Показаны записи 1601 - 1610 из 31007
![[userpic]](/media/4587bb8388ee4725e346652254c934c26f18585afe1756ca95df939553e68845)
8. Невосприимчивость
Мы обнаруживаем, что в большинстве систем существуют неприводимые количественные свойства, такие как сложность, минимумы, время и длина. Ниже неприводимого уровня желаемый результат просто не возникает. Невозможно заставить нескольких беременных женщин сократить время, необходимое для того, чтобы иметь одного ребенка, и нельзя свести успешно построенный автомобиль к одной части. Эти результаты до определенной точки неприводимы.
Мы обнаруживаем, что в большинстве систем существуют неприводимые количественные свойства, такие как сложность, минимумы, время и длина. Ниже неприводимого уровня желаемый результат просто не возникает. Невозможно заставить нескольких беременных женщин сократить время, необходимое для того, чтобы иметь одного ребенка, и нельзя свести успешно построенный автомобиль к одной части. Эти результаты до определенной точки неприводимы.
7. Появление
Поведение более высокого уровня, как правило, возникает из-за взаимодействия компонентов более низкого порядка. Результат часто не линейный - не вопрос простого сложения, а скорее нелинейный или экспоненциальный. Важным результирующим свойством возникающего поведения является то, что его нельзя предсказать, просто изучив составные части.
Поведение более высокого уровня, как правило, возникает из-за взаимодействия компонентов более низкого порядка. Результат часто не линейный - не вопрос простого сложения, а скорее нелинейный или экспоненциальный. Важным результирующим свойством возникающего поведения является то, что его нельзя предсказать, просто изучив составные части.
6. Преференциальное приложение (кумулятивное преимущество)
Предпочтительная ситуация привязанности возникает, когда нынешнему лидеру дают больше вознаграждения, чем отстающие, тем самым стремясь сохранить или улучшить статус лидера. Сильный сетевой эффект является хорошим примером предпочтительной привязанности; рынок с 10-кратным количеством покупателей и продавцов, чем на следующем крупнейшем рынке, будет иметь тенденцию к преимущественной адаптации.
Предпочтительная ситуация привязанности возникает, когда нынешнему лидеру дают больше вознаграждения, чем отстающие, тем самым стремясь сохранить или улучшить статус лидера. Сильный сетевой эффект является хорошим примером предпочтительной привязанности; рынок с 10-кратным количеством покупателей и продавцов, чем на следующем крупнейшем рынке, будет иметь тенденцию к преимущественной адаптации.
5. Динамика хаоса (чувствительность к начальным условиям)
В мире, таком как наш, который управляется динамикой хаоса, небольшие изменения (возмущения) в начальных условиях имеют массовые последующие эффекты при возникновении почти бесконечных циклов обратной связи; это явление также называют эффектом бабочки. Это означает, что некоторые аспекты физических систем (например, погода более чем через несколько дней), а также социальные системы (поведение группы людей в течение длительного периода) принципиально непредсказуемы.
В мире, таком как наш, который управляется динамикой хаоса, небольшие изменения (возмущения) в начальных условиях имеют массовые последующие эффекты при возникновении почти бесконечных циклов обратной связи; это явление также называют эффектом бабочки. Это означает, что некоторые аспекты физических систем (например, погода более чем через несколько дней), а также социальные системы (поведение группы людей в течение длительного периода) принципиально непредсказуемы.
4. Обратная петля (и гомеостаз)
https://www.farnamstreetblog.com/2011/10/mental-model-feedback-loops/
Все сложные системы подвержены циклам с положительной и отрицательной обратной связью, в результате чего A вызывает B, что, в свою очередь, влияет на A (и C) и т. Д. - с эффектами более высокого порядка, часто возникающими в результате непрерывного движения цикла. В гомеостатической системе изменение А часто возвращается в линию путем противоположного изменения В, чтобы поддерживать баланс системы, как с температурой человеческого тела или поведением организационной культуры. Автоматические контуры обратной связи поддерживают «статическую» среду, если и до тех пор, пока внешняя сила не изменит петлю. «Бегущая петля обратной связи» описывает ситуацию, когда выход реакции становится собственным катализатором (автокатализ).
https://www.farnamstreetblog.com/2011/10/mental-model-feedback-loops/
Все сложные системы подвержены циклам с положительной и отрицательной обратной связью, в результате чего A вызывает B, что, в свою очередь, влияет на A (и C) и т. Д. - с эффектами более высокого порядка, часто возникающими в результате непрерывного движения цикла. В гомеостатической системе изменение А часто возвращается в линию путем противоположного изменения В, чтобы поддерживать баланс системы, как с температурой человеческого тела или поведением организационной культуры. Автоматические контуры обратной связи поддерживают «статическую» среду, если и до тех пор, пока внешняя сила не изменит петлю. «Бегущая петля обратной связи» описывает ситуацию, когда выход реакции становится собственным катализатором (автокатализ).
3. Принцип Парето
Названный в пользу итальянского полиметалла Вильфредо Парето, который заметил, что 80% территории Италии принадлежит примерно 20% ее населения, принцип Парето гласит, что небольшое количество какого-либо явления вызывает непропорционально большой эффект. Принцип Парето является примером степенного типа статистического распределения - в отличие от традиционной колоколообразной кривой - и демонстрируется в различных явлениях, начиная от богатства и городского населения, до важных человеческих привычек.
Названный в пользу итальянского полиметалла Вильфредо Парето, который заметил, что 80% территории Италии принадлежит примерно 20% ее населения, принцип Парето гласит, что небольшое количество какого-либо явления вызывает непропорционально большой эффект. Принцип Парето является примером степенного типа статистического распределения - в отличие от традиционной колоколообразной кривой - и демонстрируется в различных явлениях, начиная от богатства и городского населения, до важных человеческих привычек.
2. Закон убывающих возвратов
Что касается масштаба, то наиболее важные результаты реального мира могут быть уменьшены постепенно. Хорошим примером может быть бедная семья: дать им достаточно денег, чтобы процветать, и они уже не бедны. Но после определенного момента дополнительные деньги не улучшат их лоты; есть явное сокращение отдачи дополнительных долларов в некоторой примерно количественной точке. Зачастую закон уменьшающейся прибыли сводится к отрицательной территории - то есть получение слишком большого количества денег может привести к уничтожению бедной семьи.
Что касается масштаба, то наиболее важные результаты реального мира могут быть уменьшены постепенно. Хорошим примером может быть бедная семья: дать им достаточно денег, чтобы процветать, и они уже не бедны. Но после определенного момента дополнительные деньги не улучшат их лоты; есть явное сокращение отдачи дополнительных долларов в некоторой примерно количественной точке. Зачастую закон уменьшающейся прибыли сводится к отрицательной территории - то есть получение слишком большого количества денег может привести к уничтожению бедной семьи.
1. Масштаб
Одним из важнейших принципов систем является то, что они чувствительны к масштабам. Свойства (или поведение) имеют тенденцию к изменению при масштабировании вверх или вниз. При изучении сложных систем мы всегда должны быть грубо количественными - по порядку величины, по крайней мере, масштабом, в котором мы наблюдаем, анализируем или прогнозируем систему.
Одним из важнейших принципов систем является то, что они чувствительны к масштабам. Свойства (или поведение) имеют тенденцию к изменению при масштабировании вверх или вниз. При изучении сложных систем мы всегда должны быть грубо количественными - по порядку величины, по крайней мере, масштабом, в котором мы наблюдаем, анализируем или прогнозируем систему.
Системы (22)
8. Закон больших чисел
Одним из основополагающих основополагающих предположений о вероятности является то, что по мере появления большего числа случаев события фактические результаты будут сходиться на ожидаемых. Например, если я знаю, что средний человек составляет 5 футов 10 дюймов в высоту, я гораздо чаще получаю в среднем 5'10 ", выбирая 500 человек в случайном порядке, чем 5 мужчин в случайном порядке. Противоположностью этой модели является закон малых чисел, в котором говорится, что с небольшими образцами можно и нужно смотреть с большим скептицизмом.
9. Нормальное распределение
Нормальное распределение - это статистический процесс, который приводит к хорошо известному графическому представлению колоколообразной кривой со значимыми центральными «средними» и все более редкими стандартными отклонениями от этого среднего при правильной выборке. (Так называемая теорема о «центральном пределе»). Известные примеры включают человеческий рост и вес, но также важно отметить, что многие обычные процессы, особенно в неосязаемых системах, таких как социальные системы, не соответствуют нормальному распределению ,
10. Силовые законы
Одним из наиболее распространенных процессов, которые не соответствуют нормальному распределению, является один из степенного закона, при котором одна величина изменяется не с линейной, а с другой. Например, шкала Рихтера описывает мощность землетрясений в шкале степенного распределения: 8 в 10 раз более разрушительна, чем 7, а 9 в 10 раз более разрушительна, чем 8. Центральная предельная теорема не применяется, и существует таким образом, нет «среднего» землетрясения. Это справедливо для всех степенных распределений.
11. Процессы с плотным хвостом (Extremistan)
Процесс может часто выглядеть как обычный дистрибутив, но имеет большой «хвост» - это означает, что, казалось бы, более отдаленные события гораздо более вероятны, чем в реальном нормальном распределении. Стратегия или процесс могут быть гораздо более рискованными, чем нормальное распределение способно описывать, если жирный хвост находится на отрицательной стороне, или гораздо более прибыльный, если жирный хвост находится на положительной стороне. Говорят, что большая часть человеческого социального мира скорее жирная, чем обычно распределенная.
12. Байесовское обновление
https://www.farnamstreetblog.com/2012/12/thomas-bayes-and-bayess-theorem/
Байесовский метод - это метод мысли (названный в честь Томаса Байеса), в котором учитываются все предыдущие соответствующие вероятности, а затем постепенно обновляется по мере поступления более новой информации. Этот метод особенно продуктивен с учетом фундаментально недетерминированного мира, который мы переживаем: мы должны использовать предварительные шансы и новую информацию в сочетании, чтобы прийти к нашим лучшим решениям. Это не обязательно наш интуитивный механизм принятия решений.
13. Регрессия к среднему
https://www.farnamstreetblog.com/2015/07/regression-to-the-mean/
В нормально распределенной системе длинные отклонения от среднего будут иметь тенденцию возвращаться к этому среднему с увеличением числа наблюдений: так называемый Закон больших чисел. Мы часто обманываемся регрессией к среднему, как с больным пациентом, спонтанно улучшающимся в то же самое время, когда они начинают принимать растительное лекарство, или плохо выполняющая спортивная команда, идущая на победную серию. Мы должны быть осторожны, чтобы не путать статистически вероятные события с каузальными.
14. Порядок величины
Во многих, возможно, большинстве систем количественное описание вплоть до точной цифры либо невозможно, либо бесполезно (или и то, и другое). Например, оценка расстояния между нашей галактикой и ближайшей - это вопрос знания не точного количества миль, а количества нулей после 1. Это расстояние около 1 миллиона миль или около 1 миллиарда? Эта мысль может помочь нам избежать бесполезной точности.
Одним из основополагающих основополагающих предположений о вероятности является то, что по мере появления большего числа случаев события фактические результаты будут сходиться на ожидаемых. Например, если я знаю, что средний человек составляет 5 футов 10 дюймов в высоту, я гораздо чаще получаю в среднем 5'10 ", выбирая 500 человек в случайном порядке, чем 5 мужчин в случайном порядке. Противоположностью этой модели является закон малых чисел, в котором говорится, что с небольшими образцами можно и нужно смотреть с большим скептицизмом.
9. Нормальное распределение
Нормальное распределение - это статистический процесс, который приводит к хорошо известному графическому представлению колоколообразной кривой со значимыми центральными «средними» и все более редкими стандартными отклонениями от этого среднего при правильной выборке. (Так называемая теорема о «центральном пределе»). Известные примеры включают человеческий рост и вес, но также важно отметить, что многие обычные процессы, особенно в неосязаемых системах, таких как социальные системы, не соответствуют нормальному распределению ,
10. Силовые законы
Одним из наиболее распространенных процессов, которые не соответствуют нормальному распределению, является один из степенного закона, при котором одна величина изменяется не с линейной, а с другой. Например, шкала Рихтера описывает мощность землетрясений в шкале степенного распределения: 8 в 10 раз более разрушительна, чем 7, а 9 в 10 раз более разрушительна, чем 8. Центральная предельная теорема не применяется, и существует таким образом, нет «среднего» землетрясения. Это справедливо для всех степенных распределений.
11. Процессы с плотным хвостом (Extremistan)
Процесс может часто выглядеть как обычный дистрибутив, но имеет большой «хвост» - это означает, что, казалось бы, более отдаленные события гораздо более вероятны, чем в реальном нормальном распределении. Стратегия или процесс могут быть гораздо более рискованными, чем нормальное распределение способно описывать, если жирный хвост находится на отрицательной стороне, или гораздо более прибыльный, если жирный хвост находится на положительной стороне. Говорят, что большая часть человеческого социального мира скорее жирная, чем обычно распределенная.
12. Байесовское обновление
https://www.farnamstreetblog.com/2012/12/thomas-bayes-and-bayess-theorem/
Байесовский метод - это метод мысли (названный в честь Томаса Байеса), в котором учитываются все предыдущие соответствующие вероятности, а затем постепенно обновляется по мере поступления более новой информации. Этот метод особенно продуктивен с учетом фундаментально недетерминированного мира, который мы переживаем: мы должны использовать предварительные шансы и новую информацию в сочетании, чтобы прийти к нашим лучшим решениям. Это не обязательно наш интуитивный механизм принятия решений.
13. Регрессия к среднему
https://www.farnamstreetblog.com/2015/07/regression-to-the-mean/
В нормально распределенной системе длинные отклонения от среднего будут иметь тенденцию возвращаться к этому среднему с увеличением числа наблюдений: так называемый Закон больших чисел. Мы часто обманываемся регрессией к среднему, как с больным пациентом, спонтанно улучшающимся в то же самое время, когда они начинают принимать растительное лекарство, или плохо выполняющая спортивная команда, идущая на победную серию. Мы должны быть осторожны, чтобы не путать статистически вероятные события с каузальными.
14. Порядок величины
Во многих, возможно, большинстве систем количественное описание вплоть до точной цифры либо невозможно, либо бесполезно (или и то, и другое). Например, оценка расстояния между нашей галактикой и ближайшей - это вопрос знания не точного количества миль, а количества нулей после 1. Это расстояние около 1 миллиона миль или около 1 миллиарда? Эта мысль может помочь нам избежать бесполезной точности.
Дочитали до конца.