Ovación de pie y manifestaciones

Continuando con la búsqueda de alternativas para modelar un sistema con externalidades de red, esta vez estoy planeando usar el modelo de ovaciones de pie de Miller y Page (2004). Posteriormente mostraré las revelaciones que hacer este ejercicio proporcione.

El modelo está en un escenario de una obra de teatro, donde los agentes, al ver una presentación, deciden realizan una ovación de pie o no. Naturalmente introducimos como variable de relevancia la calidad del espectáculo Q. Los agentes van a obtener una señal subjetiva del evento S=Q+e donde e es un término de error. Los agentes son heterogéneos en el término de error, o bien, este puede ser definido simplemente como una variable aleatoria.

El agente se levanta a aplaudir si su señal, es decir, la calidad en la cual percibió el show, supera un cierto umbral definido exógenamente (en otro tipo de contextos, podría ser un costo de oportunidad, en este yo podría decir que no me levanto a aplaudir si el show tiene una calificación en mi escala personal menor a 7). El umbral es una constante definida, podría ser una norma social.

Otra norma social que define el modelo por completo es que los agentes se levantan a aplaudir si X% de los demás también lo hacen. Esto significa que si X es pequeña, las personas son muy inseguras de su percepción y se van a levantar muy fácilmente (me imagino que esa situación se daría en un concierto de Jazz, donde nadie sabe realmente si fue bueno el show o no, pero nadie aceptaría abiertamente decir que no lo fue). Si X es muy grande por el contrario, estamos en una situación en la que las opiniones están muy enraizadas en los agentes, y ellos están dispuestos a pagar el precio de expresar su descontento con más facilidad (en temas políticos controversiales o de religión, donde es poco probable que las opiniones cambien, podría ser el caso).

Algo importante también es la varianza que e tenga, entre más grande sea esta, mayor será la probabilidad de que se de una ovación de pie.

En ningún lado encontré esto, pero podría ser también importante la media de e, que determina un determinado sesgo. Puede haber situaciones en las que la inclinación sea más a levantarse que no, o al contrario, si por ejemplo se percibe mucho riesgo de ser juzgados, el sesgo haría una distribución de e tal que sea más probable que no se levanten. También podría ser importante esto, porque podrían haber formas prácticas de manipular este sesgo (publicidad, por ejemplo).

Este tipo de modelos tienen aplicaciones prácticas también en situaciones de protestas sociales, como lo que pasa actualmente en México. Entre más gente se suma al descontento, más personas se sienten seguras manifestándose en redes sociales. Si la teoría que mencionan en redes sociales de que los encapuchados que realizan disturbios son contratados por el estado, esto es una estrategia hábil para subir el valor de X (independientemente de si esto es legal o moralmente aceptable). Por el otro lado, las fotos y comentarios en redes sociales, así como el tiempo de duración de hastags como #yamecansé hacen que la varianza de e aumente, probablemente con un sesgo positivo.

Por mi parte, este parece ser un candidato viable para el juego de redes que desarrollo. ¿Alguna otra idea de en qué más puede servir este modelo?

Bibliografía:

Miller, J. H., & Page, S. E. (2004). The standing ovation problem. Complexity,9(5), 8-16.

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s