Системы из множества взаимодействующих элементов, где коллективное поведение не сводится к сумме частей.
Ключевые тезисы
- Самоорганизованная критичность объясняет степенные распределения размеров лавин, землетрясений и отказов.
- Ранние признаки перехода: рост автокорреляции, дисперсии и времени восстановления после возмущений.
- Практическое приложение — мониторинг устойчивости инфраструктуры и рынков.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1Самоорганизованная критичность
Почему размеры лавин распределены степенно.
Классическая модель — куча песка: система сама эволюционирует к критическому состоянию, в котором добавление одной песчинки может вызвать лавину любого размера. Распределение размеров лавин при этом степенное.
- Аналоги: отказы инфраструктуры, каскады в соцсетях, финансовые обвалы, лесные пожары.
- Следствие: планировать мощность по среднему размеру инцидента бессмысленно.
- Отсюда же прямая связь с главой про степенные распределения.
2Сети как сложные системы
Где эта глава смыкается с графами.
Безмасштабные сети возникают из простого локального правила (предпочтительное присоединение), но обладают глобальными свойствами: устойчивостью к случайным отказам и уязвимостью к атакам на хабы. Это тот же сюжет: локальные правила — глобальная структура.
Связанные темы
Тяжёлые хвосты и риск · Структура реальных сетей
Power Law95%
Степенное распределение · Теория вероятностей и распределенияПлотность убывает как степень: редкие события встречаются намного чаще, чем предсказывает нормальный закон. Распределения Парето и Ципфа — его классические формы.
Scale-free Networks95%
Безмасштабные сети · Графы и сетиСети, в которых распределение степеней вершин подчиняется степенному закону: немного «хабов» и очень много слабо связанных вершин.
Small World80%
Феномен малого мира · Графы и сетиКороткие пути между любыми двумя вершинами при высокой локальной кластеризации.
Network Motifs80%
Мотивы и триады · Графы и сетиМаленькие повторяющиеся подграфы, встречающиеся чаще, чем в случайной сети. Хорошие признаки для классификации вершин.
Centrality80%
Центральности · Графы и сетиМеры важности вершины: по числу связей, по посредничеству, по близости и по влиянию соседей.
Heavy Tails75%
Тяжёлые хвосты · Теория вероятностей и распределенияРаспределения, у которых экстремальные значения не являются пренебрежимо редкими. Именно они ломают привычные оценки и метрики.
Extreme Value Theory75%
Теория экстремальных значений · Теория вероятностей и распределенияАппарат для моделирования максимумов и хвостов: как оценить вероятность события, которого ещё не случалось.
Log-normal Distribution75%
Логнормальное распределение · Теория вероятностей и распределенияВеличина, логарифм которой нормален. Возникает там, где эффекты перемножаются, а не складываются.
Self-similarity75%
Самоподобие · Динамические системы и фракталыСвойство структуры повторять себя на разных масштабах — точно или статистически.
Outliers75%
Выбросы · ДанныеНаблюдения, резко отличающиеся от остальных. Они бывают ошибками измерения, а бывают самым ценным сигналом.
MAPE75%
Средняя абсолютная процентная ошибка · МетрикиОтносительная ошибка в процентах — удобна для сравнения рядов разного масштаба.