hola vamos a hablar un poco de la relación
entre la variación en la estocasticidad

y la validación, así la estocasticidad
significa que no se puede comparar un

conjunto de resultados del mundo real y 
uno de los resultados del modelo, porque

los modelos pueden ser estocásticos

y debido al hecho de que no son 
deterministas, comparar un solo conjunto

es el camino equivocado, de hecho si 
volvemos al ejemplo de la búsqueda de

conducta, lo que hicimos fue correr el 
modelo muchas muchas veces, los k-media,

comparar los resultados para ver cuan 
cerca las medias cuadradas están a lo

largo del tiempo

identificar la medida apropiada de 
comparación, cómo comparar nuestros

resultados azarosos con un conjunto de 
datos del mundo real, puede ser difícil

cada medida incluye otras medidas de las
que discutimos en la clase previa,

correlación, medias cuadradas, L1, L2, 
todas estas cosas y más, y realmente

dependemos de que tenemos en nuestro campo
y cómo se ven los datos

a veces es útil dividir nuestro modelo en
resultados variables o invariables, en

otras palabras es algo que siempre va a 
suceder

podemos examinar el modelo, ver los 
valores de salida que ocurren todo el

tiempo versus los valores de salida que
ocurren algunas veces

y la razón de esto, por la que puede ser
útil es que nos puede decir cuando nuestro

modelo que están pasando algunas cosas y
cuando no estamos seguro que esté actuando

una dependencia de sendero, de la que 
hablaremos en un momento

por ejemplo, podría ser que la difusión
siempre exceda un pico antes de un tiempo

t, alcanza ese pico al tiempo t

pero el 50% del tiempo,alcanzará ese pico
ante del tiempo t-n o algo por el estilo

esta forma de dividir las cosas en 
resultados variantes e invariantes puede

ayudarnos a comprender qué aspectos del
modelo son estocásticos o qué aspectos de

la estocasticidad están afectando los 
resultados de nuestro modelo

este análisis de lo invariable y de lo
variable puede también ayudarnos la

dependencia de sendero, la dependencia de
sendero es cuando eventos que ocurren muy

temprano en la corrida del modelo afecta 
en forma importante la salida, en algún

sentido, cuando tenemos un efecto 
dramático en los resultados del modelo

esto quiere decir que cosas como por 
ejemplo

puede ser que cierto influenciador adopte 
o fracciones de influenciadores adoptan el

producto bien temprano, esto puede afectar

grandemente cuando se alcanza el pico de
adopción

si el modelo exhibe un gran número de
salidas variadas

esto podría ser una pista

que indique que existe alguna clase de
dependencia de sendero

por el otro lado podría ser que sólo sea
que tenemos estocasticidad en el modelo

entonces tratando de ver las relaciones
entre la cantidad de variación y cuando

aparecen temas que podrían indicar 
dependencia de sendero o estocasticidad

puede ser difícil de hacer y es algo que 
exige pensar un poco

hay muchas ideas sobre la dependencia de
sendero y estocasticidad vienen de un

paper que fue escrito en 2005, donde 
estábamos buscando un desarrollo de MBA

estos son algunos gráficos de ese paper y
en este caso podemos ver una vista simple

de la salida del modelo, esto indica que 
algunas partes están desarrollando

y esta es una realización simple del 
modelo, pero podemos ver la frecuencia

con la cual cada área fue desarrollada y 
luego clasificamos en regiones variantes e

invariantes, lo que hicimos fue asignar

si menos del 10% de nuestras corridas

esa área nunca fue desarrollada, la 
llamamos invariante o si en más del 90% de

las corridas está siempre desarrollada, la
llamamos variante, ok? invariante y así

podemos comenzar a ver que los puntos 
negros, que son los invariantes y los

puntos blancos que son las regiones 
variables y los puntos grises son las

regiones variantes, ahí es donde los 
modelos predicen que pueden haber áreas de

diferencias y aquí se está comparando dos
referencias

utilizando esto podemos ver los resultados
y determinar que puede ser posible para

ellos que sea sencillo de fijar, las 
regiones variantes significan que puede

haber pequeños centros que pueden afectar
los resultados

pensando en estos diferentes aspectos de
como realizar las validaciones y qué es lo

que la validación puede ayudarnos a 
obtener, puede ayudarnos también a

entender como influenciar en nuestro 
modelo

la validación tiene una serie de 
diferentes aspectos que son muy útiles

los modelos validados nos permiten 
entender el mundo que nos rodea, nos ayuda

a entender cuando podemos influenciar las
posibilidades futuras, en el ejemplo del

desarrollo de la tierra, si conocemos los
escenarios y son muy variables, pero es a

la vez sensitivo con respecto a la 
ecología, podemos proveer de algunos

sentimientos para que la gente se quede en
esa área y sabemos que pude suceder, puede

que otra área puede combinar desarrollo y
sensibilidad ecológica y entonces esa área

no concentre nuestras políticas, pero 
podemos focalizar en tratar de preservar

otra parte del medio ambiente

otra vez, los beneficios de la validación
y de la verificación no son dicotómicos

sino continuos

los modelos no son válidos o inválidos

son más o menos válidos dependiendo de
como fueron validados

y al final lo que los modelos validados 
pueden ser filosóficamente profundos

lo que es interesante es

muchas veces lo primero que uno hace 
cuando valida un modelo es quebrar la

validación debido a que uno quiere probar
algo que se percibe en el mundo real

pero lo importante para recordar es que el
modelo es válido si el modelo encaja con

los estándar de validación de la audiencia
esperada

hasta que punto el modelo usa un tipo de
validación y es un modo válido depende de

que es lo que piensa nuestra audiencia de
un modelo que valga la pena

hay problemas a veces, porque diferentes 
audiencias quieren cosas diferentes

pero al final, el único modo en que en
verdad se puede juzgar el éxito de tu

modelo es con la validación