Честно говоря, я не подбрасывал тысячу монет. Вместо этого я поставил перед своим компьютером задачу смоделировать подбрасывание монет. Разве у кого-то найдется столько времени на тысячекратное подбрасывание монеты?
У одного человека нашлось – математик из Южной Африки Джон Эдмунд Керрич, которому дали опрометчивый совет посетить Европу ни больше ни меньше как в 1939 году. Его европейский семестр быстро превратился в незапланированное заключение в концлагере в Дании. Там, где обычный узник, не столь увлеченный статистикой, проводил бы дни заточения, царапая на стене камеры прошедшие дни, Керрич подбрасывал монету (всего 10 тысяч раз) и подсчитывал количество выпаданий лицевой стороной вверх
{42}. Его результаты выглядели следующим образом:
Как видите, доля монет, выпавших лицевой стороной вверх, непреклонно стремится к 50 % по мере подбрасывания все большего количества монет, как будто под действием невидимых тисков. Тот же эффект можно увидеть и во время моделирования этого процесса. Доля монет, выпавших лицевой стороной в первой группе попыток, составляет от 30 до 90 %. В случае сотни подбрасываний подряд этот диапазон начинает сужаться и составляет от 40 до 60 %. А когда количество подбрасываний достигает тысячи, диапазон количества выпаданий лицевой стороной вверх составляет всего от 46,2 до 53,7 %. Что-то толкает наши числа все ближе и ближе к 50 %. Это равнодушная и сильная рука закона больших чисел. Я не стану приводить здесь точную формулировку соответствующей теоремы (хотя она удивительно красива!), но ее можно представить следующим образом: чем больше монет вы подбрасываете, тем более маловероятно, что вы получите 80 % монет, выпавших лицевой стороной вверх. В действительности, если вы подбросите достаточное количество монет, шанс, что у вас будет 51 % аверсов, становится ничтожным! Нет ничего примечательного, если в случае десяти подбрасываний наблюдается неравновесный результат, однако в случае сотни подбрасываний получение соразмерного неравновесного результата было бы настолько удивительным событием, что оно скорее всего заставит задуматься, не поработал ли кто с вашими монетами.
Понимание, что результаты эксперимента стремятся к фиксированной средней величине, когда этот эксперимент повторяется многократно, – факт далеко не новый. В действительности данное явление известно почти столь же давно, сколько существует математическое изучение самой вероятности. Этот принцип сформулировал в XVI столетии Джироламо Кардано – правда, без всяких формальностей; и только в начале XIX столетия Симеон Дени Пуассон придумал для него выразительное название – «закон больших чисел» (Loi des grands nombres).
Шлем жандарма
В начале XVIII столетия Якоб Бернулли предложил точную формулировку и математическое доказательство закона больших чисел. Теперь этот закон стал уже не наблюдением, а теоремой.
И данная теорема говорит нам, что игру Большой и Малой команды нельзя считать справедливой. Закон больших чисел всегда будет подталкивать результаты игроков Большой команды к 50 %, тогда как у игроков Малой команды будет гораздо более широкий диапазон результатов. Однако было бы глупо приходить к заключению, что Малая команда «лучше» справляется с подбрасыванием монет лицевой стороной вверх, даже когда она побеждает в каждой игре. Если найти средний показатель доли аверсов, выпавших у всех игроков Малой команды, вместо того чтобы рассматривать относительную долю результативного игрока, этот показатель также окажется близким к 50 %, как и у Большой команды. А если определить игрока с минимальным, а не максимальным количеством выпавших аверсов, Малая команда начинает выглядеть далеко не лучшим образом в плане подбрасывания монет лицевой стороной вверх: есть заметная вероятность, что один из игроков этой команды выбьет всего 20 % аверсов, тогда как ни один член Большой команды никогда не получит столь плохого результата. Определение результатов по абсолютному количеству аверсов дает Большой команде неоспоримое преимущество; с другой стороны, использование относительных показателей так же сильно склоняет игру в пользу Малой команды. Чем меньше количество монет – в статистике это количество обозначается термином «размер выборки», – тем больше разброс значений относительной доли монет, выпавших лицевой стороной вверх.
Именно этот эффект делает результаты политических опросов менее надежными, когда в них принимает участие меньшее количество избирателей. То же самое касается и рака мозга. В небольших штатах выборки имеют малый размер – они напоминают тонкий тростник, сгибающийся под ветром перемен, тогда как большие штаты можно сравнить с величественными старыми дубами, которым любой ветер нипочем. Определение абсолютного количества случаев заболеваемости раком мозга характеризуется смещением в сторону больших штатов, тогда как измерение самой высокой (или самой низкой) относительной доли ставит малые штаты во главе списка. Именно поэтому в Южной Дакоте может быть самый высокий уровень смертности от рака мозга, тогда как Северная Дакота претендует на одно из последних мест по этому показателю. Причина состоит не в том, что гора Рашмор или торговый центр Wall Drug
[65] каким-то образом оказывают пагубное воздействие на мозг. Все проще: населению штатов меньшего размера по существу свойственна более высокая вариабельность.
Таков математический факт, который вам уже известен, даже если вы сами не догадываетесь об этом. Кто самый меткий снайпер в НБА
[66]? Через месяц после начала сезона 2011/2012 года пять игроков получили равное значение самого высокого процента попаданий в лиге: Армон Джонсон, ДеАндре Лиггинс, Райан Рейд, Хашим Табит и Ронни Тюриаф.
Кто-кто?
Дело в том, что эти пять игроков не были лучшими бомбардирами НБА. Они вообще почти не играли. Армон Джонсон, например, играл в одном матче за Portland Trail Blazers. Он сделал один бросок, оказавшийся точным. В целом пять игроков из этого списка сделали тринадцать бросков, каждый из которых попал в корзину. Маленькие выборки более вариабельны, поэтому ведущим игроком НБА неизменно становится тот, кто совершил небольшое количество бросков и кому каждый раз сопутствовала удача. Вы ни за что не стали бы утверждать, что Армон Джонсон был более метким снайпером, чем Тайсон Чендлер, самый результативный постоянный игрок Knicks
[67], который попал в цель в случае 141 из 202 бросков за тот же период
[68]
{43}. (Любые сомнения по этому поводу можно отбросить, взглянув на данные о результативности Джонсона на протяжении сезона 2010/2011 года, когда в ходе игры он сделал 45,5 % попаданий – причем попаданий довольно заурядных.) Именно поэтому в стандартном списке лидеров не отображаются данные о результативности таких игроков, как Армон Джонсон. Вместо этого НБА включает в рейтинги только тех, кто превысил определенный порог игрового времени; в противном случае первые места в списке занимали бы никому не известные временные игроки с их выборками малого размера.
