Текст книги "Игра случая. Математика и мифология совпадения"

Центральные понятия математической вероятности можно отследить уже в 1654 г. Зима в Париже была необыкновенно холодной. Даже Сена замерзла. Сообщалось, что парижане катались по реке на коньках, а на перекрестках горели костры, рядом с которыми священники раздавали беднякам хлеб. Экономика была задушена 30 годами религиозных войн в Европе, опустошившими французскую казну. Государство было вынуждено повысить налоги на рабочий класс, но бесчестные сборщики налогов мало что доносили до казны. На троне восседал Людовик XIV, а знать, освобожденная от налогообложения, накапливала ужасающе непомерные богатства. Не случайно праздные богачи открыто предавались азарту в игровых залах по всему Парижу{40}40
  Joseph Mazur, What's Luck Got to Do with It?: The History, Mathematics, and Psychology of the Gambler's Illusion (Princeton, NJ: Princeton University Press, 2010), 27.


[Закрыть]. Как не случайно и то, что нарождающаяся математическая теория вероятностей появилась именно тогда, в ту самую зиму 1654 г.

Несмотря на то что азартные игры известны с начала времен или по крайней мере с тех пор, когда троглодиты стали катать кости по полу своих пещер, к середине XVII в. они стали основным видом развлечений во Франции. Серьезной математической теории случайного не существовало, кроме грубых попыток, которые мы находим в ошибочных математических работах и книге Фра Лука Пачоли «Сумма» (Summa), опубликованной в 1494 г., – учебнике, в основном посвященном алгебре. К 1654 г. рукопись Кардано «Книга об азартных играх» вышла в свет с некоторыми подсказками по поводу того, сколько раз нужно бросить пару игральных костей, чтобы иметь шансы на комбинацию из двух шестерок выше, чем один к одному{41}41
  Впервые опубликовано в 1663 г.


[Закрыть].

Философ-математик Блез Паскаль прочел экземпляр «Книги об азартных играх» в поисках этого числа, но не поверил в приведенное решение. Он заболел и пролежал в постели весну и лето, ведя переписку со своим другом, юристом и математиком Пьером Ферма{42}42
  Оригинальные письма были отредактированы и опубликованы: Oeuvres de Fermat, ed. by Tannery and Henry, vol. 2 (Paris: Gauthier-Villars: 1894), 288–314. Перевод писем на английский, см.: David Eugene Smith, A Source Book in Mathematics (New York: Dover, 1959), 424.


[Закрыть]. Вместе они пришли к выводу, что шансы выбросить две шестерки немного меньше, чем 1 к 1, при 24 попытках и немного больше при 25.

Паскаль знал, что «глаза змеи» (две единицы) и «товарные вагоны» (две шестерки) появляются очень редко, поскольку шанс их выбросить – 1 к 36, тогда как шанс выбросить семерку – 1 к 6 (рис. 5.1). Он понял, что проще будет вычислить шанс не выбросить две шестерки, т. е. 1 – 1/36 или 35/36. Он также понял, что каждый бросок не зависит от предыдущего и что вероятность двух независимых событий – это произведение вероятностей каждого из событий, а тогда вероятность не выбросить две шестерки за n бросков – (35/36)ⁿ. Он вычислил, что (35/36)²⁴ равняется 0,509, а (35/36)²⁵ равняется 0,494, и пришел к выводу, что шанс получить две шестерки за 24 броска немного ниже, чем 1 к 1, и немного выше, чем 1 к 1, за 25 бросков{43}43
  Паскаль понимал, что легче вычислить шанс того, что не выпадут две шестерки. Иными словами, 35/36. Он также понимал, что вероятности наступления двух независимых событий – это произведение вероятностей каждого события в отдельности, а следовательно, вероятность не выбросить две шестерки за n бросков составит (35/36)ⁿ. Он вычислил, что (35/36)²⁴ равняется 0,509, а (35/36)²⁵ равняется 0,494, и заключил, что шансы выбросить две шестерки за 24 броска немного ниже, чем 1 к 1, а за 25 бросков – немного выше, чем 1 к 1.


[Закрыть].

Основы учения о вероятности пришли из задачи об игральных костях и ей подобных. Внешний слой вероятностного или стохастического мира можно проиллюстрировать одной картинкой. Давайте поразмыслим о мире следующим образом: если на событие влияет некая причина, то шансы, что эта причина придаст направление возможному будущему событию, выше, чем один к одному. Если на событие не влияет никакая причина, то возможное будущее развитие события может пойти в том или ином направлении без предрасположенности к какому-либо конкретному исходу. Есть ли причина, нет ли ее – шансы выше, чем один к одному, оставляют открытой дверь для случайности или совпадения. На рис. 5.2 мы показываем это с помощью так называемой доски Гальтона в качестве модели.

Доска Гальтона моделирует события, определяемые объективной случайностью. На набор стержней бросают шарик таким образом, что шарик ударяется точно о середину верхней части стержня, при этом шансы, что шарик отскочит влево или вправо – точно 1 к 1. Если шарик отскакивает вправо, то он опускается на стержень, находящийся ниже, и либо снова ударяется точно о середину верхней его части, либо отклоняется в одну или другую сторону. В теории шарик может удариться точно о середину верхней части стержня. На практике, однако, этого никогда не происходит. Почему? Сначала мы должны задуматься: что значит «верхняя часть стержня»? Значит ли это верхнюю молекулу стали (если предположить, что стержни сделаны из стали)? Но ее не существует. Тогда на практике есть причины того, что шарик отклоняется в одну или другую сторону. Возможно, это малейший поток воздуха, через который должен пройти шарик, или малейшие колебания, проходящие через опоры стержней, или мельчайшая частичка пыли, оказавшаяся в месте соударения шарика и стержня. На практике есть сотни переменных, определяющих, в какую сторону отскочит шарик после столкновения со стержнем. Кроме того, следует учитывать микроскопические вмятины и упругость соударения.

Сэр Фрэнсис Гальтон, английский генетик, живший в XIX в., построил такую доску со штырями, расположенными в шахматном порядке – как точки на грани игральных костей с числом 5. Гальтон хотел показать, что физические явления движутся с попутным ветром случайности. В идеальной доске Гальтона, т. е. в такой, где шарик всегда попадает ровно в центр верхней части стержней, шарик отклоняется вправо или влево так, как если бы для выбора направления кто-то подбрасывал монетку. В реальности же бабочка, взмахнувшая крыльями над Тихим океаном, или корова, пукнувшая на кукурузном поле в Айдахо, могут определять этот выбор. Перед каждым соударением результат предыдущего – это забытое прошлое; шарик уже не помнит предыдущего исхода, а потому ведет себя так, как если бы ударился о первый стержень. И все же совокупный результат, похоже, учитывает историю всех предыдущих.

Давайте рассмотрим это с точки зрения математики. Предположим, что шарик ударяется о четыре ряда стержней на пути вниз. Шанс того, что шарик пойдет после каждого удара вправо или влево, – 1 к 1, в результате чего шарики формируют под стержнями кривую в форме колокола. Подсчет числа вариантов падения шариков это доказывает. Предположим, что ход снижения брошенного шарика записывается буквами L и R, означающими отскок влево и вправо соответственно. Тогда у нас будут следующие возможные исходы:

Вариантов с разными буквами больше, чем только с одной буквой, и, поскольку шансы того, что шарик пойдет влево или вправо, равны, есть тенденция к тому, что шарики будут чаще падать в сторону центра под верхним стержнем. Причина в том, что в результате серий, скажем 12 выборов L и R (как показано на рис. 5.3), существует больше серий с шестью L и шестью R, чем любого другого числа L и R.

В результате каждого столкновения со стержнями считаем падение шарика влево как –1, а вправо – как +1. После столкновения с 12 рядами стержней шарик оказывается в одной из 12 ячеек в нижней части доски.

Так, например, шарик в крайней левой ячейке на рис. 5.3 получает совокупное значение –12. Конечное положение каждого шарика представляет отдельное совокупное значение. Шарики демонстрируют тенденцию к тому, чтобы отклоняться в центр. Однако, хотя достаточно много шариков падают в два центральных слота, большее их число оказывается в остальных слотах.

На рис. 5.3 набор шариков представляет конечное совокупное значение 140 испытаний: 31 шарик упал в пять слотов слева, 55 – в пять слотов справа и 54 – в два средних слота. Верно, что конечное положение каждого отдельного шарика ничего не говорит об истории его путешествия. Почти 60 % шариков упали вне двух центральных слотов. В общем, шарик, упавший на несколько рядов вниз и находящийся слева, может закончить свой путь справа, но так же верно и то, что, чем дальше он отклоняется влево, тем меньше у него шансов вернуться вправо.

Сегодня теория вероятностей развивается в двух направлениях: эмпирическом и абстрактном. Например, эмпирическим подходом будет использовать большие выборки, чтобы оценить вероятность, тогда как абстрактным подходом – задействовать научный принцип, чтобы зафиксировать вероятность через известные факты, такие как аргумент симметрии или физическая теория. Нам известна вероятность того, что идеальные игральные кости выпадут на 1 в силу кубической геометрии самих костей. Но вероятность выпадения 1 на обычных игральных костях может быть найдена посредством большого числа испытаний и записи числа испытаний, когда выпадает 1; эта вероятность может оказаться немного больше или меньше 1/6 – все-таки это реальные несовершенные кости.

Многое зависит от самой кости. Кости, которые входят в наборы для настольных игр, выполнены довольно грубо. Ятзи – игра в кости, появившаяся в 1950-е гг. В игре используется 5 кубиков. Если при броске все 5 костей дают одно и то же число, такая комбинация называется ятзи. Шансы выбросить ятзи – 1295 к 1.{44}44
  1 – (35/36)²⁴ < 1/2, но 1 – (35/36)²⁵ > 1/2.


[Закрыть] Вы могли бы решить: чтобы выбросить такую комбинацию, потребуется 1296 попыток. Но если достаточно большое число людей по всему миру уделят игре хотя бы немного времени, то такая комбинация может запросто выпасть с первой попытки. Именно так думал Брэди Харан, когда попросил сотни подписчиков своего сайта попробовать выбросить ятзи и записать бросок на видео. Как вы могли догадаться, некоторые выбросили ятзи после нескольких первых попыток, а многим это удалось после нескольких сотен бросков{45}45
  Так происходит потому, что вероятность того, что первая кость выпадет любым из 6 чисел, составляет 1. Скажем, она выпадает на 2. Теперь другие четыре кости должны выпасть на 2. Это составит вероятность (1/6)⁴, или 1 к 1296.


[Закрыть].

В XVIII в., чтобы найти вероятность события, вы бы просто посчитали отдельные случаи: вы взяли бы отношение числа желаемых исходов к числу всех возможных случаев. «Честные» кости могут выпасть одной из возможных сторон, поэтому вероятность p того, что кость выпадает конкретной стороной, – 1/6. Но Бернулли задал вопрос иначе. Он хотел его расширить, чтобы включить проблемы, касающиеся болезней и погоды, с надеждой охватить другие научные вопросы{46}46
  См. видео на канале Numberfile: www.youtube.com/watch?v=dXGhzY2p2ug.


[Закрыть].

Математиков часто приводит в восхищение величие и красота абстрактного принципа. Их увлекает красота, возникающая, когда теорию можно изящно применить к природному миру. Швейцарский математик Якоб Бернулли торжествовал, когда ему удалось доказать слабый закон больших чисел после знакомства с «Книгой об азартных играх» Кардано. Этот закон поистине удивителен, ведь он говорит нам, что, пусть природа и непредсказуема и содержит неизмеримое число компонентов и переменных, у нас все же имеются поразительно искусные способы измерить ее тайны{47}47
  Stephen M. Stigler, The History of Statistics: The Measurement of Uncertainty Before 1900 (Cambridge, MA: Harvard University Press, 1986), 64–65.


[Закрыть]. Он дает нам удивительную возможность разобраться с неопределенностью.

Когда Якоб Бернулли умер в 1705 г., он оставил кипы неоконченных и неопубликованных рукописей своему племяннику Николаю Бернулли. В течение следующих восьми лет Николай разбирался в бумагах своего дяди и наконец опубликовал «Искусство предположений» (Ars Conjectandi) – революционную работу, за которой и сейчас признается новаторство в области описания важнейших понятий теории относительности. В посмертно опубликованной книге в 1713 г. применен уникальный подход, реализованный в виде примера, где говорится об урне, наполненной черными и белыми жетонами, а нам необходимо найти соотношение черных и белых, даже если мы не знаем, что в урне содержится 3000 белых жетонов и 2000 черных. Надо понимать, что существует математическая вероятность, представленная в виде отношения числа белых жетонов к числу черных жетонов. Но числа эти нам неизвестны. Как в таком случае узнать математическую вероятность? Вот план Бернулли: вы вслепую выбираете один жетон, записываете его цвет, кладете его обратно и трясете урну. Если вы повторите это действие, вслепую выбирая жетоны один за другим достаточно долгое время, то по мере увеличения числа попыток становитесь все ближе в этой таинственной математической вероятности. Предположим, например, что после 200 слепых выборок вы записали: 120 белых и 80 черных. Тогда отношение числа белых к черным составит 3 к 2. Далее, вы можете предположить, что вероятность выбрать белый – 120/200, или 3/5.

«Искусство предположений» Бернулли дает нам слабый закон больших чисел. Если подбросить правильную монету N раз в надежде, что орел выпадет k раз, теорема говорит о вероятности того, насколько близко будет отношение k/N к 1/2, математической вероятности того, что орел выпадет за одну попытку. Некоторые игроки, выдавая желаемое за действительное, полагают, будто это означает, что для больших значений N исходы событий приблизятся к вероятностям этих исходов. Таким образом, если опять использовать бросание монеты в качестве примера, заблуждающийся игрок полагает, что, поскольку p = 1/2, общее число исходов орел сойдется к общему числу исходов решка в долгосрочной перспективе. Теорема говорит только о том, что существует возможность сходимости общего результата к достоверности в долгосрочной перспективе. Нет никаких гарантий того, что это произойдет в любом из отдельных случаев. В качестве примера давайте предположим, что у нас есть игра, состоящая из N повторяющихся событий, таких как бросание монеты N раз, и мы считаем число раз, когда выпадает орел. Математическая вероятность того, что правильная монета выпадает орлом, – 1/2. Что мы увидим, подбрасывая монету в реальной жизни? Будет ли коэффициент успешности испытаний близок к 1/2, скажем, настолько близок, что будет в пределах 1/10 000? На самом деле ответа мы дать не можем, но мы можем выразиться иначе и спросить: будет ли вероятность того, что разность k/N и 1/2 меньше, чем 1/10 000, когда-нибудь больше, чем, скажем, 0,999. Теорема Бернулли говорит, что да, такое случится, если N продолжит увеличиваться со временем. Но она не исключает полностью случаев, когда разность между k/N и 1/2 больше, чем 1/10 000, даже для больших значений N. На деле, даже если коэффициент успешности испытаний k/N приближается к 1/2, нет гарантии, что он продолжит это делать. Кроме того, оказывается, что немного усиленная версия теоремы Бернулли говорит нам: хотя коэффициент успешности испытаний k/N, очевидно, сходится к 1/2, реальные значения успешности демонстрируют склонность ко все более своенравному поведению. Рассмотрим следующее удивительное утверждение: вероятность расхождения реального числа успешных испытаний с ожидаемым числом k/2 успешных испытаний (т. е. выпадения орлов) становится все больше и больше по мере увеличения числа испытаний[9]9
  Действительно, если подбрасывать монетку дважды, то в среднем мы должны получать одного орла. Вероятность того, что мы получим ровно одного орла, равна 1/2: всего есть 4 элементарных исхода (орел-орел, орел-решка, решка-орел, решка-решка), из них нам подходят два (орел-решка, решка-орел). Представим теперь, что мы подбрасываем монетку 1000 раз. Вероятность того, что мы получим ровно 500 орлов, довольно маленькая – гораздо меньше, чем 1/2, – потому что мы легко можем получить 505 орлов или 498 или какое-нибудь другое число, близкое к 500. – Прим. науч. ред.


[Закрыть]. Хотя это утверждение и противоречит нашей интуиции, но оно верно{48}48
  С момента публикации в 1713 г. теорема Бернулли прошла через ряд усовершенствований.


[Закрыть]. Однако оно также говорит, что в долгосрочной перспективе разность между действительным средним, которое мы получаем эмпирически после испытаний (и совершенно нам не известное до момента завершения этих испытаний), и математически вычисленным средним может быть сколь угодно малой при условии, что число испытаний N достаточно велико. Это означает, что случайные эмпирические события (не имеющие совершенно никакой памяти о каждом из исходов) имеют среднее, близкое к математически вычисленному числу!

Бернулли был так доволен своей теоремой, что предполагал ее применение к наиболее важным событиям всего сущего. В своем «Искусстве предположений» он написал:

Этот замечательный результат показывает нам, что, если бы наблюдение всех событий продолжилось вечно (и вероятность обратилась бы в совершенную достоверность), тогда мы бы наблюдали, как все явления случаются с постоянными коэффициентами и неизменной цикличностью. Таким образом, даже за наиболее случайными и удачными нам надо будет признать определенную квазинеобходимость и, так сказать, фатальность. Я не знаю, захотел бы Платон включить этот результат в догмат о всеобщем возвращении вещей в их предыдущие положения [апокастасис], в котором он предсказывал, что по прошествии бесчисленного множества веков все вернется в свое исходное положение{49}49
  Доказательство см.: Warren Weaver, Lady Luck: The Theory of Probability (Garden City, NY: Doubleday, 1963), 232–233.


[Закрыть].

В теории теорема Бернулли должна была стать интеллектуальной бомбой, чудом математической оценки неопределенности. Она сулила предсказание будущего. Здесь мы впервые встречаем математический закон, который дал нам замечательный и простой способ понять, как ведет себя случайность в реальном мире; теорему, которую Бернулли с гордостью называл строгой, оригинальной и такой блистательной, что она придала значимость всем разделам его работы. Но Бернулли был разочарован некоторыми из своих экспериментов, которые относились к задачам, связанным с болезнями и погодой. Он честолюбиво задал для себя предельно высокий критерий достоверности даже по сегодняшним стандартам{50}50
  Jacob Bernoulli, The Art of Conjecturing, trans. Edith Dudley Sylla (Baltimore: Johns Hopkins, 2006), 339.


[Закрыть].

Бернулли дал нам огромные возможности для оценки неопределенного поведения природы, а также азартных игр – метод расчета математического ожидания без какой-либо априорной информации. «В самом деле, если заменить урну, к примеру, на воздух или человеческое тело, содержащие в себе возбудителя [fomitem] различных изменений в погоде или болезней, как урна содержит жетоны, мы сможем ровно таким же образом определить посредством наблюдения, насколько проще может произойти то или иное событие в этих объектах»{51}51
  Stigler, The History of Statistics, 77.


[Закрыть].

Когда Эйнштейн остроумно заметил: «Бог не играет в кости с Вселенной», – он говорил о возникшей тогда квантовой механике, которая не могла достоверно предсказывать исходы рассматриваемых ею явлений{52}52
  Bernoulli, The Art of Conjecturing, 329.


[Закрыть]. Фортуна никогда не согласится с тем, что результат броска игральных костей на самом деле неслучаен, как лотерейная комиссия никогда не признает, что шарики для пинг-понга с выигрышными номерами выпадают неслучайно. Никто еще не предложил машину, дающую совершенно случайные числа. «Брошенные кости, – пишет физик Роберт Оэртер, – по сути своей не случайны; исход только кажется случайным из-за нашего невежества относительно маленьких деталей, скрытых переменных (например, угла пуска или трения), которые определяют исход броска»{53}53
  John Albert Wheeler, Biographical Memoirs, vol. 51 (Washington, DC: National Academies Press, 1980), 110. Цитата – парафраз оригинала «Бог не играет в кости» – встречается в письмах Эйнштейна Максу Борну; см.: A. Einstein, Albert Einstein und Max Born, Briefwechsel, 1916–1955, Kommentiert von Max Born (Munich: Mymphenburg, 1969), 129–130.


[Закрыть]. У большинства феноменов в нашей Вселенной (в особенности тех, которыми движут атомные силы) слишком много этих скрытых переменных, чтобы математика могла предсказывать исходы. Мы, как правило, не осведомлены о подробностях таких чудес. И все же у нас есть этот удивительный дар, который был тайной вплоть до XVII в., – дар, дающий ключ к пониманию случайности, а также средства к предсказанию будущего: знание о том, что большинство явлений неквантового механического мира подчиняются слабому закону больших чисел, пусть каждое явление в отдельности и не обладает памятью о собственном прошлом. Играет Бог в кости или нет – долгосрочные тенденции ожиданий предсказуемы и почти всегда достоверны{54}54
  Robert Oerter, The Theory of Almost Everything (New York: Pi Press, 2006), 84.


[Закрыть].

Доказательство Бернулли опирается на число возможных комбинаций предметов, и их расчет не имеет ничего общего со случайными поворотами фортуны. Эдит Дадли Силла, известная переводчица «Искусства предположений», говорит, что Бернулли объяснял связь посредством теологии. Она писала: «Он уверяет, что в сознании или воле Бога есть четкие и определенные ситуации, известные Богу вечно, и со временем проявляющие себя в опыте или наблюдении». Говоря о «вечности», она имеет в виду то, что Бернулли игнорировал фактор времени в расчетах коэффициентов успешности случайных событий. Силла указывает на следующий довод Бернулли: «Нет существенной разницы между тем, чтобы выбросить желаемым образом одну игральную кость в течение некоторого времени, и тем, чтобы бросить сразу такое число игральных костей, которое равнялось бы числу сделанных бросков одной кости»{55}55
  Mazur, What's Luck Got to Do with It? 129–130.


[Закрыть].

Ожидание, измеряемое математическим ожиданием (мы дадим определение ниже), – это упряжь, которой взнузданы тайны неопределенности. Вместе со стандартным отклонением, которое измеряет объем того, что выпадает из ожидания, оно дает нам возможность рассмотреть стохастический (случайный) мир. Две эти величины – математическое ожидание и стандартное отклонение – колеса и винтики статистики частотного распределения, показывающей насколько приближаются данные к некоему центральному значению. Чудесным образом с помощью этих величин и простой алгебры у нас есть если не прямое управление, то по крайней мере теоретическое измерение феноменологической вероятности посредством слабого закона больших чисел. В физическом мире каждый бросок игральных костей и каждое падение шарика для пинг-понга определяется большим количеством изменчивых сил и обстоятельств, которые едва ли возможно измерить (скорость, траектория, воздушные потоки, гироскопический эффект, момент инерции, столкновения и т. д.), все же определимые в идеальном мире математики.

В 1657 г. голландский математик и астроном Христиан Гюйгенс опубликовал работу «О расчетах в азартных играх» (De Ratiociniis in Aleae Ludo), которая еще полвека оставалась главным учебником по теории вероятностей{56}56
  Bernoulli, The Art of Conjecturing, 101.


[Закрыть]. Это первая из напечатанных работ, указывающая на отличие между числом успешных исходов и возможным числом успешных исходов{57}57
  Был еще один большой трактат о теории вероятностей. В 1708 г. французский математик Пьер Ремон де Монмор опубликовал «Опыт анализа азартных игр» (Essai d'analyse sur les jeux de hazard).


[Закрыть]:

Хотя исходы игр, которые определяются исключительно жребием, неопределенны, меру того, насколько человек ближе к выигрышу, чем к проигрышу, всегда можно установить. Таким образом, если человек ручается выбросить шестерку с первой попытки, нам на самом деле неизвестно, сможет ли он это сделать, но то, насколько более вероятен для него проигрыш, чем выигрыш, – вещь, вполне определенная и поддающаяся вычислению{58}58
  Работа Кардано «Книга об азартных играх» (Liber de Ludo Aleae) была написана в 1500-х гг., а опубликована в 1663 г., тогда как работа Гюйгенса «О расчетах в азартных играх» (De Ratiociniis in Ludo Aleae) была опубликована в 1657 г. Однако средневековая поэма «De Vetula», которую приписывают Ришару де Фурнивалю, содержала краткое описание того, какие комбинации могут выпадать при бросании трех костей, без какого-либо упоминания математического ожидания.


[Закрыть].

Гюйгенс дает пример азартной игры, где для участия необходимо платить. Человек прячет три монеты в одной руке, семь – в другой; вы выбираете руку и забираете спрятанные в ней монеты. Чтобы продолжать игру, вы должны платить. Но вот в чем вопрос: сколько вам следует платить за игру? Первое утверждение Гюйгенса дает нам ответ: «Если я могу ожидать либо события a, либо b и любое может выпасть мне с одинаковой легкостью, то можно сказать, что мое ожидание будет равняться (a + b)/2». Ответ – 5, иначе говоря, ожидаемая выгода (сумма, которую вы ожидаете получить взамен), или среднее 3 и 7. Совсем не очевидно, что Гюйгенс понимал, какую поразительную силу будет иметь эта идея для будущего анализа рисков, азартных игр и собственно науки. Но он точно понимал, что ядро теории вероятностей – это просто математическое ожидание. Для математика середины XVII в. было бы совершенно преждевременно узнать истину: что все случайные процессы в природе, включая аннуитет, страхование, метеорологию и медицину, а также азартные игры, можно в той или иной мере предсказывать с помощью вычисления математического ожидания. Вообще математическое ожидание можно вычислить, умножив вероятность на размер выплаты. В большинстве случаев это средневзвешенное значение всех возможных величин, которые могут возникать; в качестве весов берутся вероятности. Это сумма всех возможных значений, после того как каждое значение умножено на вероятность его возникновения. В этом есть смысл; в конце концов вы ожидали бы получить 50 центов с доллара, если бы бросали монетку и ставили бы каждый раз по доллару на орла.

Например, возьмем лотерею Texas Lotto. В табл. 5.1 показаны результаты совпадения 3, 4, 5 и 6 чисел. Чтобы получить математическое ожидание от игры, перемножим вероятность и размер выплаты по каждому возможному совпадению и сложим все возможные совпадения.

Если мы предположим, что джекпот равняется, скажем, $2 млн, тогда математическое ожидание составляет 0,000000038 ($2 000 000) + 0,00001115 ($2000) + 0,000654878 ($50) + 0,013157894 ($3) = $0,171517582. Другими словами, реальная стоимость каждого играющего билета – всего 17 центов.

На том раннем этапе истории теории вероятностей люди использовали математическое ожидание как меру риска, не зная, что оно окажется самым естественным показателем центра распределения – склонности данных группироваться вокруг некоего центрального значения, как показано на рис. 5.3.