Алекс Беллос - Алекс в стране чисел. Необычайное путешествие в волшебный мир математики

Когда некоторое распределение сконцентрировано вблизи среднего в меньшей степени, чем колоколообразная кривая, про него говорят, что оно плосковершинное или что у него эксцесс меньше нормального. Наоборот, когда распределение в большей степени сконцентрировано вблизи среднего, говорят, что оно островершинное, или что оно имеет положительный эксцесс. Уильям Сили Госсет, специалист по статистике, работавший на пивоварне Гиннесса в Дублине [67] Госсет У. С. (1876–1937) более известен под псевдонимом Стьюдент («распределение Стьюдента», «критерий Стьюдента» в статистике). Госсет взял себе псевдоним, чтобы иметь возможность публиковаться, используя в своих работах данные, полученные им на заводе Гиннесса и составлявшие коммерческую тайну. ( Примеч. перев. ) , придумал в 1908 году памятку, облегчающую запоминание того, что есть что: «У утконоса с плоским утиным носом (и плоской спиной) плосковершинное распределение, а у целующихся кенгуру — островершинное». Он выбрал кенгуру из-за того, что они «высоко скачут, хотя, честно говоря, по той же самой причине можно было выбрать и зайцев!». Поскольку в составленной Госсетом памятке главные действующие лица — животные, далекие правые и далекие левые участки кривых, описывающих распределения, называют хвостами.

Плосковершинное и островершинное распределения

Когда экономисты говорят, что у распределения «толстые» или «тяжелые» хвосты, они имеют в виду, что кривые в далеких от среднего областях проходят выше, то есть на большем удалении от горизонтальной оси, чем кривая нормального распределения, как если бы у госсетовских животных хвосты были толще средних. Эти кривые описывают распределения, в которых крайние события более вероятны, чем в случае нормального распределения. Например, если вариации в цене акций имеют толстые хвосты, это означает, что вероятность резкого падения или, наоборот, резкого роста этих акций в цене больше, чем в случае нормального распределения. По этой причине иногда довольно безрассудно предполагать колоколообразную кривую там, где распределение имеет толстые хвосты.

В своем бестселлере «Черный лебедь» [68] Талеб Н. Н. Черный лебедь. Под знаком непредсказуемости. Москва: КоЛибри. 2012. экономист Нассим Николас Талеб утверждает, что нам свойственна тенденция к недооценке размера и важности хвостов кривых, описывающих распределения. Его аргумент состоит в том, что колоколообразная кривая — это исторически дефективная модель, потому что она не позволяет предсказывать ни появление очень редких, крайних событий, ни производимый ими эффект, — а к таким событиям могут относиться ключевые научные открытия, подобные изобретению Интернета, или нападение террористов, подобное атаке и сентября 2001 года. Вездесущность нормального распределения не относится к числу свойств окружающего мира, утверждает он, — тут проблема нашего восприятия, порожденная тем, как мы смотрим на те или иные явления.

Желание всюду усматривать колоколообразную кривую, пожалуй, сильнее всего проявляется в образовании. Расстановка оценок от А до F на экзаменах [69] А, В, С и D — проходные оценки, F («failure» — провал, неудача) — аналог отечественной двойки. ( Примеч. перев. ) в конце учебного года основана на том, как набранные учащимися баллы ложатся на колоколообразную кривую, — причем предполагается, что она и в самом деле будет аппроксимировать полученные оценки. Затем данная кривая разбивается на участки, и оценка А выставляется тем, чьи баллы попали в самый верхний участок, В — в следующий и т. д. Во избежание резких встрясок образовательной системы важно, чтобы из года в год процент учащихся, получающих оценки от А до F, оставался примерно постоянным. Если в какой-то год получается слишком много оценок А или слишком много оценок F, то потом на некоторых курсах окажется слишком много или слишком мало студентов, что, в свою очередь, повлечет изменение требований к преподавательскому составу. Экзамены целенаправленно устроены таким образом, чтобы распределение результатов по возможности наилучшим образом ложилось на колоколообразную кривую, независимо от того, насколько точно это отражает реальный уровень знаний.

Высказывалось мнение, что почтение, питаемое некоторыми учеными к колоколообразной кривой, поощряет небрежность в работе. Из нашего примера с квинканксом мы видели, что случайные ошибки распределены нормально. Так что чем больше случайных ошибок мы сможем внести в измерение, тем более вероятно, что данные будут описываться колоколообразной кривой — даже если измеряемые явления сами по себе не распределены нормально. Когда же нормальное распределение обнаруживают в наборе данных, причина этого может состоять просто в том, что измерения делались недостаточно тщательно.