¿Alguna vez te has preguntado por qué unos pocos sitios web reciben la mayor parte del tráfico de Internet? ¿O por qué una pequeña fracción de individuos controla la mayor parte de la riqueza mundial? Las leyes de potencia rigen muchos sistemas naturales y artificiales. Estas distribuciones son especiales porque no cambian con la escala y tienen colas pesadas. Este principio matemático establece relaciones dinámicas entre variables que no necesariamente siguen patrones idénticos. Veremos cómo son invariantes en escala y por qué aparecen en campos tan diversos como la geofísica, las finanzas, la biología e Internet. Este tutorial te proporcionará una visión general completa de las leyes de potencias, incluyendo su teoría, matemáticas, usos y cómo estimarlas. Dada su prevalencia en diversos aspectos de la sociedad, comprender la ley de potencia es crucial. Esto es especialmente cierto si estás interesado en desarrollar modelos de machine learning.
Características de las Leyes de Potencia
En términos estadísticos, una distribución de ley de potencias tiene la misma forma funcional independientemente de la escala en la que se observe. Esta propiedad también es similar a la autosimilaridad, que es un atributo clave de los fractales. Los fractales son estructuras que tienen el mismo aspecto independientemente de cuánto se amplíen. Las leyes de potencia muestran muy bien esta estructura repetitiva. La mayoría de las distribuciones clásicas (como la gaussiana o la exponencial) disminuyen rápidamente en los extremos. No es así con las leyes de potencia. En la vida real, los grandes terremotos, los tuits virales y los multimillonarios son ejemplos de acontecimientos poco frecuentes que, sin embargo, pueden llegar a ocurrir. Una cosa sorprendente de las leyes de potencia es que son universales; se pueden encontrar en sistemas que no parecen tener ninguna correlación entre sí. La otra cara de la moneda es que también son estadísticamente incompletos. A medida que aumenta el valor alfa, la cola se vuelve más delgada. Un alfa pequeño significa que los eventos son más extremos. Si los datos realmente siguen una ley de potencias, obtendrás una línea recta con una pendiente de −α.
Aplicaciones y Ejemplos en el Mundo Real
Las leyes de potencias nos ayudan a comprender los fenómenos extremos de la naturaleza. Por ejemplo, la ley de Gutenberg-Richter establece que la magnitud de los terremotos sigue una distribución de ley de potencias. Esto significa que se producen muchos temblores pequeños, pero a medida que aumenta la magnitud del terremoto, el número de temblores disminuye rápidamente. Por eso, puede ocurrir un terremoto de magnitud 2,0 todos los días, pero puede que no ocurra ninguno de magnitud 7,0 en años. Las leyes de potencia también son aplicables al universo. En astrofísica, vemos que el tamaño de las estrellas, la distribución de los agujeros negros e incluso los cúmulos de galaxias tienen colas pesadas. Hay miles de millones de estrellas pequeñas, pero solo unas pocas enormes destacan en la galaxia.
Cuando se analiza la desigualdad y la escala en las sociedades humanas, las leyes de potencia resultan especialmente útiles. Las distribuciones de Pareto, que se utilizan a menudo en economía, muestran la distribución de la riqueza y los ingresos, donde un pequeño número de personas posee la mayor parte de los recursos. El 1 % de las personas más ricas siguen la ley de Pareto, no los promedios gaussianos. La ley de Pareto: la conocida regla 80/20 sugiere que aproximadamente el 80% de los resultados proviene del 20% de las causas. La ley de Zipf explica cómo las frecuencias de las palabras en el lenguaje natural siguen un patrón de ley de potencias. La ley de Zipf: distribuye la frecuencia de palabras en un texto, el tamaño de ciudades o los ingresos de individuos.
Las leyes de potencia también muestran patrones ocultos en la biología. Por ejemplo, la ley de Kleiber dice que la tasa metabólica de un animal aumenta a medida que su masa corporal aumenta a la potencia de 3/4, y no en línea recta. Las leyes de potencia son las que mantienen el mundo digital en funcionamiento y lo hacen prosperar. En Informática: Internet se modela considerando la distribución de enlaces a páginas web, configurando así una red scale-free. En IA, el tamaño y el rendimiento de los modelos tienden a ir en la misma dirección. Hay algunos modelos grandes, como GPT-4, que son los mejores en este campo, pero cientos de modelos más pequeños no pueden seguirles el ritmo. El análisis de la ley de potencias tendrá interesantes aplicaciones futuras en áreas como la inteligencia artificial, la economía, la ciencia de redes y la gestión de riesgos.
Lea también: deducción matemática de la potencia en circuitos de corriente alterna
¿Por Qué Aparecen las Leyes de Potencia? Modelos y Mecanismos
Ahora que sabemos dónde aparecen las leyes de potencias en el mundo real y cómo encontrarlas estadísticamente, la siguiente pregunta es: ¿por qué aparecen estas distribuciones en primer lugar? El modelo Barabási-Albert (1999) introdujo el apego preferencial, que a menudo se resume como el fenómeno de «los ricos se hacen más ricos». Piensa en crear una red, como Internet o una red social. Con el tiempo, esto crea un bucle de retroalimentación: los nodos populares obtienen aún más conexiones, mientras que los más nuevos o menos conectados permanecen pequeños. De manera similar, los procesos de Yule modelan el crecimiento de los géneros biológicos, lo cual es una extensión de esta idea. En este modelo, las especies que ya tienen más miembros son más propensas a dar lugar a nuevas especies. Los procesos de crecimiento aleatorio son otra forma en que pueden manifestarse las leyes de potencia. La ley de Gibrat establece que la tasa de crecimiento es independiente del tamaño. También hay un aspecto probabilístico en esto. Los procesos de Markov también pueden mostrar un comportamiento de ley de potencias en algunas situaciones. Estos procesos modelan sistemas en los que el estado siguiente solo depende del estado actual, no del pasado. Estos modelos no son solo ideas interesantes. Nos ayudan a comprender cómo cambian los sistemas complejos a lo largo del tiempo, por qué se mantiene la desigualdad y cómo los efectos de red afectan a todo, desde la biología hasta la cadena de bloques.
Estimación y Prueba de las Leyes de Potencia
Por lo tanto, parece que tu conjunto de datos sigue una ley de potencias. El histograma podría tener una cola larga, o el gráfico logarítmico podría mostrar una línea casi recta. Es un buen comienzo, pero no basta con mirarlo, ya que no es difícil dejarse engañar por las leyes de potencia. La estimación de máxima verosimilitud (MLE) es una de las formas más comunes de obtener una estimación de 𝛼. Pero aquí está lo difícil: elegir el 𝑥 min adecuado es muy importante. Si es demasiado bajo, tu modelo tiene datos que realmente no siguen la ley de potencias. Y si es demasiado alto, acabarás gastando demasiados datos. Después de estimar el exponente, la siguiente pregunta es: ¿qué tan bien encaja? No puedes limitarte a decir: «Parece una ley de potencias». Necesitas pruebas estadísticas de que la ley de potencias explica mejor tus datos que otras distribuciones posibles. Aquí es donde entra en juego la pruebade Kolmogorov-Smirnov (KS). Cuanto más se acerque este número a cero, mejor se ajustará tu modelo a los datos. La prueba KS no utiliza agrupaciones ni histogramas como muchas otras pruebas. En su lugar, trabaja directamente con los datos brutos, lo que lo hace muy útil para distribuciones de cola pesada. Pero a veces, una ley de potencias no es la única explicación plausible. Una distribución log-normal o exponencial también podría modelar tus datos. Es aquí donde resultan útileslas pruebas de razón de verosimilitud de.
Ventajas y Desafíos de los Modelos de Ley de Potencia
Los modelos de ley de potencias son útiles para sistemas en los que se producen acontecimientos poco frecuentes pero importantes. Los modelos de ley de potencias pueden captar mejor este riesgo extremo que los modelos tradicionales, que a menudo subestiman la probabilidad de que se produzcan estos eventos. También existe la ventaja de comprender el crecimiento no lineal y los efectos compuestos. Sin embargo, los modelos de ley de potencias tienen algunas desventajas. Estos modelos suelen funcionar solo en la cola de la distribución, por lo que es posible que no se ajusten bien o que no se ajusten en absoluto a la mayor parte de los datos. Esto puede ser un problema si no se tiene cuidado con el punto en el que realmente comienza el comportamiento de la ley de potencias. No todos los conjuntos de datos con colas largas siguen una ley de potencias real. Pocas distribuciones, como la log-normal o la exponencial estirada, pueden parecer un comportamiento de ley de potencias en un rango pequeño, especialmente en un gráfico logarítmico. Esto a menudo conduce a falsos positivos, en los que tomamos como ley de potencias solo porque el gráfico «parece lineal». La generalización excesiva es otro problema. A menudo se piensa que las leyes de potencia explican todo lo que ocurre en un sistema, pero es posible que solo expliquen una pequeña parte, normalmente los extremos. La ley de los rendimientos decrecientes es otro problema al que se enfrentan los sistemas del mundo real. Las leyes de potencia establecen que son posibles resultados extremos, pero en algunas áreas, como los límites físicos o los entornos normativos, existen límites más allá de los cuales el modelo deja de funcionar. Las leyes de potencia nos ayudan a comprender sistemas en los que unos pocos eventos o entidades extremos tienen un gran efecto, como los terremotos, el tráfico de Internet o la distribución de los ingresos.
Lea también: Deducción IVA: Guía Paso a Paso
Lea también: Guía para la deducción del ISR