- 25,264
- 46
- 8 Ноя 2022
Наконец появилась возможность с академической точностью строить графики потери вторых носков.
Колоколообразная кривая, о которой часто говорят статисты, встречается куда чаще, чем кажется. Достаточно после каждого дождя ставить во дворе мерный стакан и записывать, сколько воды в нем собралось по итогу. Можно попросить сто человек на глаз оценить число драже в банке. Можно собрать рост женщин, вес мужчин, баллы SAT или результаты марафонов. Во всех таких наборах данных снова проступает одна и та же форма: на графике в середине скапливается основная масса значений, а по краям остаются редкие отклонения. Математики давно объяснили, почему мир так упорно рисует этот знакомый силуэт, за что ни возьмись.
За повторяющейся формой стоит центральная предельная теорема - один из главных результатов теории вероятностей. Смысл у формулы на удивление простой, хотя звучит почти неправдоподобно: если брать много независимых случайных величин и усреднять их, распределение средних значений начинает напоминать нормальное распределение, ту самую колоколообразную кривую. Исходные данные при таком переходе могут быть неровными, рваными, плоскими или вообще неудобными для описания. Усреднение постепенно сглаживает хаос и вытягивает из него предсказуемую структуру.
Для современной науки значение такой закономерности трудно переоценить. Почти вся эмпирическая статистика держится на возможности взять выборку, посчитать средние, разбросы и вероятности, а затем сделать вывод о более широкой картине. Без центральной предельной теоремы любой разговор о надежности измерений, доверии к выборке и вероятности ошибки выглядел бы куда слабее. По сути, статистика как практический инструмент выросла из идеи, что средние величины ведут себя понятнее и устойчивее, чем отдельные случайные наблюдения.
История открытия началась в довольно прозаическом месте, среди игроков и любителей ставок. В начале XVIII века в лондонских кофейнях работал Абрахам де Муавр, выдающийся математик, которого ценили Исаак Ньютон и Эдмонд Галлей. Де Муавр состоял в Королевском обществе, но прочного академического положения так и не получил. Француз-протестант покинул родину из-за преследований, а в Англии, несмотря на талант и репутацию, остался без той университетской должности, которая позволила бы жить спокойно. Чтобы зарабатывать, математик консультировал игроков, пытавшихся найти хотя бы небольшой численный перевес в азартных играх.
<!--'start_frame_cache_Zg1Ab0'--><div class="banner-detailed"><div class="banner-detailed__shell"><div class="banner-detailed__title">Добро пожаловать в то, что осталось. <span>Свободный интернет закончился</span><div class="banner-detailed__arrow"><svg viewBox="0 0 40 40" fill="none" xmlns="http://www.w3.org/2000/svg"><path d="M20.5375 34.4392L22.465 31.7392C22.5739 31.5872 22.7145 31.4607 22.8772 31.3684C23.0399 31.2762 23.2207 31.2205 23.407 31.2052C23.5934 31.1898 23.7809 31.2152 23.9564 31.2796C24.132 31.344 24.2915 31.4458 24.4237 31.578L29.6025 36.758C30.0787 37.2333 30.724 37.5002 31.3969 37.5002C32.0697 37.5002 32.715 37.2333 33.1912 36.758L36.7575 33.1917C37.2328 32.7155 37.4998 32.0702 37.4998 31.3973C37.4998 30.7245 37.2328 30.0792 36.7575 29.603L31.5775 24.4242C31.4453 24.2919 31.3435 24.1325 31.2791 23.9569C31.2147 23.7814 31.1893 23.5939 31.2047 23.4075C31.22 23.2211 31.2757 23.0404 31.368 22.8777C31.4602 22.715 31.5867 22.5743 31.7387 22.4655L34.4387 20.538C34.6405 20.3939 34.7965 20.1947 34.8878 19.9641C34.9791 19.7336 35.0018 19.4816 34.9534 19.2385C34.9049 18.9953 34.7873 18.7713 34.6146 18.5934C34.442 18.4155 34.2216 18.2912 33.98 18.2355L13.5112 13.5117L18.235 33.9805C18.2907 34.2221 18.415 34.4425 18.5929 34.6151C18.7708 34.7878 18.9948 34.9054 19.238 34.9539C19.4812 35.0023 19.7331 34.9795 19.9637 34.8882C20.1942 34.7969 20.3934 34.641 20.5375 34.4392Z" fill="#FFD98C"></path><path d="M34.0751 37.6413C33.3582 38.3389 32.3973 38.7293 31.397 38.7293C30.3966 38.7293 29.4358 38.3389 28.7189 37.6413L23.4826 32.4663L21.5539 35.165C21.2699 35.5626 20.8773 35.8698 20.423 36.0497C19.9688 36.2295 19.4723 36.2744 18.9931 36.179C18.514 36.0836 18.0726 35.8518 17.7219 35.5117C17.3713 35.1715 17.1263 34.7373 17.0164 34.2613L12.2926 13.7925C12.2447 13.5858 12.2502 13.3702 12.3086 13.1662C12.367 12.9622 12.4764 12.7764 12.6264 12.6263C12.7765 12.4763 12.9623 12.3669 13.1663 12.3085C13.3703 12.2501 13.5859 12.2446 13.7926 12.2925L34.2614 17.0175C34.7374 17.1271 35.1717 17.3719 35.512 17.7225C35.8523 18.073 36.0841 18.5144 36.1795 18.9935C36.275 19.4726 36.23 19.9691 36.0501 20.4233C35.8701 20.8775 35.5628 21.27 35.1651 21.5538L32.4614 23.54L37.6414 28.7188C38.3498 29.43 38.7476 30.393 38.7476 31.3969C38.7476 32.4008 38.3498 33.3637 37.6414 34.075L34.0751 37.6413ZM35.8751 30.4863L30.6951 25.3075C30.4344 25.047 30.2336 24.7328 30.1068 24.3868C29.9799 24.0407 29.9299 23.6712 29.9604 23.3039C29.9908 22.9366 30.101 22.5804 30.2831 22.26C30.4653 21.9396 30.7151 21.6628 31.0151 21.4488L33.6989 19.4488L15.1851 15.1763L19.5001 33.7275L19.5139 33.7113L21.4414 31.0125C21.6555 30.7124 21.9325 30.4626 22.253 30.2805C22.5735 30.0983 22.9298 29.9882 23.2972 29.9577C23.6646 29.9272 24.0342 29.9772 24.3803 30.1041C24.7264 30.231 25.0407 30.4318 25.3014 30.6925L30.4864 35.875C30.728 36.1163 31.0555 36.2518 31.397 36.2518C31.7385 36.2518 32.066 36.1163 32.3076 35.875L35.8751 32.3075C36.1161 32.0657 36.2514 31.7383 36.2514 31.3969C36.2514 31.0555 36.1161 30.728 35.8751 30.4863ZM8.14636 9.385C7.98292 9.38706 7.82069 9.35675 7.66901 9.29583C7.51733 9.2349 7.37921 9.14455 7.26261 9.03L4.58011 6.3475C4.35242 6.11175 4.22643 5.796 4.22927 5.46825C4.23212 5.1405 4.36358 4.82699 4.59534 4.59523C4.8271 4.36347 5.14062 4.23201 5.46836 4.22916C5.79611 4.22631 6.11186 4.3523 6.34761 4.58L9.03012 7.2625C9.20107 7.43787 9.31674 7.65959 9.36277 7.90013C9.4088 8.14068 9.38315 8.38944 9.28901 8.61553C9.19487 8.84162 9.03639 9.03508 8.83325 9.17188C8.63011 9.30867 8.39126 9.38278 8.14636 9.385ZM17.9726 9.03C17.7362 9.26044 17.419 9.3894 17.0889 9.3894C16.7587 9.3894 16.4416 9.26044 16.2051 9.03C15.9708 8.79559 15.8391 8.47771 15.8391 8.14625C15.8391 7.8148 15.9708 7.49691 16.2051 7.2625L18.8876 4.58C19.0029 4.46061 19.1409 4.36538 19.2934 4.29987C19.4459 4.23436 19.6099 4.19988 19.7759 4.19844C19.9418 4.197 20.1064 4.22862 20.2601 4.29147C20.4137 4.35432 20.5532 4.44714 20.6706 4.56451C20.788 4.68187 20.8808 4.82144 20.9436 4.97506C21.0065 5.12868 21.0381 5.29328 21.0367 5.45925C21.0352 5.62523 21.0008 5.78925 20.9352 5.94176C20.8697 6.09426 20.7745 6.23219 20.6551 6.3475L17.9726 9.03ZM6.34761 20.655C6.11146 20.886 5.79423 21.0154 5.46386 21.0154C5.1335 21.0154 4.81627 20.886 4.58011 20.655C4.34578 20.4206 4.21413 20.1027 4.21413 19.7713C4.21413 19.4398 4.34578 19.1219 4.58011 18.8875L7.26261 16.205C7.37792 16.0856 7.51585 15.9904 7.66836 15.9249C7.82086 15.8594 7.98489 15.8249 8.15086 15.8234C8.31684 15.822 8.48144 15.8536 8.63506 15.9165C8.78868 15.9793 8.92824 16.0721 9.04561 16.1895C9.16297 16.3069 9.25579 16.4464 9.31864 16.6001C9.38149 16.7537 9.41312 16.9183 9.41168 17.0843C9.41024 17.2502 9.37575 17.4143 9.31024 17.5668C9.24473 17.7193 9.1495 17.8572 9.03012 17.9725L6.34761 20.655ZM12.6176 7.54375C12.2861 7.54375 11.9682 7.41205 11.7337 7.17763C11.4993 6.94321 11.3676 6.62527 11.3676 6.29375V2.5C11.3676 2.16848 11.4993 1.85054 11.7337 1.61612C11.9682 1.3817 12.2861 1.25 12.6176 1.25C12.9491 1.25 13.2671 1.3817 13.5015 1.61612C13.7359 1.85054 13.8676 2.16848 13.8676 2.5V6.29375C13.8676 6.62527 13.7359 6.94321 13.5015 7.17763C13.2671 7.41205 12.9491 7.54375 12.6176 7.54375ZM2.50011 11.3675H6.29387C6.62539 11.3675 6.94333 11.4992 7.17775 11.7336C7.41217 11.968 7.54387 12.286 7.54387 12.6175C7.54387 12.949 7.41217 13.267 7.17775 13.5014C6.94333 13.7358 6.62539 13.8675 6.29387 13.8675H2.50011C2.16859 13.8675 1.85065 13.7358 1.61623 13.5014C1.38181 13.267 1.25011 12.949 1.25011 12.6175C1.25011 12.286 1.38181 11.968 1.61623 11.7336C1.85065 11.4992 2.16859 11.3675 2.50011 11.3675Z" fill="#272727"></path></svg> <!--'end_frame_cache_Zg1Ab0'--> Работа с играми случая привела де Муавра к важному наблюдению. Один бросок кости, одно подбрасывание монеты или одна карта из колоды выглядят совершенно случайными. В каждом таком действии возможные исходы заранее заданы, а шансы в простейших задачах одинаковы. Но когда похожие случайные действия повторяются много раз, разрозненные результаты перестают быть просто набором несвязанных событий. В совокупности начинает проявляться устойчивый рисунок.
Проще всего увидеть его на монете. Если подбросить монету 100 раз и посчитать число орлов, итог почти наверняка окажется где-то рядом с 50, но точного совпадения ждать не стоит. Одна серия из ста бросков даст 47 орлов, другая 54, третья 51. Разброс неизбежен. Однако картина меняется, если повторять уже весь эксперимент снова и снова. При миллионе серий большинство результатов сгрудится возле отметки 50. Числа вроде 10 или 90 орлов останутся на самой периферии и будут встречаться крайне редко. Если нанести все итоги на график, в центре вырастет плавный горб, а к краям частоты начнут быстро спадать.
Де Муавр сумел описать форму такого графика математически. Позже за ней закрепилось название нормального распределения. Формула позволяла заранее оценивать вероятность разных исходов, не проигрывая каждую серию на практике. Например, для 100 бросков можно посчитать, насколько вероятно получить число орлов в определенном диапазоне. Интервал от 45 до 55 покрывает примерно 68% случаев. Для XVIII века такой переход от игры и интуиции к строгому расчету был по-настоящему важным сдвигом.
Де Муавра поразило не только удобство вычислений, но и сама устойчивость найденного порядка. Любые отклонения, которые сначала кажутся хаотичными и непредсказуемыми, при большом числе повторений начинают подчиняться одной и той же форме. В таком поведении случайности математик видел почти универсальный закон. Впрочем, даже де Муавр еще не понимал, насколько далеко тянется открытый им принцип.
Полный масштаб идеи раскрыл Пьер-Симон Лаплас. В 1810 году, спустя десятилетия после смерти де Муавра, французский математик показал, что дело вовсе не ограничивается монетами и азартными играми. Главную роль играет не конкретный тип случайного опыта, а сам механизм усреднения. Именно Лаплас превратил частное наблюдение в общий принцип, который позже и стали называть центральной предельной теоремой.
Разница хорошо видна на примере игральной кости . Один бросок дает шесть равновероятных результатов: 1, 2, 3, 4, 5 и 6. Если долго записывать результаты одиночных бросков, на графике получится почти ровная полоса. Единицы будут выпадать примерно так же часто, как двойки, четверки или шестерки. Никакой колоколообразной формы в исходном распределении нет. Теперь стоит изменить процедуру. Вместо одного броска нужно бросить кость 10 раз и вычислить среднее значение по серии. Средний результат чаще всего окажется где-то рядом с 3,5. Если повторять уже такой эксперимент много раз и собирать именно средние значения, плоский график начнет превращаться в колокол с вершиной около 3,5.
В таком переходе и состоит главная сила центральной предельной теоремы . Исходное распределение может быть каким угодно, даже совсем не похожим на нормальное. Но распределение средних значений постепенно начинает подчиняться вполне конкретному закону. Для статистика такой результат особенно ценен по одной причине: часто не нужно до мелочей понимать устройство исходного процесса, чтобы работать со средними. Достаточно знать, что наблюдений много и что отдельные величины не тянут друг друга за собой.
На бумаге правило выглядит как формула, но в реальном мире механизм усреднения встроен во множество явлений сам по себе. Рост человека хорошо показывает, как работает такой принцип. На итоговое значение влияет масса отдельных причин: наследственность по отцу и матери, питание, состояние здоровья, среда, условия развития организма. Каждая причина вносит небольшой вклад. Вместе такие вклады складываются в общую величину, и распределение роста в популяции начинает напоминать нормальное. По похожей логике колоколообразная форма возникает и во множестве других данных. За внешне простым графиком часто скрывается сумма большого числа мелких, относительно независимых воздействий.
Центральная предельная теорема нужна не только для красивых объяснений. Формула помогает замечать ситуации, где что-то идет не так. Представим старую кофейню в Лондоне, азартный спор и монету, которую кто-то предлагает проверить. Если за 100 бросков выпадает всего 20 орлов, сразу возникает вопрос: дело в невероятном невезении или в подмене? Теорема позволяет оценить, насколько редок такой результат для честной монеты. Область значений до 20 занимает примерно 0,15% кривой. Значит, шанс увидеть такой исход в нормальной серии ничтожен. Подозрение в мошенничестве в таком случае опирается не на эмоции, а на расчет.
Именно здесь особенно ясно видно, почему работа Лапласа оказалась такой важной. Усреднение дает способ говорить о свойствах процесса, даже когда внутренний механизм плохо известен. Исследователь может не знать всех деталей, но все равно способен оценить, насколько результат типичен, куда смещен центр и каков риск случайной ошибки.
При всей универсальности у центральной предельной теоремы есть границы. Формула работает при большом числе наблюдений и требует независимости между ними. Если данные связаны друг с другом слишком сильно, колокол может просто не появиться. Хороший пример дает социология. Национальный опрос не станет надежным, если собрать ответы только в одном маленьком городке штата Мэн и повторить измерение там же еще много раз. Проблема в таком случае сидит в самой выборке, а не в количестве повторов.
Есть и другая важная оговорка. Среднее значение полезно далеко не всегда. В ряде задач главную роль играют не типичные случаи, а крайние события. Наводнения, которые когда-то считались столетними, в последние годы происходят заметно чаще. Для климатических рисков, катастроф и других экстремумов изучение хвостов распределения может быть не менее важным, чем работа со средним. Там обычной опоры на центральную предельную теорему уже недостаточно, и аналитикам приходится использовать другие инструменты.
Тем не менее сама идея оказалась удивительно живучей. Во многих сложных задачах статистики пытаются представить интересующую величину как среднее по выборке плюс некоторую ошибку. После такого преобразования начинают работать более сложные варианты той же логики. Благодаря таким обобщениям центральная предельная теорема давно вышла за пределы учебных примеров с монетами и костями и превратилась в один из базовых способов понимать случайность.
Причина такой устойчивости проста. Мир постоянно складывает большие эффекты из множества мелких причин. Когда разные независимые влияния собираются вместе, данные начинают группироваться вокруг центра, а по краям остаются редкие отклонения. Статистика научилась использовать такую структуру как инструмент. Так что случайный шум теперь можно считать не помехой, а способом узнать, как устроены процессы, которые порождают наблюдаемые числа.
Колоколообразная кривая, о которой часто говорят статисты, встречается куда чаще, чем кажется. Достаточно после каждого дождя ставить во дворе мерный стакан и записывать, сколько воды в нем собралось по итогу. Можно попросить сто человек на глаз оценить число драже в банке. Можно собрать рост женщин, вес мужчин, баллы SAT или результаты марафонов. Во всех таких наборах данных снова проступает одна и та же форма: на графике в середине скапливается основная масса значений, а по краям остаются редкие отклонения. Математики давно объяснили, почему мир так упорно рисует этот знакомый силуэт, за что ни возьмись.
За повторяющейся формой стоит центральная предельная теорема - один из главных результатов теории вероятностей. Смысл у формулы на удивление простой, хотя звучит почти неправдоподобно: если брать много независимых случайных величин и усреднять их, распределение средних значений начинает напоминать нормальное распределение, ту самую колоколообразную кривую. Исходные данные при таком переходе могут быть неровными, рваными, плоскими или вообще неудобными для описания. Усреднение постепенно сглаживает хаос и вытягивает из него предсказуемую структуру.
Для современной науки значение такой закономерности трудно переоценить. Почти вся эмпирическая статистика держится на возможности взять выборку, посчитать средние, разбросы и вероятности, а затем сделать вывод о более широкой картине. Без центральной предельной теоремы любой разговор о надежности измерений, доверии к выборке и вероятности ошибки выглядел бы куда слабее. По сути, статистика как практический инструмент выросла из идеи, что средние величины ведут себя понятнее и устойчивее, чем отдельные случайные наблюдения.
История открытия началась в довольно прозаическом месте, среди игроков и любителей ставок. В начале XVIII века в лондонских кофейнях работал Абрахам де Муавр, выдающийся математик, которого ценили Исаак Ньютон и Эдмонд Галлей. Де Муавр состоял в Королевском обществе, но прочного академического положения так и не получил. Француз-протестант покинул родину из-за преследований, а в Англии, несмотря на талант и репутацию, остался без той университетской должности, которая позволила бы жить спокойно. Чтобы зарабатывать, математик консультировал игроков, пытавшихся найти хотя бы небольшой численный перевес в азартных играх.
<!--'start_frame_cache_Zg1Ab0'--><div class="banner-detailed"><div class="banner-detailed__shell"><div class="banner-detailed__title">Добро пожаловать в то, что осталось. <span>Свободный интернет закончился</span><div class="banner-detailed__arrow"><svg viewBox="0 0 40 40" fill="none" xmlns="http://www.w3.org/2000/svg"><path d="M20.5375 34.4392L22.465 31.7392C22.5739 31.5872 22.7145 31.4607 22.8772 31.3684C23.0399 31.2762 23.2207 31.2205 23.407 31.2052C23.5934 31.1898 23.7809 31.2152 23.9564 31.2796C24.132 31.344 24.2915 31.4458 24.4237 31.578L29.6025 36.758C30.0787 37.2333 30.724 37.5002 31.3969 37.5002C32.0697 37.5002 32.715 37.2333 33.1912 36.758L36.7575 33.1917C37.2328 32.7155 37.4998 32.0702 37.4998 31.3973C37.4998 30.7245 37.2328 30.0792 36.7575 29.603L31.5775 24.4242C31.4453 24.2919 31.3435 24.1325 31.2791 23.9569C31.2147 23.7814 31.1893 23.5939 31.2047 23.4075C31.22 23.2211 31.2757 23.0404 31.368 22.8777C31.4602 22.715 31.5867 22.5743 31.7387 22.4655L34.4387 20.538C34.6405 20.3939 34.7965 20.1947 34.8878 19.9641C34.9791 19.7336 35.0018 19.4816 34.9534 19.2385C34.9049 18.9953 34.7873 18.7713 34.6146 18.5934C34.442 18.4155 34.2216 18.2912 33.98 18.2355L13.5112 13.5117L18.235 33.9805C18.2907 34.2221 18.415 34.4425 18.5929 34.6151C18.7708 34.7878 18.9948 34.9054 19.238 34.9539C19.4812 35.0023 19.7331 34.9795 19.9637 34.8882C20.1942 34.7969 20.3934 34.641 20.5375 34.4392Z" fill="#FFD98C"></path><path d="M34.0751 37.6413C33.3582 38.3389 32.3973 38.7293 31.397 38.7293C30.3966 38.7293 29.4358 38.3389 28.7189 37.6413L23.4826 32.4663L21.5539 35.165C21.2699 35.5626 20.8773 35.8698 20.423 36.0497C19.9688 36.2295 19.4723 36.2744 18.9931 36.179C18.514 36.0836 18.0726 35.8518 17.7219 35.5117C17.3713 35.1715 17.1263 34.7373 17.0164 34.2613L12.2926 13.7925C12.2447 13.5858 12.2502 13.3702 12.3086 13.1662C12.367 12.9622 12.4764 12.7764 12.6264 12.6263C12.7765 12.4763 12.9623 12.3669 13.1663 12.3085C13.3703 12.2501 13.5859 12.2446 13.7926 12.2925L34.2614 17.0175C34.7374 17.1271 35.1717 17.3719 35.512 17.7225C35.8523 18.073 36.0841 18.5144 36.1795 18.9935C36.275 19.4726 36.23 19.9691 36.0501 20.4233C35.8701 20.8775 35.5628 21.27 35.1651 21.5538L32.4614 23.54L37.6414 28.7188C38.3498 29.43 38.7476 30.393 38.7476 31.3969C38.7476 32.4008 38.3498 33.3637 37.6414 34.075L34.0751 37.6413ZM35.8751 30.4863L30.6951 25.3075C30.4344 25.047 30.2336 24.7328 30.1068 24.3868C29.9799 24.0407 29.9299 23.6712 29.9604 23.3039C29.9908 22.9366 30.101 22.5804 30.2831 22.26C30.4653 21.9396 30.7151 21.6628 31.0151 21.4488L33.6989 19.4488L15.1851 15.1763L19.5001 33.7275L19.5139 33.7113L21.4414 31.0125C21.6555 30.7124 21.9325 30.4626 22.253 30.2805C22.5735 30.0983 22.9298 29.9882 23.2972 29.9577C23.6646 29.9272 24.0342 29.9772 24.3803 30.1041C24.7264 30.231 25.0407 30.4318 25.3014 30.6925L30.4864 35.875C30.728 36.1163 31.0555 36.2518 31.397 36.2518C31.7385 36.2518 32.066 36.1163 32.3076 35.875L35.8751 32.3075C36.1161 32.0657 36.2514 31.7383 36.2514 31.3969C36.2514 31.0555 36.1161 30.728 35.8751 30.4863ZM8.14636 9.385C7.98292 9.38706 7.82069 9.35675 7.66901 9.29583C7.51733 9.2349 7.37921 9.14455 7.26261 9.03L4.58011 6.3475C4.35242 6.11175 4.22643 5.796 4.22927 5.46825C4.23212 5.1405 4.36358 4.82699 4.59534 4.59523C4.8271 4.36347 5.14062 4.23201 5.46836 4.22916C5.79611 4.22631 6.11186 4.3523 6.34761 4.58L9.03012 7.2625C9.20107 7.43787 9.31674 7.65959 9.36277 7.90013C9.4088 8.14068 9.38315 8.38944 9.28901 8.61553C9.19487 8.84162 9.03639 9.03508 8.83325 9.17188C8.63011 9.30867 8.39126 9.38278 8.14636 9.385ZM17.9726 9.03C17.7362 9.26044 17.419 9.3894 17.0889 9.3894C16.7587 9.3894 16.4416 9.26044 16.2051 9.03C15.9708 8.79559 15.8391 8.47771 15.8391 8.14625C15.8391 7.8148 15.9708 7.49691 16.2051 7.2625L18.8876 4.58C19.0029 4.46061 19.1409 4.36538 19.2934 4.29987C19.4459 4.23436 19.6099 4.19988 19.7759 4.19844C19.9418 4.197 20.1064 4.22862 20.2601 4.29147C20.4137 4.35432 20.5532 4.44714 20.6706 4.56451C20.788 4.68187 20.8808 4.82144 20.9436 4.97506C21.0065 5.12868 21.0381 5.29328 21.0367 5.45925C21.0352 5.62523 21.0008 5.78925 20.9352 5.94176C20.8697 6.09426 20.7745 6.23219 20.6551 6.3475L17.9726 9.03ZM6.34761 20.655C6.11146 20.886 5.79423 21.0154 5.46386 21.0154C5.1335 21.0154 4.81627 20.886 4.58011 20.655C4.34578 20.4206 4.21413 20.1027 4.21413 19.7713C4.21413 19.4398 4.34578 19.1219 4.58011 18.8875L7.26261 16.205C7.37792 16.0856 7.51585 15.9904 7.66836 15.9249C7.82086 15.8594 7.98489 15.8249 8.15086 15.8234C8.31684 15.822 8.48144 15.8536 8.63506 15.9165C8.78868 15.9793 8.92824 16.0721 9.04561 16.1895C9.16297 16.3069 9.25579 16.4464 9.31864 16.6001C9.38149 16.7537 9.41312 16.9183 9.41168 17.0843C9.41024 17.2502 9.37575 17.4143 9.31024 17.5668C9.24473 17.7193 9.1495 17.8572 9.03012 17.9725L6.34761 20.655ZM12.6176 7.54375C12.2861 7.54375 11.9682 7.41205 11.7337 7.17763C11.4993 6.94321 11.3676 6.62527 11.3676 6.29375V2.5C11.3676 2.16848 11.4993 1.85054 11.7337 1.61612C11.9682 1.3817 12.2861 1.25 12.6176 1.25C12.9491 1.25 13.2671 1.3817 13.5015 1.61612C13.7359 1.85054 13.8676 2.16848 13.8676 2.5V6.29375C13.8676 6.62527 13.7359 6.94321 13.5015 7.17763C13.2671 7.41205 12.9491 7.54375 12.6176 7.54375ZM2.50011 11.3675H6.29387C6.62539 11.3675 6.94333 11.4992 7.17775 11.7336C7.41217 11.968 7.54387 12.286 7.54387 12.6175C7.54387 12.949 7.41217 13.267 7.17775 13.5014C6.94333 13.7358 6.62539 13.8675 6.29387 13.8675H2.50011C2.16859 13.8675 1.85065 13.7358 1.61623 13.5014C1.38181 13.267 1.25011 12.949 1.25011 12.6175C1.25011 12.286 1.38181 11.968 1.61623 11.7336C1.85065 11.4992 2.16859 11.3675 2.50011 11.3675Z" fill="#272727"></path></svg> <!--'end_frame_cache_Zg1Ab0'--> Работа с играми случая привела де Муавра к важному наблюдению. Один бросок кости, одно подбрасывание монеты или одна карта из колоды выглядят совершенно случайными. В каждом таком действии возможные исходы заранее заданы, а шансы в простейших задачах одинаковы. Но когда похожие случайные действия повторяются много раз, разрозненные результаты перестают быть просто набором несвязанных событий. В совокупности начинает проявляться устойчивый рисунок.
Проще всего увидеть его на монете. Если подбросить монету 100 раз и посчитать число орлов, итог почти наверняка окажется где-то рядом с 50, но точного совпадения ждать не стоит. Одна серия из ста бросков даст 47 орлов, другая 54, третья 51. Разброс неизбежен. Однако картина меняется, если повторять уже весь эксперимент снова и снова. При миллионе серий большинство результатов сгрудится возле отметки 50. Числа вроде 10 или 90 орлов останутся на самой периферии и будут встречаться крайне редко. Если нанести все итоги на график, в центре вырастет плавный горб, а к краям частоты начнут быстро спадать.
Де Муавр сумел описать форму такого графика математически. Позже за ней закрепилось название нормального распределения. Формула позволяла заранее оценивать вероятность разных исходов, не проигрывая каждую серию на практике. Например, для 100 бросков можно посчитать, насколько вероятно получить число орлов в определенном диапазоне. Интервал от 45 до 55 покрывает примерно 68% случаев. Для XVIII века такой переход от игры и интуиции к строгому расчету был по-настоящему важным сдвигом.
Де Муавра поразило не только удобство вычислений, но и сама устойчивость найденного порядка. Любые отклонения, которые сначала кажутся хаотичными и непредсказуемыми, при большом числе повторений начинают подчиняться одной и той же форме. В таком поведении случайности математик видел почти универсальный закон. Впрочем, даже де Муавр еще не понимал, насколько далеко тянется открытый им принцип.
Полный масштаб идеи раскрыл Пьер-Симон Лаплас. В 1810 году, спустя десятилетия после смерти де Муавра, французский математик показал, что дело вовсе не ограничивается монетами и азартными играми. Главную роль играет не конкретный тип случайного опыта, а сам механизм усреднения. Именно Лаплас превратил частное наблюдение в общий принцип, который позже и стали называть центральной предельной теоремой.
Разница хорошо видна на примере игральной кости . Один бросок дает шесть равновероятных результатов: 1, 2, 3, 4, 5 и 6. Если долго записывать результаты одиночных бросков, на графике получится почти ровная полоса. Единицы будут выпадать примерно так же часто, как двойки, четверки или шестерки. Никакой колоколообразной формы в исходном распределении нет. Теперь стоит изменить процедуру. Вместо одного броска нужно бросить кость 10 раз и вычислить среднее значение по серии. Средний результат чаще всего окажется где-то рядом с 3,5. Если повторять уже такой эксперимент много раз и собирать именно средние значения, плоский график начнет превращаться в колокол с вершиной около 3,5.
В таком переходе и состоит главная сила центральной предельной теоремы . Исходное распределение может быть каким угодно, даже совсем не похожим на нормальное. Но распределение средних значений постепенно начинает подчиняться вполне конкретному закону. Для статистика такой результат особенно ценен по одной причине: часто не нужно до мелочей понимать устройство исходного процесса, чтобы работать со средними. Достаточно знать, что наблюдений много и что отдельные величины не тянут друг друга за собой.
На бумаге правило выглядит как формула, но в реальном мире механизм усреднения встроен во множество явлений сам по себе. Рост человека хорошо показывает, как работает такой принцип. На итоговое значение влияет масса отдельных причин: наследственность по отцу и матери, питание, состояние здоровья, среда, условия развития организма. Каждая причина вносит небольшой вклад. Вместе такие вклады складываются в общую величину, и распределение роста в популяции начинает напоминать нормальное. По похожей логике колоколообразная форма возникает и во множестве других данных. За внешне простым графиком часто скрывается сумма большого числа мелких, относительно независимых воздействий.
Центральная предельная теорема нужна не только для красивых объяснений. Формула помогает замечать ситуации, где что-то идет не так. Представим старую кофейню в Лондоне, азартный спор и монету, которую кто-то предлагает проверить. Если за 100 бросков выпадает всего 20 орлов, сразу возникает вопрос: дело в невероятном невезении или в подмене? Теорема позволяет оценить, насколько редок такой результат для честной монеты. Область значений до 20 занимает примерно 0,15% кривой. Значит, шанс увидеть такой исход в нормальной серии ничтожен. Подозрение в мошенничестве в таком случае опирается не на эмоции, а на расчет.
Именно здесь особенно ясно видно, почему работа Лапласа оказалась такой важной. Усреднение дает способ говорить о свойствах процесса, даже когда внутренний механизм плохо известен. Исследователь может не знать всех деталей, но все равно способен оценить, насколько результат типичен, куда смещен центр и каков риск случайной ошибки.
При всей универсальности у центральной предельной теоремы есть границы. Формула работает при большом числе наблюдений и требует независимости между ними. Если данные связаны друг с другом слишком сильно, колокол может просто не появиться. Хороший пример дает социология. Национальный опрос не станет надежным, если собрать ответы только в одном маленьком городке штата Мэн и повторить измерение там же еще много раз. Проблема в таком случае сидит в самой выборке, а не в количестве повторов.
Есть и другая важная оговорка. Среднее значение полезно далеко не всегда. В ряде задач главную роль играют не типичные случаи, а крайние события. Наводнения, которые когда-то считались столетними, в последние годы происходят заметно чаще. Для климатических рисков, катастроф и других экстремумов изучение хвостов распределения может быть не менее важным, чем работа со средним. Там обычной опоры на центральную предельную теорему уже недостаточно, и аналитикам приходится использовать другие инструменты.
Тем не менее сама идея оказалась удивительно живучей. Во многих сложных задачах статистики пытаются представить интересующую величину как среднее по выборке плюс некоторую ошибку. После такого преобразования начинают работать более сложные варианты той же логики. Благодаря таким обобщениям центральная предельная теорема давно вышла за пределы учебных примеров с монетами и костями и превратилась в один из базовых способов понимать случайность.
Причина такой устойчивости проста. Мир постоянно складывает большие эффекты из множества мелких причин. Когда разные независимые влияния собираются вместе, данные начинают группироваться вокруг центра, а по краям остаются редкие отклонения. Статистика научилась использовать такую структуру как инструмент. Так что случайный шум теперь можно считать не помехой, а способом узнать, как устроены процессы, которые порождают наблюдаемые числа.
- Источник новости
- www.securitylab.ru
