INSTORTING VAN AXIOMA'S
Waar de Gaussverdeling breekt en de wereld begint
De gaussverdeling is niet onjuist.
Het is een model dat alleen onder specifieke structurele voorwaarden stabiel blijft.
Een normale verdeling ontstaat vanzelf in veel aggregatieprocessen en blijft een van de krachtigste hulpmiddelen in de natuurkunde, techniek en statistiek.
Maar de stabiliteit ervan hangt af van verschillende aannames.
In vereenvoudigde vorm omvatten deze:
Benaderende onafhankelijkheid — variabelen beïnvloeden elkaar niet sterk.
Stationariteit — het onderliggende proces verandert niet wezenlijk in de tijd.
Neutrale waarneming — meting verandert het systeem niet.
Zwakke terugkoppeling — uitvoer geeft toekomstige invoer niet sterk vorm.
Beperkte drift — gemiddelde en variantie blijven bij benadering stabiel.
Wanneer aan deze voorwaarden is voldaan, zijn Gaussische modellen vaak nauwkeurig en efficiënt.
Wanneer echter meerdere van deze aannames tegelijk wegvallen, kan de Gauss-verdeling lokaal bruikbaar blijven terwijl ze op langere termijn structureel instabiel wordt.
De Gaussische verdeling zelf is niet onjuist.
Problemen ontstaan wanneer op stabiliteit gebaseerde modellen worden toegepast op systemen die niet langer aan hun structurele voorwaarden voldoen.
Waarom veel echte systemen afdrijven van gaussische aannames
Veel werkelijke systemen bevatten agenten, waarnemers, terugkoppeling, aanpassing of leerprocessen.
In zulke omgevingen:
Variabelen beïnvloeden elkaar → onafhankelijkheid neemt af.
Gedrag evolueert in de tijd → stationariteit neemt af.
Meting beïnvloedt beslissingen → de neutraliteit van de waarnemer valt weg.
Handelingen veranderen toekomstige toestanden → er ontstaat terugkoppeling.
Kleine afwijkingen stapelen zich op → drift ontstaat.
Deze omstandigheden zijn geen zeldzame anomalieën.
Het zijn gangbare eigenschappen van systemen met interactie, aanpassing of intelligentie.
Op korte tijdshorizonten kunnen Gaussische benaderingen nog steeds werken.
Over langere tijdshorizonten begint structurele drift de verdeling te hervormen.
Drift als structurele eigenschap van ingebedde systemen
Drift is vaak geïnterpreteerd als ruis, meetfout of tijdelijke fluctuatie.
Maar in ingebedde systemen ligt dat anders.
Waarnemers beïnvloeden het systeem.
Het systeem reageert op het feit dat het wordt waargenomen.
Die reacties stapelen zich op.
Daardoor evolueert de verdeling zelf.
Drift is dus niet altijd willekeurig.
Het kan het natuurlijke resultaat zijn van terugkoppeling, aanpassing en ingebedde waarneming.
Zolang de waarnemer en het systeem dezelfde omgeving delen, worden volmaakt stabiele verdelingen over lange tijdshorizonten steeds kwetsbaarder.
Wanneer drift zich opstapelt
Aanhoudende drift leidt tot:
verschuivende gemiddelden
veranderende varianties
asymmetrische verdelingen
zware staarten
versterking van extreme gebeurtenissen
Over lange tijdshorizonten bewegen veel werkelijke systemen zich naar scheve verdelingen, gedrag met lange staarten of regimes die op machtswetten lijken.
In zulke systemen zijn extreme gebeurtenissen geen anomalieën meer.
Ze worden structurele kenmerken van het systeem.
RCC en structurele afwijking
RCC (beperkingen van recursieve instorting) veroorzaakt geen drift.
Het verklaart waarom drift vanzelf ontstaat in ingebedde systemen.
Vier structurele mechanismen zijn bijzonder belangrijk.
Ingebedheid
De waarnemer maakt deel uit van het systeem. Waarneming verandert gedrag, waardoor de aanname van een neutrale meting wordt verzwakt.
Gedeeltelijke interne toegang
Geen enkele agent kan de volledige interne toestand van het systeem volledig waarnemen. Verborgen afhankelijkheden komen naar voren, waardoor strikte onafhankelijkheid moeilijk te handhaven is.
Stapsgewijze benadering
Werkelijke systemen worden stapsgewijs bijgewerkt. Kleine benaderingsfouten stapelen zich in de loop van de tijd op.
Accumulatie van terugkoppeling
Handelingen roepen reacties op, en die reacties vormen toekomstige handelingen, waardoor de stationariteit geleidelijk wordt doorbroken.
Vanuit het perspectief van RCC is drift niet slechts een foutterm.
Het is een structureel kenmerk van ingebedde, adaptieve systemen.
Elk systeem met interactie, leren of intelligentie zal doorgaans een vorm van drift op lange termijn vertonen.
Waarom Gaussiaans denken historisch domineerde
Gaussische modellen zijn wiskundig elegant, analytisch oplosbaar, computationeel efficiënt en visueel intuïtief.
Voor veel systemen—vooral systemen met zwakke terugkoppeling en korte tijdshorizonten—werken deze modellen buitengewoon goed.
Maar wanneer systemen sterke terugkoppeling, aanpassing en interactie bevatten, verzwakken aannames op basis van stabiliteit geleidelijk.
Dit kan leiden tot:
onderschatting van het staartrisico
onjuiste prijsstelling van extreme gebeurtenissen
overmatig vertrouwen in stabiliteit
structurele drift ten onrechte classificeren als willekeurige ruis
Het probleem was nooit de Gaussische verdeling zelf.
Het probleem was het toepassen van een op stabiliteit gebaseerd model op systemen die fundamenteel door terugkoppeling en aanpassing worden gevormd.
Eindsamenvatting
Gaussische modellen blijven lokaal geldig en vaak optimaal.
Ingebedde, adaptieve systemen brengen van nature drift voort.
Naarmate drift zich ophoopt, verzwakt de Gaussische symmetrie en ontstaan zware staarten.
RCC verklaart waarom zulke drift in ingebedde systemen niet volledig kan worden geëlimineerd.
De Gaussische verdeling was de geïdealiseerde rendering.
De werkelijkheid — met drift, terugkoppeling en ingebedde waarnemers —
is de onderliggende structuur.