EEMLEffortless Effect Meta-Law
/
IVDeel IV / VIII

Statistiek: maat, multipliciteit en limieten

Eerlijk tellen: waarom breed soms zwaarder weegt dan veel.

7 secties≈ 7 min lezen
In gewone taal

Dit deel gaat over tellen. Als er veel mogelijkheden zijn: hoe zwaar telt elke?

  • Twee even goede mogelijkheden tegen één: dan is de kans 2 op 3. Geen zekerheid.
  • Een tweede naam telt niet. Dezelfde mogelijkheid twee keer opschrijven maakt haar niet waarschijnlijker.
  • Breed kan zwaarder wegen dan veel. In het rekenvoorbeeld weegt één breed dal vijf keer zoveel als twee smalle dalen samen.
  • Een gelijkspel is niet vanzelf favoriet. In een ander rekenvoorbeeld is juist het gelijkspel het minst waarschijnlijk.
  • Tellen zegt niets over tempo. Hoe snel iets gebeurt, en of er iets rondstroomt, is een aparte vraag.
Twee tegen één
Drie even goede mogelijkheden: twee geven uitkomst A, één geeft B. Een tweede naam voor B verandert niets, zolang je eerlijk telt. Uit deel IV.
Breed tegen veel
Korrels vallen volgens het gewicht van het landschap. Links twee smalle kuilen, rechts één brede. De brede weegt vijf keer zoveel als de twee smalle samen. Rekenvoorbeeld uit deel IV.
Een gelijkspel is niet vanzelf favoriet
Twee toestanden. Schuif de knop: de ene wordt duurder, de andere goedkoper. In het midden zijn ze even duur. Toch is de kans daar het kleinst. Aan de randen is hij 3,76 keer zo groot. Dit voorbeeld schendt bewust een voorwaarde van de telregel. Rekenvoorbeeld uit deel IV.
Zelfde verdeling, andere beweging
Twee ringen met drie vakjes. Links springt de stip even vaak linksom als rechtsom. Rechts drie keer zo vaak rechtsom. In beide ringen staat hij elk vakje een derde van de tijd. Alleen rechts stroomt er netto iets rond. Uit deel IV.

Voor wiskundigen

Maat, multipliciteit, het Multiple Point Principle, scherpe selectie en samenstelling. De volledige uitwerking, per onderwerp uitklapbaar. Klik op een titel om hem te openen.

Wat behouden blijft

Wat uit de statistiek overeind blijft.

Het onderscheid tussen mogelijkheden, gezamenlijke consistentie, kosten en gewicht blijft de kern. Ook de volgende onderdelen kunnen blijven:

  • Een effect en de onderzochte modelklasse worden vooraf omschreven.
  • Harde voorwaarden worden gezamenlijk gecontroleerd.
  • Bij meerdere kostencomponenten laat de Pareto-grens zien welke kandidaten vermijdbare overhead hebben, zonder meteen een wisselkoers tussen componenten te kiezen.
  • Een bewezen en bereikte ondergrens is een exact minimum binnen de genoemde klasse.
  • Algebraïsche of discrete sluiting kan een verhouding of keuze bepalen zonder kosten te minimaliseren.

Twee formuleringen vragen precisie. Pareto is onafhankelijk van een scalaire weging bij een vastgelegde kostenvector, niet onafhankelijk van de keuze van kosten. En sluiting door voorwaarden is op zichzelf geen bewijs van efficiëntie: een klasse kan één kandidaat overhouden zonder dat een kostencriterium enig werk doet.

Het K3-resultaat blijft het reeds gecontroleerde voorwaardelijke voorbeeld: voor gesloten, gladde, samenhangende, georiënteerde spin-viermanifolds met een Riemannse Einsteinmetriek en niet-nulle signatuur geldt χ ≥ 3|σ|/2 ≥ 24. K3 bereikt de grens. De fysische keuze van deze klasse en van χ als selectiecriterium blijft afzonderlijk nodig. Het bewijs en de bronnen staan in deel VI.

Multipliciteit: echte alternatieven tellen

Echte alternatieven tellen mee. Een tweede naam voor hetzelfde niet.

Voor afzonderlijke, fysisch verschillende mogelijkheden met positieve basismaten μᵢ, eindige kosten Sᵢ en ε > 0:

\[ Z=\sum_i\mu_i e^{-S_i/\varepsilon},\qquad F_\varepsilon=-\varepsilon\log Z. \]

S en ε hebben dezelfde eenheden; Z moet ten opzichte van een vastgelegde referentiemaat dimensieloos zijn. Voor k even zwaar getelde toestanden met dezelfde kosten S* is exact:

\[ F_\varepsilon=S_*-\varepsilon\log k \]

bij μᵢ = 1. Twee zulke toestanden tegenover één leveren bij gelijke macro-basismaten een verhouding 2:1. De uitkomst met twee toestanden krijgt kans 2/3, geen zekerheid.

Dit verlaagt de effectieve kosten van de samengenomen uitkomst, niet de fysieke kosten S* van ieder afzonderlijk proces. Er verschijnt geen gratis energie. Als S energie en ε = kBT is, heeft deze correctie de bekende entropische betekenis. In andere toepassingen moet de betekenis van S en ε worden vastgesteld.

Een tweede naam voor dezelfde fysieke mogelijkheid mag het gewicht niet verhogen. Wordt één mogelijkheid met maat μ in zeven beschrijvingen opgesplitst, dan moeten hun maten samen μ blijven. Iedere kopie opnieuw de volle maat geven voegt kunstmatig een factor zeven toe. De rekencontrole bevestigt dat maatbehoudend herlabelen F exact bewaart.

Daarom vervangen we “equivalente realisaties” door: onderscheidbare fysieke realisaties van hetzelfde macro-effect, geteld met een gespecificeerde maat. Beschrijvingsredundantie en ijkequivalentie zijn geen extra fysieke kansen.

De macro-maat hoort bij de volledige formule

Hoe je de uitkomsten weegt, verandert de kansen. De maat doet echt werk.

Een precieze statistische werkversie is:

\[ Z_\lambda= \int_{\Omega_{E,C}(\lambda)} e^{-S_\lambda(x)/\varepsilon}\,\mu_\lambda(dx), \qquad F_\varepsilon(\lambda)=-\varepsilon\log Z_\lambda, \]
\[ \boxed{ P(d\lambda\mid E,C)= \frac{\nu(d\lambda)Z_\lambda} {\int\nu(d\lambda')Z_{\lambda'}}. } \]

Hier is ν de basismaat over macro-uitkomsten en μλ de maat binnen iedere uitkomst. De gezamenlijke maat moet vooraf vastliggen; normaliseer je μλ afzonderlijk, dan moet de verwijderde totale maat in ν terugkomen. Anders verander je de voorspelling.

De formule vereist een eindige, positieve totale normalisatie. Macroklassen moeten een consistente indeling vormen. Overlappende klassen mogen niet ongemerkt dubbel tellen. Bij continue macrovariabelen is een passende ontbinding van de gezamenlijke maat nodig; zomaar over een meetkundig vlak van maat nul integreren is niet voldoende.

Een vrij te kiezen modelparameter is bovendien niet automatisch een toevalsvariabele van de natuur. Een partitiefunctie bij een gegeven λ bewijst geen fysisch ensemble waarin λ varieert. Daarvoor is een extra ensemble, dynamiek of expliciete modelprior nodig. Voor continue λ gaat het om kansdichtheden ten opzichte van ν en kansen van gebieden. Een afzonderlijk punt heeft bij een continue verdeling kans nul; ook de hoogste dichtheid is niet zonder referentiemaat gedefinieerd.

Rekenvoorbeeld: twee gelijke minima tegenover één geven bij gelijke ν een kans 2/3 voor de eerste klasse. Met macro-basismaten 0,1 en 0,9 wordt dat 2/11 ≈ 0,182. De maat doet dus aantoonbaar inhoudelijk werk.

Hoe ver reikt de relatie met het Multiple Point Principle?

Meer gelijke minima wegen zwaarder, maar dat verklaart het Multiple Point Principle nog niet.

Het fysieke Multiple Point Principle (MPP) betreft de hypothese dat koppelingen verschillende vacuümfasen met gelijke, ongeveer nul zijnde vacuümenergiedichtheid mogelijk maken. Dat is meer dan het tellen van even dure mogelijkheden. Zie Froggatt e.a., The Two Higgs Doublet Model and the Multiple Point Principle.

De conditionele berekening klopt binnen een beperkte klasse. Bij eindig veel discrete toestanden, een gezamenlijke minimale kost S*, positieve maten en een positieve kloof Δλ naar hogere kosten geldt:

\[ Z_\lambda=e^{-S_*/\varepsilon} \left[M_\lambda+O(e^{-\Delta_\lambda/\varepsilon})\right], \qquad M_\lambda=\sum_{a:\,S_{\lambda,a}=S_*}\mu_{\lambda,a}. \]

Dus:

\[ F_\varepsilon(\lambda) =S_*-\varepsilon\log M_\lambda +O(\varepsilon e^{-\Delta_\lambda/\varepsilon}). \]

Bij gelijke individuele maten is Mλ evenredig aan het aantal minima kλ. Zijn alleen deze minima opgenomen, dan is de telregel exact. Zijn hogere toestanden aanwezig, dan is zij een asymptotische benadering, geen algemene formule bij eindige ε.

De bruikbare conclusie is: bij gelijke minimale kosten, gelijke maten per toestand, gelijke macro-basismaten en verwaarloosbare bijdragen boven het minimum, weegt de klasse met meer minima zwaarder. Dat is nog geen mechanisme dat de vacua eerst gelijk in energie maakt, hun energie op nul vastlegt, of de koppelingen laat evolueren naar zo'n punt.

Controle A: één breed minimum verslaat twee smalle

Neem dimensieloze x en maat dx. Model A bestaat uit twee disjuncte kopieën van de reële lijn, ieder met S(x) = 100x²/2. Model B bestaat uit één kopie met S(x) = x²/2. Alle minima hebben kosten nul. De Gauss-integralen geven exact:

\[ Z_A=2\sqrt{\frac{2\pi\varepsilon}{100}}, \qquad Z_B=\sqrt{2\pi\varepsilon}, \qquad \frac{Z_B}{Z_A}=5. \]

Bij gelijke macro-basismaten weegt één breed minimum vijfmaal zwaarder dan twee smalle minima. Dit weerlegt niet de discrete telstelling: het laat zien dat “gelijke maat per minimum” bij continue landschappen aanvullende inhoud heeft. Ook de omgeving van elk minimum telt mee.

Meer algemeen leveren geïsoleerde, niet-ontaarde minima in dezelfde dimensie d bij kleine ε de volgende Laplace-benadering, mits de maat daar voldoende regelmatig is en de integraal door de omgevingen van deze minima wordt gedomineerd:

\[ Z_\lambda\sim e^{-S_{\min}/\varepsilon}(2\pi\varepsilon)^{d/2} \sum_a\frac{\rho_\lambda(x_a)}{\sqrt{\det H_{\lambda,a}}}. \]

H is de positieve Hessiaan van S en ρ de maatdichtheid. Vlakke richtingen of continue verzamelingen minima vragen een andere behandeling. Alleen k tellen is dan onvoldoende.

Controle B: het punt met gelijke minima kan juist ongunstig zijn

Neem twee toestanden met positieve kosten:

\[ S_\pm(\lambda)=2\pm\lambda,\qquad -1\le\lambda\le1. \]

Bij λ = 0 zijn beide minima gelijk. Toch:

\[ Z_\lambda=2e^{-2/\varepsilon}\cosh(\lambda/\varepsilon), \qquad F_\varepsilon=2-\varepsilon\log[2\cosh(\lambda/\varepsilon)]. \]

F heeft zijn maximum bij λ = 0. Bij een vlakke macro-maat is daar de kansdichtheid het kleinst. Voor ε = 0,5 is de dichtheid aan de uiteinden 3,762 maal zo groot.

Dit voorbeeld schendt bewust de voorwaarde dat Smin onafhankelijk is van λ. Het weerlegt daarom niet de conditionele formule hierboven. Het toont waarom die voorwaarde fysisch moet worden afgeleid voordat de formule als MPP-mechanisme kan dienen.

De limiet ε → 0 betekent scherpe selectie

Zonder ruis wint het goedkoopste, maar het aantal winnaars blijft zichtbaar in de kansen.

Voor een vaste eindige verzameling met vaste positieve maten:

\[ F_\varepsilon\longrightarrow \min_i S_i. \]

Dat minimum kan 3 zijn of ieder ander getal. ε → 0 betekent niet nul effort, nul weerstand of het filosofische nulpunt. Ook “minimaal voldoende structuur” volgt alleen als S die structuur daadwerkelijk meet. Een niet-scherpe ondergrens hoeft evenmin te worden verzadigd.

Bij gelijke minima kan de multipliciteit zichtbaar blijven in de kansen, terwijl zij uit de limietwaarde van F verdwijnt. Voor twee minima van kost 3 tegenover één:

\[ F_A=3-\varepsilon\log2\to3, \quad F_B=3, \quad P_A/P_B=2. \]

Alleen de limietwaarde van F bekijken verliest dus informatie. Bij oneindige systemen zijn bovendien de maat, groei van toestandsaantallen en volgorde van limieten van belang, bijvoorbeeld bij exponentiële groei van het aantal toestanden met systeemgrootte N. Onder passende hypotheses kan de vrije-energiedichtheid dan de vorm \(f(\varepsilon)=\inf_e[e-\varepsilon s(e)]\) krijgen, met s de entropiedichtheid. De limieten \(\varepsilon\to0\) en \(N\to\infty\) mogen niet ongemerkt worden verwisseld.

Samenstelling en zelftoepassing precies maken

Eerst bundelen en dan wegen geeft hetzelfde als direct wegen.

Een positieve, niet-triviale gewichtsfunctie die bij onafhankelijke samenstelling vermenigvuldigt en aan passende regulariteit voldoet, heeft een exponentiële vorm. De dalende keuze e^(−S/ε) vereist daarnaast dat hogere S minder gewicht krijgt. De additieve kosten en onafhankelijkheid zijn hypotheses die per toepassing moeten worden verantwoord.

Voor onafhankelijke systemen met additieve kosten, productmaat en dezelfde ε volgt exact:

\[ Z_{AB}=Z_AZ_B,\qquad F_{AB}=F_A+F_B. \]

Er is ook een precieze vorm van consistente herbeschrijving. Voor een disjuncte indeling in blokken Bⱼ definieer:

\[ F_j=-\varepsilon\log\sum_{i\in B_j}\mu_i e^{-S_i/\varepsilon}. \]

Dan geldt, met de maat al opgenomen in Fⱼ:

\[ \boxed{ -\varepsilon\log\sum_j e^{-F_j/\varepsilon} =-\varepsilon\log\sum_i\mu_i e^{-S_i/\varepsilon}. } \]

Eerst bundelen en daarna wegen geeft hetzelfde totaal als rechtstreeks wegen. Dit volgt uit de associativiteit van optellen; het is een controleerbare consistentie-eis, geen nieuwe natuurwet.

“EEML(EEML) = EEML” blijft voorlopig een programma, geen gedefinieerde wiskundige fixpuntvergelijking. Er ontbreekt een operator met domein en een betekenis van gelijkheid. De bruikbare zelftoepassingsregel luidt:

Pas ook op EEML zelf consistentiecontrole, ablatie en het verwijderen van aantoonbaar overbodige aannames toe. Verander daarbij niet ongemerkt het effect dat moet worden verklaard.

De positieve telregel is evenmin automatisch een quantumregel. Coherente alternatieven vragen optelling van amplitudes en kunnen elkaar uitdoven. Born en de fysische keuze van een coherente of positieve weging blijven aanvullende structuur.

Het verloop blijft een afzonderlijke laag

Gewicht zegt niets over tempo of rondstroming.

Een gewicht zegt niet hoe snel een toestand bereikt wordt, welke barrières onderweg liggen, of er een netto stroom is. Zelfs dezelfde stationaire verdeling bepaalt die stroom niet.

Controle op een ring met drie toestanden:

Overgangssnelheden rechts / links Stationaire kansen Netto kringstroom per verbinding
1 / 1 elk 1/3 0
3 / 1 elk 1/3 2/3

In beide modellen vinden gebeurtenissen plaats; nul netto stroom is geen afwezigheid van gebeurtenissen. Het statistische landschap is hetzelfde, het proces verschilt. Deze Markov-modellen zijn wiskundige tegenvoorbeelden, geen thermodynamische verklaring van de aandrijving.

Daarom blijft de procesgedachte van EEML expliciet behouden: bereikbaarheid, overgangssnelheden, geheugen, aanpassing en aandrijving moeten worden toegevoegd of afgeleid. Een statische som over mogelijkheden vervangt die laag niet.