Prof. André Vignatti
Redes Sociais e Econômicas
•
Em redes,
pessoas são influenciadas por outros
:
opiniões
que defendem,
produtos
que compram,
posições políticas
que apóiam,
tecnologias
que
usam,
atividades
que praticam ...
Por que essa influência ocorre?
•
Às vezes, é
racional
um indivíduo seguir a
multidão, mesmo se a
informação própria sugere
uma outra alternativa
•
Isso se chama
Cascata de Informações
Seguindo a Multidão
Exemplo: escolher dois restaurantes
•
Escolher um
restaurante
em uma
cidade
desconhecida
•
Com base em sua própria investigação,
você
escolheu o restaurante A
•
Ao chegar,
ninguém está comendo em A
, mas
o restaurante B ao lado está quase cheio
Seguindo a Multidão
Pode fazer sentido
(ser racional)
ir para B se:
–
Você
acredita
que os outros têm gosto semelhantes ao
seu
–
Os
outros têm alguma informação
sobre onde comer
•
Como isso é possível?
–
Cada cliente obteve informação independente, mas
imperfeita sobre qual restaurante é melhor
–
Então, se há
muitos clientes
em B, as
informações
inferidas
a partir de suas escolhas dos outros pode ser
mais forte que sua informação privada
–
Neste caso, faz sentido você se juntar a eles,
independentemente da sua informação privada
Seguindo a Multidão
•
Cascatas de Informação podem ocorrer quando
pessoas tomam decisões em seqüência
, com
pessoas
observando as ações anteriores dos
outros
•
As pessoas
imitam o comportamento
dos outros,
mas não é uma imitação sem sentido
⇒
é
inferência racional
sobre
informações limitadas
•
A imitação pode ocorrer devido à
pressão social
,
sem razão envolvida
Seguindo a Multidão
Experimento - década de 60: pessoas olhando para o céu
–
1 pessoa olhando o céu
: poucos paravam e olhavam
–
5 pessoas olhando o céu
: alguns paravam, mas não olhavam
o céu
–
15 pessoas olhando o céu
: 45% paravam e olhavam o céu
•
Interpretação na época
: força de
conformidade social
à
medida que a atividade torna-se maior
•
Interpretação de Cascatas de Informação
:
–
no início
: sem razão para olhar o céu
(sem informação pública ouprivada de que era necessário)
–
depois
: racionalmente decidiram olhar o céu
(talvez porque osEfeitos de Informação vs Efeito de
Benefício-Direto
Há uma
razão diferente
de pessoas
quererem
imitar outras
: efeito de benefício-direto
•
Exemplo: aparelhos de fax
(também sites de redes
sociais, outras tecnologias, etc...)
Efeito de benefício direto
(Cap. 17)≠ efeito de informação
:
•
as ações dos outros estão
afetando seus payoffs
diretamente
, ao invés de indiretamente ao alterar suas
informações
Um Experimento Simples de Cascata
O experimento serve para capturar os seguintes pontos:
A. Há uma
decisão a ser tomada
(por exemplo: adotar uma novatecnologia, usar um um novo estilo de roupa, comer em um restaurante novo, ...)
B. As pessoas tomam
decisões em seqüência
, cada pessoa
pode
observar as escolhas anteriores
C. Cada pessoa tem uma
informação privada
que ajuda a
orientar a sua decisão
D. Uma pessoa
não pode observar diretamente a
informação privada dos outros
, mas
podem inferir
baseado no que eles fazem
Um Experimento Simples de Cascata
Grande
grupo de alunos
participantes:
•
Urna com 3 bolas:
–
50% da urna ser “
maioria-vermelha”:
–
50% da urna ser “
maioria-azul
”:
•
Um a um, cada aluno pega um bola da urna,
sem
mostrar aos outros
•
Cada aluno
adivinha a cor predominante
da urna e
anuncia seu palpite
ao resto da classe
Um Experimento Simples de Cascata
1
oAluno:
–
Se vê ele chuta que a urna é “maioria-vermelha”
–
Se vê ele chuta que a urna é “
maioria-azul
”
⇒
usa informação perfeita
sobre o que viu
2
oAluno:
–
Se vê a
mesma cor
que o 1
oaluno: chuta essa cor
–
Se vê a
cor oposta
do 1
oaluno: chuta a cor oposta
⇒
também usa informação perfeita
sobre o que viu
Um Experimento Simples de Cascata
3
oAluno:
–
Se os
dois primeiros chutaram cores opostas
: chuta o
que ele vê
–
Se os
dois primeiros chutaram a mesma cor
: ignora o
que vê e chuta a mesma cor vista pelos dois primeiros
4
oAluno e assim por diante:
–
A mesma situação
do 3
oaluno: se os
dois primeiros
chutes foram iguais
, ignora sua informação privada e
escolhe a cor vista pelos dois primeiros
(vamos ignorar, por enquanto, o que aconteceria nos outros casos)Um Experimento Simples de Cascata
Discussão:
–
A cascata pode
ocorrer de forma muito fácil
: inicia-se
se os dois primeiros chutes são iguais
–
A cascata pode
levar a resultados não-ótimos
: 1/3 de
chance de erro do 1
oaluno; 1/3 de chance de erro do
2
oaluno = chance de 1/9 de erro geral da população
–
A cascata pode ser
muito frágil
: suponha que,
no meio
de uma cascata longa de erros
, dois estudantes
“trapeceem”
mostrando a bola que tiraram
- a
cascata
pode ser quebrada
Regra de Bayes: Um Modelo de
Tomada de Decisão sob Incerteza
Vamos construir um modelo matemático para cascatas de informação
• Precisamos calcular probabilidades de eventos
• Exemplo de possíveis eventos: “a urna é maioria-azul” ou “o primeiro
aluno pega uma bola azul”
• Para o evento A: probabilidade Pr[A]
Regra de Bayes: Um Modelo de
Tomada de Decisão sob Incerteza
•
Dois eventos A e B em um espaço amostral, e o
evento conjunto
A ∩ B
•
A
probabilidade
de A corresponde à
região
A
•
A região onde A e B se
sobrepõem
correspondem
à situação em que
ambos
A
e
B
ocorrem
Probabilidade Condicional
•
A probabilidade de A dado que um outro evento B
ocorreu -
probabilidade condicional
de A dado B:
𝐏𝐏 𝐀 𝐁
•
A
fração da área
de B região ocupada por A ∩B:
𝐏𝐏 𝐀 𝐁 =
𝐏𝐏 [𝑨∩𝑩]
𝐏𝐏 [𝑩]
•
Da mesma forma
: a probabilidade condicional de
B dado A:
𝐏𝐏 𝐁 𝑨 =
𝑷𝑷 [𝑩𝑷𝑷 [𝑨]∩
𝑨]=
𝑷𝑷 [𝑨∩
𝑩]Regra de Bayes
Juntando as duas probabilidade condicionais:
Pr 𝐴 𝐵 ⋅ Pr [𝐵] = Pr 𝐴 ∩ 𝐵 = Pr [𝐵|𝐴] ⋅ Pr [𝐴]
Regra de Bayes
:
𝑷𝑷 𝑨 𝑩 =
𝑷𝑷 [𝑩|𝑨] ⋅ 𝑷𝑷 [𝑨]
𝐏𝐏 [𝑩]
•
𝐏𝐏 [𝑨]: a
probabilidade prévia
de A
•
𝑷𝑷 𝑨| 𝑩 :a
probabilidade posterior
de A dado que B
ocorreu
Um Exemplo de Regra de Bayes: Taxi
na Cidade
•
80% dos táxis são pretos e 20% são
amarelos
•
Acidente que o
motorista do taxi fugiu
•
Há uma
testemunha ocular
que, às vezes,
identifica erroneamente as cores, 80%
do que diz
está correto
•
Qual é a
probabilidade do taxi ser amarelo
, uma
vez que a
testemunha diz que era amarelo
?
•
Então, nós queremos saber
Um Exemplo de Regra de Bayes: Taxi
na Cidade
𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝑌 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 = 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝑌 ⋅ 𝑃𝑡 [𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌|𝑡𝑡𝑡𝑡 = 𝑌] 𝑃𝑡 [𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌] 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝑌 ⋅ 𝑃 𝑡 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 𝑡𝑡𝑡𝑡 = 𝑌 = 0,2 ⋅ 0,8 = 0,16 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝐵 ⋅ 𝑃 𝑡 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 𝑡𝑡𝑡𝑡 = 𝐵 = 0,8 ⋅ 0,2 = 0,16 𝑃𝑡 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 = 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝑌 ⋅ 𝑃 𝑡 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 𝑡𝑡𝑡𝑡 = 𝑌 + 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝐵 ⋅ 𝑃 𝑡 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 𝑡𝑡𝑡𝑡 = 𝐵 = 0,16 + 0,16 = 0,32 𝑃𝑡 𝑡𝑡𝑡𝑡 = 𝑌 𝑡𝑡𝑟𝑟𝑡𝑡 = 𝑌 = 0,2 ⋅ 0,80,32 = 0,5• A probabilidade da testemunha ocular estar certa é de apenas 0,5, mas
Um Exemplo de Regra de Bayes: Filtro
de Spam
Pr[mensagem é spam | assunto contém “check this out”] - ?
•
40% de todas as mensagens são
spam
•
1% de todas as mensagens de spam contêm a
frase
“check this out”
•
0,4% de todas as mensagens
não-spam
contém
Um Exemplo de Regra de Bayes: Filtro
de Spam
Pr "check this out" 𝑠𝑟𝑠𝑠] = 0,01
Pr "check this out" 𝑛𝑛𝑟 𝑠𝑟𝑠𝑠] = 0,004
Pr [𝑠𝑟𝑠𝑠|"𝑐𝑐𝑡𝑐𝑐 𝑡𝑐𝑡𝑠 𝑟𝑡𝑡"] = Pr 𝑠𝑟𝑠𝑠 ⋅ Pr ["𝑐𝑐𝑡𝑐𝑐 𝑡𝑐𝑡𝑠 𝑟𝑡𝑡"|𝑠𝑟𝑠𝑠]Pr [check this out]
Pr["𝑐𝑐𝑡𝑐𝑐 𝑡𝑐𝑡𝑠 𝑟𝑡𝑡"]
= Pr 𝑠𝑟𝑠𝑠 ⋅ Pr check this out 𝑠𝑟𝑠𝑠
+ Pr 𝑛𝑛𝑟 𝑠𝑟𝑠𝑠 ⋅ Pr check this out 𝑛𝑛𝑟 𝑠𝑟𝑠𝑠 = 0,4 ⋅ 0,01 + 0,6 ⋅ 0,004 = 0,0064
Dividindo o numerador pelo denominador, temos: