Dziesięć razy dokładniejszy pomiar nie daje dziesięć razy dłuższej prognozy chaotycznego układu
W układzie chaotycznym mały błąd stanu początkowego rośnie w przybliżeniu wykładniczo. Jeśli typowy wzrost błędu opisuje czynnik e^(λt), to zmniejszenie początkowej niepewności dziesięciokrotnie przesuwa moment osiągnięcia tego samego błędu tylko o stały czas ln(10)/λ. Nie wydłuża horyzontu prognozy dziesięć razy. To znacznie precyzyjniejsza wersja efektu motyla: problemem nie jest jedynie to, że pomiar jest niedokładny, ale sposób, w jaki dynamika systemu wzmacnia każdą skończoną niepewność. Każda dodatkowa cyfra dokładności kupuje więc tylko ograniczoną porcję czasu.
Determinizm nie oznacza praktycznej przewidywalności
Jeżeli znamy dokładny stan początkowy i równania deterministycznego układu, przyszłość jest jednoznacznie wyznaczona. W rzeczywistym pomiarze stan znamy jednak tylko z pewną dokładnością. W systemie chaotycznym dwie trajektorie zaczynające ekstremalnie blisko siebie mogą oddalać się wykładniczo. To nie jest losowość w równaniach, lecz niestabilność względem warunków początkowych.
Wykładnik Lapunowa mierzy tempo utraty podobieństwa
Dodatni maksymalny wykładnik Lapunowa λ opisuje średnie wykładnicze tempo rozbiegania się pobliskich trajektorii. W prostym przybliżeniu początkowy błąd ε rośnie jak εe^(λt), dopóki nie stanie się porównywalny ze skalą całego układu. Im większe λ, tym szybciej ginie użyteczna informacja o dokładnym położeniu trajektorii.
Lepszy pomiar kupuje czas tylko logarytmicznie
Załóżmy, że prognoza przestaje być użyteczna, gdy błąd osiąga ustalony próg E. Z zależności E≈εe^(λt) wynika t≈ln(E/ε)/λ. Jeśli ε zmniejszymy dziesięć razy, nowy czas rośnie o ln(10)/λ. Każde kolejne dziesięciokrotne poprawienie pomiaru dodaje mniej więcej tyle samo czasu, a nie mnoży całego horyzontu przez dziesięć.
To tłumaczy ograniczony sens absurdalnej precyzji
Można próbować mierzyć stan początkowy coraz dokładniej, ale koszt precyzji rośnie ogromnie, podczas gdy dodatkowy czas prognozy rośnie tylko liniowo z liczbą zdobytych cyfr dokładności. Aby dodać kolejne stałe okno czasowe, trzeba ponownie zmniejszyć błąd o ten sam czynnik. W systemie z silnym chaosem bardzo daleka prognoza wymagałaby niewykonalnej dokładności.
Efekt motyla nie mówi, że każda mała przyczyna tworzy katastrofę
Popularna metafora bywa interpretowana jako twierdzenie, że najmniejsze zdarzenie wywoła ogromny skutek. Matematyczny sens jest subtelniejszy: pobliskie stany układu mogą po czasie dawać bardzo różne trajektorie, więc niepewność początkowa ogranicza przewidywalność. Nie wynika z tego, że konkretny mały bodziec musi zwiększać „rozmiar” skutku ani że wszystko wpływa na wszystko równie mocno.
Chaos tworzy horyzont informacji
Po odpowiednio długim czasie informacja o ostatnich cyfrach stanu początkowego zostaje rozciągnięta do skali makroskopowej. Z punktu widzenia prognozowania układ traci pamięć o naszej precyzji pomiaru w przewidywalnym tempie. Scholarpedia opisuje odwrotność dodatniego wykładnika Lapunowa jako naturalną skalę czasu związaną z horyzontem przewidywalności. To ilościowa matematyka stojąca za słynną metaforą motyla.
Prognoza zbiorcza może zachować sens po utracie pojedynczej trajektorii
Utrata możliwości wskazania dokładnego przyszłego stanu nie oznacza, że o systemie nie da się powiedzieć niczego. W układach chaotycznych często można nadal przewidywać statystyki, rozkłady prawdopodobieństwa, średnie lub zakresy typowych zachowań. To ważne rozróżnienie między prognozą trajektorii a prognozą statystyczną. Chaos ogranicza odpowiedź na pytanie „gdzie dokładnie będziemy za bardzo długi czas?”, ale nie musi niszczyć odpowiedzi na pytania o częstości, średnie czy geometrię atraktora. W praktyce wiele nauk radzi sobie z chaosem właśnie przez przejście od pojedynczej przyszłości do opisu probabilistycznego zespołu możliwych stanów.