias. Respecto a nuestros gustos por ciertas cosas, de manera individual podemos tener un orden jerrquico de preferencias, o Preferencias Transitivas, donde por ejemplo preferimos A sobre B y B sobre C: A>B>C

y en donde no sera racional que a la vez preferiramos a C sobre A. Pero, qu resultara de considerar a varios individuos, cada uno con preferencias transitivas diferentes (preferencia colectiva). El resultado podra ser: A>B>C>A

Entonces, a pesar de que a manera individual tienen preferencias racionales (transitivas), de manera colectiva no. Esta es una paradoja de la agregacin. Aqu la agregacin nos da algo que no es una propiedad de la sus partes. Esto es conocido como la Paradoja de Condorcet: cada persona es racional, la colectividad no.

--- DECISION

M O D E L S

INTRODUCTION TO DECISION MAKING. Introduccin a la toma de decisiones. Estos modelos los utilizamos para dos motivos: 1) Normativo: nos ayudan a tomar mejores decisiones y 2) Positivo: predecir el comportamiento y entender las decisiones de los dems. Hay de dos tipos de modelos para la toma de decisiones: 1) Multi-criterio (cuando se toman decisiones conociendo todos los atributos) y 2) Probabilstico (cuando se tienen que tomar decisiones bajo incertidumbre)

MULTI-CRITERION DECISION MAKING Toma de decisin multicriterio. Es cuando tenemos una serie de dimensiones o criterios a evaluar respecto a una decisin a tomar, y puede hacerse de manera cualitativa o cuantitativa.

Tabla cualitativa

Tabla cuantitativa

SPATIAL CHOICE MODELS Modelos de decisin espacial. En lugar de evaluar varios criterios, se tiene como referencia un punto ideal, y decidir por el elemento que est mas cerca de ese punto. Un modelo puede pasarse a datos de dos dimensiones, pudiendo representar en un

plano cartesiano X y Y donde cada elemento tiene estos dos valores y por lo tanto una posicin en la grca, posicin que estar a cierta distancia de nuestro pinto ideal. El elemento mas cercano al punto ideal es el que elegiremos. Por ejemplo, para decidir por un carro, se pueden evaluar velocidad y confort, donde dos marcas de acuerdo a sus valores se ubican en ciertas coordenadas, y el que est mas ceca de mis valores ideales de velocidad y confort es el que voy a elegir.

PROBABILITY: THE BASICS. Probabilidad: las bases, o la toma de decisin bajo incertidumbre. La probabilidad es la posibilidad de que algo suceda. La probabilidad debe de satisfacer tres axiomas: a) La probabilidad de que algo suceda est entre 0 y 1 (o entre 0 y 100%) b) La suma de todos los posibles resultados (un evento) es igual a 1. (Por ejemplo, al arrojar una moneda, hay 1/2 de probabilidad que resulte cara y 1/2 que resulte cruz, se suman y el resultado es 1) c) Si A es un subconjunto de B, entonces Prob(B)Prob(A). (Por ejemplo, al arrojar una moneda la probabilidad que resulte cruz es 1/2, y que resulte cara o cruz es 1, por lo tanto 11/2. Hay tres tipos de probabilidad: a) Clsica. Algo que ya se sabe de manera clsica, como los lados de un lado, y a partir de ah simplemente se calculan las probabilidades. b) Frecuencia, donde se cuenta el nmero de veces de una cosa y de ah se estima la probabilidad de que esta suceda (Por ejemplo, en base a un historial del clima de 100 aos, contar las veces que a llovido en la fecha del da de maana y estimar la probabilidad de que maana llueva). c) Subjetiva, donde no tenemos datos as que no podemos aplicar la Clsica ni Subjetiva, as que tenemos que adivinar. Para no tener que hacer esto, podemos utilizar un modelo para que nos de un estimado de las probabilidades.

DECISION TREES rboles de decisin. Se utilizan: a) cuando hay mucha incertidumbre y toda una serie de posibles resultados b) cuando queremos observar las decisiones que toma una persona y as entender como esa persona entiende al mundo. c) para aprender mas sobre nosotros.

Los rboles son ramas que representan elecciones, y donde elegimos la que ofrezca mayor recompensa. Por ejemplo: quiero ir a un lugar y necesito comprar el boleto. Si compro el boleto de las 3 PM cuesta $200 y el de las 4 PM cuesta $400, y hay 40% de probabilidad de que no llegue a tiempo a comprar el boleto de las 3 PM Compro ese boleto o no? Si no llego, gastar $600 por los $200 perdidos por no llegar a tiempo mas los $400 del boleto de la siguiente hora. Se parte del primer nodo de decisin de donde parten dos decisiones posibles respecto al boleto de las 3 PM: comprarlo o no no comprarlo. Si no lo compro gastar $400, pero si s lo compro tendr $360 menos. Con esta ltima decisin gastar menos y por lo tanto s comprar el boleto.

Tambin podemos usar los rboles para inferir que piensan otras personas de las probabilidades. Por ejemplo: tenemos una amiga que nos habla de una oportunidad riesgosa de inversin que paga $50,000 con una inversin de $2,000. Ella dice que va a hacer la inversin, la hago yo tambin?. Lo que podemos preguntarnos es cual es la probabilidad que ella piensa que hay para que esto ocurra? De acuerdo al rbol de los posibles resultados, descubrimos que mi amiga piensa que al invertir y antes de que las probabilidades se maniesten (crculo negro), el resultado en ese nodo es mayor que cero. Si trabajamos esa expresin, entonces:

Por lo tanto, ella piensa que aunque arriesgado, hay 4% de probabilidad de que sucedan los $50,000. Aqu vemos que, aunque no sepamos cuales son las probabilidades de que suceda algo, podemos inferir a travs de las acciones de otros el saber cuales son las probabilidades que ellos piensan.

VALUE OF INFORMATION Valor de la informacin. Los ejercicios anteriores han sido sobre la toma de decisiones bajo incertidumbre pero, que tal si supiramos de antemano los resultados, que valor tendra esa informacin?

Por ejemplo: tengo las siguientes opciones Opcin A comprar un carro Opcin B rentar un carro a $500 Hay 40% de probabilidad de que la compaa de carros ofrezca un programa de reembolso de $1,000 a partir del prximo mes. Puedo comprar el carro, o rentar uno y esperar que se ofrezca el programa de reembolso. Pero, si alguien supiera si el prximo mes se va a aplicar el programa, cuanto vale esa informacin? Para saber se hacen tres cosas: a) Calcular el valor sin la informacin b) Calcular el valor con la informacin c) Calcular la diferencia

a) Sin la informacin:

Sin la informacin, si rento tendr $100 menos, y si compro simplemente me quedo en $0. As que si no tengo la informacin simplemente debera comprar el auto.

b) Con la informacin:

40% de las veces tendr una ganancia de $500 del programa de reembolso ($1,000 del programa menos $500 por la renta del auto), lo que da un resultado de $200.

c) Calcular la diferencia de los valores que da sin la informacin y con la informacin: $0 - $200 = $200.

El valor de la informacin es de $200. --------------- T H I N K I N G E L E C T R O N S : M O D E L I N G P E O P L E

RATIONAL MODELS Modelos racionales o como pensar en la gente como estrategas. Aqu la gente se modela como estrategas que se jan un objetivo, y actan de la manera mas eciente para llegar a l. BEHAVIORAL MODELS Modelos de comportamiento o como darle el traste a lo racional gracias al sesgo de la gente.

A diferencia de actuar de manera racional, la gente puede tomar decisiones irracionales gracias a sesgos en su forma de ser.

RULE BASED MODELS Modelos basados en reglas o como decirle como actuar a nuestras personitas electrnicas. De esta manera podemos establecer cmo deben de actuar nuestros agentes, ya sea siempre tomando las mismas decisiones o adaptando las mismas dependiendo de los resultados, dentro de un contexto en donde se considera o n se considera las decisiones de los dems para hacer lo propio. WHEN DOES BEHAVIOR MATTERS? Cuando importa el comportamiento o no hay una nica forma de modelar.

Hay que considerar las tres formas de modelar cuando hagamos un modelo.
--------------- C A T E G O R I C A L A N D L I N E A R M O D E L S

INTRODUCTION TO LINEAR MODELS Introduccin a modelos lineares, o como traer los modelos a datos, a travs de: a) Modelos categricos: los datos se categorizan en "cajones" y se comparan las variaciones entre la informacin de los cajones, para ver si la categorizacin nos puede explicar porqu estn las variaciones observadas. b) Modelos lineares: cuando una variable Y depende de X, o Y=f(X) (Y es una funcin de X), y la relacin se puede gracar como une recta. c) Modelos no lineares: cuando no se puede gracar como una recta.

CATEGORICAL MODELS Modelos lineares o como organizar datos en categoras. Podemos tener cierta cantidad de informacin con mucha variacin de datos. Una forma de reducir esta variacin esta en organizar estos datos en categoras. Al separar los datos de esta manera podemos reducir la variacin de datos y ver su comportamiento en cada categora. La cantidad de variacin se puede explicar con el mtodo de la r al cuadrado (r es la variacin). Entre menor variacin tengamos por la forma en que categorizamos la informacin, podemos ver de donde viene. Si con las categorizaciones que vamos haciendo sucesivamente logramos que la variacin sea menor, signica que hemos "entendido" el modelo, y podemos "explicarlo", y esto se logra con la r al cuadrado: entre mas se acerca a 1 , mayor variacin del modelo es explicada.

LINEAR MODELS

Modelos lineares o como una cosa est en funcin de otra (o como Y depende de X)

En donde se explica que un dato es funcin de otro: y=f(x). Por ejemplo, nuestra salud (y) puede estar en funcin de ejercicio que hagamos (x). La relacin entre y y x es una lnea. Adems, los modelos lineares nos dicen el signo (positivo y negativo, incremento o decremento) y la magnitud de los cambios. FITTING LINES TO DATA Ajustando lneas a los datos, o como explicar la variacin de datos con una lnea. Se explica un mtodo para ajustar una lnea que explique de la mejor manera la variacin de los datos.

READING REGRESION OUTPUT Leyendo resultados de regresin, o como interpretar una bola de datos.

FROM LINEAR TO NON-LINEAR De lo lineal a lo no lineal, o como dibujar una lnea cuando no se ve fcil por donde dibujarla. Cuando los puntos de datos en un cuadrante estn distribuidos de manera irregular se pueden hacer tres cosas: sustituir una linea curva por varias lineas rectas que se adapten a esta, dividir el cuadrante en segmentos y dibujar una linea para cada uno debiendo conectar todas las lneas entre s para que quede una sola, y sustiuir x por cualquier cosa que nosotros queramos. THE BIG COEFFICIENT VS THE NEW REALITY El gran coeciente vs la nueva realidad, o como el invertir en los grandes coecientes nos pueden cegar de otras soluciones. El prestar atencin a los coecientes (de la ecuacin de la recta) de mayor impacto nos puede hacer ignorar soluciones que puedan tener un impacto similar al que buscamos al atender a estos coecientes.

----------- TIPPING

P O I N T S

TIPPING POINTS Puntos de inexin o cuando un cambio pequeo produce efecto grande. Cuando se observa una grca, no confundir puntos de inexin con el comportamiento normal de un crecimiento exponencial.

PERCOLATION MODELS Modelos de ltracin, o como el llegar al llegar del punto A al punto B produce una inexin. Donde se muestra cmo al aumentar la probabilidad de bajar de la parte superior a la parte inferior de un damero produce un punto de inexin. El ejemplo se puede entende como un tablero con cuadros blancos que simbolizan agua y en la parte superior una rana. Para bajar la rana busca una roca sobre la cual saltar. Dependiendo del nmero y distribucin de las rocas es la probabilidad de que la rana llegue hasta la parte inferior. Entre mas rocas, mas probabilidad. Empezando de cero y aumentando el nmero de rocas, la rana an no podr encontrar un camino sino hasta llegar hasta un punto en que haya sucientes rocas para lograrlo. Este punto es el de inexin.

CONTAGION MODELS 1 & 2 Modelos de contagio o como con los modelos de difusin podemos saber si una enfermedad, o informacin, se propaga o no sabiendo si el valor de "r" es mayor o menor que 1. CLASSIFYING TIPPING POINTS Clasicando los puntos de inexin o no todos los puntos de inexin son iguales. Aqu se muestran tipos tipos de puntos de inexin: directos, contextuales, entre clases y de una clase a otra (clases: equilibrio, peridico, complejo y aleatorio). MEASURNG TIPS Midiendo los puntos de inexin o como saber las posibilidades de una inexin o cuanta informacin ocupamos para identicarla. Una inexin es un cambio en la probabilidad de un resultado, por ejemplo, lo que pensbamos que iba a pasar ya no sucede o lo que no sabamos que iba a pasar ahora s lo sabemos. Para medirlos hay dos formas: el ndice de diversidad y la entropa. Cualquier pliegue en la lnea de una grca no signica un punto de inexin.

--------- ECONOMIC

G R O W T H

EXPONENTIAL GROWTH Crecimiento exponencial o como un pequeo incremento en el porcentaje del crecimiento hace una gran diferencia a la larga. BASIC GROWTH MODEL Modelo bsico de crecimiento o porqu todo crecimiento tiene un lmite y llega a un punto de equilibrio.

SOLOW GROWTH MODEL Modelo de crecimiento de Solow o como podemos evitar el punto de equilibrio y seguir creciendo a travs de la innovacin (que en el modelo es un simple multiplicador). WILL CHINA CONTINUE TO GROW? China seguir creciendo? o como invertir solo en capital inevitablemente se llegar a un punto de equilibrio si no se invierte en innovacin. WHY DO SOME COUNTRIES DO NOT GROW? Porqu algunos pases no crecen? o la importancia de un gobierno central fuerte (pero no demasiado, ni de unos pocos) que inviertan en capital y tecnologa, y como los adelantos por la propia tecnologa conduce a la "destruccin creativa" de las viejas formas de produccin.

------------- D I V E R S I T Y A N D I N N O V A T I O N
PROBLEM SOLVING AND INNOVATION Introduccin al mdulo

PERSPECTIVES AND INNOVATION Perspectivas e innovacin o como representar la solucin de un problema con un modelo formal. La solucin de un problema complejo puede volverse sencillo si se cambia de perspectiva: la forma de representar un problema...hasta verse casi obvio (ejemplo del cuadro mgico que suma quince es una mejor perspectiva que el juego "suma de quince"). La forma en que representemos un problema resultar en que si ser fcil o difcil de resolver. Todo depender de como lo representemos, como es la perspectiva.

HEURISTICS Heurstica, o una vez que ya se tiene representado el problema (perspectiva), como nos podemos mover en l para encontrar la solucin. La heurstica es una tcnica para encontrar soluciones. Una ejemplo de heurstica, piensa en cual puede ser la solucin y haz lo opuesto. El pensar as ha descubierto formas innovadoras de resolver problemas. Los algoritmos son heursticas. Al menos que no conozcas aunque sea parte del problema, ninguna heurstica ser mejor que otra.

TEAMS AND PROBLEM SOLVING Equipos y la solucin de problemas, o como con varias se puede llegar a mejores soluciones que con una sola persona, gracias a la diversidad.

RECOMBINATION Recombinacin o como la combinacin de muchas soluciones a subproblemas pueden conducir a la solucin de un gran problema. Exaptation: tomar la solucin de un problema y aplicarla en otro diferente. Inclusive, una solucin fallida para un problema pueden ser exitosa en otros problema. Innovacin=Diversidad+Recombinacin.

--------- M A R K O V P R O C E S S E S

MARKOV MODELS Idea bsica de Modelos de Markov: estn compuestos de un nmero nito de estados, y de entidades que transitan de un estado a otro de acuerdo a probabilidades de transicin fsicas. En un modelo, con el tiempo llega a un equilibrio estadstico: Teorema de Ergodicidad: cualquier proceso de Markov converge en un estado de equilibrio nico que no depende en el estado inicial del proceso o cualquier cambio ocurrido una sola vez al estado durante la historia del proceso. Para que se cumpla lo anterior, se tienen que cumplir los atributos de un proceso de Markov: 1. El estado del proceso en cualquier punto en el tiempo pertenece a un grupo nito de posibles estados. 2. El estado del proceso en el siguiente punto en el tiempo depende solamente de su estado actual y lo hace de acuerdo a probabilidades de transicin jas. 3. Es posible a travs de una serie de transiciones de ir de cualquier estado a otro. 4. El sistema no produce un ciclo determinstico a travs de una secuencia de estados.

Cuando tengo un sistema dinmico y quiero saber cual es la probabilidad de que suceda lo que pienso, es cuando se vuelven tiles los modelos de Markov. A SIMPLE MARKOV MODEL Un modelo de Markov simple o como aprender a usar la matriz de transicin de Markov y encontrar su estado de equilibrio. A MARKOV MODEL OF DEMOCRATIZATION Un modelo de Marcov de democratizacin o como se demuestra que a pesar de existir una tendencia a la alta, si persisten las mismas posibilidades de transicin, se llegar a un equilibrio, no al mas alto punto posible. El ejemplo es a travs de la tendencia observada de que hay una alza del nmero de pases libres respecto a los que los son parcialmente o los que son dictaduras. Al observar la tendencia de alza de los pases libres nos hara pensar que el futuro todos seran libres, pero observando sus probabilidades de que pueden pasar de cualquier estado alto, se concluye a travs de una matriz de Markov que se llegar a un punto de

equilibrio donde solo un porcentaje alto ser libre, y el resto sern parcialmente libres o dictaduras. Lo anterior trae a conclusin que mientras se conserven los mismos 3 estados posibles y las mismas probabilidades de pasar de cualquier estado a otro, siempre se llegar al mismo porcentaje de naciones libres sin importar lo que suceda en ellas, sin importar su historia (esto es al menos que no cambien las probabilidades de transicin de un estado a otro, o como se dice, se produzcan cambios profundos en los pases).

MARKOV CONVERGENCE THEOREM El teorema de convergencia de Markov o como podemos cambiar el estado de equilibrio a travs del cambio en las probabilidades de transicin, o gracias a que no se pueda cumplir la condicin de que se puede pasar de cualquier estado a otro. EXAPTING THE MARKOV MODEL Exaptando el modelo de Markov, o como se puede extrapolar el modelo para desde saber el comportamiento de una medicina, saber si ciertas naciones van a entrar en guerra entre si hasta saber si es probable que ciertos libros hayan sido o no escritos por un autor en particular.

--------- L Y A P U N O V F U N C T I O N S

LYAPUNOV FUNCTIONS Funciones de Lyapunov, o cmo saber si un sistema va a llegar a un equilibrio (si de un sistema podemos hacer una funcin de Lyapunov, signica que este sistema llegar en algn momento al equilibrio). El modelo tiene un valor mximo o un mnimo, y al llegar a estos llega al equilibrio (equilibrio es uno de los cuatro estados posibles de un sistema: equilibrio, cclico, aleatorio o complejo).

Para poder modelar un sistema con una funcin de Lyapunov se tienen que cumplir tres supuestos: a) Debe de existir una cantidad nita de recursos (tiene un valor mximo). b) El proceso sucede en pasos de tiempo discretos, y si el proceso no llega a un equilibrio, la cantidad del recurso disminuye. c) La disminucin del recurso ser al menos por una cantidad ja. Cuando lo anterior se cumple, se llega al equilibrio en un tiempo nito. Para demostrar que un sistema no llega a un equilibrio, no basta con decir "no pude hacer una funcin de Lyapunov", sino demostrar que el sistema no se detiene.

THE ORGANIZATION OF THE CITIES La organizacin de ciudades, o como el comportamiento de la gente al escoger los comercios menos abarrotados hace que estos funcionen de una manera mas eciente, y como este comportamiento se puede explicar con una funcin de Lyapunov. EXCHANGE ECONOMIES AND EXTERNALITIES Economas de intercambio y externalidades, o como el sistema cuando no provoca externalidades o solo externalidades positivas llega al equilibrio (se detiene), pero al causar externalidades negativas en otros el sistema se sigue moviendo (comportamiento complejo) sin saberse si en algn momento va a lograr equilibrio. Las externalidades que van en sentido contrario de lo que se persigue son los motivos por lo cual no se llega al equilibrio (si se quiere llegar al nivel mximo de felicidad, y si tomo una accin que me haga mas feliz pero que provoco que los dems sean menos felices, el total de felicidad del sistema es menor y se va a seguir moviendo hasta llegar, si es que lo logra, al equilibrio.

TIME TO CONVERGE AND OPTIMALITY Tiempo de converger y optimicidad, o se puede saber que tan rpido se llega al valor mximo o mnimo? y Siempre se detiene en el valor mximo o mnimo? R1= si, R2=no.

LYAPUNOV FUN AND DEEP Lyapunov divertido y profundo, o podemos siempre saber si un sistema va a llegar al equilibrio? Depende, no siempre lo sabremos. Tenemos el siguiente ejemplo. Hay un grupo de gente que se cambia de ocina y cada persona tiene que escoger una silla de un grupo de sillas diferentes y una ocina. En el caso de las sillas, todos toman una silla y empiezan a intercambiarlas hasta que cada quien est contento con su sillas: el intercambio se detiene, el sistema llega a un equilibrio. El caso de las ocinas es diferente porque puede haber externalidades negativas con la decisin que tomen: una persona al escoger una ocina puede suceder que su vecino inmediato acostumbre escuchar msica a un alto volumen, por lo cual decida cambiarse. Se cambia de lugar y se pone a un lado de una persona que le molestan las personas que se pasean cerca de ella, cosa que hace la persona que acaba de llegar, motivo por el cual la otra persona decida moverse, y as con las dems personas. Puede ser que constantemente se estn moviendo sin saberse en que momento, si es que lo logra, llega al equilibrio. Por lo tanto, al menos que sepamos mucho sobre la naturaleza de las externalidades, no podremos saberlo.

LYAPUNOV O MARKOV Lyapunov o Markov. Con las funciones de Lyapunov, su equilibrio no es estocstico como en los procesos de Markov, es un equilibrio jo. En un proceso de Markov no

importa donde se inicie (no importan cosas como la "historia" siempre y cuando se cumplen sus supuestos), siempre se llega a un equilibrio. Con las funciones de Lyapunov s importa.

----- C O O R D I N A T I O N A N D C U L T U R E

COORDINATION AND CULTURE Coordinacin (hacer lo mismo que otros hacen) y cultura. Cultura: 1) diferencias entre pases o grupos 2)similitudes, o coordinacin, dentro de estos pases o grupos y 3) Comportamiento "interesante", o que el comportamiento observado no es ptimo desde nuestra perspectiva. WHAT IS CULTURE AND WHY DO WE CARE? Qu es la cultura y porqu nos importa?, en donde se explican diferentes deniciones del cultura, y se muestran estudios sobre como un concepto es concebido de manera diferente entre culturas. PURE COORDINATION GAME El juego de coordinacin pura. El hecho de que alguien se coordine con el resto no signique que tome esa eleccin porque sea la manera mas eciente de hacer algo, sino que toma esa decisin porque eso lo que hacen los dems (un ejemplo es el sistema de medida ingls, que lo usa solo un puado de pases con respecto al resto del mundo. Es mas eciente el sistema mtrico, pero dentro de los EUA se usa porque es el sistema que est implementado ocialmente, no porque sea mas eciente).

EMERGENCE OF CULTURE Aparicin de cultura, o porqu hay diferencias entre culturas y porqu hay similitudes dentro de las mismas? Hay diferencias porque la gente trata de coordinarse: paradoja. Al tratar de coordinarse entre s ante una misma situacin (por ejemplo si al entrar a una casa te quitas los zapatos o no), al responder diferente se marca mas la diferencia entre culturas. El modelo de Axelrod demuestra que al interactuar entre agentes similares, algunos irn cambiando hasta que espacialmente se formen zonas con bordes duros en donde se encierran agentes que, con respecto a sus vecinos, o son muy similares (estn dentro de una misma zona o son muy diferentes (colindan con un borde duro que lo separa de otro agente muy diferente).

COORDINATION AND CONSISTENCY Coordinacin y consistencia. Aparte de que la gente se coordina entre s, agreguemos que tambin desea consistencia. Dentro de una cultura, hay similitudes entre sus integrantes, pero no necesariamente son idnticos. Por todo lo anterior:

1) La coordinacin entre gente dentro de una cultura explica porqu hay diferencias entre culturas (toman acuerdos diferentes ante una misma situacin). 2) La gente se puede coordinar en una accin equivocada: A. Por motivos de idiosincracia B. El valor de una accin cambia con el tiempo. C. Para mantener la consistencia. Podemos elegir una accin que es sub-ptima en un dominio, pero que s lo es en otro para poder consistentes.

Al integrar aunque sea una cantidad pequea de error o innovacin dentro de una cultura, esta se propaga rpidamente y produce una gran heterogeneidad entre individuos de una misma cultura, pero les da an as una consistencia general que los diferencia de otras culturas

Si los integrantes de una cultura se coordinan y convergen, se puede modelar esto con funciones de Lyaponov. Con un modelo de Markov podemos ver porqu al introducir error o innovacin se llega a un equilibrio de heterogeneidad.

---- PATH

D E P E N D E N CE

PATH DEPENDENCE La dependencia de la trayectoria = las probabilidades de resultados dependen de la secuencia de resultados pasados (esto no es determinante, solo afecta a las probabilidades). Lo que sucede a lo largo del proceso inuye en el resultado nal, no es un proceso determinista.

URN MODELS Modelos de urna. Estos son modelos sencillos basados en sacar pelotas de 2 colores de un urna o recipiente. Estos modelos demuestran como el resultado nal puede o no depender de la historia de la secuencia en que se sacaron los colores. En un primer caso, denominado Polya, se inicia con dos pelotas: una roja y una azul. Al sacar una, se regresa y se mete otra del mismo color y as sucesivamente. El resultado de esto es que al tener la urna llena de pelotas, las probabilidades de que haya pelotas rojas est en equilibrio y cualquier porcentaje es posible: podemos tener nalmente un 4%, 20% o 99% de pelotas rojas en la urna. Entonces, aunque el nmero de pelotas de cada color que existen en la urna en cada turno dependen del turno anterior, a la larga esta secuencia no tienen inuencia sobre el resultado nal. Igualmente, cualquier historia de secuencia en que se sacaron las pelotas tambin es igualmente probable y no nos dice nada sobre el resultado nal.

En un segundo caso, denominado Balance, es contrario al anterior. En este caso se agrega a la urna una pelota del color opuesto a la que se acaba de sacar: si se saca una roja primero, se mete otra azul. Si de nuevo se saca roja, ahora habr tres azules y una roja, por lo que la probabilidad de sacar una azul es mayor y por lo mismo igualmente mayor la de meter ahora una roja y se empieza a balancear. El resultado de esto es que el proceso converge hacia un porcentaje igual de pelotas rojas y azules: 50% y 50%. En este caso la secuencia en que se sacan las pelotas determinan el resultado nal.

Por lo tanto, las dependencias de trayectorias las podemos entender de dos formas:
Resultados dependientes de trayectorias: el color de la pelota en un periodo dado depende de la trayectoria

Equilibrios dependientes de trayectorias: el porcentaje de pelotas rojas a la larga depende de la trayectoria. MATHEMATICS ON URN MODELS Matemticas en los modelos de urna, en donde se comprueba matemticamente las aseveraciones de los modelos de urna de Polya y de Balance. PATH DEPENDENCE AND CHAOS Dependencia de trayectoria y el caos. Caos: sensibilidad extrema a las condiciones iniciales. Path dependence (Dependiente de la trayectoria): Las probabilidades del resultado y que porcentaje de cada color (condiciones de equilibrio), dependen de la secuencia en que sucedan los resultados anteriores. Como en el caso del modelo de Polya, no sabemos al nal cuantas pelotas rojas y azules habrn en la urna, ni que porcentaje de cada color.

En el caso contrario, cuando de antemano sabemos cuales van a ser las probabilidades de equilibrio, entonces no va a importar que suceda en el proceso en s, no es dependiente de la trayectoria (caso del modelo Balance, donde de antemano sabemos que a la larga el resultado converger a 50% rojas y 50% azules).

Phat dependence: Las probabilidades del resultado dependen de los resultados anteriores, pero no en la secuencia en que sucedan estos. En el caso del modelo de Polya respecto al porcentaje de pelotas rojas y azules, este va a depender del nmero nal de pelotas que hay en la urna. Supongamos que nalmente llegamos a 30% rojas y 70% azules despus de x iteraciones: para llegar a esa cifra no tomamos en cuenta la secuencia en que sali cada color, solo consideramos el nmero total de cada color al nal del proceso.

independence: El resultado no depende de las condiciones iniciales ni de lo que suceda a lo largo del proceso. Usando de nuevo e modelo de urna, el mas sencillo es el denominado Bernoulli, donde se saca una bola de color, se vuelve a meter y esto no tiene ninguna inuencia sobre el siguiente color que se saque. El resultado es independiente. PATH DEPENDENCE AND INCREASING RETURNS. Dependencia de la trayectoria y el aumento en los retornos, o mas produce mas. El modelo de Polya es un claro ejemplo de aumento en los retornos ya que al sacar una pelota de un color se ingresa otra pelota del mismo color. Por lo tanto, el aumento en los retornos depende de los resultados (dependiente de la trayectoria)? No necesariamente. Se puede tener un proceso dependiente de los resultados y que a la vez no tenga aumento en los retornos? Si.

Una causa muy grande de la dependencia de trayectorias son las externalidades, y el aumento en los retornos es solo una de ellas. Esto es muy dado en los proyectos pblicos: dado que estos son muy grandes, afectan a una variedad de intereses (externalidades) y estas externalidades son las que crean dependencia de trayectorias. PATH DEPENDENT AND TIPPING POINT Dependiente de la trayectoria o punto de inexin. La diferencia entre ambos es cuestin de grado. En los dos hay cambios, pero en la dependencia el cambio de ir de un resultado probable hacia otro es gradual, y en un punto de inexin el cambio es abrupto, nos lleva a un resultado inesperado o por lo que sucedi se resuelve la incertidumbre.

------------

N E T W O R K S

NETWORKS Redes, tres propiedades: Lgica: cmo se forma, Estructura: medidas y Funcin: qu es lo que hace. THE STRUCTURE OF NETWORKS La estructura de las redes: nodos + lneas o bordes (estas pueden tener direccin o no). La estructura de una red se caracteriza por tener: a) Grado: De un nodo: Nmero de bordes conectados a un nodo. De una red: promedio de grado de todos los nodos. Como saber este promedio? R:

Este parmetro nos dice la densidad de las conexiones, qu tan conectado est una red. a) Longitud de la trayectoria: Nmero mnimo de bordes que se tienen que recorrer para ir del nodo A al nodo B. b) Conectividad: Un grafo est conectado si puedes ir de un nodo a cualquier otro. Inclusive puede haber grafos que no estn conectados (se puede tener un grupo A de nodos conectados y un grupo B de nodos conectados pero estos dos grupos pueden no estar conectados aunque ambos formen parte de un grafo general). Un proceso de Markov se puede representar como una red, donde los nodos son los

estados y los bordes (direccionales) indican la probabilidad de pasar de un estado a

otro (de un nodo a otro): c) Coeciente de aglomeracin: Porcentaje de nodos triples que tienen bordes entre todos los tres nodos (o en otras palabras, cuantos tringulos se forman por la conectividad de tres nodos). Este parmetro nos indica que tan aglomerada est una red. El coeciente de aglomeracin es el nmero de tringulos existentes entre los posibles. Como se pueden contar el nmero de tringulos posibles? R:

1/20 es el coeciente de aglomeracin: un tringulo existente sobre 20 posibles.

THE LOGIC OF NETWORK FORMATION La lgica de la formacin de redes, en donde se piensa en los nodos como agentes que deciden con quien conectarse. Tomando en cuenta lo anterior, De que manera se pueden formar las redes? Pueden ser tres: a) De manera aleatoria. b) En pequeos mundos: en donde la gente tiene un porcentaje de amigos locales de "pandilla" y un porcentaje de amigos aleatorios.

c) Fijacin preferencial: en donde llega un nodo nuevo, y debe de decidir a cual nodo conectarse. La probabilidad de que se conecte a un nodo existente es directamente proporcional al grado del nodo (es decir, al nmero de conexiones que ya tenga). La distribucin (distribucin de cola larga) de esta red es que al nal se tienen muchos nodos con muy pocas conexiones y muy pocos nodos con muchas conexiones.

NETWORK FUNCTION Funcionamiento de redes, o qu es lo hace la red? El tipo de funcionamiento de una red depende de su Estructura, y esta a la vez es el resultado de la Lgica individual con que se conecta cada uno de los componentes (gentes, empresas, pginas web, etc.). Por ejemplo, las redes que se forman por jacin preferencial son muy resistentes a los ataques aleatorios, pero vulnerables a los ataques dirigidos. Esto, en el sentido de que hay mayor nmero de nodos poco importantes (nodos con una sola conexin) y mucho menor nmero de los que lo son importantes, y por lo mismo mayor probabilidad de afectar un nodo no importante simplemente por su nmero. En contraste, si se dirige un ataque a un nodo importante, la gran cantidad de nodos a los que est conectado (nodo de alto grado) sern afectados.

---- RANDOMNESS

A N D R A N D O M W A L K S

RANDOMNESS AND RANDOM WALK MODELS Introduccin SOURCES OF RANDOMNESS Fuentes de aleatoriedad. La aleatoriedad se puede determinar como un valor X mas un valor de error o aleatoriedad: X+e. De donde viene e?. Puede ser por:

a) b) c) d) e)

Ruido Error Incertidumbre Complejidad Caprichosidad (sobre todo si lo que se modela es gente).

SKILL AND LUCK Habilidad o suerte. Un resultado es el producto de habilidad + suerte. Hay un modelo de suerte-habilidad:

Resultado= a*Suerte + (1-a)*Habilidad

Si hay mucha variacin en los resultados, seguramente la suerte tiene un papel muy fuerte lo que signica que a tiene un valor muy alto. Si hay muy poca variacin en los resultados, la habilidad es la que tiene mas peso, por lo que 1-a tiene un valor alto. De que nos sirve saber si el resultado fue producto de la suerte o habilidad? Visto en diferentes contextos, nos puede servir para: a) Evaluar resultados b) Anticipar una regresin a la media c) Dar buena retroalimentacin d) Distribucin equitativa de recursos La paradoja de la habilidad es que cuando juntamos a personas con habilidades muy altas, el valor de estas van a ser muy semejantes y por lo tanto el factor que determinar quien es el mas hbil va a ser la suerte.

RANDOM WALKS Caminos aleatorios. Son procesos donde el valor acumulativo de algo depende de la secuencia de unas variables aleatorias. De lo anterior, se pueden concluir ciertos resultados matemticos. Partiendo de un ejemplo de juego en donde se arroja una moneda y cada vez que cae cruz gano un peso y si cae cara pierdo un peso: a) Despus de N (# par) de tiradas, debera esperar tener 0 pesos (porque las probabilidades de ganar o perder un peso son las mismas). b) Para cualquier nmero K, un camino aleatorio va a pasar por -K y +K un nmero innito de veces. c) Para cualquier nmero K, un camino aleatorio tendr una racha de K caras ( o K cruces) seguidas un nmero innito de veces.

Otro resultado---> Regresin a la media: Si se promedian todos los resultados, dicho promedio ser cero. RANDOM WALKS AND WALL STREET Caminos aleatorios y Wall Street. A diferencia del ejemplo anterior en donde la suma o resta es de un peso, los valores un modelo de camino aleatorio normal se toman de una distribucin normal. De aqu se desprende la hiptesis del Mercado Eciente: Los

precios reejan toda la informacin relevante. Por lo tanto es imposible ganarle al mercado. Esto es porque la informacin que se pudiera usar para ventaja propia, como el saber que el da de maana ciertas acciones subiran y por lo tanto las compraran para ganar dinero el da de maana, si se libera y es de conocimiento comn, todos compraran de esas acciones, por lo que el precio de esas acciones ya sera diferente al siguiente da.

FINITE MEMORY RANDOM WALKS Caminos aleatorios de memoria nita.En este caso, en lugar de considerar todos los valores anteriores para determinar el resultado, solo se toman los 5 o 6 valores inmediatos pasados: Valor en tiempo 10: V10= X10 + X9 + X8 + X7 + X6 Valor en tiempo 11: V11= X11 + X10 + X9 + X8 + X7

--- COLONEL

B L O T T O

COLONEL BLOTTO GAME El juego del Coronel Blotto es un modelo muy frtil. Es sobre estrategia de lo disparejo. Visto en un contexto de guerra, si yo tengo tropas y mi oponente tiene tropas, donde debo de ubicar las tropas de acuerdo a mi oponente?. Se juega en varios frentes, y se revisa cada uno. Quien tenga mas tropas en cada frente, lo gana. BLOTTO: NO BEST STRATEGY Blotto, no hay mejor estrategia. Explicacin del juego:

2 jugadores con T tropas N frentes (T >>N) Acciones: colocar tropas a lo largo de los frentes Resultados: # de frentes ganados. Por ejemplo, si existen 3 frentes, la batalla se gana si se obtiene la victoria en dos de estos. Si en el frente A hay 40 tropas, en el B 40 y en el C 20, se ocupan 62 del bando contrario para ganar: 41 en A, 0 en B y 21 en C. Este es un juego de suma de cero, donde cualquier estrategia puede ser derrotada (no hay estrategia perfecta), y donde en veces no se ocupan colocar todas las tropas para ganar.

APPLICATIONS OF COLONEL BLOTTO Aplicaciones del Coronel Blotto. Las elecciones de los EUA. Los estados pueden ser considerados como frentes, ya que el candidato que obtiene la victoria es el que gana mas estados, no el que obtiene mas votos. En el contexto del juego, el dinero puede considerarse como las tropas que se asignan a los frentes (estados) Terrorismo. Donde ubicar los recursos (aeropuertos, escuelas, fronteras, etc.) para que un ataque no sea exitoso? En este caso no importa ganar el mayor nmero de frentes, ya que ara los terroristas el ganar solo uno les basta. Por eso, si se sabe la cantidad de recursos con que cuentan los terroristas, simplemente hay que poner ms que esa cantidad.

BLOTTO: TROOP ADVANTAGES Blotto, ventaja de las tropas. Que hacer si mi cantidad de tropas est en desventaja respecto a mi contrincante? Mientras el nmero de frentes aumenta, el pas necesita una mayor ventaja relativa de recursos para garantizar la victoria. Por lo tanto, si estoy en desventaja, debo agregar dimensiones (frentes). Extrapolando esto a la venta de un producto, una nueva dimensin puede ser una nueva caracterstica sobre la cual los contrincantes debern ahora de competir, como lo es un nuevo sabor, presentacin, atributo, etc.

En un juego de Blotto de mas de 2 jugadores, se presentan ciclos donde el jugador 1 vence al 3, el 3 al 2 y el 2 al 1. BLOTTO AND COMPETITION Blotto y competencia. Respecto a los modelos que se han visto hasta ahora, dentro del marco de competencia, lo que se puede decir de cada uno es: a) Aleatorio: Igual probabilidad de ganar, frecuentes regresos a la media y no hay dependencia de tiempo. b) Habilidad y suerte: Diferentes probabilidades de ganar, clasicacin semiconsistente y no hay dependencia de tempo. c) Caminos aleatorios de memoria nita: Diferentes probabilidades de ganar, clasicacin semiconsistentes, s hay dependencia de tiempo y movimientos de arriba hacia abajo (mas regresos a la media). d) Blotto: tropas iguales: El resultado es igual a aleatorio, muchas maniobras. e) Blotto: tropas desiguales: El resultado depende de habilidad y suerte y hay muchas maniobras.

Como saber si lo observado es como un juego Blotto o de suerte y habilidad? La respuesta es: a) Dimensionalidad: Si los jugadores toman decisiones estratgicas altamente dimensionales, es mas como Blotto. Por ejemplo, en el ftbol se consideran mas dimensiones para ganar. En un maratn, hay muchas menos dimensiones a considerar y por lo tanto es de habilidad y suerte.

b) Suma cero: Si las acciones son solamente buenas relativas a otras acciones, es mas como Blotto ---

PRISIONERS

D I L E M M A A N D C O L L E C T I V E A C T I O N

INTRO: PRISONERS DILEMMA AND COLLECTIVE ACTION Intro: el dilema del prisionero y accin colectiva. Es un juego de interaccin de 2 x 2 en donde dos personas tienen la opcin de cooperar o no. De acuerdo a los resultados de esto, desde el punto de vista colectiva les conviene cooperar, pero desde el punto de vista personal no les conviene cooperar. Esto se representa de la siguiente manera: existiendo dos personas (P1 y P2). De un punto de vista colectivo, si las dos cooperan (C) obtienen un pago de 4 cada una. Como se observa, desde el punto de vista personal hay una clara incitacin a no cooperar, ya que de ser as obtendran 6, pero si las dos coinciden en no cooperar, obtendrn el valor mas bajo que es de 2. De esta manera, el inters colectivo no est alineado con el personal. Esta es la esencia de este juego y se puede extrapolar a muchos casos del mundo real.

SEVEN WAYS TO COOPERATION Siete maneras de cooperar. Como se puede dar la cooperacin en un dilema de prisionero? a) Repeticin o reciprocidad directa. Si se repite constantemente la cooperacin con alguien, si a esa persona la vuelvo a ver es probable que vuelva a cooperar con ella de nuevo. As que voy a cooperar siempre y cuando la vea con cierta frecuencia. Esto se puede representar as:

donde el resultado de cooperar es mi costo (-c) mas la probabilidad de volver a ver a la persona por el benecio (pb). As, mientas la probabilidad de volver a ver a la persona sea mayor al costo sobre el benecio (c/b), es mas probable que se d la cooperacin. b) Reputacin. En lugar de ver a alguien directamente, es la reputacin de esta por cooperar, se puede dar la cooperacin de nuevo c) Reciprocidad en red. En esta esquema, hay mayor posibilidad de que se d la no cooperacin, ya que una persona (nodo) al estar conectado con otras (otros nodos) puede "ver" si estn cooperando o no, y existe la posibilidad de que cambie de cooperar a no cooperar. En el punto anterior, si la cooperacin se va a basar en Reputacin, es mejor tener muchas conexiones (una red mas densa) para que esta reputacin se propague mejor. Pero si la cooperacin se va a dar por Reciprocidad en red, el tener una red mas densa no es conveniente porque quienes cooperan pueden cambiar a no cooperar entre mas nodos a los que estn conectados tampoco estn cooperando.

d) Seleccin de grupo. e) Seleccin por parentesco. f) Leyes y prohibiciones g) Incentivos

COLLECTIVE ACTION AND COMMON POOL RESOURCE PROBLEMS. Accin colectiva y problemas de recursos comunes. Donde aplica el dilema del prisionero cuando se trata de accin colectiva? Un ejemplo es en las emisiones de Dixido de Carbono, colectivamente nos conviene emitir menos, pero de manera

individual me conviene emitir mas para poder llevar a cabo mis actividades. En los problemas de recursos comunes, un ejemplo es la pesca. Hay un recurso comn que pueden ser los peces, cuantos podemos pescar sin que se lleguen a agotar?

NO PANACEA No hay panaceas, o como dependiendo del problema de cooperacin es el modelo que vamos a aplicar, no hay una sola forma que solucione todo.

--- MECHANISM

D E S I G N

MECHANISM DESIGN El diseo de mecanismos se utiliza para el diseo de instituciones y considerando que sus actores son racionales. Al formalizar una institucin se tienen reglas, acciones y resultados. Al utilizar el diseo de mecanismos, lo que queremos lograr son estructuras de incentivo, para que la gente haga lo que deseamos. Cuando se disea una institucin, hay dos problemas que hay que atender: a) Acciones ocultas: no se sabe lo que hace la gente, solo se ven resultados. b) Informaciones ocultas: no sabemos lo que la gente piensa.

Entonces, como superar los dos problemas anteriores?

HIDDEN ACTION AND HIDDEN INFORMATION Acciones ocultas e informaciones ocultas. Por ejemplo, respecto a acciones ocultas, Si quiero inducir a la gente para que trabajen duro, cuanto es lo que les debo de pagar? Siendo M el pago y la p la probabilidad de que tengan un buen resultado aunque no se esfuercen en hacerlo bien:

De esta manera, ya se cuanto me cuesta (M) y qu tan grande es M (c/(1-p), por lo tanto ya sabemos cual es la accin.

AUCTIONS Subastas. Con mecanismos de subasta podemos resolver el problema de informacin oculta. Hay subastas de puja ascendente, de segundo precio y de sobre cerrado. Siempre y cuando los pujadores sean racionales, el resultado ser similar no importando que tipo de subasta se utilice. PUBLIC PROJECTS. Proyectos pblicos. Como saber si nanciar o no proyectos pblicos? y por lo mismo, como hacer que la gente revele informacin respecto a cuanto est disponible por pagar por el proyecto? Se puede hacer a travs del Mecanismo de Pivote, el cual incita a la gente a decir la verdad respecto a cuanto est disponible a pagar, y as resolver el problema de informacin oculta.

--- L E A R N I N G M O D E L S: R E P L I C A T O R D Y N A M I C S REPLICATOR DYNAMICS Dinmicas de replicacin, o cmo entender como un agente aprende copiando las mejores estrategias. Las dinmicas de replicacin nos ensea a modelar procesos de aprendizaje o de evolucin. THE REPLICATOR EQUATION La ecuacin del replicador. Cuando se elige una de toda una serie de estrategias, se puede hacer una eleccin racional o sociolgica. En la primera, se elige la que es mejor. En la segunda, se elige la que la mayora usa o la que est mas prxima, sin que necesariamente sea la mejor. La ecuacin del replicador hace una balance de las dos formas anteriores. La ecuacin sirve para saber la probabilidad de que se use una estrategia en el siguiente periodo. El resultado es una tasa o proporcin de su peso respecto al total de todas las estrategias, es el peso propio de una estrategia i respecto al total de todas las estrategias. Por lo tanto, la probabilidad de que se use la estrategia i en el siguiente periodo es su propio peso.

Esta ecuacin nos muestra que al pasar de una estrategia a otra, no siempre se tiende a la mas ptima (explicar porqu).

FISHER'S THEOREM El teorema de Fisher es una mezcla de 3 modelos: There is no cardinal, rugged landscape y replicaror dynamics. Este teorema indica que a mayor varianza la tasa de adaptacin aumenta (considerando varianza como la diferencia de la media). Teorema: El cambio en la aptitud promedio debido a la seleccin ser proporcional a la varianza.

VARIATION OR SIX SIGMA Varianza o Six Sigma, o cuando saber cuando usar cual. Por un lado, a mayor varianza es mejor porque el grupo se adapta mejor (teorema de Fisher) pero, a la vez, Six Sigma nos indica que entre menos varianza mejor porque esto signica menos errores... Entonces? Para saber cuando aplicar el teorema de Fisher o cuando Six Sigma va a depender del contexto. Si el fenmeno observado se comporta como Paisaje Fijo (encontrar la cima y permanecer ah) es Six Sigma, si es un Paisaje Danzante (paisaje que cambia), es mejor mantener la variacin. --- P R E D I C T I O N A N D T H E M A N Y M O D E L T H I N K E R

PREDICTION Se pueden usar muchos modelos para la prediccin LINEAR MODELS Son modelos lineares cuando no hay mucha interaccin entre sus componentes DIVERSITY PREDICTION THEOREM

Teorema de prediccin de la diversidad, o como la sabidura de la multitud es mejor ara la prediccin que la sabidura del individuo.

THE MANY MODEL THINKER El pensador de muchos modelos.Este es un resumen de todo lo visto en el curso. Hay muchas formas de modelos que nos ayudan a entender un mismo fenmeno y varias formas en que se puede comportar la gente: racional, siguiendo reglas o con inclinaciones psicolgicas. A su vez, lo anterior puede tener un comportamiento complejo, en patrn, aleatorio o en equilibrio. Cuando agregamos obtenemos resultados diferentes a sus partes constituyentes.