Реакція системи на стрес залежить не стільки від самого стресора, скільки від математичної форми цієї реакції. Уявіть графік, де горизонтальна вісь — це інтенсивність події (наприклад, коливання ринку), а вертикальна — результат (прибуток або збиток).

Якщо графік вигинається вниз, як насуплені брови, система є увігнутою. Це означає, що шкода від негативних подій зростає непропорційно швидко. Падіння ринку на 20% завдає набагато більше шкоди, ніж подвійний збиток від 10% падіння. Це математичний підпис крихкості.

Якщо ж графік вигинається вгору, як усмішка, система є опуклою. Тут вигоди від позитивних подій зростають швидше, ніж збитки від негативних. Зростання на 20% приносить значно більше користі, ніж подвійна вигода від 10% зростання. Це і є антикрихкість.

Цю кривину можна виміряти. Інструмент для цього — друга похідна з диференціального числення.

Перша похідна функції показує її швидкість зміни (нахил). Друга похідна показує швидкість зміни цієї швидкості, тобто прискорення. Саме вона описує кривину графіка.

Для увігнутої функції, де збитки прискорюються, друга похідна буде від'ємною. Це сигнал про крихкість.

Для опуклої функції, де вигоди прискорюються, друга похідна буде додатною. Це ознака антикрихкості або, принаймні, потенціалу до неї.

Простий приклад: залежність щастя від грошей. Перші $10,000 доходу приносять величезне задоволення. Наступні $10,000 — теж, але вже менше. Зрештою, різниця між $1,000,000 і $1,010,000 майже невідчутна. Ця залежність увігнута. Втрата $10,000, коли у вас їх всього $20,000, завдасть набагато більше болю, ніж радість від отримання тих самих $10,000, коли у вас уже є мільйон.

Ці ідеї формалізує Нерівність Єнсена — наріжний камінь розуміння нелінійних ефектів. Вона стверджує, що для опуклої функції середнє значення результатів завжди більше або дорівнює результату від середнього значення.

Що це означає на практиці? Уявіть, що ви інвестуєте. Ринок може зрости на 50% або впасти на 50% з однаковою ймовірністю. Середнє арифметичне цих змін дорівнює нулю. $(0.5 - 0.5) / 2 = 0$. Здається, що в середньому ви нічого не втратите і не заробите.

Але результат ( $f(x)$ ) нелінійний. Якщо ви вклали $100:

1. Зростання на 50%: $150
2. Падіння на 50%: $50

Середній результат вашої інвестиції: $(150 + 50) / 2 = \text{\textdollar}100$. Він дорівнює результату від середнього ($f(0) = \text{\textdollar}100$). У цьому випадку реакція лінійна.

А тепер уявіть, що ви взяли кредитне плече, і ваші збитки прискорюються (увігнутість). Падіння на 50% призводить до повної втрати коштів.

1. Зростання на 50%: $150
2. Падіння на 50%: $0

Середній результат: $(150 + 0) / 2 = \text{\textdollar}75$. Це значно менше, ніж $100. Середнє значення функції ($E[f(X)]$) виявилося гіршим, ніж функція від середнього ($f(E[X])$). Це і є прояв нерівності Єнсена для увігнутої функції. Ваша система крихка.

Нерівність Єнсена викриває фундаментальну помилку — «помилку середнього». Використовувати середні значення для прогнозування в нелінійних системах — це шлях до катастрофи. Річка може мати середню глибину один метр, але це не означає, що її можна перейти вбрід, ігноруючи ями глибиною п'ять метрів.

Цей принцип пояснює, чому великі системи за своєю природою крихкі. Чим більша система (корпорація, держава, банк), тим більші приховані нелінійності. Збій в одній частині викликає непередбачувані каскадні ефекти. Маленькі зміни на вході можуть призвести до величезних, руйнівних наслідків на виході — це і є ті самі «нелінійні хвости».

Розуміння опуклості дає змогу не просто уникати крихкості, а й отримувати вигоду від невизначеності. Замість того, щоб намагатися передбачити майбутнє, можна будувати системи, які виграють від непередбачуваності, хаосу та стресу.