更改

（1）在相同统计复杂度的前提下，因果态集合<math>\mathcal{S} </math>在有效态集合<math>\mathcal{R} </math>的所有类型中，它的预测能力最强，用公式表示为<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{R}]\geq H[\stackrel{\rightarrow}{S}^L|\mathcal{S}] </math>，<math>\stackrel{\rightarrow}{S}^L </math>为<math>L </math>个长度的未来序列集合，<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{R}] </math>和<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{S}] </math>是<math>\stackrel{\rightarrow}{S}^L </math>的条件熵。

（1）在相同统计复杂度的前提下，因果态集合<math>\mathcal{S} </math>在有效态集合<math>\mathcal{R} </math>的所有类型中，它的预测能力最强，用公式表示为<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{R}]\geq H[\stackrel{\rightarrow}{S}^L|\mathcal{S}] </math>，<math>\stackrel{\rightarrow}{S}^L </math>为<math>L </math>个长度的未来序列集合，<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{R}] </math>和<math>H[\stackrel{\rightarrow}{S}^L|\mathcal{S}] </math>是<math>\stackrel{\rightarrow}{S}^L </math>的条件熵。

（2）在相同预测能力的前提下，因果态集合<math>\mathcal{S} </math>在有效态集合<math>\mathcal{R} </math>的所有类型中，它的统计复杂度最小，用公式表示为<math>C_\mu(\hat{\mathcal{R}})\geq C_\mu(\mathcal{S}) </math>，<math>\hat{\mathcal{R} </math>满足<math>H[\stackrel{\rightarrow}{S}^{L}|\hat{\mathcal{R}}]=H[\stackrel{\rightarrow}{S}^{L}|\mathcal{S}] </math>。

（2）在相同预测能力的前提下，因果态集合<math>\mathcal{S} </math>在有效态集合<math>\mathcal{R} </math>的所有类型中，它的统计复杂度最小，用公式表示为<math>C_\mu(\hat{\mathcal{R}})\geq C_\mu(\mathcal{S}) </math>，<math>\hat{\mathcal{R}} </math>满足<math>H[\stackrel{\rightarrow}{S}^{L}|\hat{\mathcal{R}}]=H[\stackrel{\rightarrow}{S}^{L}|\mathcal{S}] </math>。

上文中已经介绍了柯式复杂度和统计复杂度的基本概念，如果<math>s^L </math>表示对过程的测量结果的前<math>L </math>个序列，那么它们之间的关系可以近似的表示为：

上文中已经介绍了柯式复杂度和统计复杂度的基本概念，如果<math>s^L </math>表示对过程的测量结果的前<math>L </math>个序列，那么它们之间的关系可以近似的表示为：

那么公式可以解释为：序列<math>s^L </math>的总信息量≈被归纳的因果态信息量+放弃归纳的随机信息量

那么公式可以解释为：序列<math>s^L </math>的总信息量≈被归纳的因果态信息量+放弃归纳的随机信息量

（3）在相同预测能力的前提下，因果态集合[math]\displaystyle{ \mathcal{S} }[/math]在有效态集合[math]\displaystyle{ \mathcal{R} }[/math]的所有类型中，它的随机性最小，用公式表示为<math>H[\hat{\mathcal{R}}^{\prime}|\hat{\mathcal{R}}]\geq H[\mathcal{S}^{\prime}|\mathcal{S}] </math>，<math>hat{\mathcal{R} </math>满足<math>H[\stackrel{\rightarrow}{S}^{L}|\hat{\mathcal{R}}]=H[\stackrel{\rightarrow}{S}^{L}|\mathcal{S}] </math>，其中<math>\hat{\mathcal{R}}^{\prime} </math>和<math>\mathcal{S}^{\prime} </math>分别是该过程的下一时刻有效态和下一时刻因果态。

（3）在相同预测能力的前提下，因果态集合[math]\displaystyle{ \mathcal{S} }[/math]在有效态集合[math]\displaystyle{ \mathcal{R} }[/math]的所有类型中，它的随机性最小，用公式表示为<math>H[\hat{\mathcal{R}}^{\prime}|\hat{\mathcal{R}}]\geq H[\mathcal{S}^{\prime}|\mathcal{S}] </math>，<math>\hat{\mathcal{R}} </math>满足<math>H[\stackrel{\rightarrow}{S}^{L}|\hat{\mathcal{R}}]=H[\stackrel{\rightarrow}{S}^{L}|\mathcal{S}] </math>，其中<math>\hat{\mathcal{R}}^{\prime} </math>和<math>\mathcal{S}^{\prime} </math>分别是该过程的下一时刻有效态和下一时刻因果态。

用互信息的角度去理解的话，上式等价于<math>I(S^{\prime};S)\geq I(\widehat{R}^{\prime};\widehat{R}) </math>，可以理解为任意有效态对它自己下一时刻的互信息中，其中因果态的互信息最大，若不考虑Do干预，因果态和因果涌现理论中最大化有效信息所得到的宏观态意义相同。

用互信息的角度去理解的话，上式等价于<math>I(S^{\prime};S)\geq I(\widehat{R}^{\prime};\widehat{R}) </math>，可以理解为任意有效态对它自己下一时刻的互信息中，其中因果态的互信息最大，若不考虑Do干预，因果态和因果涌现理论中最大化有效信息所得到的宏观态意义相同。