Derivação da Equação Logística
A curva S de Hamming tem uma derivação matemática precisa. Comece com duas observações sobre adoção de tecnologia:
1. A taxa de adoção acelera com a adoção atual (boca a boca, efeitos de rede): dP/dt ∝ P
2. A taxa de adoção desacelera conforme o mercado satura: dP/dt ∝ (1 − P)
Combine: dP/dt = r · P · (1 − P)
Esta é a equação diferencial logística. É separável: a decomposição em frações parciais permite integração direta.
Derivação
Separe as variáveis: dP / [P(1−P)] = r dt
Frações parciais: 1/[P(1−P)] = 1/P + 1/(1−P)
Integre ambos os lados: ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
Seja K = e^C. Resolva para P: P = K·e^(rt) / (1 + K·e^(rt))
Equivalentemente: P(t) = 1 / (1 + e^(−r(t − t₀)))
onde t₀ = (ln K)/r é o ponto de inflexão.
Ponto de Inflexão
Em t = t₀: P = 0.5. Segunda derivada d²P/dt² = 0: a taxa de crescimento é máxima. Antes de t₀: côncava para cima (acelerando). Após t₀: côncava para baixo (desacelerando).
Ajustando a Logística aos Dados
Dados dois pontos de dados em uma curva logística, você pode resolver tanto r quanto t₀.
Adoção da Internet: P(1995) = 0.01 (1% das casas americanas), P(2005) = 0.70 (70%).
Valor de Rede como uma Contagem Geométrica
Hamming observou que os aplicativos impulsionavam a adoção de computação mais do que hardware ou software. Aplicativos dependentes de rede seguem um modelo de crescimento específico: seu valor aumenta mais rápido do que seu custo.
Lei de Metcalfe
O valor de uma rede com n usuários é proporcional ao número de conexões possíveis entre usuários:
V(n) = k · n(n−1)/2 ≈ k · n²/2 (para n grande)
onde k é o valor de uma conexão. Custo de uma rede: C(n) ∝ n (aproximadamente linear na contagem de usuários).
Razão valor-custo: V/C ∝ n²/n = n. À medida que n cresce, a razão cresce linearmente. Uma rede com 10x mais usuários oferece aproximadamente 100x mais valor com apenas 10x o custo.
Imagem Geométrica
Com n nós, o número de arestas em um grafo completo K_n é C(n,2) = n(n−1)/2. Esta é uma fórmula combinatória: escolha 2 nós de n. Para n=10: C(10,2)=45. Para n=100: C(100,2)=4950. Para n=1000: C(1000,2)=499.500.
A curva S e a Lei de Metcalfe interagem: durante a adoção rápida da Fase 2, n cresce rapidamente e V(n) cresce como n². A inflexão de valor ocorre antes da inflexão de adoção — o valor acelera à frente da adoção, puxando mais adoção em um loop de feedback positivo.
Valor de Rede em Diferentes Níveis de Adoção
Adoção de e-mail: em 1985 (n=100.000 usuários), k = $0.01 por conexão-ano. Em 1995 (n=30.000.000 usuários).
Otimização como Geometria
A história da fita do Boeing de Hamming descreve uma falha de otimização com significado geométrico preciso. A otimização de uma função f(x) em uma paisagem requer:
1. Uma função bem definida f: o objetivo (arrasto, custo, tempo para comercialização)
2. Uma paisagem fixa: f avaliada no mesmo estado cada vez
3. Um gradiente: a direção da melhoria mais íngreme
Quando a paisagem muda entre medições, o gradiente que você estima pode apontar em uma direção que não existe mais quando você toma o próximo passo. Você está calculando gradiente(f₁), mas dando passos na paisagem f₂.
Descida do Gradiente
Descida de gradiente padrão: x_{t+1} = x_t − α ∇f(x_t)
onde α = tamanho do passo (taxa de aprendizado), ∇f = vetor gradiente (derivadas parciais).
A falha do Boeing: no tempo t, a equipe mede f(x_t). No tempo t+1, a equipe muda x para x_t + Δx. Mas o banco de dados compartilhado também mudou: f é agora f' ≠ f. A mudança observada: f'(x_t + Δx) − f(x_t). Este NÃO é o gradiente de f — inclui um termo da mudança de paisagem.
O Gradiente Fantasma
Mudança medida = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= verdadeiro gradiente × Δx + mudança de paisagem
Se a mudança de paisagem domina: a equipe se move em direção a um mínimo em f' que é um máximo em f. Eles otimizam a coisa errada — possivelmente piorando seu design enquanto as medições mostram melhorias.
Quantificando o Erro de Gradiente Fantasma
Uma equipe otimiza o arrasto f(θ, s) onde θ = ângulo da asa, s = envergadura. Verdadeiro gradiente: ∂f/∂θ = −0.5 (o arrasto diminui com θ), ∂f/∂s = +0.3 (o arrasto aumenta com s).
Outra equipe simultaneamente reduz o peso da fuselagem, que muda a função de arrasto: f' = f − 0.8. (Uma fuselagem mais leve reduz o arrasto em 0.8 unidades em todas as configurações.)
A primeira equipe mede: f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8.