上篇關于正態分布的內容中提到了自然界中許多事物的概率分布都近似的符合正態分布，后來我們拿大多數人最關心的財富來舉例，但它符合正態分布符合對數正態分布，這是以人數做統計，但如果按照各個資產量統計人數的話，就會出現今天要講的冪律分布。
除了財富，與人類社會相關的分布大多都是符合冪律分布的。例如，某書店如果按銷量排列，就能發現主要銷量都集中在少量熱門書籍上，而其余大部分書籍的銷量只占總銷量剩下的其他部分；又比如，英文的學習中，只有20%的詞匯會經常用到，而剩下80%的詞匯可能用得比較少，學習的時候可以優先把常用詞匯先搞定，其它詞匯用日常的時間來不斷消化。看到這里相比大家會問，這不就是二八法則么？是的，我們常能聽到的二八法則其實就是冪律分布思維模型使用方式的一種。
定義
什么是冪律分布
想要知道什么是冪律分布，首先要了解什么是冪律法則。冪律法則指在任何一件事物中，極少數的關鍵事物帶來絕大多數的收益，其他大多數普通事物只獲得少量收益。平時經常能見到的馬太效應，長尾理論，帕累托法則(上面所說的二八法則)其實就是和冪次法則的意思差不多。
而符合冪律法則的事物體現在圖表上則會呈現出冪律分布，例如，水變成冰的臨界狀態，各個城市的人口分布，投資回報現象等。通過冪律分布圖表的形態我們能夠的看出，對一件事情起決定作用的，往往是少數幾個因素，而其它大部分的因素都無關緊要。
正態分布 vs 冪律分布
某事物符合正態分布還是冪律分布的一個重要評判條件在于：各個因素之間的關系是否有聯系。正態分布的各個因素之間是沒有聯系，也就是互不影響，例如身高，智商等；而符合冪律分布的事物各個因素之間是相互聯系，相互影響的。例如社會財富，網絡傳播效應等(一些詳細的內容已經在正態分布那篇文章中提過，不明白的可以看一下，這里就不重復再解釋了)。
非線性的世界
不論是正態分布還是冪律分布，其根本原因是因為我們所處的世界是一個復雜系統，現實中的生活遠比我們記憶中的生活更加錯綜復雜，但是我們的頭腦更傾向于將歷史以更平穩和更線性的狀態呈現出來，所以如果我們沒有意識到這種復雜性，按照本能的線性去思考現實，就非常容易出現偏差。例如，我們希望今天花了2個小時復習功課，明天考試就能多考10分；給女朋友送個鉆戒，她就愿意嫁給你；希望通過增加貨幣的供給量，刺激經濟增長等等。
當然，這種線性的思維方式也是因為我們在感性上害怕不確定性，這個在之前的不確定思維模型中解釋過人類需要一些確定性的原因在于生存壓力。另外還有一個需要確定性的理由是，如果沒有確定性，我們很難給當下的理由找一個合理的理由。但我們不能就認為現實就是跟我們大腦理解的一樣，這就像地圖不是疆域思維模型所揭示的道理一樣。
啟示
把最基本的事情做對
在《Signal and Noise》這一書中提到過：當我嘗試使用帕累托法則時，我發現：我們把最基本的事情做對，就可以讓我們走很遠 —— Nate Silver
這就好比在玩德州撲克時，你只要學習在牌不好的時候棄牌，在你牌好的時候下注，和嘗試考慮一下對手握著什么牌就能夠大大提高你的收益。這也說明了為什么生活中更應該將心思放在一些更為平常基本的事情，例如讀書，寫作，鍛煉身體，規律作息等，你可能就過上你想要的生活。并不是說其它事情不重要，而是只有那么幾件最基本的事情，對于結果的影響，比其它所有事情所產生的影響總和要大。
學會放棄
事情是有重要性之分的，其背后對應的價值存在著冪律分布，對于那些不重要或價值低的事情要勇于舍棄。這就像我們常能聽到這句話“有所舍，才會有所得”一樣，不要想著獲得所有，當我們把精力平均分的時候，也就意味著最后的結果可能就是一個平均數，而且現實的平均并不容易達到。重要的事情只占少數，其它的都是次要的，不論是在生活中還是工作中，我們應該把80%的精力投入到極少數重要的事件中，剩下的再分給其它。
學會學習
當我們接觸一門新學科或新技能時，往往會覺面面對的是一個非常龐大的知識庫，而產生畏懼心理。這些新的知識點背后的重要性也是不同的，也是符合冪律分布的，而每個學科或技能都有核心概念或核心技能，剩下其他很多知識點都可能是在這些核心概念或核心技能延伸出來的，優先把這些內容都掌握好其它的知識點會更容易理解。任何學科都是同樣如此，思維模型也不例外。一個人只要掌握大約八十至九十個思維模型就足以解決90%的問題，讓你成為一個夠智慧的人 —— 查理·芒格《窮查理寶典》
總結
冪律分布告訴我們，對一件事情起決定作用的，往往是少數幾個因素，而其它大部分的因素都無關緊要。自然界的一些現象常出現正態分布，而人類社會中會常出現冪律分布。冪律分布與正太分布不同的原因是因為，它的各個因素之間是相互聯系。現實世界是非線性的，而我們的大腦更容易使用線性思維去解讀，如何能更準確地了解世界，首先要做的就是意識到這點。
冪律分布帶來的啟示主要有3點，第一，把最基本的事情做對就能夠走得很遠；第二，學會放棄，按照事情背后的價值程度來分配精力，而不是平均分配。第三，優先學習核心概念和核心技能，可能就能解決大部分問題。
