思维模型斯科特 佩奇(模型思维斯科特 佩奇)

领500g书库，关注公众号:程叫兽的宝藏 (长按可复制！)

热门下载区==>点此链接进入<<<

本文节选自《思维模型斯科特 佩奇》

机性之间。虽然料两种极端情况下能够为我们给出明确的答案一一均衡和随机性;但是这并不适用于周期性和复杂性的结果。在这些情况下，通常还必须善用我们的判断力。人站只mi吧扩”AN/V隐、\\7WeW\\v均衡“一周期性-~-随机性。。复杂性图12-2沃尔弗拉姆的四种类别为了对时间序列数据进行分类，我们需要先计算出不同长度的子序列中的信息粒。假设，有个人会把他每天戴的帽子的类型一一记录下来。假设他只在两种帽子之间进行选择，一种是贝雷帽，记为B，另一种是浅顶软呢帽，记为F。这样过了一年，他对帽子的选择生成了一个有365个事件的时间序列。我们先计算长度为1的子序列的精，也就是说，先计算戴每种类型帽子的概率的粒。假设他喜欢这两种类型的帽子的程度相同，那么长度为1的子序列的糟等于1。因此，我们可以先把均衡排除掉，因为他会改变他的选择，但是其他三种类别中的任何一种都是可能的。为了确定类别，我们接下来计算长度为2到6的子序列的粒。如果所有都具有最大的和，那么我们可以将简单的周期性排除掉。假设当我们考虑更长的序列时，灶会缓慢增加，直到达到最大值8为止。换名话说，无论子序列有多长，箭都不会超过8。灶为8相当于256个结果的等可能分布，这不可能是一个简单的循环。灶为8更可能代表具有特定结构和模式的复杂过程序列。我们不能确定地说，这个时间序列是复杂的。一种可能的情况是，这个人试图做到随机化，但是却失败了

佩奇模型思维课程视频教学

。最大和和分布假设在很多情况下，我们建模时都必须把不确定性包括进来;因而作为建模者，必须对有关的分布做出假设。这里的原则是，我们要尽量避免做出任意特殊假设(adhocassumption)。也许，我们对产生分布的过程已经有了一些了解。如果是这样，通常可以运用逮辑一结构一功能方法，推导出该过程产生的统计结构。例如，假设我们想要对一个房地产拍卖中的所有拍卖对象的总价值的分布做出一个假设。总价值等于各个项目的价值总和。因此，我们可以根据中心极限定理假设这是一个正态分布。对于一栋房子的可能价值，我们也可以假设一个正态分布，因为房屋的价值取决于它的多个性质:卧室的数量、浴室的数量和占地大小等。对于艺术珍品或稀有手稿的可能价值，正态分布却可能没有意义。在这些情况下，我们对决定它们价值的过程几乎一无所知。一种方法是假设一个具有最大不确定性的分布，即最大灶分布。最大业分布的形状取决于各种约束条件。正如我们已经看到的，如果假设了一个最小值和一个最大值，那么均匀分布会使箭最大化。教科书和学术期刊中的许多社会科学模型都假设均匀分布，我们可能会质疑这个假设，因为均匀分布在现实世界中确实很少出现。然而，无差别原则(Principleofindifference)可以证明假设均匀分布的合理性。如果只知道范围或可能集，那么就应当予以无差别的对待。在某些情况下，我们可能知道分布的均值，也知道所有值都必定

100种思维模型epub

是正数。给定这些约束条件，最大粒分布必定具有长尾，因为我们要将分布置于更多的值上，从而必须使少数高值结果与许多低值结果保持平衡。不难证明，灶最大化分布是一个指数分布。因此，如果我们正在构建一个模型，需要假设网站点击量或市场份额的分布形式，那么在没有可用数据的情况下，指数分布是一种自然的假设。如果我们确定了均值和方差〈并且人允许出现负值)，那么最大粒分布则是正态分布。这里的逻辑与前一种情况类似。为了创造更多的不确定性，我们创造了一些极端值，在这里，可以平衡正值和负值，而不用改变均值。但是，这样做会增大方差，因此我们必须在均值附近添加更多值，从而创造出钟形曲线。我们可以在逻辑一结构一功能框架内解释这些最大灶分布。如果我们认为在给定的社会、生物或物理环境中，某个微观层面的过程能够最大化粒，那么我们应该期待上面这些分布中的某一个会出现。或者也可以假设一个微观过程，并能够证明箭在增加。如果是这样，上述分布中的某一个也会涌现出来。最大粒分布均勺分布:给定范围[a，b]，使最大化。指数分布:给定均值上，使焕最大化。正态分布:给定均值上和方差c“，使最大化。我们也可以将这些结果解释为探索性的。我们可能会遇到一些指数分布或正态分布的数据。虽然没有“义务”去追问某种潜在的行为是否会在一定约束条件下使箭增加，但这样做确实可以帮助我们获得一些新的洞见。在本书前面的章节中，我们利用中心极限定理

思维模型epub

综上：模型思维斯科特 佩奇值得推荐阅读