Storyboard

La opinión evoluciona de forma continua (E5) antes de cristalizar en una decisión binaria mediante un umbral fijo. Incluye la fracción de la población convertida y la magnetización final agregada por clusters, que son las salidas observables del mini-simulador.

>Modelo

ID:('ky', 1600)

Storyboard

$\mathcal{B}*i={j:\lvert x_j-x_i\rvert\leq\epsilon*{BC}}$

Variables

$mathcal{B}_i$

Conjunto de vecinos compatibles

$1$

$x_i$

Opinión continua del agente (i)

$1$

$x_j$

Opinión del agente vecino (j)

$1$

$epsilon_{BC}$

Radio de confianza acotada

$1$

>Modelo

ID:('gm', 14073)

Storyboard

$\bar{x}_i^{,BC}=\dfrac{1}{|\mathcal{B}_i|}\sum_{j\in\mathcal{B}_i}x_j$

Variables

$mathcal{B}_i$

Conjunto de vecinos compatibles

$1$

$x_j$

Opinión del agente vecino (j)

$1$

$ar{x}_i^{BC}$

Opinión media de vecinos compatibles

$1$

>Modelo

ID:('gm', 14074)

Storyboard

$\dfrac{dx_i}{dt}=\mu\left(\bar{x}_i^{,BC}-x_i\right)+q$

Variables

$x_i$

Opinión continua del agente (i)

$1$

$ar{x}_i^{BC}$

Opinión media de vecinos compatibles

$1$

$q$

Campo externo sobre la opinión

$1/s$

$mu$

Intensidad de interacción social

$1/s$

$dfrac{dx_i}{dt}$

Velocidad de cambio de opinión

$1/s$

>Modelo

ID:('gm', 14075)

Storyboard

$x_i(t+\Delta t)=x_i(t)+\dfrac{dx_i}{dt}\Delta t+\sigma\sqrt{\Delta t},\eta_i$

Variables

$x_i(t+Delta t)$

Opinión actualizada del agente

$1$

$x_i$

Opinión continua del agente (i)

$1$

$eta_i$

Variable aleatoria normal estándar

$1$

$dfrac{dx_i}{dt}$

Velocidad de cambio de opinión

$1/s$

$sigma$

Intensidad del ruido social

$1/s¹?²$

$Delta t$

Paso de integración

$s$

>Modelo

ID:('gm', 14076)

Storyboard

$x_i(t+\Delta t)=\max[-1,\min(1,x_i(t+\Delta t))]$

Variables

$x_i(t+Delta t)$

Opinión actualizada del agente

$1$

>Modelo

ID:('gm', 14077)

Storyboard

$s_i=\operatorname{sign}(x_i-x_{umb})$

Variables

$s_i$

Decisión binaria del agente

$1$

$x_i$

Opinión continua del agente (i)

$1$

$x_{umb}$

Umbral binario de decisión

$1$

>Modelo

ID:('gm', 14078)

Storyboard

$N_{conv}=\sum_{i=1}^{N}\mathbf{1}(x_i\geq x_{umb})$

Variables

$N_{conv}$

Número de agentes convertidos

$1$

$N$

Número total de agentes

$1$

$x_i$

Opinión continua del agente (i)

$1$

$x_{umb}$

Umbral binario de decisión

$1$

>Modelo

ID:('gm', 14079)

Storyboard

$f_{conv}=\dfrac{N_{conv}}{N}$

Variables

$f_{conv}$

Fracción de población convertida

$1$

$N_{conv}$

Número de agentes convertidos

$1$

$N$

Número total de agentes

$1$

>Modelo

ID:('gm', 14080)

Storyboard

$m=\dfrac{1}{N}\sum_{i=1}^{N}\operatorname{sign}(x_i-x_{umb})$

Variables

$m$

Magnetización calculada por agentes

$1$

$N$

Número total de agentes

$1$

$x_i$

Opinión continua del agente (i)

$1$

$x_{umb}$

Umbral binario de decisión

$1$

>Modelo

ID:('gm', 14081)

Storyboard

$m_{final}=\sum_c\dfrac{N_c}{N}\operatorname{sign}(x_c-x_{umb})$

Variables

$N_c$

Cantidad de agentes del cluster (c)

$1$

$m_{final}$

Magnetización agregada por clusters

$1$

$N_{clusters}$

Número de clusters detectados

$1$

$N$

Número total de agentes

$1$

$x_c$

Opinión representativa del cluster (c)

$1$

$x_{umb}$

Umbral binario de decisión

$1$

>Modelo

ID:('gm', 14082)

Storyboard

$\bar{x}=\dfrac{1}{N}\sum_{i=1}^{N}x_i$

Variables

$N$

Número total de agentes

$1$

$x_i$

Opinión continua del agente (i)

$1$

$ar{x}$

Opinión media de la población

$1$

>Modelo

ID:('gm', 14083)

Storyboard

$\lvert x_i-x_c\rvert\leq\delta_c$

Variables

$x_i$

Opinión continua del agente (i)

$1$

$x_c$

Opinión representativa del cluster (c)

$1$

$delta_c$

Tolerancia para agrupar opiniones

$1$

>Modelo

ID:('gm', 14084)

Descripción

Red de modelo

• Método alternativo
• Método tradicional
• Estrategia
• 2D
• 3D

Ecuación

Número

Primero, seleccione la ecuación:   a ,  luego, seleccione la variable:   a 

---

Símbolo

Ecuación

Resuelto

Traducido

Cálculos

Símbolo

Ecuación

Resuelto

Traducido

 Variable   Dado   Calcule   Objetivo :   Ecuación   A utilizar

Variables

$N_c$

N_c

Cantidad de agentes del cluster (c)

1

$mathcal{B}_i$

B_i

Conjunto de vecinos compatibles

1

$s_i$

s_i

Decisión binaria del agente

1

$f_{conv}$

f_conv

Fracción de población convertida

1

$m_{final}$

m_final

Magnetización agregada por clusters

1

$m$

m_individual

Magnetización calculada por agentes

1

$N_{conv}$

N_conv

Número de agentes convertidos

1

$N_{clusters}$

N_clusters

Número de clusters detectados

1

$N$

N_ag

Número total de agentes

1

$x_i(t+Delta t)$

x_i_next

Opinión actualizada del agente

1

$x_i$

x_i

Opinión continua del agente (i)

1

$x_j$

x_j

Opinión del agente vecino (j)

1

$ar{x}$

x_population_mean

Opinión media de la población

1

$ar{x}_i^{BC}$

x_mean_i

Opinión media de vecinos compatibles

1

$x_c$

x_c

Opinión representativa del cluster (c)

1

$epsilon_{BC}$

eps_bc

Radio de confianza acotada

1

$delta_c$

delta_cluster

Tolerancia para agrupar opiniones

1

$x_{umb}$

x_umb

Umbral binario de decisión

1

$eta_i$

eta_i

Variable aleatoria normal estándar

1

$q$

q_external

Campo externo sobre la opinión

1/s

$mu$

mu_interaction

Intensidad de interacción social

1/s

$dfrac{dx_i}{dt}$

dx_i_dt

Velocidad de cambio de opinión

1/s

$sigma$

sigma_noise

Intensidad del ruido social

1/s¹?²

$Delta t$

dt_sim

Paso de integración

s

ID:(0, 1600)