统计自相似性（Statistical Self-Similarity）¶

图文

定义¶

统计自相似性是指一个对象在不同尺度上呈现统计特征相同的结构模式。与理想数学分形的严格自相似性（每个局部是整体的精确缩小复制）不同，统计自相似性描述的是概率分布意义上的尺度不变性——放大后看到的不是完全相同的图案，而是具有相同统计特征的新细节。

Mandelbrot 在 1967 年论文中指出：海岸线在任何尺度上都呈现海湾与海角交替的模式。放大一段海岸线，看到的是较小的海湾和海角叠加在较大的海湾和海角之上，一直延续到沙粒的尺度。在那个尺度上，海岸线表现为"一条不断位移的、潜在无限长的线，海湾和海角由手边的小物体随机排列构成"。

这种结构是统计性的：你不会在每一段海岸线上看到完全相同的海湾形状，但海湾大小的分布、海岸线的曲折程度在统计上是尺度不变的。

统计自相似性是连接理想分形与真实世界不规则形态的核心桥梁。正是因为 Mandelbrot 引入了这一概念，分形维数才能从纯数学工具变为描述自然界的有力框架——自然界几乎不存在严格自相似的对象，但统计自相似无处不在。