Más allá de las variables de ambiente y las variantes de movilidad, tenemos también una variante de red y quiero hacer esto no sólo para volver a la unidad 4 entre otras cosas, pero quiero que veamos algunas ideas acerca de qué podemos hacer con este modelo, hacerlo versátil y como podemos analizarlo de formas muy diversas entonces tenemos acá una de las redes, en este caso es una red aleatoria que fue creada y vamos a usar el botón de "setup" y luego el de "go" y podemos ver como la enfermedad se dispersa por toda la red, debido al hecho, que en este modelo particular, algunos de los nodos no pueden ser vinculados al resto de la red, algunos individuos no lo están, en realidad siempre vemos un 100% de infección y entonces tenemos que pensar un poco más acerca de como manejar eso y vamos a analizar el resultado del modelo por ejemplo si decimos que queremos ver el grado, el promedio del grado de los individuos, las conexiones que tienen por cada nodo el número de, la dispersión total en la red, pero podemos buscar una infección del 100%, pero también podemos decir, cuánta gente, por ejemplo, está infectada luego de 50 ticks. vamos a crear un experimento que haga eso vamos a "behavior space" y vemos uno que se llama grado, que está aquí el promedio del número de conexiones por nodo desde la mitad hasta 4, con incrementos de la mitad y esto dice, cuántas conexiones en promedio tenemos por nodo y podemos tener una mitad, porque podemos decir, aproximadamente, cada otra persona tiene una conexión podemos entonces repetir el modelo unas 10 veces correrlo 10 veces para cada uno de estos valores podemos contar el número de tortugas que están infectadas, como una medida de la salida y podemos decirle que pare, luego de 50 ticks, básicamente le estamos diciendo, corré 50 ticks, decime cuanta gente está infectada, eso es lo que quiero y es mi medida de como es la densidad y como afecta la dispersión de la infección entonces volvamos y corramos y pondremos los resultados en R para poder analizarlos no fue muy rápido podemos ver el modelo corriendo, los ticks corren un poco más lentos que en otros modelos, debido a que la red está usando más agentes, ya que un link es también un agente esto fue todo, volvamos al R estamos de vuelta en R y vamos a comenzar del mismo modo que lo hicimos para el grafo de resumen y el grafo del medioambiente, llamamos a la librería hmisc, lo ponemos en nuestro archivo que ahora se llama grado, porque estamos viendo los experimentos con los grados vamos a poner algunos nombres de columnas para que sea más sencillo manipularlas y ahora la salida de nuestro archivo es el número de infectados no el tiempo en porcentaje en que se infectaron, es más como la serie de datos del tiempo en ese sentido pero todo se detiene en el tick 50 y ahí ponemos nuestros resultados, este es uno de los pequeños cambios que tenemos que hacer en el espacio de conducta y vamos a resumir esos datos de acuerdo al grado y aquí vemos los datos resumidos, el grado que significa el desvío estándar, lo que es interesante, que podemos tener desvíos estándar altos para estos rangos medios y eso es básicamente porque en este caso la red no está muy conectada y en este caso la red está casi conectada y en el medio tenemos estos casos con más o menos individuos que pueden conectarse hacemos el gráfico, si lo vemos acá el gráfico se ve de esta forma y como pueden ver tenemos este caso donde un montón de gente está infectada pero en algunos de los grados intermedios tenemos casos donde la gente no está infectada, por 50 y esto puede deberse a que las infecciones están atrapadas en una pequeña parte de la red que no está conectada al resto de la red pero si entonces, salvamos esto, podemos ver los datos agregados, usando el comando de R, agg, y podemos ver estas grandes variaciones, pero esta es una de las razones por las que a veces me gusta mirar todos los datos porque no es realmente un tema de grandes variaciones, es un tema de tener un par de puntos, donde la infección real queda atrapada en esta parte que no está conectada con el grafo más grande y entonces tenemos que pensar en que estos nodos no están distribuídos normalmente porque de hecho tienen este tipo de distribución, bimodal, donde algunos datos están aquí y algunos otros están aquí, este grafo está algo confuso, porque en verdad está mostrando estas barras estándar bien grandes, pero debido a que los datos están divididos en dos modas no es en verdad un gráfico muy informativo no estamos diciendo nada acerca de los datos que están acá abajo en vez de eso, podemos pensar en otro tipo de gráfico o pensar en cambiar el modelo para permitirle que todos estén conectados a la red, por ejemplo, en ese caso sería mejor la descripción de lo que está ocurriendo creo que hemos visto una cuestión importante, el punto crítico aquí es que podemos usar los datos de las redes del mismo modo, así como podemos usar cualquier otra cosa, podemos controlar la salida, pero podemos tener una mirada del tipo de coeficiente de racimos o algo más, de acuerdo a la variable independiente que defina la estructura de la red