Saudações! Aqui é John Balwit

para a tarefa final

na seção intermediária da tarefa.

Nos foi pedido para modificar esse
LogisticMapInformationContent

para permitir ao usuário definir um
limite para a dinâmica simbólica.

No modelo atual ele está rigidamente
codificado para 0.5.

Investigar se a mudança do

limite muda o
conteúdo de informação medido

para vários valores de R.

Ok. Então, vamos olhar para o modelo.

Nos foi dito que nós devíamos mudar
o valor limite.

Se nós dermos uma olhada no código,

nós podemos ver... nos foi dito que
estava definido para 0.5,

e certamente está, rigidamente codificado.

Eu frequentemente me pego mudando
valores fixos para valores nas barras

para investigar modelos, e é

exatamente o que nós vamos fazer aqui.

Então, eu vou fazer uma barra ("slider")
chamada limite ("threshold") e

nós vamos colocá-la na interface.
Dessa forma.

E nós vamos definir os valores.
Isso pode ir de 1 para...

vamos dizer que nós definimos um limite
inferior de 0.1 e vamos fazer incrementos

de 0.1. Então nós temos isso.

Nós criamos um novo slider
que controla esse limite.

Então essa foi a parte fácil.

Agora nós precisamos conduzir 
alguns experimentos.

Claro que só nós fizermos isso do jeito
que está, agora,

isso é exatamente como era anteriormente.
Mas agora, nós podemos mudar isso.

Agora, geralmente nesses modelos
é difícil...

Você pode ter um bloco de notas
e pode copiar esses valores lá.

Mas existe uma forma mais fácil
de fazer isso direto no NetLogo

que permite fazer
múltiplos experimentos.

Eu quero introduzir a você
algo chamado "BehaviorSpace."

Está nas Ferramentas ("Tools") e se você
olhar aqui, "BehaviorSpace,"

você pode criar um experimento.

Vamos chamar "experimento com r",
que é como eu chamo ele.

Isso mostra para você os sliders
que estão no seu modelo.

Nós temos um slider para o valor inicial.

Eu sempre quero começar com 0.5.

E os valores para R... você pode
colocar em múltiplos valores.

Vamos definir R para 3.0, 3.5 e 3.8.

Então nós vamos olhar para esses
valores distintos de R.

E nós vamos também tentar
diferentes valores limites.

Tentamos um valor limite
de 0.2, 0.5 e 0.7.

Ou, bem, por simetria, vamos colocar 0.8.

Então agora o que nós fizemos foi
que nós definimos

um conjunto de 9 experimentos que
serão rodados

porque cada um desses valores
de R será testado nesse limite:

em 0.2, em 0.5 e em 0.8.

E da mesma forma,
nós poderíamos rodá-los

múltiplas vezes para mostrar
quão precisos são os resultados.

Mas já que esse é um sistema 
determinístico, nós não precisamos

fazer essas coisas mais de uma vez.

Nesse caso nós não iremos
estar contando tartarugas.

Mas nós estamos interessados nessa
variável, a "info-content."

E como eu determinei isso? Eu olhei por
trás das cortinas desse gráfico aqui

e esse é o valor em que estamos
interessados: o conteúdo da informação.

Esse gráfico é definido pela variável
global "info-content".

A qual nós podemos ver nas variávels
globais.

Então vamos ver aqui, nós estamos
medindo info-content.

Nós não queremos que a medida rode todo
passo, então eu vou checar isso.

Nós queremos definir alguns limites de
tempo.

Vamos rodar isso por 15 passos e então
nós tomaremos a medida de info-content.

Nós podemos alterar depois.

Mas isso deve ser bom.

Vamos ver como isso funciona.

Isso diz que serão 9 "rodadas",

que corresponde com o que tínhamos visto
com a mistura de parâmetros R e limites.

E nós vamos rodar isso.

Para salvar, nós daremos um nome,
chamado "complexity-R vs. threshold."

Nome descritivo. Criar uma nova pasta.

Chame-a "test." 
Será na minha área de trabalho.

De fato, vamos criar uma nova pasta
aqui chamada "test" e criá-lo.

Agora nós estamos prontos para rodá-lo.

Então boom, bem rápido.

Vá ao buscador, olhe na área
de trabalho, e encontre "test".

Aí está nosso modelo.

E nós podemos ver...
Eu vou dar um pouco de zoom.

Nós podemos ver que quando R era 3,
o conteúdo de informação era 0

em todas as três configurações diferentes
de limite.

Quando nós movemos para a segunda
bifurcação, que define o valor 3.5,

então nós começamos a ver que o

conteúdo de informação era zero, se 
usássemos uma configuração baixa de limite

Um valor intermediário em 0.5.

E 1 se nós usássemos uma 
configuração maior.

E claro que isso faz sentido porque
estamos capturando essas diferentes

bifurcações em diferentes configurações.

Então, a uma certa configuração, nós
iremos agrupá-los

em dois diferentes grupos,
essencialmente 0 e 1,

e nós teremos um maior
conteúdo de informação.

Então isso nos permite olhar para esse
modelo e checar a sensibilidade

aos diferentes tipos de parâmetros
que nós definimos.

"Parameter sweeping" é como eles chamam
isso em modelagem baseada em agentes.

Quando você está muito interessado em
quão sensíveis os modelos são

a diferentes mudanças nos parâmetros.

E nós podemos ver isso aqui com
o conteúdo de informação.

Existem vários experimentos e muita
exploração que nós poderíamos fazer

com diferentes regiões de R
e diferentes tipos de limites.

E eu acho que será muito interessante
olhar para diferentes regiões

do mapa logístico.

Eu só gostaria de pontuar uma
outra coisa aqui.

Eu não sei, eu assumo que você tenha tido
uma chance de brincar com

o diagrama de bifurcação do mapa
logístico,

mas isso nos dá uma chance
de ver de fato regiões do

diagrama de bifurcação
que são particularmente interessantes.

E eu estaria muito interessado em
chegar essa região aqui agora.

Mas nesse modelo particular,

para encontrar qual é esse valor R
eu tenho que fazer umas contas simples.

Como eu fiz esse mundo, então ele
tem 2000 pixels de largura

e os patches correspondem
ao valor de R nesse caso.

Então se eu quiser saber qual o
valor R para esse aqui,

eu poderia inspecionar o patch
e encontrar que esse é o patch 1923,

então o valor x desse patch é 1923,
e eu posso fazer umas contas com isso.

Eu posso usar o observador aqui
como uma pequena calculadora.

Eu vou tentar fazer isso ficar grande
para que você possa ver.

Eu posso dizer... (pensando)
qual era o valor aqui?

Era 1928.

Então posso dizer, mostre 1928, dividido
pelo nº total de pixels, 2000, vezes 4.

Porque meu intervalo virtual é de 0 a 4.

E isso deveria me mostrar que nós estamos
a um valor R de aproximadamente 3.85.

Então nós podemos voltar 
ao nosso outro modelo,

e nós poderíamos editar essa "rodada"
para observarmos especificamente

esses valores. 3.84.

E pode ser bem interessante,
olhar para um conjunto de valores

bem próximos desse e ver se
nós podemos encontrar a mudança,

ou encontrar uma forma de medir aquele
início da aleatoriedade

que nós vemos visualmente no
diagrama de bifurcação

porque no fim, é isso que
o conteúdo de informação é.

É uma forma de medir quão longe
você partiu de uma situação aleatória.

Então, espero que ajude.