The distribution of violent event and interevent times in conflicts

Embora dados de alta resolução sugiram que os intervalos entre eventos violentos em conflitos sigam uma distribuição lognormal em vez de uma lei de potência, a análise do artigo conclui que a sabedoria convencional não é refutada, pois a distribuição lognormal não se ajusta melhor aos dados do que a lei de potência.

O essencial

Imagine que você está assistindo a uma briga de rua filmada por um celular. Entre um soco e outro, ou entre uma agressão e a próxima, existe um tempo de "respiro". O grande mistério que este artigo tenta resolver é: como esses tempos de espera se comportam?

Aqui está a explicação do estudo, traduzida para uma linguagem simples, usando analogias do dia a dia:

1. O Grande Debate: A Lei do "Azar" vs. A Lei do "Acúmulo"

Há muito tempo, os cientistas estudaram guerras e conflitos grandes (como batalhas entre exércitos) e descobriram algo interessante: os tempos entre os ataques seguem uma Lei de Potência.

• A Analogia: Pense em uma loteria onde você pode ganhar um prêmio pequeno, médio ou... um prêmio bilionário. A maioria das pessoas ganha pouco, mas há sempre uma chance remota de algo gigantesco acontecer. Isso significa que, em guerras longas, você pode ter um silêncio de 1 dia, mas também pode ter um silêncio de 100 dias. Não há um "tempo médio" fixo; os eventos longos são mais comuns do que a gente imagina.

Mas, o autor (Jeroen Bruggeman) se perguntou: "E se olharmos para as coisas em câmera lenta, com precisão de segundos?"

Existe uma teoria matemática que diz: se você medir as coisas com precisão extrema (como frações de segundo), o padrão muda. Em vez de uma loteria, o tempo passa a seguir uma Distribuição Lognormal.

• A Analogia: Pense em uma corrida de obstáculos. A maioria dos corredores leva um tempo "normal" para passar. Alguns levam um pouco mais, outros um pouco menos. É muito raro alguém levar um tempo extremamente longo ou extremamente curto. A maioria se agrupa em torno de uma média, com uma curva suave.

2. O Experimento: Brigas de Rua em Alta Definição

Para testar isso, o autor não olhou para mapas de guerra, mas para vídeos de brigas de rua (aquelas filmadas por espectadores no YouTube ou LiveLeak).

• Ele pegou 59 vídeos de pequenos grupos de jovens brigando.
• A diferença crucial: a precisão. Enquanto os estudos antigos olhavam para "dias", ele olhou para segundos (e até frações de segundo).

Ele imaginou o tempo entre os golpes como uma "bola de neve".

• Imagine que o primeiro intervalo entre golpes é de 2 segundos.
• O próximo intervalo pode ser um pouco maior ou um pouco menor, dependendo de fatores aleatórios (alguém tropeçou, alguém correu, a munição acabou, etc.).
• Matematicamente, isso é um "processo multiplicativo": o tempo atual é o tempo anterior multiplicado por um fator aleatório. A teoria diz que, quando você multiplica muitos fatores aleatórios, o resultado tende a ser Lognormal.

3. O Resultado Surpreendente: A Sabedoria Popular Ganha (Quase)

O autor achava que, com dados tão precisos, ele provaria que a "Lei de Potência" estava errada e que o padrão era Lognormal. Mas o que ele descobriu foi mais sutil:

• Para os tempos de espera (Intereventos): Quando ele analisou o tempo entre as agressões, ambas as teorias funcionaram quase igual. A distribuição parecia ser uma Lei de Potência (a antiga sabedoria) e também parecia Lognormal.

  • Por que? O autor sugere uma razão curiosa: quem filma as brigas no celular geralmente para de filmar quando a briga fica chata e silenciosa por muito tempo. Isso significa que os "silêncios longos" podem ter sido cortados dos vídeos. Se faltam dados dos silêncios longos, fica difícil distinguir se é uma Lei de Potência ou Lognormal. A "cauda" da distribuição (os eventos muito longos) está incompleta.

• Para o tempo das agressões (Eventos): Aqui a coisa ficou clara. Quanto tempo dura um soco ou uma chuteira?

  • O autor descobriu que a duração dos golpes é claramente Lognormal.
  • A Analogia: Dar um soco gasta muita energia. É como correr uma maratona: você não consegue correr a velocidade máxima por horas. A maioria dos golpes é rápida, alguns duram um pouco mais, mas é impossível que um único golpe dure uma hora. A energia física limita o tempo, criando essa curva Lognormal.

4. Conclusão Simples

O estudo nos ensina duas coisas importantes:

1. A sabedoria antiga não está errada: Mesmo com dados super precisos, os tempos entre as violências em conflitos duradouros ainda parecem seguir a antiga Lei de Potência (onde eventos raros e longos são possíveis).
2. O corpo humano tem limites: A duração dentro do ato violento (o golpe em si) segue uma regra diferente (Lognormal), porque o corpo cansa e gasta energia.

Resumo da Ópera:
Se você olhar para uma briga de rua, o tempo que leva para o próximo soco pode ser imprevisível e seguir padrões complexos (como uma loteria), mas o tempo que dura o próprio soco é limitado pela fadiga e segue uma curva mais previsível. E, infelizmente, como os cinegrafistas amadores param de filmar quando a briga fica entediante, talvez estejamos perdendo a visão dos "silêncios" mais longos, o que torna o mistério um pouco mais difícil de resolver.

Resumo técnico

Resumo Técnico: Distribuição de Tempos de Eventos Violentos e Intereventos em Conflitos Duradouros

1. O Problema e o Contexto

A literatura científica existente sobre conflitos violentos duradouros estabelece um consenso de que os tempos intereventos (os intervalos de tempo entre incidentes violentos) seguem uma distribuição de lei de potência (power law). No entanto, essas conclusões são baseadas em dados "granulares" (coarse-grained), tipicamente com uma resolução mínima de um dia.

O artigo aborda uma lacuna crítica: a falta de dados de alta granularidade (resolução de segundos ou menores). Existe um teorema matemático (Sornette e Cont) que prevê que, se os intervalos de tempo puderem ser arbitrariamente próximos de zero, a distribuição resultante de um processo multiplicativo deve ser lognormal, e não uma lei de potência. O objetivo do estudo é investigar se essa previsão teórica se mantém quando se utiliza dados de violência em tempo real e alta resolução, desafiando ou confirmando o "senso comum" científico atual.

2. Metodologia

• Fonte de Dados: O autor utilizou vídeos de brigas de rua gravados por espectadores em telefones móveis (publicados em plataformas como YouTube, LiveLeak e WorldStarHipHop).
• Amostra:
  • $N = 59$ grupos pequenos (2 a 10 indivíduos, média de 3,6) envolvidos em conflitos.
  • Total de 287 tempos intereventos (intervalos sem violência), variando de 0,002 a 95 segundos.
  • Total de 375 tempos de eventos (duração da violência ativa), variando de 0,342 a 36 segundos.
• Codificação: A violência foi definida como o uso de força contra o corpo ou movimento forçado do corpo. Os tempos intereventos são definidos como períodos onde nenhum indivíduo age violentamente.
• Modelo Teórico: O estudo representa a sequência de tempos intereventos como um processo multiplicativo. Se $\tau_1$ é o primeiro intervalo, o seguinte é $\tau_2 = v_1\tau_1$, onde $v$ são variáveis aleatórias independentes. Matematicamente, isso implica que $\log(\tau)$ é a soma de variáveis aleatórias, o que, pelo Teorema do Limite Central, tende a uma distribuição lognormal.
• Análise Estatística:
  • Uso do pacote poweRlaw em R para estimativa de máxima verossimilhança (MLE).
  • Comparação entre ajustes de distribuição Lognormal e Lei de Potência.
  • Aplicação do Teste de Vuong para determinar qual modelo se ajusta melhor aos dados.

3. Contribuições Chave

• Inovação de Dados: É uma das primeiras aplicações de dados de violência com resolução de segundos (micro-escala) para testar teorias de distribuição de eventos, superando a limitação de dados diários ou mensais.
• Novidade Teórica: Propõe pela primeira vez a representação de dados de conflito como um processo multiplicativo explícito para prever a distribuição de tempos intereventos.
• Refutação de Hipóteses: Testa diretamente a conjectura de que a alta granularidade invariavelmente leva a distribuições lognormais, em vez de leis de potência.

4. Resultados

• Tempos Intereventos (Intervalos entre brigas):
  • A análise do ajuste cumulativo (Figura 1A) mostrou que tanto a distribuição Lognormal quanto a Lei de Potência ajustam-se aos dados de forma aproximadamente equivalente.
  • O Teste de Vuong resultou em um valor-p de 0,403 (bilateral), indicando que não há evidência estatística suficiente para rejeitar a lei de potência em favor da lognormal.
  • Conclusão: A conjectura de que dados finos são estritamente lognormais não foi suportada para os intervalos entre eventos. O "senso comum" (lei de potência) permanece válido.
• Tempos de Eventos (Duração da violência):
  • Para a duração dos atos violentos, a distribuição Lognormal ajustou-se significativamente melhor do que a Lei de Potência (p = 0,00077).
  • Isso confirma a conjectura do autor de que, como a violência consome muita energia e é limitada fisiologicamente, seus tempos de duração tendem a ser lognormais.
• Viés de Amostragem: O autor nota que a cauda da distribuição de tempos intereventos pode estar subamostrada, pois espectadores tendem a parar de filmar durante longos períodos de inatividade, o que pode enviesar os dados contra leis de potência.

5. Significado e Implicações

• Validação Parcial de Teorias: O estudo demonstra que a transição de dados "granulares" para "finos" não altera automaticamente a natureza da distribuição de tempos intereventos para lognormal. A lei de potência persiste mesmo em escalas de segundos, sugerindo que a estrutura subjacente dos conflitos pode ser mais robusta do que o teorema de Sornette e Cont previa para este contexto específico.
• Distinção entre Eventos e Intervalos: O trabalho estabelece uma distinção crucial: enquanto os intervalos entre a violência seguem padrões complexos (lei de potência), a duração da própria violência é governada por limites energéticos e segue uma distribuição lognormal.
• Futuro da Pesquisa: À medida que a disponibilidade de dados de vídeo (CCTV e celulares) aumenta, estudos futuros de alta granularidade serão essenciais para refinar esses modelos, mas este estudo serve como um aviso contra a suposição automática de que maior resolução de dados implica necessariamente em mudança de paradigma estatístico (de lei de potência para lognormal).

Em suma, o artigo conclui que, embora a violência ativa seja lognormalmente distribuída devido a restrições energéticas, a distribuição dos intervalos entre eventos em conflitos de rua mantém-se compatível com a lei de potência, desafiando a expectativa teórica de que dados de alta resolução sempre revelariam distribuições lognormais.