Derivación de la ecuación logística
La curva S de Hamming tiene una derivación matemática precisa. Comienza con dos observaciones sobre la adopción de tecnología:
1. La tasa de adopción se acelera con la adopción actual (boca a boca, efectos de red): dP/dt ∝ P
2. La tasa de adopción se desacelera a medida que el mercado se satura: dP/dt ∝ (1 − P)
Combinando: dP/dt = r · P · (1 − P)
Esta es la ecuación diferencial logística. Es separable: la descomposición de fracciones parciales permite la integración directa.
Derivación
Separar variables: dP / [P(1−P)] = r dt
Fracciones parciales: 1/[P(1−P)] = 1/P + 1/(1−P)
Integrar ambos lados: ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
Sea K = e^C. Resolver para P: P = K·e^(rt) / (1 + K·e^(rt))
De forma equivalente: P(t) = 1 / (1 + e^(−r(t − t₀)))
donde t₀ = (ln K)/r es el punto de inflexión.
Punto de inflexión
En t = t₀: P = 0,5. Segunda derivada d²P/dt² = 0: la tasa de crecimiento es máxima. Antes de t₀: cóncava hacia arriba (aceleración). Después de t₀: cóncava hacia abajo (desaceleración).
Ajuste de la logística a los datos
Dados dos puntos de datos en una curva logística, puedes resolver tanto r como t₀.
Adopción de Internet: P(1995) = 0,01 (1% de hogares estadounidenses), P(2005) = 0,70 (70%).
Valor de red como un conteo geométrico
Hamming señaló que las aplicaciones impulsaron la adopción de computación más que el hardware o el software. Las aplicaciones dependientes de la red siguen un modelo de crecimiento específico: su valor aumenta más rápido que su costo.
Ley de Metcalfe
El valor de una red con n usuarios es proporcional al número de conexiones posibles entre usuarios:
V(n) = k · n(n−1)/2 ≈ k · n²/2 (para n grandes)
donde k es el valor de una conexión. Costo de una red: C(n) ∝ n (aproximadamente lineal en el número de usuarios).
Relación valor-costo: V/C ∝ n²/n = n. A medida que n crece, la relación crece linealmente. Una red con 10 veces más usuarios proporciona aproximadamente 100 veces más valor con solo 10 veces el costo.
Imagen geométrica
Con n nodos, el número de aristas en un grafo completo K_n es C(n,2) = n(n−1)/2. Esta es una fórmula combinatoria: elige 2 nodos de n. Para n=10: C(10,2)=45. Para n=100: C(100,2)=4950. Para n=1000: C(1000,2)=499.500.
La curva S y la Ley de Metcalfe interactúan: durante la adopción rápida de la Fase 2, n crece rápidamente y V(n) crece como n². La inflexión de valor ocurre antes de la inflexión de adopción — el valor se acelera por delante de la adopción, tirando de más adopción en un bucle de retroalimentación positiva.
Valor de red en diferentes niveles de adopción
Adopción de correo electrónico: en 1985 (n=100.000 usuarios), k = $0,01 por conexión-año. En 1995 (n=30.000.000 usuarios).
Optimización como geometría
La historia de la cinta Boeing de Hamming describe un fracaso de optimización con un significado geométrico preciso. La optimización de una función f(x) en un paisaje requiere:
1. Una función bien definida f: el objetivo (arrastre, costo, tiempo de salida al mercado)
2. Un paisaje fijo: f evaluada en el mismo estado cada vez
3. Un gradiente: la dirección de mejora más pronunciada
Cuando el paisaje cambia entre mediciones, el gradiente que estimas puede apuntar en una dirección que ya no existe cuando das el siguiente paso. Estás calculando gradient(f₁) pero avanzando en el paisaje f₂.
Descenso de gradiente
Descenso de gradiente estándar: x_{t+1} = x_t − α ∇f(x_t)
donde α = tamaño de paso (tasa de aprendizaje), ∇f = vector de gradiente (derivadas parciales).
El fracaso de Boeing: en el tiempo t, el equipo mide f(x_t). En el tiempo t+1, el equipo cambia x a x_t + Δx. Pero la base de datos compartida también cambió: f ahora es f' ≠ f. El cambio observado: f'(x_t + Δx) − f(x_t). Esto NO es el gradiente de f — incluye un término del cambio de paisaje.
El gradiente fantasma
Cambio medido = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= verdadero gradiente × Δx + cambio de paisaje
Si el cambio de paisaje domina: el equipo se mueve hacia un mínimo en f' que es un máximo en f. Optimizan la cosa equivocada — posiblemente empeorando su diseño mientras las mediciones muestran mejora.
Cuantificación del error de gradiente fantasma
Un equipo optimiza arrastre f(θ, s) donde θ = ángulo de ala, s = envergadura. Verdadero gradiente: ∂f/∂θ = −0,5 (arrastre disminuye con θ), ∂f/∂s = +0,3 (arrastre aumenta con s).
Otro equipo reduce simultáneamente el peso del fuselaje, lo que cambia la función de arrastre: f' = f − 0,8. (Un fuselaje más ligero reduce el arrastre en 0,8 unidades en todas las configuraciones.)
El primer equipo mide: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0,8] − f(θ, s) = −0,5·Δθ − 0,8.