更改

* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。

* 最后，根据EI的公式可以计算得到有效信息[math]EI(P_m) = Det(P_m) - Deg(P_m) = 1.35 - 0.20 = 1.15 \text{ bits}[/math]，[math]Eff(P_m) = EI(P_m)/ \log N = 1.15/4 = 0.29[/math]，其中Det表示确定度，Deg表示简并度。

{[[文件:空间因果涌现例1-微观.png|无框|600x400像素]]| style="text-align: center;"

{| style="text-align: center;"

 

[[文件:空间因果涌现例1-微观.png|无框|600x400像素]]

|}

|}

'''粗粒化映射'''：Hoel等人给出的具体的粗粒化方案为：将微观变量集合[math]X_m = \{ABCD\}[/math]归并为两个宏观变量，即[math]X_M = {α, β}[/math]，其中[math]\alpha=AB[/math]，[math]\beta=CD[/math]。并且，[math]\alpha,\beta[/math]的取值集合为：{"off" ,"on"}。同时，我们可以定义微观变量取值到宏观变量取值的对应规则，如图B中的表所示。

'''粗粒化映射'''：Hoel等人给出的具体的粗粒化方案为：将微观变量集合[math]X_m = \{ABCD\}[/math]归并为两个宏观变量，即[math]X_M = {α, β}[/math]，其中[math]\alpha=AB[/math]，[math]\beta=CD[/math]。并且，[math]\alpha,\beta[/math]的取值集合为：{"off" ,"on"}。同时，我们可以定义微观变量取值到宏观变量取值的对应规则，如图B中的表所示。

本例中，在宏观动力学的有效性[math]\Delta I_{Eff}[/math]的增益主要来自于减少噪声干扰，即确定性提高（归一化后：[math]Det(P_m) = 0.34[/math]; [math]Det(P_M) = 0.78[/math]），少部分来源于简并性减少（归一化后：[math]Deg(P_m) = 0.05[/math]; [math]Deg(P_M) = 0.006[/math]）。

本例中，在宏观动力学的有效性[math]\Delta I_{Eff}[/math]的增益主要来自于减少噪声干扰，即确定性提高（归一化后：[math]Det(P_m) = 0.34[/math]; [math]Det(P_M) = 0.78[/math]），少部分来源于简并性减少（归一化后：[math]Deg(P_m) = 0.05[/math]; [math]Deg(P_M) = 0.006[/math]）。

 

{| style="text-align: center;"

{| style="text-align: center;"

|+马尔科夫链示例

|+宏观动力学

 

|}

|}