Wissenschaftliches Prinzip / Konzept des Systemdenkens

Schmetterlingseffekt

Butterfly Effect

In komplexen nichtlinearen Systemen können kleine Unterschiede am Anfang zu stark abweichenden Ergebnissen führen; deshalb sollte man Vorhersagen, besonders über lange Zeiträume, mit Demut behandeln.

Beliebtheit

Nützlichkeit

Aliasse

Sensitive Abhängigkeit von Anfangsbedingungen / deterministisches Chaos / Chaoseffekt

Bereiche

Chaostheorie / Mathematik / Meteorologie / Physik, komplexe Systeme, Ökologie, Ökonomie / Entscheidungsfindung

Definition

Der Schmetterlingseffekt beschreibt die Idee, dass eine sehr kleine Änderung in den Anfangsbedingungen eines komplexen nichtlinearen Systems im Zeitverlauf zu stark unterschiedlichen Ergebnissen führen kann. Er ist der populäre Name für die sensitive Abhängigkeit von Anfangsbedingungen in der Chaostheorie.

Kerngedanke

In manchen deterministischen Systemen können die Regeln zwar feststehen, doch langfristige Vorhersagen werden trotzdem extrem schwierig, weil winzige Anfangsunterschiede zu großen Abweichungen anwachsen können.
Das bedeutet nicht, dass jede kleine Handlung immer eine riesige Wirkung hat; es bedeutet, dass kleine Unterschiede in bestimmten komplexen Systemen Ergebnisse stark unvorhersagbar machen können.

So funktioniert es

Ein komplexes nichtlineares System startet aus einem Anfangszustand.
Ein winziger Unterschied wird eingeführt, zum Beispiel ein kleiner Rundungsunterschied in den Daten.
Das System entwickelt sich nach deterministischen Regeln weiter.
Mit der Zeit driften die beiden Verläufe stark auseinander, sodass langfristige Vorhersagen unzuverlässig werden.
Wettersysteme sind das klassische Beispiel, weil viele wechselwirkende Variablen präzise Langfristprognosen erschweren.

Anwendungsbeispiel

In der Projektplanung kann eine kleine frühe Annahme, etwa eine Unterschätzung der API-Antwortlatenz, später Architektur, Kosten, Nutzererlebnis und Release-Termin beeinflussen.
Das ist eine praktische Analogie und kein strenger mathematischer Beweis für den Schmetterlingseffekt.

Bekanntes Beispiel

Beispiel: Edward Lorenz ließ eine Wettersimulation mit einem gerundeten Wert erneut laufen und änderte dabei Berichten zufolge 0.506127 zu 0.506; das resultierende simulierte Wetterbild fiel drastisch anders aus.
Warum es zu dieser Regel passt: Das Beispiel zeigt, wie ein sehr kleiner Unterschied in den Ausgangsdaten in einem Wettermodell zu einem stark anderen Ergebnis führen kann.

Anwendungsfälle / Situationen, in denen es relevant ist

Wetter- und Klimamodellierung
Chaotische mathematische Systeme
Fluiddynamik und Turbulenz
Ökosysteme mit vielen wechselwirkenden Variablen
Komplexe technische Systeme, in denen sich kleine Eingabeunterschiede verstärken können
Risikoanalysen, bei denen langfristige Vorhersagen stark von Anfangsannahmen abhängen

Wann man es nicht verwenden sollte / Häufige Fehlanwendungen

Nutze ihn nicht, um zu behaupten, jede kleine Handlung habe zwangsläufig große Folgen.
Verwende ihn nicht als Motivationsspruch im Sinn von „kleine Gewohnheiten verändern immer die Welt“.
Nutze ihn nicht für einfache lineare Ursache-Wirkung-Situationen.
Verwende ihn nicht, wenn das System stabil, gut kontrolliert oder nicht sensitiv gegenüber Anfangsbedingungen ist.
Behandle das Bild vom Schmetterling und Tornado nicht als wörtlich bewiesenes Ereignis; es ist eine Metapher.

Ursprung / Entstehung

Entwickelt von: Nicht als einfache „Regel“ erfunden. Das wissenschaftliche Konzept ist am engsten mit dem amerikanischen Mathematiker und Meteorologen Edward N. Lorenz verbunden.
Entstehungsjahr: Die wissenschaftliche Grundlage wurde 1963 in Lorenz’ Aufsatz „Deterministic Nonperiodic Flow“ veröffentlicht; die berühmte Schmetterlingsmetapher wurde vor allem nach Lorenz’ AAAS-Vortrag von 1972 bekannt: „Predictability: Does the Flap of a Butterfly’s Wings in Brazil Set Off a Tornado in Texas?“
Land / Entstehungskontext: Vereinigte Staaten; Meteorologie und mathematische Modellierung am Massachusetts Institute of Technology.

Kurze praktische Quintessenz

In komplexen nichtlinearen Systemen können kleine Unterschiede am Anfang zu stark abweichenden Ergebnissen führen; deshalb sollte man Vorhersagen, besonders über lange Zeiträume, mit Demut behandeln.