16 abril, 2017

Modelos aleatorios de difusión de impactos en la Red


Related image
La definición de impacto a que nos referimos es la de un conjunto de los efectos que un suceso o un hecho producen en su entorno físico o social. Tiene que existir, por tanto un suceso o un hecho extraordinario que es quien produce los efectos, en este caso, en las redes sociales y que son cuantificables en términos estadísticos a través del nº de visitas.
La huella que dejan, mayoritariamente, los sucesos en la red se parece mucho a la función gaussiana o curva de Gauss en su modalidad leptocúrtica ( los otros tipos: mesocúrticas o platicúrticas no son tan frecuentes), es decir con curtosis acusada (deformada hacia arriba).
                               (para agrandar los gráficos pulsar sobre ellos)

Modelos determinísticos o de efectos fijos vs aleatorios

Un modelo es determinista si las mismas entradas producen siempre el mismo estado y las mismas salidas. En otras palabras, el azar no juega ningún papel en el modelo. El nº de visitas (diarias, semanales, mensuales, etc) dependen de funciones predeterminadas, de las que se conocen, a priori, su solución (visitas)

Por el contrario, un modelo es probabilístico o estocástico si, por el contrario, el azar interviene en el modelo, de modo que una misma entrada puede producir diversos estados y salidas, de manera impredecible. Ejemplo: Podemos simular las colas que se forman en un mostrador utilizando una variable estocástica que indique el número (aleatorio) de clientes que entran en la oficina por minuto, y luego usando un algoritmo que use el tiempo de atención que se da a cada cliente, que también puede ser estocástico (aleatorio). En nuestro caso, sería el nº de visitas generadas por un impacto o suceso concreto.

Modelo estacionario



Una serie de visitas es estacionaria cuando es estable, es decir, cuando la media y la variabilidad son constantes a lo largo del tiempo. Esto se refleja gráficamente en que los valores de la serie tienden a oscilar alrededor de una media constante y la variabilidad con respecto a esa media también permanece constante en el tiempo. Es una serie básicamente estable a lo largo del tiempo, sin que se aprecien aumentos o disminuciones sistemáticos de sus valores. Para este tipo de series tiene sentido conceptos como la media y la varianza. Sin embargo, también es posible aplicar los mismos métodos a series no estacionarias si se transforman previamente en estacionarias.

Se puede afirmar que el modelo estacionario es el modelo ausente de impactos en el que no existen variaciones significativas en el nº medio de visitas a lo largo del tiempo y tampoco se observa variabilidad en la varianza y que, por tanto, tampoco existe tendencia observable.

Modelo estacional
                                                         
El modelo de variación estacional es un modelo óptimo para patrones de demanda sin tendencia y que presenten un comportamiento cíclico, repetitivo y de una misma o semejante amplitud. Por ejemplo la demanda de artículos escolares, la cual tiene un comportamiento cíclico de conformidad con el calendario escolar.

                                                                                                                                                                                                                                 

Modelo Gaussiano          


El modelo Gaussiano sigue la estructura de lo que se ha dado en llamar la campana de Gauss o curva "normal" de distribución de una función, en que los valores se ordenan en torno a un valor central (el eje de la campana), si bien este valor central puede desplazarse a derecha o izquierda


Image result for curva normalImage result for curva normal

La primera de las curvas tiene simetría absoluta, coincidiendo la media y la mediana respecto del eje central. La siguiente se dice que tendría asimetría positiva, y la tercera, asimetría negativa.

Modelo de mitigación

El modelo que en FTF hemos llamado de mitigación es un caso específico del anterior modelo Gaussiano, que carece de una de la parte de la curva, o bien tiene simetría positiva muy acusada. Es muy común en los impactos que se reflejan en internet, ya que suelen obedecer a sucesos ocurridos de improviso, dotados de un fuerte impacto social( la quiebra de una gran empresa, un terremoto, la convocatoria inesperada de elecciones, etc).


Se caracteriza porque tiene un alto y súbito impacto para, bien paulatinamente, bien no tan paulatinamente decrecer, hasta su práctica desaparición.

La herramienta utilizada para visualizar los diferentes modelos en la red

Para ello nos hemos valido de la app de Google, disponible y gratuita en la red, denominada"Google Trends" o, en español, "tendencias" de Google basado en la Búsqueda de Google, que muestra la frecuencia con la que se introduce un término de búsqueda en relación con el volumen total de búsqueda en varias regiones del mundo y en varios idiomas.

El eje horizontal del gráfico principal representa el tiempo (a partir de 2004), y la vertical es la frecuencia con la que se busca un término relativo al número total de búsquedas, globalmente. Debajo del gráfico principal, la popularidad se desglosa por países, regiones, ciudades y el idioma. El 5 de agosto de 2008, Google lanzó Google Insights for Search, un servicio más sofisticado y avanzado que muestra datos de tendencias de búsqueda. El 27 de septiembre de 2012, Google combinó Google Insights para la Búsqueda en Google Trends.

Ejemplos de los distintos modelos, extraídos de la red:

Modelo estacionario:



No el comportamiento de la bolsa en sí, sino el número de búsquedas en la red que comprende los últimos cinco años, parece tener una estructura estacionaria, es decir sin tendencia, salvo el primer año y es estable en media (tendencia) y varianza (amplitud).
Este modelo, puede decirse que es pura aleatoriedad. En efecto, el interés por la bolsa entre la población no tiene por qué seguir unos patrones determinados de búsquedas, sino todo lo contrario.

Modelo estacional

La estructura estacional responde a fenómenos de esta misma naturaleza: la de las estaciones, períodos repetitivos y de una amplitud determinada.

En el ejemplo que hemos escogido, la amplitaud es, en este caso, distinta ya que como es conocido la Semana Santa suele caer, bien en Marzo, bien en Abril, lo que no obvia que la estructura sea muy homogénea en todos los casos.

Se observa también como el interés por la oferta hotelera para Semana Santa, se empieza a mostrar con un tiempo de antelación respecto de la semana de referencia.

Modelo Gaussiano:



Como ejemplo del Modelo Gaussiano hemos escogido las tormentas solares que tuvieron un período de actividad extraordinaria entre Dic 2010 y Mar 2013, pero cuyo acceso al fenómeno se produce de forma progresivamente creciente, para decrecer de igual manera a lo largo del período citado.

Todo ello, con independencia de que la ciencia haya observado ciclos (estacionalidad) de amplitud de once años.

Modelo de mitigación:



Hemos escogido para este paradigma el nº de visitas a la red de la expresión claúsulas suelo, de gran actualidad.

El impacto más reciente, como consecuencia de las sentencias del Constitucional español y la magistratura de la Unión Europea, muestra una estructura de declinación mitigante, a partir de un impacto súbito, para ir disminuyendo paulatinamente el nº de visitas.


El impacto del accidente de Angrois:

La estructura de las visitas  en la red ocasionados por el accidente de Angrois se asemejan bastante al caso anterior de mitigación. De improviso, se produce el impacto brutal del accidente, para posteriormente mostrar un decaimiento de nivel que se va atenuando y mitigando paulatinamente.

Destaca el hecho de que, además de los recuerdos que se producen durante la semana del accidente todos los años, entremedias existen visitas que pone de manifiesto que se mantie viva la memoria y el recuerdo de la tragedia en la población de internet.

También hay que señalar que las visitas "aniversario" tienen, cada año que pasa,  menor impacto. Los avatares judiciales y procesales de la segunda mitad de 2016, quedan reflejados de forma clara en el gráfico que aportamos.

No hay comentarios: