Вероятности и неприятности. Математика повседневной жизни

Сложив карту так, чтобы получилось n горизонтальных и m вертикальных изгибов, мы получим суммарную площадь неприятной зоны, равную  Разделив ее на площадь всей карты S, получим неприятную долю общей площади, выраженную только через количество сгибов и α. Отсюда получаем вероятность оказаться в этой доле при случайном выборе объекта:

На рисунке 2.4 заливкой показаны области, в которых эта доля превышает 50 % для различных значений α. Например, приняв α = 0,75 % и сложив карту вдвое в одном направлении (одна складка) и вчетверо — в другом (три складки), мы найдем, что вероятность попасть в неудобное место превысит 50 %.

Рис. 2.4. Зоны, в которых вероятность оказаться на сгибе карты или на ее краю, превышают 50 %. Числами отмечены значения α

Чаще всего карты имеют по три вертикальные и три горизонтальные складки, что дает вероятность выполнения закона подлости около 60 % при весьма незначительном α = 0,5 %.

Проверяем честность реальной монеты

Теперь мы можем вернуться к вопросу, с которого начался наш разговор: насколько может быть честна реальная монетка? Колмогоровское определение вероятности дополнило ее частотное определение и свело его к геометрическому (как к доле «объема» события в общем «объеме» возможностей). Таким образом, доля площади белых полосок на рис. 2.1 отражает вероятность того, что монетка в результате эксперимента не поменяет исходной ориентации, а доля серых — вероятность получить обратную ориентацию. Монетку мы можем считать честным генератором двух этих равновероятных исходов, только если сможем показать, что общая площадь белых полосок равна общей площади закрашенных.

Но вот беда! Если добросовестно рассматривать всю четверть координатной плоскости, то площадь каждой отдельной полоски на диаграмме окажется бесконечной. Более того, и полосок бесконечное число! Как же сравнивать бесконечные суммы бесконечных значений? Нам опять поможет понятие меры. Аддитивное свойство позволит нам аккуратно показать, что бесконечность не мешает площадям серых и белых областей быть одинаковыми. В явном виде уравнения для наших кривых имеют вид ω = n/t. Если площадь под кривой ω = 1/t равна S, то благодаря свойству аддитивности площадь под кривой ω = n/t будет равна S_n = nS. В свою очередь, для отдельных полосок получаем: S_n — S_n–1 = nS — (n–1)S = S, а это значит, что разница площадей не зависит от «номера» гиперболы. Это не особенность именно гипербол, тот же вывод можно сделать для любой кривой вида y = nf(x). А раз так, попадания в белую или серую часть диаграммы равновероятны для всей области определения, как и ожидается для «честной» монетки.

Рассуждения, которые мы сейчас привели, кажутся достаточно простыми, но дают весьма общий результат, применимый к любым аддитивным величинам. Абстрактное понятие меры позволило нам сравнивать бесконечные величины, оставаясь в рамках логики и здравого смысла.

Абстракции — это хорошо, но можно возразить, что в реальности мы подбрасываем монетки не со всеми возможными параметрами. Как показали эксперименты со скоростной камерой, при бросании монеты рукой угловые скорости попадают в диапазон от 20 до 40 оборотов в секунду, а длительность полета — от половины до одной секунды. Эта область на рис. 2.1 выделена прямоугольником. В ней суммарная площадь белых полосок чуть больше, чем серых, и можно сделать вывод, что вероятность выпадения той же стороны, что была вверху при броске, составит 50,6 %.

В 2007 году Перси Диаконис и соавторы опубликовали статью, в которой дается развернутый анализ процесса подбрасывания монетки. Детальное описание механики летящего и вращающегося диска, который не просто крутится, а еще и прецессирует (его ось вращения сама поворачивается в полете, описывая коническую поверхность), показывает, что при ручном подбрасывании из позиции «орел сверху» вероятность выпадения «орла» составляет 51 %. К смыслу этого результата мы еще вернемся.

Откуда же берется случайность?

В сувенирных лавках можно найти магнитные маятники для «выбора желаний». Это тоже механические генераторы случайности, и их иногда ошибочно называют «хаотическими маятниками». Начав движение с каких-то начальных позиции и скорости, маятник совершает ряд «непредсказуемых» колебаний и наконец останавливается в одном из секторов. Однако колебания и здесь не непредсказуемы, просто они очень чувствительны к начальным условиям. Для каждого сектора, в котором может остановиться маятник, существует область притяжения в пространстве координат-скорости. Это множество таких начальных условий, при которых маятник обязательно притянется к определенной точке в указанном секторе. Точка остановки маятника называется аттрактором — притягивающей точкой. В случае маятника с рис. 2.5 пространство координат и скоростей четырехмерно, и так просто области притяжения показать не удастся. Но если ограничиться двумя секторами и свести задачу к одномерной (такой маятник называется осциллятором Дюффинга), то пространство начальных значений превратится в плоскость, так что области притяжения можно будет увидеть. Они выглядят как замысловатая фигура, напоминающая древний символ «инь-ян» и быстро превращающаяся в узкие полоски, которые разделяют области притяжения.

Рис. 2.5. Области притяжения аттракторов для одномерного маятника желаний — осциллятора Дюффинга

Как и в случае с монетой, немного смещая начальные условия, мы попадаем от одного аттрактора к другому. Так же действует и игральная кость, и рулетка, но они не могут считаться сами по себе генераторами случайности. Это не истинно хаотические системы, и их поведение теоретически можно рассчитать точно. Иначе говоря, вероятностные методы применительно к таким системам помогают восполнить наше незнание о них, но не соответствуют неотъемлемым свойствам самих систем.

Но существует ли настоящая случайность, глубинная, невычислимая в принципе, описываемая только на языке вероятностей? Да, причем такие системы можно разделить на два типа: стохастические и хаотические.

Хороший пример истинно стохастической системы — появление автомобилей на дороге. Люди не договариваются, не согласовывают свои планы, каждый элемент ансамбля за пределами дороги действует независимо. И хотя в поведении людей есть определенные закономерности — часы пик утром и вечером, пустые дороги ночью и т. д., — мы не обладаем и никогда не будем обладать достаточной информацией о каждом участнике движения, чтобы предсказать появление любого из них. Можно взлететь над дорогой на вертолете и посмотреть, какие машины мы скоро увидим, расширив наше знание о ней, но и это не будет исчерпывающим описанием системы. Надо еще «взлететь» над временем, чтобы увидеть все прошлое и все причинно-следственные связи между элементами. Однако и этого недостаточно. Нужно заглянуть каждому участнику движения в мозг и выяснить, что он намерен делать и что станет делать, если другие участники изменят его планы. Таким образом, наряду с макроскопическим описанием системы в игру вступает скрытое от нас внутреннее состояние ее элементов, и оно порой выходит на первый план. Другой яркий пример стохастической системы — механика элементарных частиц на квантовом уровне, распад нестабильных атомов, изменения в генетическом коде, а также, видимо, землетрясения и котировки ценных бумаг на бирже. Единственное, что остается исследователю, — рассматривать их как истинные случайные величины и описывать в терминах теории вероятностей.

Есть и другой источник случайностей — динамический хаос. Хаотические системы отличаются от стохастических тем, что описываются небольшим числом точных уравнений и параметров, в которых не содержится случайности или скрытой внутренней структуры. Однако их поведение не просто сложно, а хаотично и истинно непредсказуемо. Если мы начнем раскачивать маятник желаний, пусть очень аккуратно, с предельно точно контролируемой частотой и амплитудой, то обнаружим, что его плавные движения невозможно просчитать надолго. Никакими алгоритмами на сколь угодно точных вычислительных машинах нам не удастся рассчитать точное поведение маятника на произвольно далекое будущее. Он не остановится на каком-либо секторе, а будет совершать свои движения, но никогда не вернется в одну и ту же точку в пространстве координат-скорости дважды. Еще один пример предельно простой хаотической системы — идеальный шарик, подпрыгивающий в поле тяжести на идеальном столике с пружинкой. Сравнительно простые уравнения Лоренца показали, что мы никогда не сможем предсказывать погоду больше чем на пару-тройку недель: это тоже хаотическая система.

В XX веке теории динамического хаоса удалось объяснить природу такой непредсказуемости. Простой одномерный маятник желаний, который мы рассматривали, имел две устойчивые стационарные точки — два аттрактора, — и одну неустойчивую, от которой система старается уйти; она показана белым кружком на рисунке 2.5. В хаотическом режиме вместо набора аттракторов в системе появляется бесконечное множество неустойчивых стационарных траекторий. Это множество бесконечно, но имеет нулевую меру и представляет собой очень сложно устроенную несвязную структуру. Попав на одну из таких траекторий, в принципе невозможно ей следовать, используя какие-либо конечные алгоритмы. И вот что самое удивительное — оказалось, это бесконечное множество неустойчивых траекторий само по себе притягивающее! Хаотическая система непрерывно перескакивает от окрестности одной неустойчивой траектории к другой, все время оставаясь в пределах этого странного аттрактора. Так эти множества и называются: странные аттракторы. Вот как завораживающе красиво выглядит сечение плоскостью странного аттрактора для одномерного маятника желаний (осциллятора Дюффинга), подверженного гармоническим колебаниям (рис. 2.6). Этот объект можно описать в трехмерном пространстве (отклонение × скорость × фаза вынужденного колебания). Если рассечь аттрактор в нем плоскостью, то можно увидеть его структуру — это называется сечением Пуанкаре. Каждая точка здесь — след траектории, а оттенок точек отражает относительную скорость, с которой траектории разбегаются друг от друга. Вот еще пара красивых странных аттракторов (рис. 2.7).

Рис. 2.6. Сечение плоскостью странного аттрактора для осциллятора Дюффинга

Рис. 2.7. Слева: сечение Пуанкаре для траектории шарика, подпрыгивающего на подпружиненном столике. Множество точек принадлежит поверхности сферы, соответствующей закону сохранения энергии. Справа: объемная область, которая заключает в себе странный аттрактор, рождающийся при вынужденных колебаниях толстой пластины

Гладкость хаотической траектории позволяет немного заглянуть в будущее хаотической системы. Это объясняет одно досадное наблюдение: с одной стороны, синоптики порой не могут уверенно предсказать погоду на неделю, а с другой, если вы скажете, что завтра будет такая же погода, как и сегодня, то не ошибетесь примерно в трех случаях из четырех. Вообще же анекдоты о синоптиках несправедливы, и нужно отдать должное человеческой мысли и упорству, которые позволили предсказывать погоду на современном уровне!

Динамический хаос очень сложен и красив как теория, он порождает изумительные по элегантности образы, но может быть и полезен. Например, алгоритмы, с помощью которых генерируются случайные числа в компьютерах, тоже детерминированы. Для всех примеров в этой книге я применял генератор псевдослучайных чисел, который не использовал какой-нибудь реальный стохастический процесс (альфа-распад или подсчет машин на дороге), а вычислял следующее «случайное» число на базе предыдущих, полученных им ранее.

От монеток к бабочкам и самой судьбе

Наблюдения за тем, как малые отклонения вырастают в глобальные изменения системы, приводят к мысли об «эффекте бабочки». Напомню, что под ним подразумевается цепочка далеко идущих драматичных последствий от некоторого незначительного, на первый взгляд, события. Раздавленная исследователями прошлого бабочка в рассказе Рэя Брэдбери «И грянул гром» привела к кардинальной перестройке будущего. А одну из своих лекций Эдвард Лоренц, создатель теории динамического хаоса, озаглавил так: «Может ли взмах крыльев бабочки в Бразилии вызвать торнадо в Техасе?».

На этот эффект мы неявно ссылаемся, сетуя: «Не поверни я за угол, все было бы иначе!», «Не сел бы он в этот поезд, с ним не случилось бы катастрофы!» или «Из-за такой мелочи разругались и разошлись!» Но мы видим, что сосуществуют истинно стохастический квантовый мир и сверхточные атомные часы, устойчивые гамильтоновы системы в мире звезд и галактик и хаос колец Сатурна или пояса Койпера, тепловое движение молекул и удивительная точность работы биологических систем или механизмов автомобиля. Нет, взмах крыла бабочки не рождает ураганов, а бесследно исчезает, порождая цепочку вихрей, передающих энергию и информацию все более и более мелким вихрям, пока и энергия, и информация не исчезнут в хаосе флуктуаций. Надо четко понимать, что малые отклонения приводят к кардинальной перестройке системы только в случае, если она неустойчива либо находится на пороге бифуркации, или катастрофы, — так на языке математики называются глобальные перестройки в поведении системы при малых непрерывных изменениях параметров. Бифуркации всегда образуют множества нулевой меры в пространстве параметров — это точки или границы. Малые возмущения не приводят к катастрофам почти всюду (это тоже точный термин, означающий «везде, кроме множества нулевой меры»), а неустойчивые состояния в природе наблюдаются редко, не проходя «проверку временем».

Если пара молодых людей распалась «из-за ерунды», ей суждено было разойтись в любом случае, она была неустойчивой. Устойчивые пары проходят войны и голод, а потом, бывает, и распадаются, но не из-за мелочей, а в результате глубоких перемен, которые могут произойти с личностью в течение жизни. В цепочке событий, приведших к катастрофе поезда, нелегко однозначно выделить ключевое, конкретную ошибку или роковую случайность. Скорее всего, ключевым будет не событие, а систематическое нарушение правил, приводящее систему к неустойчивому состоянию. Если в системе множество параметров и ряд из них случаен (а наша жизнь устроена именно так), то информация в ней имеет свойство теряться и уже никак не удастся восстановить, в какой именно момент в нашей жизни «все пошло не так». Мы поговорим о роли памяти в случайных процессах через две главы. Не терзайте себя сожалениями о случившемся, а присмотритесь к происходящему сейчас, чтобы не пропустить настоящей точки бифуркации.

В связи с этим можно вспомнить один из законов мерфологии, который некий Дрейзен назвал законом восстановления:

Время улучшения ситуации обратно пропорционально времени ее ухудшения.

В качестве примера приводится следующее наблюдение: на склеивание вазы уходит больше времени, чем на то, чтобы ее разбить. Этот закон удивительно точно описывает соотношение между характерными скоростями для процесса релаксации устойчивой системы, которую можно описать убывающим экспоненциальным законом e—λt и скоростью развития катастрофического процесса в неустойчивой системе, в линейном приближении — экспоненциального роста малого возмущения eλt. Эти скорости действительно обратно пропорциональны друг другу.

В примере с вазой процесс склеивания — не релаксация, не переход к наиболее вероятному состоянию. Он ближе к другому процессу — самоорганизации, — который в первом приближении описывается логистическим законом и ближе по скорости к релаксации, чем к катастрофе (рис. 2.8).

Рис. 2.8. Типичные нестационарные процессы: катастрофа, релаксация и самоорганизация, — имеющие одинаковое характерное время

* * *

Иногда, гуляя в снегопад, я удивляюсь тому, что снежинка падает мне на нос. Удивляюсь оттого, что вероятность этого события ничтожно мала. Если рассудить, снежинка родилась высоко в небе над Тихим океаном, кружилась в беспорядочных турбулентных потоках в облаке, падала, непрерывно меняя направление движения… чтобы попасть на кончик моего носа на Камчатке! А какой ошеломительный путь прошли фотоны от далекой звезды?! Десятки тысяч лет они неслись сквозь Вселенную, их не поглотила пыль, им не встретился астероид! Родились они в бушующем квантовом мире далекой звезды, а закончили свой путь в квантовом мире белка опсина на сетчатке в моем глазу. Даже считать вероятность этого события нет смысла, она исчезающе мала. Но событие случается, и я вижу мерцающий свет звезды. Теперь понятно: это все потому, что площадь моего носа и даже молекулы опсина имеют ненулевую меру. Но все равно удивительно: то, что почти наверняка не должно было произойти, все же происходит!

О роли предопределенности или случайности в нашей судьбе, об истинности или призрачности нашего знания о природе пусть спорят философы. Я же призываю читателя взглянуть на мир с высоты математических абстракций и восхититься его красотой и согласованностью.

Глава 3. Головокружительный полет бутерброда с маслом

Тема падающих бутербродов не дает покоя ни широкой публике, ни исследователям. Десятки лет проводятся эксперименты, снимается кино, пишутся статьи, падающий бутерброд обрастает легендами и неправильными выводами. Мало какая столь же бесполезная задача привлекала к себе такое внимание. И если вы думаете, что это баловство, то имейте в виду, что за ее решение даже премии дают — правда, тоже несерьезные. В 1996 году Роберт Мэтьюз получил Шнобелевскую премию за работу «Падающий бутерброд, закон Мёрфи и фундаментальные константы»[10], опубликованную в European Journal of Physics. Несмотря на шуточную тему и соответствующую реакцию научного сообщества, это небезынтересная статья, в которой проводится тщательный анализ процесса соскальзывания и делается далеко идущий вывод: на какой бы планете ни возникли антропоморфные существа, живущие в атмосфере, они будут обречены на закон бутерброда. После такого триумфа бесполезных исследований можно бы тему и закрыть, но зачем упускать возможность рассмотреть на примере занятной задачки интересные и объективно полезные методы!

Айда кидать бутерброды в Монте-Карло!

Мы редко подбрасываем бутерброды, как монетку, — по крайней мере, когда становимся старше двух лет. Чаще всего мы невольно повторяем примерно один и тот же эксперимент: бутерброд, изначально расположенный маслом вверх, выскальзывает из рук или съезжает со стола. В процессе соскальзывания он закручивается, летит в воздухе и наконец шлепается на стол или на пол. На начальный этап падения влияет ряд параметров: трение о пальцы или поверхность стола, начальное положение бутерброда и его начальная скорость, высота падения — наконец, размеры бутерброда. Налицо динамическая система с несколькими входными параметрами и одним выходным — положением бутерброда на полу. Внутри системы, как и в случае с монеткой, работают механические законы, которые описываются дифференциальными уравнениями, и они детерминистические. Это значит, что в них нет никаких случайностей. Результат зависит только от входных данных, и при точном повторении параметров мы должны получать идентичные результаты. Это относится к модели бутерброда, представленной в виде системы дифференциальных уравнений. А что насчет настоящих бутербродов, шероховатых и неповторимых, роняемых настоящими людьми в ресторанах, на улице или на диване? Изменчивость реального мира можно описать, подавая на вход детерминистической системы случайные параметры.

Однако даже алгебра случайных величин, включающая в себя лишь сложение и умножение, — дело непростое, а у нас дифференциальные уравнения! Мы не полезем в эти увлекательные дебри, а используем отработанную во многих областях технику — метод Монте-Карло. Он состоит в определении свойств некой сложной системы в результате многократных испытаний с различными случайными параметрами. Подчеркну еще раз: исследуемая система не стохастична и не хаотична, и на случайные входные данные она реагирует предсказуемо. В методе Монте-Карло случайность нужна лишь для того, чтобы эффективно перебрать как можно больше вариантов и заглянуть во все реалистичные «углы», получив представление о поведении системы. Это универсальный метод, применяемый в самых разнообразных задачах. Обычно студенты впервые знакомятся с методом Монте-Карло, изучая численное интегрирование, например вычисляя площадь какой-либо сложной фигуры, задаваемой системой неравенств, которая не имеет приличного аналитического представления. То обстоятельство, что вероятность — мера, позволяет использовать метод Монте-Карло для вычисления мер (площадей и объемов) геометрических фигур.

Особенность предстоящего эксперимента с бутербродом состоит в том, что нас интересует зависимость вероятности того или иного его исхода от параметров задачи. Мы будем искать ответ на вопрос: при каких обстоятельствах выполняется закон бутерброда? Станем подавать на вход нашей динамической системы различные конкретные параметры и набирать статистику по падениям маслом вверх и маслом вниз. И результатом ряда экспериментов будет число — вероятность падения маслом вниз.

Я убежден, что намеренно ронять на пол настоящие бутерброды из хлеба и масла неправильно, поэтому воспользуемся математическим моделированием. Для решения задачи я взял один из доступных симуляторов физического мира, которые используют для создания онлайн-игр. Он легко позволил создать виртуальные стол и пол, а также два бутерброда. Один оказывался на краю стола, а второй «выскальзывал из пальцев», то есть соскальзывал с точечной опоры (рис. 3.1).

Рис. 3.1. Математические эксперименты с бутербродами

В моих силах задать все параметры задачи: начальные позицию и угол бутерброда, горизонтальную скорость для случая смахивания со стола, коэффициенты трения, размеры бутерброда и высоту падения. В момент, когда бутерброд касается пола, фиксируется угол бутерброда, вернее угол вектора, нормального к нему. О том, с какой стороны оказалось масло, нам скажет знак синуса этого угла: положительному значению соответствует удачный случай, а отрицательному — положение маслом вниз. Результат заносится в таблицу, и новый виртуальный бутерброд готов к падению. Задачу мы поставим такую: оценить вероятность приземления бутерброда маслом вниз при его падении с заданной высоты.

При этом мы ничего пока не будем говорить о масле. Но обещаю, что ему будет посвящен отдельный разговор, где мы подробно рассмотрим его роль в этом законе.

Как правильно говорить о случайных величинах

Метод Монте-Карло подразумевает, что в качестве параметров используются случайные переменные. И здесь наконец пора разобраться с тем, что же такое случайная величина.

Вернемся к математическим структурам. Какой структурой можно моделировать результаты выпадения числа на игральной кости или уровень воды в реке, ведь там постоянное волнение? Как работать с числом автомобилей, проезжающих перекресток в течение часа? Какой структурой можно описать состояние электрона в атоме водорода? С одной стороны, это конкретные числа из вполне определенного множества значений: для кости, например, из множества {1, 2, 3, 4, 5, 6}, — и какое-нибудь значение легко получить, проведя эксперимент. Однако повторный опыт даст иной результат — это явно не просто число: сегодня оно одно, завтра другое. Может даже возникнуть философский вопрос: а имеет ли смысл говорить о каком-то точном значении «уровня воды в реке» или числе автомобилей, ведь эти величины невозможно «поймать» и зафиксировать? Возможно ли в каком-либо смысле точное знание о случайной переменной?

Часто, говоря о таких случайных величинах, ограничиваются одним средним значением, и мы говорим о «средней скорости в час пик» или об «орбите электрона». Но это отличный способ запутаться или даже намеренно запутать. Если фраза «средняя скорость в час пик равна 15 км/ч» дает неплохое представление о ситуации на улице в целом, то переучивать студентов-физиков от мышления орбитами к оперированию волновыми функциями уже весьма непросто. Ну и, наконец, какой смысл в среднем значении числа, выпадающего на игральной кости? Посчитать-то его можно, любой с этим справится: (1 + 2 + 3 + 4 + 5 + 6) / 2 = 3,5. Но это число не говорит ровным счетом ничего о рассматриваемой случайной величине. Его даже нет на гранях кубика.

Может быть, нужно указать два числа: среднее и дисперсию? Это уже лучше, но опять же пример с игральной костью показывает, что это явно не вся информация об интересующем нас объекте. А что, если случайные величины — не числа, а множества? Скажем, уровень воды в реке можно попытаться описать интервалом возможных значений с учетом волнения, а для примера с машинами сказать, что за час проезжает от 1 до 100 автомобилей и т. д. Но легко увидеть, что и множества возможных значений тоже недостаточно: например, при многократном повторении измерения количества автомобилей на улице какие-то числа будут встречаться чаще, а каких-то мы не дождемся вовсе.

В предыдущей главе, определяя вероятность, мы ввели меру как функцию на вероятностном пространстве. Для случайной величины элементарными событиями этого пространства будут элементы области ее определения, а мерой задается распределение вероятностей для этой величины. И вот это уже исчерпывающая и точная информация. Итак, подводим итог: случайная величина однозначно и полностью характеризуется своим распределением. Распределение, в свою очередь, представляет собой функцию. Ее область определения — множество возможных значений случайной величины, а область значений этой функции — вероятности для этих значений.

Для уровня воды в реке или скорости машин распределение может быть выражено в виде гладкой колоколообразной кривой. Количество машин, зафиксированных на дороге в единицу времени, должно быть натуральным числом, и его распределение можно представить в виде дискретной функции, определенной только на натуральных числах, или точной формулы. Наконец, моделью игральной кости может быть таблица, показывающая вероятность выпадения каждого из возможных чисел (рис. 3.2).

Рис. 3.2. Примеры представления распределений различных случайных величин

Функции можно представлять аналитически или в виде приближения другой функцией, таблицы, гистограммы либо графика. Все эти представления — модели одного и того же объекта, случайной величины. Самое важное тут — не столько конкретный вид представления, сколько математические свойства этой функции. Для распределений вероятностей свойства бывают разными: количество параметров, количество мод, энтропия, бесконечная делимость, аддитивность, устойчивость, интегрируемость и т. д. Изучением распределений и их свойств занимается теория вероятностей. Но на практике часто встречается иная задача: необходимо найти модель для случайной величины, если мы не имеем полной информации о ней, но значения которой можем наблюдать, проводя эксперименты. Из огромного арсенала известных распределений с точно определенными свойствами исследователь выбирает не столько «самую похожую» функцию, сколько функцию, наиболее совпадающую по свойствам с наблюдаемой случайной величиной. Это составляет суть статистического анализа, который знаком каждому студенту, прикоснувшемуся к математической статистике.

Сейчас нам нужно задать параметры бутерброда случайными числами, не имея статистических данных, а руководствуясь лишь нужными нам свойствами этих величин. Это важная и интересная часть метода Монте-Карло, от которой зависят и решение, и его корректность.

Размеры бутерброда. Какими они могут быть? Разумной величины канапе имеет сантиметра три в ширину, а студенческий добрый «лапоть» может быть сантиметров пятнадцать. При этом вероятность встретить бутерброд миллиметровой или метровой ширины в практическом смысле равна нулю. Больше про бутерброды я ничего сказать не могу и приму их размеры равномерно распределенными в указанном диапазоне (рис. 3.3). Запишем это так:

l ~ Uniform([3,15]).

Рис. 3.3. Возможное распределение для размеров падающего бутерброда

В случае равномерного распределения на некотором отрезке [a,b] случайная величина имеет всюду одинаковую плотность, равную 1/(b — a). В этом случае плотность распределения принимает вид прямоугольника, а вероятность попасть в какой-нибудь отрезок пропорциональна его длине. Такой выбор не идеален: всё же средние бутерброды мы встречаем чаще крошечных или гигантских. Но позже мы увидим, что это слабое место можно изящно обойти.

Начальное положение. Тут мы, не мудрствуя, зададим равномерное распределение для смещения бутерброда за край стола, лишь бы он вообще упал:

dl ~ Uniform([l/2,l]).

Коэффициент трения. Это неотрицательная безразмерная величина, зависящая только от материала. Столы и скатерти бывают разные, пальцы сжимают бутерброд с разной силой. Диапазон коэффициента от 0,01 до 0,9, при этом крайние значения маловероятны, в среднем можно ожидать около 0,3. Для моделирования неизвестного коэффициента трения нам поможет любое колоколообразное несимметричное распределение неотрицательной величины (рис. 3.4), например гамма-распределение:

μ ~ Gamma(8,25).

Оно будет часто встречаться в этой книге. Почему? Об этом вы узнаете в самом конце.

Рис. 3.4. Возможное распределение для коэффициента трения между бутербродом и поверхностью стола

Начальная скорость. Мы редко запускаем бутерброды с большой скоростью, чаще всего не кидаем их вовсе, но всё же иногда смахиваем. Про величину скорости известно лишь то, что она положительна. Можно предположить, что при смахивании в среднем мы движемся так же, как в среднем руки, — со скоростью около 0,5 м/с. Если про случайную величину известно только это, то ее разумно описать экспоненциальным распределением (рис. 3.5):

v₀ ~ Exp(2).

Рис. 3.5. Возможное распределение для скорости, с которой бутерброд смахивается со стола

Его мода (положение максимума на графике) равна нулю, так что доля бутербродов, упавших без большой начальной скорости, будет вполне приличной. В тонком «хвосте» окажутся бутерброды, нечаянно запускаемые в полет при смахивании крошек со стола. Тут стоит обратить внимание на то, что экспоненциальное распределение, вообще говоря, отлично от нуля на всей положительной полуоси; а это значит, что ненулевую вероятность имеют и сверхзвуковая, и сверхсветовая скорости. Однако вероятность наблюдать их при указанном параметре чрезвычайно мала: для скорости, превышающей 10 м/с, она равна одной миллиардной, так что этой опасностью вполне можно пренебречь.

Эксперимент строился так: я «ронял» со стола фиксированной высоты сотню бутербродов, подсчитывал среди них долю тех, что упали маслом вниз, и, используя частотное определение вероятности, отражал на графике зависимость вероятности такого исхода от высоты стола. Вот что у меня получилось (рис. 3.6).