Из этого свойства вытекает высший закон Среднестана: поскольку большие отклонения чрезвычайно редки, их вклад в итог будет чрезвычайно мал.
Я повторю: Мандельброт занимается Серыми лебедями, я занимаюсь Черным лебедем. Мандельброт одомашнил многих моих Черных лебедей, но не всех и не полностью. Однако с помощью своего метода он дает нам проблеск надежды, способ задуматься о проблемах неопределенности. Ведь гораздо безопаснее знать, где находятся дикие животные.
Pisarenko, V, and D. Sornette, 2004, «On Statistical Methods of Parameter Estimation for Deterministically Chaotic Time-Series.» Physical Review E 69: 036122.
Теперь давайте немножко усложним и прямую, и обратную задачи, предположив наличие нелинейности. Возьмем хотя бы так называемую парадигму «бабочка в Индии» из обсуждения открытия Лоренца в предыдущей главе. Как мы видели, ничтожно малое воздействие на сложную систему может привести к неслучайным большим последствиям, которые будут сильно зависеть от мелких параметров. Взмах крыльев одной-единственной бабочки в Нью-Дели, несомненно, может быть причиной урагана в Северной Каролине, пусть даже этот ураган произойдет двумя годами позже. Однако сомнительно, что вы, имея в качестве исходных данных ураган в Северной Каролине, смогли бы хоть приблизительно установить причины урагана: ведь мелких вещей, которые могли бы его вызвать, вроде трепыхающихся бабочек в Тимбукту или чихающих диких собак в Австралии, миллиарды. Прямой процесс (от бабочки к урагану) гораздо проще, чем обратный процесс от урагана к предполагаемой бабочке.
Проблема обратного проектирования. Легче предсказать, как кубик льда растает в лужу, чем, глядя на лужу, угадать форму кубика льда, из которого она могла образоваться. Эта «обратная задача» заставляет с подозрением относиться к нарративным дисциплинам (таким как курсы истории).