Целевой детерминизм: Детерминизм | Тренинг-Центр Синтон

Детерминизм. Большая российская энциклопедия

Детермини́зм, учение об определяемости одних событий или состояний другими, в более общем виде – о взаимосвязи и взаимообусловленности всех явлений и процессов реальности. Противоположная позиция получила название индетерминизма. Процессуальная сторона детерминизма выражается понятием «детерминация», при этом каузальная (причинная) детерминация рассматривается как частный случай детерминированности, а именно как определяемость событий их причинами и следствиями. 

Время детерминации и время наступления события могут совпадать (одновременная детерминация) или различаться. Случай, когда время детерминации предшествует времени наступления события, называется преддетерминацией. Если момент детерминации осуществляется позднее момента, в котором происходит детерминированное событие, говорят о постдетерминации (телеологическая, или целевая, детерминация). Часто детерминированность неявно отождествляется с преддетерминацией. Детерминизм может получать как онтологическую – в форме теологического, философского, естественно-научного или социального детерминизма, – так и эпистемологическую интерпретацию в виде утверждения о различных возможных описаниях действительности.  

Характерный для монотеистических религий теологический детерминизм, исходящий из того, что всё существующее и происходящее в мире определяется в конечном счёте волей всемогущего Бога, вызвал острые дискуссии о соотношении божественного предопределения и свободы воли человека (например, полемика между Августином и Пелагием в христианстве, джабаритами и кадаритами в исламе). 

Различные версии философского детерминизма, разработанные ещё в Древней Греции, получили дальнейшее развитие в Новое время. Механистический детерминизм, восходящий к концепциям античного атомизма (Демокрит, Эпикур), занял доминирующее положение в естественно-научных воззрениях 17–18 вв. Сложившееся на основе созданной И. Ньютоном классической механики представление о мире как о гигантской машине, где все процессы совершаются с непреложной закономерностью, исключающей какую-либо случайность, получило законченное выражение в знаменитой формуле П.-С. Лапласа: «Ум, которому были бы известны для какого-либо данного момента все силы, одушевляющие природу, и относительное положение всех её составных частей, если бы вдобавок оказался достаточно обширным, чтобы подчинить эти данные анализу, обнял бы в одной формуле движения величайших тел вселенной наравне с движениями легчайших атомов: не осталось бы ничего, что было бы для него недостоверно, и будущее, так же как и прошедшее, предстало бы перед его взором» (Лаплас.  1908. С. 9).

Принципы этого радикального детерминизма были распространены во французском материализме 18 в. на понимание человека (Ж. О. де Ламетри) и общества (П. А. Гольбах). Возникшая в связи с такой концепцией проблема свободы и ответственности человека в его действиях решалась в немецком идеализме с помощью понятия «внутренней детерминации». Так, монады Г. Лейбница, не подверженные каким-либо внешним влияниям (у них нет «окон») (Лейбниц. 1982. С. 413), действуют согласно внутренне присущим им законам, так что человеческая воля зависит лишь от себя самой. Согласно И. Канту, свобода целиком совпадает с самодетерминацией человека посредством морального закона как конечной цели (Кант. 1999. С. 431).

В 19 в., в отличие от «жесткого» лапласовского детерминизма, в связи с формированием термодинамики и статистической физики возникает вероятностный детерминизм: устойчивость статистических систем, выражающаяся с помощью понятия вероятностного распределения, сочетается с допущением случайности в поведении их отдельных элементов. Вопрос о соотношении детерминизма и индетерминизма стал предметом дискуссий в квантовой механике, обусловленных невозможностью исчерпывающего описания исходных параметров в микрофизических системах. 

Во 2-й половине 20 в., и особенно в связи с развитием синергетики, на первый план вышла проблема самодетерминации, характеризующая поведение сложных систем. Модели жёсткой детерминации и вероятностные модели рассматривались как два предельных вида базовых моделей, анализирующих соответственно внешние или внутренние детерминанты («внекаузальные» и «сверхкаузальные» детерминанты Н. Гартмана). Модели самодетерминации выступали как своеобразный синтез этих двух классов базовых моделей. 

Детерминизм в социальных науках означает прежде всего признание наличия причинно-следственных связей в социальной жизни и, соответственно, в её научном анализе. Такой подход присутствует во многих теориях, которые с большей или меньшей «жёсткостью» опираются на принцип каузальности в объяснении социальных процессов и явлений. Именно признание детерминизма в социальных процессах позволяет заниматься научным прогнозированием их развития. Важно подчеркнуть, что признание детерминизма не лишает значимости социальную деятельность людей, поскольку через неё и проявляются социальные закономерности. 

С 19 в. существует множество версий детерминизма, отличающихся выбором того или иного доминирующего фактора, с необходимостью определяющего развитие социума. Многие авторы считают, что наиболее популярной в 19 в. была экономическая форма детерминизма, исходящая из признания первичности экономики по отношению к другим формам социальной практики. В рамках экономического детерминизма законы экономики признаются универсальными: этим законам якобы подчинены все сферы жизни общества. Данная закономерность определяет взаимоотношения между экономическим базисом и надстройкой.

Все версии детерминизма можно разделить на две группы, выбирающие в качестве достаточных для объяснения социального развития либо внешние по отношению к обществу процессы и явления, либо внутренние – т.  е. собственно социальные, объясняющие общество исходя из него самого. В этом смысле, если принимать доминирующую сферу в данной объяснительной схеме за один фактор, обе группы детерминизма можно считать однофакторными. Они ориентируются на модели объяснения, принятые в естественных науках, признают «жёсткую» обусловленность социальных процессов, а проявления случайности и свободы воли в обществе относят на счёт ещё не познанных объективных законов, которые смогут точно выявить причины и следствия всех явлений.

В рамках первой группы детерминизм был редукционистским, т. е. сводил объяснение сложных социальных явлений к более простым явлениям другого класса. Так, «биологический детерминизм», сводивший социальное к природному, рассматривал общество по аналогии с живым организмом, а его развитие – с законами природной эволюции. «Географический детерминизм» абсолютизировал влияние природной среды на степень экономической и политической развитости страны, равно как и на особенности характера и менталитета её населения.

«Демографический детерминизм», популярный в этнографических и антропологических исследованиях, полагал детерминантой социальной стратификации и экономического развития рост населения, определявший политику в сфере образования, воспитания и идеологии. «Психологический детерминизм» признавал первичность психических явлений и объяснял социальное поведение через факторы индивидуальной или коллективной психики (З. Фрейд, Г. Тард). «Поведенческий детерминизм» был разработан в рамках бихевиоризма (Б. Скиннер) и затем получил применение в теориях рационального выбора (Дж. Хоманс). В концепции рационального выбора Хоманса принципы бихевиористской теории Скиннера, выведенные на экспериментах с животными, были применены к поведению людей. Суть подхода состояла в признании, что человек руководствуется своей выгодой, когда совершает те или иные действия, различие лишь в том, какого рода выгоды (экономические, социально-психологические и т. д.) детерминируют подобное поведение.

Теории детерминизма второй группы исходили из качественного своеобразия социума и несводимости его объяснения к более простым уровням и внешним факторам. «Культурный детерминизм», разработанный в культурной антропологии (М. Мид), всё многообразие феноменов культуры выводил из самой культуры: культурная среда, в которой социализирован индивид, предопределяет не только его мысли, действия и личностные качества, но также социальные институты и нормы. «Технологический детерминизм» объяснял историю человечества последовательной сменой созданных обществом технологий – от ручных орудий труда древности до автоматизированного машинного труда на электрической и атомной тяге, информационных технологий или спутниковой связи (например, американские учёные Т. Веблен, В. Феркисс, Л. Мамфорд, Э. Тофлер, З. Бжезинский, Г. Кан). Вариантом технологического детерминизма стала концепция «революции управляющих», объявлявшая решающим фактором прогресса сферу управления (Дж. Бёрнхем, А. Берл). Теория культурного отставания У. Ф. Огборна утверждала, что техника развивается опережающими культуру темпами. В середине 20 в. широкой известностью пользовалась ещё одна версия технологического детерминизма – медиадетерминизм (Г. М. Маклюэн), согласно которому общество создаётся средствами информации. К этой же группе концепций можно отнести «экономический детерминизм», объяснявший развитие и структуру общества развитостью экономической сферы (средств производства). 

К экономическим детерминистам часто относят К. Маркса, однако это определение скорее относится к его интерпретаторам, чем к нему самому: он далеко не всегда считал изменения в экономической сфере достаточным основанием для изменений в духовно-идеологической сфере, некоторые объяснения носили у него функциональный, а не причинный характер. Социальный детерминизм одним из первых в социологии развивал Э. Дюркгейм, у которого данный тип детерминации раскрывается через множественные социальные взаимосвязи, а не через выделение отдельного явления, определяющего фактора. Дюркгейм считал социологию наукой объяснительной, которая не может обойтись без причинного анализа социальных процессов.

В 20 в. однофакторный линейный детерминизм в социальных науках – за исключением технологического, который скрыто или явно присутствует в современных теориях развития, – теряет своё значение. Принципы многофакторного социального детерминизма применяются в контексте системного анализа, учитывающего многообразные связи и отношения социума как целостной системы. Обозначилось различение структурного (причинные связи элементов структуры) и субъектно-действенного детерминизма (учёт различных агентов действия), анализируются не только причинный, но и стохастический, и изостатический аспекты. Так, согласно функциональной версии Б. Малиновского и А. Рэдклифф-Брауна, общество есть единое целое, в котором каждый элемент выполняет определённую функцию, поддерживающую устойчивое существование социального целого. 

Во 2-й половине 20 в. в социальных науках заметна тенденция отхода от категории социального детерминизма. Тем не менее есть примеры использования принципа детерминации в некоторых теориях в социологии знания (Д. Блур) или в радикальных феминистских теориях (К. Миллетт). В интегральной теории П. Бурдье также признаётся наличие социальных закономерностей и преемственности: понятие габитуса связывает историческое прошлое с повседневными практиками современных индивидов, габитус является продуктом исторического опыта и интериоризации индивидом социальных структур (принципов, которые порождают и организуют практики). Габитус производит индивидуальные и коллективные практики, которые реализуются по схемам, сложившимся в ходе истории, хотя индивиды и социальные общности сохраняют определённую свободу действия в этом процессе и несут ответственность за их результаты.

В социологических теориях среднего уровня необходимость учёта «достаточных» для объяснения факторов привела к разработке аналитической каузальной модели «социального механизма», включающей лишь существенные для объяснения элементы (американские учёные М. Гранноветтер, Дж. С. Коулмен, П. Хедстрем). В эмпирических исследованиях упорядочение и объяснение полученных данных осуществляется, как правило, с помощью введения системы детерминант. Так, например, изменения некоторых величин, принятых за независимые переменные (пол, возраст), влекут за собой изменения зависимых переменных – например, электоральных предпочтений или ценностных ориентиров. Анализ взаимосвязи переменных осуществляется с помощью статистических и математических методов.  

Современное понимание социального детерминизма опирается на теорию вероятности (регулярность случайных событий доказывается на большом количестве случаев) и на идеи синергетики. Социальный детерминизм характеризуется взаимной заменяемостью места субъекта и объекта в цепочке их связей, поскольку оба являются действующими агентами со своими намерениями и интересами. Он по-разному проявляется в той или иной сфере деятельности человека, в разных социальных структурах, зависит от исторического контекста. С использованием системного подхода в социальных науках расширилось понимание детерминизма, поскольку было признано, что именно система в целом определяет функционирование и развитие ее отдельных элементов.

Константинов Андрей Викторович Дата публикации:  2 февраля 2023 г. в 15:40 (GMT+3)

ЦЕЛЕВАЯ ДЕТЕРМИНАЦИЯ | Психологическая энциклопедия 1vc0

Страницы: 1 2 3 4 5 6

Тот факт, что в текущем поведении организм успешно и эффективно использует ранее приобретенный индивидуальный опыт, означает, что приобретение, накопление и закрепление индивидуального опыта осуществляется с установкой на использование в будущем. Этот опыт приобретался не «специально», а в ходе текущей приспособительной деятельности. Эта «ориентация на будущее» сохраняется и в следах текущих приспособительных реакций, благодаря чему эти следы используются для прогнозирования будущих ситуаций. Ориентация любой формы адаптивного поведения на будущее с необходимостью выдвигает вопрос о роли и месте в построении поведения «детерминации из будущего» или целевой детерминации. Разумеется, говоря о целевой детерминации, необходимо сразу же отвергнуть «классическое» телеологическое понимание целевого причинения. Телеологический подход подразумевает стремление к неизвестно откуда взявшейся или предначертанной свыше цели.

Между тем действительное целенаправленное поведение ориентировано на достижение совершенно конкретной, выработанной организмом цели. Хорошо известны дискуссии о правомерности и объеме использования категории «цель» за пределами человеческой деятельности. Однако бесспорно целесообразное и целенаправленное поведение живых организмов, в особенности высших животных, является убедительным аргументом в пользу возможности использования этой категории не только (применительно к деятельности человека. Задача, однако, заключается в том, чтобы исключить антропоморфизацию этой категории и найти ее действительное место в детерминации поведения живых систем, выяснить механизмы этой целевой детерминации. Не входя сейчас в анализ многочисленных взглядов и соображений, высказывающихся по поводу целевой детерминации, отметим лишь, что сама интенсивная теоретическая разработка этой проблемы, какой бы дискуссионный характер она ни носила, лишь подчеркивает ее общенаучную значимость.

Большой вклад в обоснование представлений о детерминирующей роли цели внесла кибернетика. Как справедливо подчеркивает И. Т. Фролов, «программа, закодированная в физиологических системах, имеющих фиксированный акцептор результата действия, может выступать в качестве «предвосхищающей модели» еще не совершившегося действия, его результата. И заслуга кибернетики состоит прежде всего в том, что она показала возможность существования таких моделей в природе, дав новые направления понимания проблемы цели и целесообразности в общем диалектико-материалистическом и антителеологическом русле их научного объяснения. Там, где телеология видела идеалистически интерпретируемое действие «конечных причин» (вспомним учение Аристотеля о видах причинности), «разумных целей» и т. д., кибернетика установила материальные причинные отношения, причем она строго научно и в полном соответствии с дарвиновской теорией раскрыла более общие основания отношения целесообразности в природе как материального отношения. Тем самым она сохранила и рационализировала объективный смысл этого отношения, продолжив дело Дарвина в направлении исследования материальных причин целесообразности в природе. Вместе с тем, изгоняя телеологию как бы „изнутри» самого отношения целесообразности, кибернетика не просто механически отгораживает, например, органическую целесообразность от целенаправленной деятельности человека, но, исследуя общие их принципы как механизмы реализации направленных процессов в самоуправляющихся процессах, выясняет «рациональный смысл» древней аналогии приспособительного функционирования и развития живых систем с целесообразной человеческой деятельностью.

Она «завоевывает», следовательно, тот обширный эмпирически существующий плацдарм, который наука традиционно обходила, считая его прочно занятым своим исконным противником — телеологией» ^[1]. Характеризуя далее соотношения целесообразности и детерминизма, И. Т. Фролов указывает, что «отношение целесообразности выступает здесь, таким образом, как своеобразная форма взаимодействия, особый вид связи в рамках диалектико-материалистического детерминизма. Конкретные механизмы этого взаимодействия в природе дают картину относительной направленности процессов, их обусловленности конечными факторами, представляющимися в качестве целей…

---

^[1] Фролов И. Т. Жизнь и познание. С. 148—149.

Страницы: 1 2 3 4 5 6

Источники и литература

• Кругликов Р. И. Принцип детерминизма и деятельность мозга. — М.: Наука, 1988. — 224 с.

Смотрите также

Сочетание детерминизма и интуиции с помощью одномерных стратегий принятия решений для обнаружения целей с помощью мультисенсоров

Сочетание детерминизма и интуиции с помощью одномерных стратегий принятия решений для обнаружения целей с помощью мультисенсоров

• Эдвин Эль-Махасни ²  

• Документ конференции

• 950 доступов

• 1 Цитаты

Часть серии книг IFIP «Достижения в области информационных и коммуникационных технологий» (IFIPAICT, том 331)

Abstract

Во многих системах наблюдения оператор должен принимать решение о наличии цели на основе выходных сигналов датчика. Здесь мы предполагаем, что такой оператор имеет в своем распоряжении два датчика, чтобы придать ему больше уверенности в процессе принятия решений. Кроме того, мы предлагаем несколько одномерных стратегий принятия решений, которые сочетают в себе характеристики датчиков, целевые вероятности и схемы вознаграждения вместе с детерминированными и интуитивными параметрами принятия решений оператором. Далее, используя неравенство Чебышева, мы разрабатываем метод выбора наиболее надежной стратегии, снижающей низкую производительность. Покажем на примерах, как разные стратегии будут более выгодными по сравнению с другими в зависимости от схемы вознаграждения и параметров датчика.

Ключевые слова

• Принятие решений
• Обнаружение цели
• Интуиция

Скачать документ конференции в формате PDF

Ссылки

1. Клейн Г.: Интуиция в действии. Даблдэй (2003)

   Google Scholar

2. Грин, Д.Г., Светс, Дж.А.: Теория обнаружения сигналов и психофизика. Издательство полуострова (1988)

   Google Scholar

3. Навалпаккам, В., Кох, К., Перона, П.: Homo Economicus в визуальных исследованиях. J. Vision 9(1), 36, 1–13 (2009)

   CrossRef Google Scholar

4. Адзума, Р., Дейли, М., Фурмански, К.: Обзор моделей принятия срочных решений и когнитивных процессов человека. В: Учеб. 2006 IEEE Aero. конф. (2006)

   Google Scholar

5. Хорвиц, Э., Барри, М.: Отображение информации для принятия срочных решений. В: Учеб. 11-я конф. о неопределенности в искусственном интеллекте, стр. 296–305 (1995)

   Google Scholar

6. «>

   Кини, Р.Л., Райффа, Х.: Многоцелевые решения. John Wiley & Sons, Inc., Чичестер (1976)

   МАТЕМАТИКА Google Scholar

7. Андерсон, Дж.: Когнитивные архитектуры в рациональном анализе. В: ВанЛен, К. (ред.) Архитектуры для интеллекта, стр. 1–24. Lawrence Erlbaum Associates, Махва (19 лет)91)

   Google Scholar

8. Стрейкер, Д.: Изменение мнения. Сик Пресс (2003)

   Google Scholar

9. Фридман, С.: Обучение принятию более эффективных решений: изменение убеждений как прелюдия к действию. Качественные исследования рынка: обучающаяся организация 11(2), 110–128 (2004 г.)

   Google Scholar

10. Кристенсен, Р.: Дисперсионный анализ, план и регрессия: прикладные статистические методы. Чепмен и Холл, Бока-Ратон (1996)

    МАТЕМАТИКА Google Scholar

Ссылки для скачивания

Информация об авторе

Авторы и организации

1. ISR Division, Defense Science and Technology Organization, Edinburgh, SA, 5111, Australia

   Эдвин Эль-Махасни

Авторы

1. Edwin El-Mahassni

   Просмотр публикаций автора

   Вы также можете искать этого автора в PubMed Google Scholar

Информация для редакторов

Редакторы и филиалы

1. Школа вычислительной техники, Lion Terrace, Портсмутский университет, PO1 3HE, Портсмут, Хантс, Великобритания

   Макс. Bramer

Права и разрешения

Перепечатки и разрешения

9{2}}\справа)}{2\sqrt{2\pi}}, \end{equation}

, которые представляют собой два гауссиана с центрами в $\mu = -4,5$ и $\nu = 14,5$.

Примечание: на изображении выше переменная называется $p$ вместо $x$, а распределение вероятности равно $f(p)$ вместо $p(x)$.

Если бы я хотел попробовать это, используя распределение предложений $q(x’|x)$, которое представляет собой просто предыдущее принятое состояние плюс однородное случайное число от -1 до 1,

\begin{equation} x’ = x + \epsilon, \qquad \text{ с } \epsilon \in [-1,1], \end{уравнение}

с $\epsilon$ случайным числом, то алгоритм застрял бы в одном из распределений Гаусса.

Что я хочу сделать, так это изменить это, выполнив детерминистическое преобразование на некоторых шагах, которое переводит систему из одной гауссианы в другую. Моя проблема в том, что он не работает (я не восстанавливаю статистические импульсы целевого распределения), и я не знаю, концептуально я что-то неправильно понял или это просто ошибка кода.

Преобразование, которое я хочу использовать, это 9{-t} \qquad \text{если } x>0, \end{align}

для некоторого $t \geq 0$. Обратите внимание, что для $t=0$ это просто отражение относительно $x=0$: $x’ = -x$; а для $t \rightarrow \infty$ это приводит систему к пику другой гауссианы: если $x<0$, то $x' = \nu$ (а если $x>0$, то $x’ =\му$). $t$ выбирается таким образом, чтобы максимизировать вероятность принятия,

\begin{align} A (x’|x) = \min\left\{1, \frac{p(x’)}{p(x)} \frac{q(x|x’)}{q(x’|x) } |J(x\стрелка вправо x’)| \верно\}, \end{выравнивание} 9{t} \qquad \text{если} x<0, \end{align}

и таким образом вероятность принятия уменьшается до

\begin{align} A(x’|x) = \min\left\{1, \frac{p(x’)}{p(x)} |J(x\rightarrow x’)| \верно\}. \end{align}

Алгоритм

Итак, алгоритм будет таким:

1. Установить начальное состояние $x_0$ как текущее состояние, $x = x_0$.

2а. Предложите новое состояние $x’ = x + \epsilon$ и примите его с вероятностью

\begin{align} A(x’|x) = \min\left\{1, \frac{p(x’)}{p(x)} \right\}. \end{выравнивание} 2б. Один раз через каждые $n$ шагов вместо шага 2а случайным образом выбирать между «прямым» преобразованием 9{t}$ для обратного преобразования. Я проверил, что значение $t$, которое максимизирует вероятность принятия, составляет около $t=2,2$.

3. Если принято, установите $x’$ в качестве нового текущего принятого состояния, $x = x’$. В противном случае установите предыдущее состояние в качестве нового текущего состояния, $x=x$.

4. Повторите шаги 2-4.

Что-то концептуально не так?

Редактировать: Замечания о вероятности принятия

Как указал Сиань в комментарии, если мы начнем с $x=\nu=14,5$ и применим прямое преобразование (чтобы перейти к другому гауссову в $\mu = -4.5$) 9{-t}p(x’)/p(x) $, начиная с $x := x_0 = 14,5 (=\nu)$:

Отсюда вероятность довольно низкая, около $6\%$ для $t=2,2$ (отсюда, кстати, я взял значение $t$ для алгоритма). И мы приземлились бы на $x’ = -5,6$ для этого значения $t$, что сделало бы работу. Для начальных состояний $x$, не находящихся на вершине $\nu$ гауссианы, вероятность перехода к другой гауссиане выше. Начиная с $x = 13$:

Я проверил, что общее принятие прямого преобразования при запуске алгоритма составляет около $13\%$. Один из обратного порядка $20\%$.

Результаты

Таким образом, алгоритм может выбрать два разных гауссиана, но имеется статистическое расхождение в импульсах распределения (около 10 $\sigma$s), и я вполне уверен, что это не связано с к эффектам автокорреляции.

Код

Если это поможет, вот код:

 #функция, которая возвращает p(x) для заданных x, mu и nu
защита р (х, мю, ню):
    return (0,199471140200716*np.exp(-0,5*(x - mu)**2) + 0,199471140200716*np.exp(-0,5*(x - nu)**2))
mu = -4,5 # левый гауссов
nu = 14,5 # правый гауссов
t = 2.2 # время трансформации
N = 1000000 #количество итераций
n = 10 #количество случайных шагов на шаг детерминированного преобразования
x = [] #История принятых состояний
x.append(-5.0) #Исходное состояние
для i в диапазоне (0, N):
    # n-1 из n шагов выполнить случайное преобразование x' = x + np.random.uniform(-1,1)
    если (i%n <= n-2):
        x_prime = x[i] + np.random.uniform(-1,1)
        alpha = np.random. 3>
x3_mean = np.mean (np.asarray (x [100000:: 25]) ** 3)
x3_mean_error = np.std(np.asarray(x[100000::25])**3)/np.sqrt(len(x[100000::25]))
# Вычислить расхождение с аналитическими результатами. mom1, mom2 и mom3 — это аналитические результаты, вычисленные с помощью SymPy.
mom1Hist.append(abs(mom1.evalf() - x_mean)/x_mean_error )
mom2Hist.append(abs(mom2.evalf() - x2_mean)/x2_mean_error )
mom3Hist.append(abs(mom3.evalf() - x3_mean)/x3_mean_error )
 96$ итераций и выбор одного состояния из 100, начиная с состояния 100000 (чтобы избежать какого-либо эффекта из-за периода приработки), чтобы избежать ошибок автокорреляции. Поэтому я сделал среднее с 199000 некоррелированных состояний. Я сделал некоторые проверки, и время автокорреляции составляет около 35, поэтому выбор 1 состояния на 100 должен быть безопасным, чтобы забыть об автокорреляции (по крайней мере, на это я надеялся). В коде Python: 
 
 # Вычисление статистических импульсов и ошибок
# <х>
x_mean = np.mean (x [100000:: 100])
x_mean_error = np. 3>
x3_mean = np.mean (np.asarray (x [100000 :: 100]) ** 3)
x3_mean_error = np.std(np.asarray(x[100000::100])**3)/np.sqrt(len(x[100000::100]))
# <|х|>
x1abs_mean = np.mean(abs(np.asarray(x[100000::100]))**3)
x1abs_mean_error = np.std(abs(np.asarray(x[100000::100]))**3)/np.sqrt(len(x[100000::100]))
 
 Расхождения, которые я получаю в $\sigma$s, составляют, соответственно,
 Которые я получил путем вычисления
 \begin{equation}
\text{Расхождение в}\sigma = \frac{\text{аналитический}-\text{средний}}{\text{ошибка среднего}}
\end{equation}
 И это несоответствие, которое я получаю, меня беспокоит. Я также проверил с пакетом, который учитывает ошибку времени автокорреляции (который реализует автоматическую оконную процедуру, предложенную Улли Вольфом в его статье, и учитывает соответствующую ошибку), но я все еще получаю эти несоответствия, так что это заставляет меня думать, что взятие 1 состояние на 100 человек безопасное.
 Нормально ли получать такие расхождения с некоррелированными выборками? Или вы думаете, что я ошибаюсь в своем анализе ошибок?
 Second Edit: Плохая выборка с детерминированным преобразованием (вероятно, из-за перекрытия пространства выборки между прямым и обратным преобразованием) из предложения детерминированного преобразования) становится очевидным несоответствие между целевым распределением и выборочным, 
 Но когда вы рисуете каждое состояние, как я это делал в разделе  Результаты  выше, это несоответствие "исправляется", потому что шаг $x' = x + \epsilon$ правильно выбирает гауссовскую диаграмму и затмевает плохую выборку, что затрудняет визуальное обнаружение. Поскольку в приведенном выше коде Python я поставил $n=10$, только 10% шагов кажутся неправильными.
 Этот эффект, похоже, не связан с автокорреляцией, поскольку при построении графика 1 состояния каждые $6n$ (в моем случае 1 состояние каждые 60) ситуация не сильно меняется:
 Я читал в этой статье (раздел 2.1.1, неофициальное обсуждение, без доказательства), что области выборочного пространства, покрываемые прямыми и обратными преобразованиями, должны быть непересекающимися, чтобы соблюдался детальный баланс. То есть, если бы у нас было $x' = x + \epsilon$ с $\epsilon > 0$ в качестве прямой и $x' = x - \epsilon$ в качестве обратной, то форвард покрывал бы $\mathcal X \in [x , \infty)$, в то время как обратное будет покрывать $\mathcal X \in (-\infty, x]$.
 В преобразовании моего кода выше это условие не выполняется. Поэтому я попытался сделать другое преобразование чтобы увидеть, решило ли это проблему:
 Прямая трансформация:
\начать{выравнивать}
х' &= -3 х \qquad \text{если } х < 0 \\
х' &= - х/3 \qquad \text{если } х > 0
\end{align}
 Обратное преобразование:
\начать{выравнивать}
x' &= -x/3 \qquad \text{if } x > 0 \\
х' &= - 3x \qquad \text{если} х < 0
\end{align}
 И вышеприведенное несогласие исчезает:
 Второе редактирование: несогласие также в модели ответа Сиана 
 В соответствии с этим требованием неперекрытия пример Сиана также не будет правильно выбирать .